标签
PostgreSQL , 任务调度系统 , 数据库设计 , schemaless
背景
任务调度系统中的任务状态管理，通常会用到数据库来存储任务调度的过程状态，控制任务的锁等。
如果是小量任务，是挺好实现的，但是每小时处理几十亿或者几亿的任务，如何设计这样的任务状态管理数据库呢？
挑战
对于一个面向多个用户的任务调度平台（例如云端的任务调度平台，将面向所有租户使用）。
较大的挑战是任务数据的写入（海量），另一个是任务状态的更新（海量，每个任务至少被更新一次）。
云端海量任务调度数据库设计
云端任务调度存在一些特性：
1、用户和用户之间的任务是没有关系的，单个用户的任务在调度时可能有依赖关系。
2、数据量庞大。
3、任务通常都有最终稳定状态，稳定后，对应的任务记录就不会变化了。
针对以上几个特点，采样PostgreSQL设计：
1、任务数据生成后写入任务处理表
2、任务处理表使用rotate设计（例如每小时一个rotate表），处理完的数据直接清除，不需要VACUUM。
3、分区方面，任务处理表采样用户级分区，在获取需要处理的任务时更加的精炼（减少冗余扫描）。
4、当任务达到最终状态时，从任务运行表删除，写入历史表。
5、早期的历史表，从RDS PG中删除，写入阿里云OSS，使用RDS PG OSS外部表接口可以访问到这些历史数据。
DEMO设计
1、初始任务表，用于存储用户生成的任务。
create table task_init ( -- 任务初始表
uid int, -- 用户id
ptid serial8, -- 父任务id
tid serial, -- 子任务ID
state int default 1, -- 任务状态，1表示初始状态，-1表示正在处理, 0表示处理结束
retry int default -1, -- 重试次数
info text, -- 其他信息
ts timestamp -- 时间
);
AI 代码解读
2、任务历史表，用于存储任务的最终状态。
create table task_hist ( -- 任务历史表
uid int, -- 用户id
ptid int8, -- 父任务id
tid int, -- 子任务ID
state int default 1, -- 任务状态，1表示初始状态，-1表示正在处理, 0表示处理结束
retry int default -1, -- 重试次数
info text, -- 其他信息
ts timestamp -- 时间
);
AI 代码解读
3、为了简化测试，按用户ID进行分区。（前面提到的rotate设计，多级分区设计，请参考本文末尾的文章）
do language plpgsql $$
declare
begin
for i in 1..1000 loop
execute 'create table task_init_'||i||' ( like task_init including all)';
execute 'create table task_hist_'||i||' ( like task_hist including all)';
end loop;
end;
$$;
AI 代码解读
4、为了测试方便，使用schemaless的设计，将用户任务的初始数据生成写入放在PLPGSQL逻辑中。
create or replace function ins_task_init(
uid int,
info text,
ts timestamp
) returns void as $$
declare
target name;
begin
target := format('%I', 'task_init_'||uid);
execute format('insert into %I (uid,info,ts) values (%L,%L,%L)', target, uid,info,ts);
end;
$$ language plpgsql strict;
AI 代码解读
5、运行任务，分为几个步骤。
5.1、从任务表读取任务。
5.2、用户执行任务。
5.3、反馈执行的结果，不成功的任务更新task_init表，对于执行成功（并结束）的任务，数据从task_init迁移到task_hist。
为了测试数据库的性能，我讲这三步的逻辑写到plpgsql里面。同时使用delete limit的特性，一次批量取出若干条任务。
这里使用CTID行号定位，达到最佳的性能。不仅免去了索引的使用，而且性能更佳。
这里使用了advisory lock，使得单个用户不会出现并行任务。（实际业务中，可以并行。）
这里没有测试更新状态，task_init还有少量更新(相比insert和delete，比例很少，可以忽略)，比如任务失败的情况。
关闭task_init表的autovacuum，采用rotate的形式进行处理。
create or replace function run_task(
uid int,
batch int
) returns void as $$
declare
target1 name;
target2 name;
begin
target1 := format('%I', 'task_init_'||uid);
target2 := format('%I', 'task_hist_'||uid);
execute format('with t1 as (select ctid from %I where pg_try_advisory_xact_lock(%L) limit %s) , t2 as (delete from %I where ctid = any (array(select ctid from t1)) returning *) insert into %I select * from t2;', target1, uid, batch, target1, target2);
end;
$$ language plpgsql strict;
AI 代码解读
6、测试分解动作。
写入初始任务
postgres=# select ins_task_init(1,'test',now()::timestamp);
ins_task_init
---------------
(1 row)
postgres=# select ins_task_init(1,'test',now()::timestamp);
ins_task_init
---------------
(1 row)
运行任务
postgres=# select run_task(1,100);
run_task
----------
(1 row)
查看任务是否结束并迁移到历史表
postgres=# select * from task_init_1;
uid | ptid | tid | state | retry | info | ts
-----+------+-----+-------+-------+------+----
(0 rows)
postgres=# select * from task_hist_1;
uid | ptid | tid | state | retry | info | ts
-----+------+-----+-------+-------+------+----------------------------
1 | 1 | 1 | 1 | -1 | test | 2017-07-20 15:26:32.739766
1 | 2 | 2 | 1 | -1 | test | 2017-07-20 15:26:33.233469
(2 rows)
AI 代码解读
性能压测
1、生成任务的性能
vi ins.sql
\set uid random(1,1000)
select ins_task_init(:uid,'test',now()::timestamp);
pgbench -M prepared -n -r -P 1 -f ./ins.sql -c 32 -j 32 -T 120
query mode: prepared
number of clients: 64
number of threads: 64
duration: 360 s
number of transactions actually processed: 86074880
latency average = 0.268 ms
latency stddev = 0.295 ms
tps = 239079.558174 (including connections establishing)
tps = 239088.708200 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.001 \set uid random(1,1000)
0.267 select ins_task_init(:uid,'test',now()::timestamp);
postgres=# select count(*) from task_init_1;
count
-------
88861
(1 row)
postgres=# select count(*) from task_init_2;
count
-------
88196
(1 row)
....
postgres=# select count(*) from task_init_1000;
count
-------
88468
(1 row)
AI 代码解读
2、运行任务的性能(一次批量取10000条任务)
vi run.sql
\set uid random(1,1000)
select run_task(:uid,10000);
pgbench -M prepared -n -r -P 1 -f ./run.sql -c 32 -j 32 -T 120
query mode: prepared
number of clients: 32
number of threads: 32
duration: 120 s
number of transactions actually processed: 3294
latency average = 1171.228 ms
latency stddev = 361.056 ms
tps = 27.245606 (including connections establishing)
tps = 27.247560 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.003 \set uid random(1,1000)
1171.225 select run_task(:uid,10000);
postgres=# select count(*) from task_init_1000;
count
-------
18468
(1 row)
postgres=# select count(*) from task_hist_1000;
count
--------
224207
(1 row)
AI 代码解读
单独的测试数据
1、生成任务，23.9万条/s
2、消耗任务，27.2万条/s
生成与消耗任务同时运行的测试数据
1、生成任务，16.8万条/s
2、消耗任务，大于16.8万条/s
没有任何任务堆积。
小结
PostgreSQL在云端海量任务调度系统中，发挥了重要的作用。
单个PostgreSQL实例，已经可以处理每个小时 的任务生成，以及 的任务消耗。
任务调度系统比MQ更加复杂，类似MQ的超集，所以用户如果有MQ的需求，实际上使用RDS PostgreSQL也是可以的。性能指标比上面的测试更好。
参考
《PostgreSQL schemaless 的实现(类mongodb collection)》
《行为、审计日志 (实时索引/实时搜索)建模 - 最佳实践 2》
《在PostgreSQL中实现update | delete limit》
《块级(ctid)扫描在IoT(物联网)极限写和消费读并存场景的应用》
《PostgreSQL 10.0 preview 功能增强 - 内置分区表》
