escalabilidade, sharding, paralelismo e bigdata com postgresql? yes, we can!

Agenda

● Bancos de dados analíticos

● Escalabilidade vertical e horizontal

● Paralelismo inter­consulta e intra­consulta

● Sharding

● postgres_fdw

● PL/Proxy

● pg_shard

● Postgres­XL

● Outras ferramentas

Bigdata

● Volume

● Velocidade

● Variedade

Como o Postgres pode “surfar essa onda”?

Bancos de dados analíticos

● Orientado a assunto● Integração de dados● Dados históricos● Sumarização● Intervalo de atualização curto ou em tempo real● Relatórios complexos em tempo real

Pode fazer parte da solução Bigdata ou, dependendo da necessidade, centralizar toda a solução

Bancos de dados analíticos

● OLAP ­ Online Analytical Processing● MPP ­ Massive Parallel Processing● Armazenamento Colunar● Compressão de dados em memória● Recursos para queries analíticas

PostgreSQL: Base para produtos

Aster DataCitusDB

Greenplum

HadoopDB

HadaptNetezza

ParAccel

pipelineDB

Red Shift

Vertica

Yahoo! Everest

PostgreSQL: Base para produtos

Aster DataCitusDB

Greenplum

HadoopDB

HadaptNetezza

ParAccel

pipelineDB

Red Shift

Vertica

Yahoo! Everest

Escalabilidade

Performance aumenta proporcionalmente ao aumento dos recursos de hardware.

Vertical Horizontal

Escalabilidade vertical no Postgres

● Alta concorrência● Arquitetura multi­processo● MVCC● CPU: Até 64 cores● Memória: Shared buffers (Melhorias na 9.5)● Disco: Parâmetros para tuning de I/O

OLTP

Mas...

IDLEIDLE

IDLE

IDLE

IDLEIDLE

IDLE

IDLE

SELECT

IDLE

IDLE

Mas...

IDLEIDLE

IDLE

IDLE

IDLEIDLE

IDLE

IDLE

SELECT

IDLE

IDLE

Paralelismo

Grandes problemas podem ser divididos em problemas menores para serem resolvidos de 

forma concorrente (em paralelo).

Vamos por partes...

Paralelismo na leitura sequencial

● Postgres 9.4: Infraestrutura básica– Memória compartilhada dinâmica

– Background workers dinâmicos

– Fila de mensagens em memória

● Postgres 9.5– Alguns patches com mudanças na arquitetura

– Propagação de erros

Paralelismo na leitura sequencial

● Postgres 9.6?– Partial Seq Scan

– Funnel

Escalabilidade horizontal

● Escalabilidade apenas de leitura– Streaming Replication + Hot Standby

Escalabilidade horizontal

● Escalabilidade de escrita– FDW

– PL/Proxy

– pg_shard

– Postgres­XL

Escalabilidade horizontal

● Shared memory– CPUs compartilham memória e disco

– Controle de transações simplificado

– Escalabilidade limitada

● Shared disk– Apenas o disco é compartilhado

– Escalabilidade um pouco menos limitada

● Shared nothing– Sharding 

– Cada nó com seu próprio conjunto de dados

– Controle de transações complexo

– Maior escalabilidade

Sharding

● Particionamento horizontal de uma ou mais tabelas em instâncias ou servidores distintos

Sharding

● Via aplicação– Distribuição de dados por funcionalidade

– Modelo de dados específico

– Mais simples 

do ponto de vista do DBA 

Sharding

● Via banco de dados

● Desafios– Escolher a melhor chave de particionamento

– ACID

– Queries distribuídas

– JOIN entre shards

– Foreign keys

Devemos considerar que...

● A solução de sharding precisa balancear os dados entre os servidores e garantir a integridade dos dados

● A falha de um shard impacta todos os outros● Ambiente complexo para administrar● A replicação deve ocorrer em cada shard● Backup deve ser consistente entre os shards

Testes executadosCREATE TABLE ratings (

userId int,

movieId int,

rating numeric,

timestamp bigint);

CREATE TABLE movies(

movieId int,

title text,

others jsonb);

http://grouplens.org/datasets/movielens

postgres_fdw (>=9.3)

● Foreign Data Wrapper para o próprio Postgres● Acesso aos shards através de Foreign Tables● Implementado através de views● Consegue filtrar os dados nos shards● Não acessa vários shards em paralelo● Todas as queries relacionadas ao sharding 

devem utilizar a view– Views com UNION ALL não são atualizáveis

– Necessidade de RULE ou TRIGGER para alterações

CREATE EXTENSION postgres_fdw;

CREATE SERVER srv_pgdaycps1 FOREIGN DATA WRAPPER postgres_fdw OPTIONS (host 'pgdaycps_node1',dbname 'pgdaycps');CREATE SERVER srv_pgdaycps2 FOREIGN DATA WRAPPER postgres_fdw OPTIONS (host 'pgdaycps_node2',dbname 'pgdaycps');CREATE SERVER srv_pgdaycps3 FOREIGN DATA WRAPPER postgres_fdw OPTIONS (host 'pgdaycps_node3',dbname 'pgdaycps');

CREATE USER MAPPING FOR postgres SERVER srv_pgdaycps1 OPTIONS (user 'postgres', password 'postgres');CREATE USER MAPPING FOR postgres SERVER srv_pgdaycps2 OPTIONS (user 'postgres', password 'postgres');CREATE USER MAPPING FOR postgres SERVER srv_pgdaycps3 OPTIONS (user 'postgres', password 'postgres');

postgres_fdw (>=9.3)

CREATE FOREIGN TABLE fdw_movies1 (movieId int,title text,others jsonb) SERVER srv_pgdaycps1 OPTIONS (schema_name 'movielens', table_name 'fdw_movies');CREATE FOREIGN TABLE fdw_movies2 (movieId int,title text,others jsonb) SERVER srv_pgdaycps2 OPTIONS (schema_name 'movielens', table_name 'fdw_movies');CREATE FOREIGN TABLE fdw_movies3 (movieId int,title text,others jsonb) SERVER srv_pgdaycps3 OPTIONS (schema_name 'movielens', table_name 'fdw_movies');

CREATE OR REPLACE VIEW fdw_movies ASSELECT 'node1' AS node,* FROM fdw_movies1UNION ALLSELECT 'node2' AS node,* FROM fdw_movies2UNION ALLSELECT 'node3' AS node,* FROM fdw_movies3;

postgres_fdw (>=9.3)

postgres_fdw (>=9.3)

EXPLAIN ANALYZE SELECT title,others­>>'link_themoviedb' AS moviedb_link FROM movies WHERE movieid = 131262;    ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Seq Scan on movies  (cost=0.00..1292.30 rows=1 width=242) (actual time=3.056..3.057 rows=1 loops=1)   Filter: (movieid = 131262)   Rows Removed by Filter: 27306 Planning time: 0.044 ms Execution time: 3.075 ms

EXPLAIN ANALYZE SELECT title,others­>>'link_themoviedb' AS moviedb_link FROM fdw_movies WHERE node = 'node3' AND movieid = 131262;­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Result  (cost=100.00..121.74 rows=5 width=64) (actual time=1.110..1.111 rows=1 loops=1)   ­>  Append  (cost=100.00..121.72 rows=5 width=64) (actual time=1.106..1.107 rows=1 loops=1)         ­>  Foreign Scan on fdw_movies3  (cost=100.00..121.72 rows=5 width=64) (actual time=1.105..1.105 rows=1 loops=1) Planning time: 0.120 ms Execution time: 1.467 ms

postgres_fdw (>=9.3)

postgres_fdw (>=9.5)

● Herança para FOREIGN TABLEs

CREATE FOREIGN TABLE fdw_movies1() INHERITS (movies)SERVER srv_pgdaycps1 OPTIONS (schema_name 'movielens', table_name 'fdw_movies');CREATE FOREIGN TABLE fdw_movies2() INHERITS (movies)SERVER srv_pgdaycps2 OPTIONS (schema_name 'movielens', table_name 'fdw_movies');CREATE FOREIGN TABLE fdw_movies3() INHERITS (movies)SERVER srv_pgdaycps3 OPTIONS (schema_name 'movielens', table_name 'fdw_movies');

ALTER TABLE fdw_movies1 ADD CHECK (movieid BETWEEN 1 AND 50000);ALTER TABLE fdw_movies2 ADD CHECK (movieid BETWEEN 50001 AND 100000);ALTER TABLE fdw_movies3 ADD CHECK (movieid BETWEEN 100001 AND 150000);

postgres_fdw (>=9.5)

EXPLAIN ANALYZE SELECT title,others­>>'link_themoviedb' AS moviedb_link FROM movies WHERE movieid = 131262;­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Result  (cost=0.00..121.74 rows=6 width=64) (actual time=1.198..1.199 rows=1 loops=1)   ­>  Append  (cost=0.00..121.72 rows=6 width=64) (actual time=1.193..1.193 rows=1 loops=1)         ­>  Seq Scan on movies  (cost=0.00..0.00 rows=1 width=64) (actual time=0.001..0.001 rows=0 loops=1)               Filter: (movieid = 131262)         ­>  Foreign Scan on fdw_movies3  (cost=100.00..121.72 rows=5 width=64) (actual time=1.192..1.192 rows=1 loops=1) Planning time: 0.152 ms Execution time: 1.559 ms

postgres_fdw (>=9.5)

PL/Proxy

● Linguagem procedural para execução de funções remotas 

● Pgbouncer pode ser usado para diminuir o impacto da abertura de conexões com os nós

● Distribui as queries em paralelo● Todas as queries relacionadas ao sharding 

devem utilizar funções

PL/Proxy

PL/Proxy

CREATE EXTENSION plproxy;

CREATE SERVER srv_pgdaycps FOREIGN DATA WRAPPER plproxy OPTIONS (connection_lifetime '1800', p0 'dbname=pgdaycps host=pgdaycps_node0 port=5432',p1 'dbname=pgdaycps host=pgdaycps_node1 port=5432',p2 'dbname=pgdaycps host=pgdaycps_node2 port=5432',p3 'dbname=pgdaycps host=pgdaycps_node3 port=5432');

CREATE USER MAPPING FOR proxy SERVER srv_pgdaycps OPTIONS (user 'node_user', password 'node_pass');

No banco de dados proxy:

PL/Proxy

CREATE OR REPLACE FUNCTION insert_movies(movieId int,title text,others jsonb)RETURNS void AS $$    CLUSTER 'srv_pgdaycps';    RUN ON hashtext(movieId::text);$$ LANGUAGE plproxy;

CREATE OR REPLACE FUNCTION select_movies(fmovieId int)RETURNS TABLE(tmovieId int,title text,others jsonb) AS $$    CLUSTER 'srv_pgdaycps';    RUN ON ALL;$$ LANGUAGE plproxy;

No banco de dados proxy:

PL/Proxy

CREATE FUNCTION insert_movies(movieId int,title text,others jsonb)RETURNS void AS $$BEGIN

INSERT INTO plproxy_movies VALUES (movieId,title,others);

END;$$ LANGUAGE plpgsql;

CREATE OR REPLACE FUNCTION select_movies(fmovieId int) RETURNS TABLE(tmovieId int,title text,others jsonb) AS $$BEGIN

RETURN QUERY SELECT * FROM plproxy_moviesWHERE movieid = fmovieId;

END;$$ LANGUAGE plpgsql;

Em cada shard: 

PL/Proxy

EXPLAIN ANALYZE SELECT title,others­>>'link_themoviedb' AS moviedb_link FROM select_movies(131262);             ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Function Scan on select_movies  (cost=0.25..12.75 rows=1000 width=64) (actual time=1.634..1.635 rows=1 loops=1) Planning time: 0.030 ms Execution time: 1.649 ms

pg_shard

● Extensão do Postgres que gerencia sharding ● Facilidade de administração

– Automatiza vários processos nos shards

● Recursos para recuperação de falhas● Rebalanceamento de shards● Transparente para a aplicação● Alterações no planejador e executor do 

Postgres (Hook)

pg_shard

pg_shard

● Particionamento lógico– Várias pequenas partições em cada shard

– Réplicas de cada partição em shards distintos

● Vantagens:– Rebalanceamento

– Recuperação de falhas

– Performance

CREATE EXTENSION pg_shard;ALTER SYSTEM SET shared_preload_libraries TO 'pg_shard';­­­cat $PGDATA/pg_worker_list.confpgdaycps_node1 5432pgdaycps_node2 5433pgdaycps_node3 5434

pg_ctl restart­­­SELECT master_create_distributed_table('movies', 'movieid');SELECT master_create_worker_shards('movies', 21, 2);

pg_shard

No banco de dados de metadados:

Nos shards é preciso apenas criar o banco de dados e o schema da tabela que será particionada

split ­n l/4 movies.csv chunks/find chunks/ ­type f | xargs ­n 1 ­P 4 sh ­c 'echo $0 `copy_to_distributed_table ­C $0 movies`'

SELECT title,others­>>'genres' AS genres FROM movies_normal WHERE movieid = 1;­­­­­Time: 3.344 ms

SELECT title,others­>>'genres' AS genres FROM movies_sharding WHERE movieid = 1;­­­­­Time: 1.392 ms

pg_shard

Alternativa para o COPY:

Selecionando dados:

pg_shard

● Limitações com tabelas distribuídas:– Particionamento por intervalo (Range)

– Queries com subconsultas

– JOINs

– Restrições UNIQUE e FOREIGN KEY

– Transações em vários shards

– Alterações na tabela

– Uso do COPY

– JOIN e agregações nos shards

– Não suporta EXPLAIN

pg_shard

● Versão 1.2 liberada dia 30 de Julho– Chave de particionamento composta

● Roadmap– COPY para tabelas distribuídas

– Algumas agregações nos shards

Postgres­XL

● Fork do PostgreSQL (Atualmente versão 9.2)● Derivado do Postgres­XC

– MPP (Massively Parallel Processing)

– Ideal para ambientes OLTP e OLAP

– Melhorias de performance e estatísticas

● Sharding e replicação● Suporte completo a ACID

– MVCC distribuído (GTM)

● JOINs e agregações nos shards

Postgres­XL

tar zxvf postgres­xl­v9.2­src.tar.gzcd postgres­xl./configuremakemake install

Postgres­XL

Instalação em todos os nós do cluster:

A conexão SSH entre os nós do cluster deve ocorrer sem senha para utilização do pgxc_ctl

Em um dos nós:cd postgres­xlcd contrib/pgxc_ctlmakemake install

pgxc_ctl prepare

Postgres­XL

Editar o arquivo $HOME/pgxc_ctl/pgxc_ctl.conf

pgxc_ctl init all

­­­

CREATE TABLE movielens.movies(movieId int,title text,others json) DISTRIBUTE BY HASH (movieId);

COPY movielens.movies FROM '/home/postgres/movies.csv' CSV;

SELECT count(*) FROM movies ;­­­­­­­ 27303

EXECUTE DIRECT ON (datanode1) 'SELECT count(*) FROM movies';­­­­­­­  6886

EXPLAIN ANALYZE SELECT title,others AS moviedb_link FROM movies WHERE movieid = 131262; ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Remote Subquery Scan on all (datanode1)  (cost=0.00..20.38 rows=4 width=64) (actual time=0.870..0.871 rows=1 loops=1) Total runtime: 1.226 ms

Postgres­XL

SELECT count(*) FROM ratings_replication WHERE movieid IN (1,131260,131262);­­­­­­­ 54147Time: 824.229 ms

SELECT count(*) FROM ratings_sharding WHERE movieid IN (1,131260,131262);­­­­­­­ 54147Time: 43.772 ms

Aggregate  (cost=145191.78..145191.79 rows=1 width=0)    ­>  Remote Subquery Scan on all     (datanode1,datanode2,datanode3,datanode4)  (cost=5895.66..144401.92 rows=315946 width=0) 

Postgres­XL

Postgres­XL

● Limitações– Rebalanceamento dos shards

– Complexidade para acrescentar novos shards

– Configuração automática de réplicas dos componentes

Postgres­XL

● Roadmap– Merge com PostgreSQL 9.5

– Alta disponibilidade nativa

– GTM opcional

– Melhorias para plataforma analítica

Outras opções

● cstore_fdw● IMCS: In­Memory Columnar Store● BigSQL● hadoop_fdw● hdfs_fdw● hive_fdw● PG­Strom

Mas primeiro...faça a lição de casa

● Refatore e otimize as principais rotinas● Revise a indexação● Tuning● Pool de conexões● Views materializadas (consolidação)● Particionamento de tabelas● Réplicas de leitura

Dúvidas?

Matheus Espanhol

matheusespanhol@gmail.com

matheus.espanhol@pganalytics.com.br

@matheusespanhol

Obrigado!