字节跳动万亿级图数据库的应用与挑战

80 阅读 0 评论 53 点赞

我是靠谱客的博主魁梧蓝天，最近开发中收集的这篇文章主要介绍字节跳动万亿级图数据库的应用与挑战，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

本文根据陈宏智老师在〖deeplus直播第270期〗线上分享演讲内容整理而成。（文末有回放的方式，不要错过）

陈宏智

字节跳动基础架构-图平台-高级研发工程师

陈宏智博士，目前在字节跳动基础架构组担任高级研发工程师角色，博士毕业于香港中文大学计算机科学与工程系，本科毕业于华中科技大学计算机学院，在计算机系统及数据库领域发表顶会论文及期刊(e.g：EuroSys/ SoCC/SIGMOD/KDD/TPDS等)十余篇，研究方向为分布式系统、分布式计算、大规模图存储/计算/训练系统；港府博士奖学金获得者，微软研究院“明日之星”荣誉获得者。

本次分享的内容如下：

一、了解图数据库

1、开胃菜：公司业务场景的难题

首先介绍字节跳动的一个产品——抖音，作为我们本次分享的开胃菜。大家都知道目前抖音的视频的推荐，是通过算法去做的，这当中肯定会有一些最核心的基础数据的存储，比如说用户之间的关注关系、视频点赞的这种关系，以及用户的相互之间的通讯录的关系，是基于这些关系的数据去做推荐算法的。

如何去存储这些数据呢？这本身是一个非常有挑战性的问题，所以基于用户的关系来做这个内容或者是用户的推荐，从算法的角度上来说，是一个核心指标提升很大的事情。

做推荐显然是会基于二度和多度的关系，基于pattern来做推荐的，pattern本身是有很多种组合的，如何去基于这些组合去求解，这本身也是作为技术架构需要有这样的能力。

那么我们现在先假设一下原来的时限。比如说我要做二度关系，根据二度邻居的关注关系的结果做查询，那么以前的方法是首先要从线上MySQL，把用户的关系dump到hive上，然后将多张的hive表做这样的一个join，然后产出这样的二度关系，然后再将二度关系导入一个在线的KV系统，用于做推荐，然后上述的过程每天会去执行几次。

那可以想象在6亿+DAU的抖音，它的整个数据量是非常大的，所以这样的一条条数据下来，它的时间成本和算力成本也是非常大的。

因此，通过算法推荐这个方式，得到的数据已经很旧了，可能是几天以前的数据，所以导致它推荐不实时，以及策略迭代的代价太大了，中间任何一个环节出问题，可能就会导致整个过程的失败。

第三个问题就是日活如此高的抖音，如何实现高并发，以及毫秒级的查询延时，是比较有挑战的一件事情。

下面，我们来看看图数据库的好处是什么？

2、图数据库与关系型数据库

我们需要做一个简单的分析，图数据库相比于传统的关系型数据库，它的区别是什么？

首先图非常很简单，由最基础的点、边以及属性所构成的，而关系型数据库当中，当我对基于一种关系或者说某种特定的条件去做查询的时候，通常的一个技术是多表的join。

那图数据库对于同样的工作量，它的反应是通过这个图上的遍历（traversal）去实现的，操作更加高效。

因为图数据库本身是基于点和边所组成的，所以从固定的点去做traversal，它的形成消息分发是一个更加细粒度的分发，所以相当于在一个大的分布式架构上，它会变得更细粒度，对内存的开销、网络的开销都会变得更小，这是背后的系统层面。

简单举一个例子：我如何去做一鸣的好友，然后我再去查询好友的公司有多少名员工？

在关系型数据库当中通常去需要有这样的一些 table，比如说公司的信息表、雇佣关系表、员工信息表等，用MySQL去查，可能就需要写成如下图这样的 SQL语句。

而基于图数据库，我们用gremlin这样一种查询语言去实现，简单的一行就能把它非常直白地写完。

接下来我会简单介绍一下图数据库里面流行的语言，以及整个图数据库里面的体系。

3、图数据库业界对角度分类

从语言生态、架构设计、集群规模、场景上分图数据库：

二、适用场景介绍举例

1、ByteGraph的发展历程和适用业务数据模型

接下来，给大家介绍一下字节跳动内部ByteGraph的发展历程：

当前版本的ByteGraph在单机上是拥有百万级QPS的查询性能，并且同时支持了多维度的排序，比如说按照关注时间或者关系的亲密度，分别去做排序，也就是分别会基于时间和关系的亲密度去构建索引。

同时我们也支持会比较支持比较复杂的这种查询，比如说多跳的traversal，如果我要基于某一个点做一跳进而做二跳、三跳……通常这样的查询所涉及到的点的数量是非常多的，所以通常中间的某些子查询是可以并发去做的，来降低延时。

查询语言上我们当前是基于Gremlin去做的，Gremlin本身是一个图灵完备的语言，能表达任意的查询；作为一个公司百万级数据的这样的一个产品，可靠性是我们非常强调的，我们支持多机房容灾，然后也支持数据的最终一致性。

2、已上线业务场景分类

从业务上划分，目前我们支持了超过500多个业务集群，服务器规模已经达到上万台服务器。

举一个例子：最开始的一个业务，抖音去存储用户关系的在线存储，比如说好友关系、粉丝列表等，也有基于这些基础数据去做推荐的，比如说抖音推荐、推人、推视频等，是基于好友的好友等多跳的查询去做挖掘关系，然后做关联规则分析等一些算法上的内容。

另外也有知识图谱领域，支持搜索百科、教育团队、电商团队等，然后去做个体的推荐。另外的，IT系统上去用graph来抽象 rapo的依赖关系，或者线上服务之间的网络状态等。

这里举个例子，比如说抖音电商把它建模成一张图，首先实体（点）和联系（边）具体可以分成如下：

我们会基于不同的设备、商品、达人等构建出来非常大的一张构图，然后这张图上会做各种类型的推荐，或者是离线、在线的分析，甚至是在线的基于图神经网络的训练等，有各种各样的应用。

三、数据模型和查询语言

1、有向属图建模

ByteGraph是基于有向属性图来建模的，有向属性图就是有点、边和属性来构成。点来表示的一些实体，然后通常ByteGraph内部是有一个二元组来唯一标志一个点，二元组通常有一个用户的 uid和他的在具体的一个应用场景下，比如说抖音、火山、头条等应用，用不同的应用分类成不同的垂直的场景，用这样的一个二元组来唯一标记一个实体点，然后 type标记的是一类点的集合。

比如说一个运动员或者一个team，他表达的是真实世界当中的一个实体，可以简单理解成把table理解成是关系数据当中一个table，不同的 type是不同的table。

属性其实就是用来描述固定的一个实体，比如说姓名、性别、年龄等等，然后我们会规定同一种类型的 type点（schema）必须是一致的。

同理，边也是有一个这样的实体，它是由点之间的关系就映射成了边，它通常由起点加终点，以及边上的边类型type来描述一个事件。然后同时也会有很多种属性，比如说它的起始时间、终止时间、发生的地点等，来描述这样的一个事件。

简单介绍完了一下ByteGraph的图建模，我们再简单介绍一下ByteGraph的使用查询语言。

2、Gremlin查询语言接口

Gremlin语言我刚才说的是一种图灵完备的语言，它隶属于Apache，是Apache的一个项目之一，它规定了 Gremlin的一些不同算子所涉及到的查询语义，但是对具体实践是不会有一个硬性的限制的，所以这取决于不同的厂商对Gremlin的标准，完全依赖于每一个厂商自己的实现。

目前ByteGraph支持了Gremlin的一个子集，覆盖率到了80%左右。数据模型就是有效属性图模型，Gremlin相比于传统RPC接口更灵活、表达力更好。

从上述例子也可以看出，Gremlin这个语言是非常接近于自然语言的。

简单总结一下，基于Gremlin的查询语言接口，用学英语来比喻的话，就分为：学单词、组句子、开口讲这三步。

再用另外一个非常具体的 UGC场景来举例，基于Gremlin语言如何去表达不同类型的查询。

可以看到Gremlin这个查询的写法，相对来说比SQL还要简单一点且非常直白，比如说我要去限制关注的大v的一个条件，会写一个where，where里面会写 otherV，otherV表示当前基于关注关系的这样的一条边，对应的vertex一定要限制是一个点，所以这样的一些条件限制可以写到where语句，然后我们会基于这个时间和 tsUs然后去倒排，然后限制直取Top10，最后limit（10），然后我会把这些大v作者的名字给取出来，这个时候会再去拿到otherV然后去求它的一个value，然后 value的属性名是name。

同时ByteGraph的特点是我们支持跨集群以及跨表的查询，下面还是以 UGC场景举例。

假设当前最上游的垂直业务当中，用户的关系是通过一张table来存储的，而点赞关系图通过另外一个table来存的。现在我想这个去查询，比如说用户C的好友（相互关注）所喜欢的文章的列表，则是我是基于用户C从table2开始去找，去找在table1当中文章的名字，这个时候我需要通过with Tbale语义去限制在table2中去找vertex C,然后从具有了double关注的所有用户当中，切到table1把具有的点赞关系的文章数它给列出来。

所以Gremlin它也支持这样子的一些跨表查询的语义，来支撑跨表甚至是跨集群的查询。

目前ByteGraph支持了 C++/go SDK，上右图是基于Gremlin的语言，如果要去做一个图查询的话，怎样基于Java或者是C++、Python这些SDK去写这样的一个基于Gremlin的查询的例子。

目前的话，4种语言都支持 RPC的接口，但是基于Gremlin是暂时只支持C++和go的接口。

接下开会更深入的讲解一下 ByteGraph的整体架构。

四、ByteGraph架构与实现

1、ByteGraph整体架构

整个系统可以分成三层：查询引擎层、存储引擎层，磁盘存储层。

三层是相互独立的，每一层都可以水平扩容，比如说你查询的语言语义非常复杂，可能涉及到的step数比较多，所以它是一个计算比较重的这样的查询，但=内存存储开销可能会比较少一点，所以可以开更多的查询引擎层（GQ）的实例，开更少的存储引擎层（GS）实例。

整体上ByteGraph是基于了一个经典的计算存储分离的架构去做的，最底层是一个分布式KV，分布式KV我们用的是公司内部的一个叫Abase的一个分布式KV系统，同时我们也支持其他的分布式KV，比如说公司内部其实有一个 byte KV这样的一个产品，它跟Abase区别是一个是一致性、一个重可靠性，所以整体上后端引擎是可以以热插拔的形式去做更替的。

查询引擎层

主要涉及到用户session管理、服务的proxy，然后核心的一个功能是基于用户发过来的Gremlin请求，去做一个逻辑的逻辑查询计划的这样的一个生成。然后基于逻辑上的查询计划，生成一个物理的查询计划，然后通过执行器executor把对应的子查询给分发出去，它是由go来实现的，重高并发问题。

存储引擎层

这边主要涉及到数据的存储，因此我们会在这个模块当中会涉及到如何把数据做切片，然后分成一个Graph partition（Graph shard），然后如何去把不同的shard内部所代表的子图，用一种特定的数据结构把它组织起来，同时这个数据结构要有相对来说比较良好且较低的读写放大能力，以及它能够在磁盘的组织形式上对磁盘比较友好，然后是顺序读写。

所以如何去实现这样的数据结构，也是我们ByteGraph比较一个核心的设计。为了保证数据不能丢失，在存储引擎层我们也支持了 WAL（Write-Ahead Log），同时我们也支持事务性，通过1PC的事务协议来支持的，事务性目前是当前是支持 Read Committed的事务隔离级别，这一层是通过C++写的。

磁盘存储层

当前是依赖于公司的第三方permission store（KV store）去做的，下个版本会自研图原生存储。

2、ByteGraph读写流程

然后我们简单分析一下，一个读写的query进来之后，它的路由机制怎样的呢？

假设当前的 GQ和GS层分别有不同的实例，一个写语句进来之后，它会基于当前写的X然后假设根据最简单的哈希规则，它会不会映射到 GQ2的实例上，GQ收到read query之后，会基于路由规则把它打到 GS2上，然后GS2的cache层就会去找X存不存在。

如果不存在的话，会把当前page从存储的KV store里去把它给捞上来，然后把当前写过程给写进去，与此同时，我们会写入一条WAL这样的log，把它固化到KV store，防止数据更新的丢失。

如果是一个读的过程，就只是做查询，就相对来说更简单了，直接去基于一个GQ的实例去找应该在哪个GS的实例上，去找到 A这样的page，如果找不到就把它从磁盘捞上来，如果找得到就直接返回结果。

所以简单可以把 GS层理解成缓存层，但同时我们也不是简单的一个缓存，因为在这一层上我们也支持数据的事务性，还有数据的防丢失的能力。

3、ByteGraph实现

1）查询引擎

这里再简单提及一下ByteGraph的查询引擎，接下来我会依次对查询引擎、存储引擎做详细的分享。查询引擎这边首先第一个是要做 parser，把一个string打进来之后，把它解析成一个查询的语法数，基于一定的优化规则，如 RBO（rule based optimization）和CBO（cost based optimization）去生成一个逻辑的查询计划。

通常query在垂直的业务上，所以query和pattern是比较相似的，所以我们为了防止查询计划多次的生成，所以一个查询计划基于一个模板的情况下，我们是有缓存的。

然后生成了查询计划之后，接下来的事情就是让 GQ层与GS层之间交互，能并行的查询尽量并行去做，不能做的话就只能串行的去查询，基于这样的一个依赖关系去串行的完成这样的查询。

同时GQ层，需要去理解在存储层上的分片逻辑，找到对应的一个数据，它在具体在GQ层还是在GS层上。

同时，一个带索引的查询，它在存储层上已经建了索引之后，这个查询显然不应该把它放到查询上去做，它应该放到存储上去做。所以我们这里也涉及到一些算子下推的一些优化。

在查询优化器上分成两类：第一种是基于规则的优化器，第二个是基于代价的优化。

2）查询优化器

查询优化器分成两类：基于规则的优化和基于代价的优化。

在基于代价的优化中，可以用右图来表示。执行计划A非常显而易见的一个方式，就是做两票的 expand，我先找到他的一度邻居，然后依次让一度邻居去找到他的二度邻居，看有多少人当中是有他的。另外一个方式是找到了我的一跳领居之后，然后找到他的一跳入住邻居，然后依次去做一个join，那显然二会比一开销很多。

所以我们在用户写出这样的一个query之后，我们的优化器能够找到相对cost最低的一个查询优化的逻辑执行计划。

3）图分区算法

图分区的话，这一块ByteGraph支持了不同策略的图分区方式，比如说最简单的基于点的起点，和边的类型进行一致性哈希的分区方式，目前的话是在大部分场景上都是基于这样的分区的算法来做的。

ByteGraph支持了不同策略的图分区方式，比如说最简单的基于点的起点，和边的类型进行一致性哈希的分区方式，目前的话是在大部分场景上都是基于这样的一个分区的算法来做的。

知识图谱的场景它的特点在于它的边类型是非常多的，所以删除之后映射到每一种类型的边的数量相对较少，小到单机是可以完全容纳这种类型的边的所有集合，所以就不要考虑点了，完全依据边的类型进行哈希分区。

这样的话在知识图谱这个场景下，它能大幅的降低查询中多度查询扇出的请求数量，也就是网络的开销，进而就可以降低了延时。

在社交场景当中，通常来说是一个点的度的分布，但是有一些点它的度特别大，有一些点它的度特别小，甚至没有人关注它。在这种情况下，我们是基于 Facebook16年的一篇论文，去实现了一个这样的，一个social hash这样的一个算法，来保证我们做多跳邻居查询的时候，它的网络开销是比较小的。

所以这种情况下， ByteGraph会优先让整个图导入之后去做一个离线的图分区算法，然后做完了之后再把对应的点和边，基于这个算法映射到不同的数据。

4）ByteGraph存储引擎实现

接下来再讲一下存储引擎的一些细节，整体上说存储引擎这边可以把整个系统组件划分成这样的几层。

最上层是一个跟图语有关的读写的接口，然后中间这一层是涉及到如何去支持数据的事务性，以及我们如何把一个数据映射成一个图原生的存储，它的数据layout是什么样子，我们在这一层把它给解决了，然后同时我们也支持 WAL，来保证数据的更新是能够持久化的，不会有任何数据的更新的丢失。

最下面一层就是基于KV store这样的接口，我们支持了不同类型的 KV store，比如说一些开源的HBase、RocksDB等。

① 存储结构（一）

简单讲一下如何机遇KV系统能够构建一个图结构？

基于 KV的一个建模，最简单且直观的方式就是一个KV对一条边，同时它的写放大也非常小。

所以写放大就是当你想更新一条数据，这个数据可能是有一个字节数，比如说X，但是你实际上更新的这样一个数据块是Y，如果Y远大于X的话，就是写放大是非常大的，当前这样建模它的写放大是非常小的，因为它的粒度很细，但是你可以想象它去做查询，做一跳领域的查询的时候，它的性能是退化的程度是非常大的，因为它涉及到大量的随机读写，它数据的局部性就没有了。

如果用一个KV去保存一个起点的所有边，显然这个数据的局部性就会好，但是它的写放大就会变得很大。比如说你改了当前对应的一个点上的一条边，其实整个ege历史都要被更改，这是我们设计上的一个权衡，需要做一个折中。

具体是怎么做的，我们用一个类似于B树的结构来建模Graph，对某一个点来说，一个点同一个边type的所有的终点是一个存储单元，也就是说我们把一个起点ID、起点type和边type，基于它去group by，具有相同值的所有边集合，我们会认为它是逻辑上属于一个分区的。

如果这个分区依然涉及到很多点怎么办呢？我们会把它作为一个二级的拆分，所以因此会涉及到 b树的多层级。

假设一个点，它基于某一种关注关系，粉丝数是1000万，其实可以想象用一级的一个page去存肯定是不够的，我们会把它拆分成多page。

② 存储结构（二）

第一层的page就叫Meta page，它其实只是去简单记录了一个映射，这1000万个邻居当中，我们基于每2000为一片，每一片我们把它称作为一个Edge page ，每一个Edge page又存储了2000个Edge，所以用这样一个多级拆分的这样的方式去降低了读写放大的问题，同时起到了一个非常平衡的设计。

总结下来就是单起点和某一种固定的边类型组成了一个B树，然后B树的每一个节点是一个KV队，然后这里涉及到完整性上的话，我们会限制每一个B树的写者只能是唯一的，以防止并发的写入导致 B树逻辑上的破坏。

刚才说到写放大的问题，我们具体在当前 B树的建模上，依然其实会存在写放大的问题。

③ 日志管理

我们是如何进一步去优化写放大的？比如说一个写请求，过来了之后，我们其实是只会去写 WAL的，当它在内存当中的某一个B树的page，当一个写请求进来，它确实映射到page上的数据了，显然内存中的数据是需要被更改的，但是磁盘上的数据这个时候是不需要更改的。

这个时候，它会写一条相对来说尺寸比较小的WAL，再把它固化到 KV store里，只有当这个数据再次被从磁盘上捞到内存里的时候，我们会把原有的磁盘上的旧数据apply到新的WAL，然后就生成了最新的数据，然后把它放到内存里，通过这样的方式来缓解写放大的问题。

然后同时如刚才所说，为了维持B树的完整性，每个必须是有且唯一的一个WAL日志流。

④ 缓存实现

关于缓存的话，我们去实现了自己的一个高性能的LRU Cache。这个不难理解，作为一个数据库的话，你需要有一个相对来说比较泛化的能力，不同的垂直的应用场景，它所涉及到读写的比例以及读写的QPS也是不一样的。

所以我们LRU Cache是支持了不同的策略，基于不同的频率的读出，触发的阈值也不一样，比如说我们一台物理机的内存，比如说我用到了60%，这个时候想再往上走可能就比较危险了，这个时候我就开始触发LRU Cache的能力，把不会经常用到page，要下刷写到磁盘上。

当数据规模不变的时候、写请求的流量增大的情况下，缓存与存储分离的模式，它的一个优点就是可以快速的扩容，也就是把 GS这一层单独的去加大请求的个数，来提高我的缓存的能力，但存储层的QPS的整个的容量是不变的。

下图是ByteGraph的存储层的全貌，单机的内存引擎就会长这个样子。

首先会把整个图数据模型成基于一个特定的点和它的边类型，会把它抽象成一个B树的数据架构。

如果随着读写流进来，特别是写流会把一些page更新掉它的数据，同时会写一个WAL，这个时候page会变脏，所以我们会用一个 dirty page的一个link list去记录脏数据，脏数据积累到一定程度后，我们要把脏数据下刷到磁盘上，然后同时我们会有维护WAL这样的一个log流，然后同时也会有这样的一个LRU Cache来保证一个我们的物理机的内存开销是在一个阈值之上的，有一个上界有一个下界。

五、关键问题分析

1、ByteGraph关键问题之一：索引

索引我们目前是支持了全局索引和局部索引：

局部索引

对于给定的起点和边类型，然后对边上的属性构建索引，比如说我基于用户的年龄索引，显然基于默认的属性，比如说我们当前的默认属性是基于时间去索引，边就会基于时间去做排序，如果基于Edge去索引的话，那会基于Edge去做排序，这是两个不同的B树的组织方式。

全局索引

基于一个属性值，能查到当前在整个Gragh里面，具有特定属性值的所有点的ID，这个是全局索引的定义。然后这里就涉及到数据一致性的问题了，它本身是有分布式事务的能力，所以我们通过分布式事务能力来维护了数据与索引之间的一致性。

2、ByteGraph关键问题之二：热点读写

举个例子：比如说一个大v正在直播的时候，可能有很多人进入了他的直播间，回到刚才那个例子，我们是通过一个图来去模拟用户与电商之间关系的，所以当有不同的用户进到这个商家的时候，其实你可以想象成在 Graph里面会有很多边被写进来了，很多人进入一个特定的商家的时候，就会造成热点的写问题，同样读也是一样的。