特性讲解架构系列
图数据库 NebulaGraph 的数据模型和系统架构设计
NebulaGraph:一个开源的分布式图数据库。作为唯一能够存储万亿个带属性的节点和边的在线图数据库,NebulaGraph 不仅能够在高并发场景下满足毫秒级的低时延查询要求,还能够实现服务高可用且保障数据安全性。
本篇主要介绍 NebulaGraph 的数据模型和系统架构设计。
有向属性图 DirectedPropertyGraph
NebulaGraph 采用易理解的有向属性图来建模,也就是说,在逻辑上,图由两种图元素构成:顶点和边。
顶点 Vertex
在 NebulaGraph 中顶点由标签 tag
和对应 tag
的属性组构成, tag
代表顶点的类型,属性组代表 tag
拥有的一种或多种属性。一个顶点必须至少有一种类型,即标签,也可以有多种类型。每种标签有一组相对应的属性,我们称之为 schema
。
如上图所示,有两种 tag
顶点:player 和 team。player 的 schema
有三种属性 ID
(vid),Name
(sting)和 Age
(int);team 的 schema
有两种属性 ID
(vid)和 Name
(string)。
和 Mysql 一样,NebulaGraph 是一种强 schema 的数据库,属性的名称和数据类型都是在数据写入前确定的。
边 Edge
在 NebulaGraph 中边由类型和边属性构成,而 NebulaGraph 中边均是有向边,有向边表明一个顶点( 起点 src
)指向另一个顶点( 终点 dst
)的关联关系。此外,在 NebulaGraph 中我们将边类型称为 edgetype
,每一条边只有一种edgetype
,每种 edgetype
相应定义了这种边上属性的 schema
。
回到上面的图例,图中有两种类型的边,一种为 player 指向 player 的 like 关系,属性为 likeness (double);另一种为 player 指向 team 的 serve 关系,两个属性分别为 start_year (int) 和 end_year (int)。
需要说明的是,起点1 和终点2 之间,可以同时存在多条相同或者不同类型的边。
图分割 GraphPartition
由于超大规模关系网络的节点数量高达百亿到千亿,而边的数量更会高达万亿,即使仅存储点和边两者也远大于一般服务器的容量。因此需要有方法将图元素切割,并存储在不同逻辑分片 partition
上。NebulaGraph 采用边分割的方式,默认的分片策略为哈希散列,partition 数量为静态设置并不可更改。
数据模型 DataModel
在 NebulaGraph 中,每个顶点被建模为一个 key-value
,根据其 vertexID(或简称 vid)哈希散列后,存储到对应的 partition 上。
一条逻辑意义上的边,在 NebulaGraph 中将会被建模为两个独立的 key-value
,分别称为 out-key
和 in-key
。out-key 与这条边所对应的起点存储在同一个 partition 上,in-key 与这条边所对应的终点存储在同一个 partition 上。
关于数据模型的详细设计会在后续的系列文章中介绍。
系统架构 Architecture
NebulaGraph 包括四个主要的功能模块,分别是存储层、元数据服务、计算层和客户端。
存储层 Storage
在 NebulaGraph 中存储层对应进程是 nebula-storaged
,其核心为基于 Raft(用来管理日志复制的一致性算法) 协议的分布式 Key-valueStorage
。目前支持的主要存储引擎为「Rocksdb」和「HBase」。Raft 协议通过 leader/follower
的方式,来保持数据之间的一致性。Nebula Storage 主要增加了以下功能和优化:
- Parallel Raft:允许多台机器上的相同 partiton-id 组成一个
Raft group
。通过多组 Raft group 实现并发操作。 - Write Path & batch:Raft 协议的多机器间同步依赖于日志 id 顺序性,这样的吞吐量
throughput
较低。通过批量和乱序提交的方式可以实现更高的吞吐量。 - Learner:基于异步复制的 learner。当集群中增加新的机器时,可以将其先标记为 learner,并异步从
leader/follower
拉取数据。当该 learner 追上 leader 后,再标记为 follower,参与 Raft 协议。 - Load-balance:对于部分访问压力较大的机器,将其所服务的 partition 迁移到较冷的机器上,以实现更好的负载均衡。
元数据服务层 Metaservice
Metaservice 对应的进程是 nebula-metad
,其主要的功能有:
- 用户管理:NebulaGraph 的用户体系包括
Goduser
,Admin
,User
,Guest
四种。每种用户的操作权限不一。 - 集群配置管理:支持上线、下线新的服务器。
- 图空间管理:增持增加、删除图空间,修改图空间配置(Raft副本数)
- Schema 管理:NebulaGraph 为强 schema 设计。
- 通过 Metaservice 记录 Tag 和 Edge 的属性的各字段的类型。支持的类型有:整型 int, 双精度类型 double, 时间数据类型 timestamp, 列表类型 list等;
- 多版本管理,支持增加、修改和删除 schema,并记录其版本号
- TTL 管理,通过标识到期回收
time-to-live
字段,支持数据的自动删除和空间回收
MetaService 层为有状态的服务,其状态持久化方法与 Storage 层一样通过 KVStore
方式存储。
计算层 Query Engine & Query Language(nGQL)
计算层对应的进程是 nebula-graphd
,它由完全对等无状态无关联的计算节点组成,计算节点之间相互无通信。Query Engine 层的主要功能,是解析客户端发送 nGQL 文本,通过词法解析 Lexer
和语法解析 Parser
生成执行计划,并通过优化后将执行计划交由执行引擎,执行引擎通过 MetaService 获取图点和边的 schema,并通过存储引擎层获取点和边的数据。Query Engine 层的主要优化有:
- 异步和并发执行:由于 IO 和网络均为长时延操作,需采用异步及并发操作。此外,为避免单个长 query 影响后续 query,Query Engine 为每个 query 设置单独的资源池以保证服务质量 QoS。
- 计算下沉:为避免存储层将过多数据回传到计算层占用宝贵的带宽,条件过滤
where
等算子会随查询条件一同下发到存储层节点。 - 执行计划优化:虽然在关系数据库 SQL 中执行计划优化已经经历了长时间的发展,但业界对图查询语言的优化研究较少。NebulaGraph 对图查询的执行计划优化进行了一定的探索,包括执行计划缓存和上下文无关语句并发执行。
客户端 API & Console
NebulaGraph 提供 C++、Java、Golang 三种语言的客户端,与服务器之间的通信方式为 RPC,采用的通信协议为 Facebook-Thrift。用户也可通过 Linux 上 console 实现对 NebulaGraph 操作。Web 访问方式目前在开发过程中。