北京
作者 ｜ Leela Kumili
译者 ｜ 明知山
Uber 重新设计了 M3DB 的分片放置策略，引入了固定大小的子集群，以此来限制节点故障、运维和集群扩容带来的影响。这一改动解决了旧放置模型的一个缺陷——在旧模型中，随着分片依赖关系增多，单节点故障对集群的影响范围可达到 (n-1)/n。
M3DB 是 Uber 的分布式时序数据库，数据被划分为多个分片，并在多个节点间复制。其放置算法决定了分片的所有权，并强制保持副本之间的隔离，例如将副本放置在不同的机架或可用区中。Uber 工程师强调，原有的分片放置模型在中小型集群中表现良好，但随着集群规模增长，运维难度也随之上升。
在旧模型中，只要副本没有被放置在同一隔离组中，任意节点都可以拥有一个分片。这种宽松的配置会形成一个依赖图，一次拓扑变更就会影响到 O(N) 个节点。即使隔离组对应三个可用区且复制因子为 3，一个节点仍可能与集群中多达 66.67% 的节点共享数据。Uber 表示，这会增加数据恢复的工作量，并且使得运维操作只能串行执行。
新模型将节点划分为固定大小的子集群，每个子集群拥有互不重叠的分片空间。以 Uber 的示例来说，一个 12 节点集群，复制因子为 3、每个子集群 6 个节点，包含两个子集群，各自拥有一半分片。在子集群内部，M3DB 仍然会把副本分散部署到不同隔离组。
传统分片放置与子集群放置的对比（来源：Uber 博客文章）
扩容时需要将分片从原有子集群迁移至新子集群。Uber 使用贪心算法评估从源子集群移除每一个候选分片带来的影响，并选择使剩余节点负载尽可能均匀的分片。这避免了额外的再平衡过程，以及因分片被移动两次而产生的额外网络传输和引导开销。算法的排序复杂度为 (O(S\log S))，模拟评估开销为 (O(S\times N))，其中 S 代表候选分片数量，N 是子集群内的节点数。
M3DB 现有的放置策略文档同样描述了分片迁移流程：目标节点在接管所有权之前从现有对等节点流式传输数据，因此不必要的分片移动会成为一项运维开销。该放置模型同样借助隔离组防止多个副本部署在同一机架或可用区。
子集群方案存在一些约束条件。它要求所有实例权重相等，扩容必须以子集群规模为单位批量进行，并且子集群大小必须是副本因子的整数倍。该方案也不支持通过 AddReplica 接口修改复制因子。扩容期间会短暂出现跨子集群共享分片的情况，同时系统同一时刻只允许存在一个非完整子集群。
使用贪心算法的分片分布（来源：Uber 博客文章）
Uber 保留了 M3DB 现有的实例级放置操作，没有引入原子化的子集群操作。Uber 团队强调，这保持了与现有工具的兼容性，并避免了触发大量分片同时迁移的大规模引导操作。M3DB 的放置策略现在包含用于子集群放置和每个子集群实例数量的字段。
查看英文原文：
https://www.infoq.com/news/2026/09/uber-m3db-subcluster-sharding/
声明：本文为 InfoQ 翻译，未经许可禁止转载。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
