背景
喜马拉雅成立之初，各个业务管理各自的数据库、缓存，个业务都要了解中间件的各种部署情况，导致业务间的合作，需要运维、开发等方面的人工介入，效率较低，扩展困难，安全风险也很高，资源利用率也不高。喜马拉雅在发展中，逐渐意识到需要在公司层面，提供统一的定制化的数据访问平台的重要性。为此，我们推出了自己的PaaS化平台，PaaS化就是对资源的使用做了统一的入口，业务只需要申请一个资源ID，就能使用数据库，达到对资源使用的全部系统化，其中对数据库的访问我们基于 Apache ShardingSphere 来实现，并基于 Apache ShardingSphere 强大功能做些优化和增强。
整体架构
我们PaaS平台建设中，负责和数据层通信的dal层中间件我们叫Arena,其中对数据库的访问我们叫Arean-Jdbc
Arena-Jdbc 层的能力基本是基于 Apache ShardingSphere 的能力建设，我们只是基于喜马拉雅需要的特性做了增强和优化,整体架构如下：
Pull Frame
Consul Pull Frame 是我们对Consul 的配置自动拉起封装为统一的Pull框架，我们除了数据库，还有缓存，每种还有不同的使用方式，我们对不同的使用方式只需要实现对应的实现类和初始化，更新，切好这些接口就行，框架会统一把解析好的数据给到，具体一种场景不需要关心和Consul的交互，为后面的资源PaaS化提供了简单的接入能力。
故障容灾
· 自动重连
我们对故障容灾在设计时就考虑了平时通用的一些故障场景，比如数据库server 挂了，我们最做自动重链，不需要业务做重启操作。
· 本地快照
本地快照是为了防止Consul不可用时，业务不能启动，所以我们在拉到远程配置后，会本地存储一份，在拉配置时，如果远程失败，就用本地的配置，保证Consul挂了，不影响业务，每次拉到新的配置时，会更新本地的快照。
· 灰度更新
灰度更新是为了支持配置变更时找灰度的逻辑，对于数据库层面的变更，是非常危险的，如果一下就全量变更，有可能会触发线上事故，所以通过灰度变更的机制，业务可以先选择一个容器实例来变更，没有问题后，再全量变更，把风险降到最低。
· 密码安全
没有PaaS化之前，我们的数据库密码都是dba统一管理的，但PaaS化后，访问数据库的密码就存在配置文件中，如果明文，就太不安全，所以我们对密码统一做了加密处理，在 Arean-Jdbc 层统一做解密，确保密码不回泄露出去。
统一数据源
为了让业务做最低成本的改造，Arena-jdbc 需要提供一个统一的数据源，不论上层用什么框架，不影响,业务只需要替换数据源接入即可，对于数据库连接池我们默认使用 HikariCP DataSource 也支持个性化的业务，业务可以通过配置指定连接池。
我们基于Apache ShardingSphere 的连接池封装了一个我们自己的DataSource,我们叫ArenaDataSource，通过ArenaDataSource封装了各种不同场景聚合，的使用一个 ArenaDataSource 支持三种使用方式：
-
支持原生直接连接
-
支持Proxy模式，也是Apache ShardingSphere的proxy
-
支持直接连接分库分表
业务只需要一个 DataSource，即支持分库分表，也支持简单的直接连接的模式，这样的好处是业务以后要分库分表，就不再需要升级中间件了，为了彻底解决业务升级的成本，我们做了配置自动升级，就是你之前是简单直接链接使用，为了PaaS化，后来业务发展了，需要分库分表了，以及从分库分表需要多活部署了，这些都不要再升级依赖了，只需要配置动即可。
资源动态变更
资源动态变更是PaaS平台基本的能力，接入PaaS后，业务修改数据库的任何属性，都不再需要业务方代码变更，重新发布
Apache ShardingSphere 也支持数据库属性的动态变更，我们基于自己的内部系统的特征，实现了基于Consul的资源变根通知。我们的资源存在Consul。
Arena-Jdbc 支持对使用的资源做无损的变更，Arena-Jdbc 收到资源变更时，会先对新下发的资源做预热处理，预热后，再切换使用的数据源，切换成功后，再销毁老的数据源，业务无感知。
如果新的资源预热失败，则不会做变更处理，保证下发的资源时可用的，规避错误下发的问题。
扩容和缩容也是同理，一期数据需要运维手动迁移，迁移好了后，直接在PaaS平台下发新的配置即可，二期支持自动迁移数据和配置变更结合。
同时支持Proxy的无损上下线机制，通过PaaS平台对Proxy的变更，把需要下线的Proxy节点去掉，通知 Arena-Jdbc，Arena-Jdbc 会把缩容的Proxy节点去掉，做到无损下线。
读写分离
读写分离我们完全基于Apache ShardingSphere的来实现，我们根据喜马拉雅业务的特性，对强制路由做了增强，不需要规则配置为 Hint 模式，只要线程上下文带有强制路由的标志，就可以路由到指定的库和表，不受分表规则的影响，我们重写了ShardingStandardRoutingEngine的Sharding时路由库和表的逻辑：
javaprivate Collection<String> routeDataSources(final TableRule tableRule, final ShardingStrategy databaseShardingStrategy, final List<ShardingConditionValue> databaseShardingValues) { //先判断是否存在Hint上下文路由标，如果有,则优先根据用户指定的规则路由库 Collection<Comparable<?>> databaseShardings = HintManager.getDatabaseShardingValues(tableRule.getLogicTable()); if (databaseShardings != null && databaseShardings.size() > 0) { List<String> list = new ArrayList<>(4); for (Comparable<?> databaseSharding : databaseShardings) { list.add((String) databaseSharding); } if (log.isDebugEnabled()) { log.debug("route dataSources, find HintManager, so hint to: {}", list); } return list; } //没有Hint路由规则，则按Sharding 规则路由 if (databaseShardingValues.isEmpty()) { return tableRule.getActualDatasourceNames(); } Collection<String> result = new LinkedHashSet<>(databaseShardingStrategy.doSharding(tableRule.getActualDatasourceNames(), databaseShardingValues, properties)); Preconditions.checkState(!result.isEmpty(), "no database route info"); Preconditions.checkState(tableRule.getActualDatasourceNames().containsAll(result), "Some routed data sources do not belong to configured data sources. routed data sources: `%s`, configured data sources: `%s`", result, tableRule.getActualDatasourceNames()); return result; }
路由表也是同样的逻辑，我们重写了ShardingStandardRoutingEngine的routeTables方法，和上面一样。先从Hint的上下文获取。这样通过上下文的方式能很好的满足业务个性化的路由规则，能和Sharding规则共存。
Database Plus
Apache ShardingSphere 除了提供基本的分库分表，读写分离的能力外，在上层还提供了很多的插件和扩展的机制，这让我们在基于数据库提供更偏向业务的起的能力非常容易，成本非常低,这叫 Database Plus
Database Plus 简单的说就是你用 Apache ShardingSphere 的数据库中间件，不仅仅是提供了分库分表这一基本能力，通过对底层数据的封装为统一的交互标准插件模式，可以在上面实现很多业务的通用的场景的需求，比如喜马拉雅除了用到 Apache ShardingSphere 基础的能力外，我们也享受了 Database Plus 的威力，我们在它的基础上轻松实现了支持压测的影子库和影子表，数据加解密，机房级别容灾的同城双读，分布式唯一ID。
影子库和影子表
影子库影子表我们对Apache ShardingSphere做了改动，Apache ShardingSphere需要修改sql，我们认为对业务有改造成本，同时结合我们自己的压测平台，我们和业界一样，我们也实现了影子标记，通过全链路压测标的传递来判断是否路由到影子库/影子表，业务无需任何改造，即可使用影子库影子表来做压测，同时不需要在运行时对sql改写，提升了性能，我们重写了ShadowSQLRouter,
javapublic class ArenaShadowSQLRouter extends ShadowSQLRouter { @Override public boolean isShadow(final SQLStatementContext<?> sqlStatementContext, final List<Object> parameters, final ShadowRule rule) { if (sqlStatementContext instanceof InsertStatementContext || sqlStatementContext instanceof WhereAvailable || sqlStatementContext instanceof UpdateStatementContext) { //这里就是判断是否有压测标，如果有，ShardingSphere则会找影子的逻辑。 return ArenaUtilities.checkPeakRequest(); } return false; } }
通过spi的方式把我们自定义的ArenaShadowSQLRouter给Apache ShardingSphere加载使用，不得不说Apache ShardingSphere的插件设计很赞，很方便自定义和扩展。
配置还是和Apache ShardingSphere的一样：
yaml# 配置影子库规则 - !SHADOW # true-影子表，false-影子库(默认) enableShadowTable: true # 源库名称(对应DataSources数据源配置中的名称)，影子库才需要配，影子表不需要配置 sourceDataSourceNames: - ds0 # 源库，与影子库shadow_ds0对应 - ds1 # 源库，与影子库shadow_ds1对应 # 影子库名称(对应dataSources数据源配置中的名称)，影子库才需要配，影子表不需要配置 shadowDataSourceNames: - shadow_ds0 # 影子库，与源库ds0对应 - shadow_ds1 # 影子库，与源库ds1对应
enableShadowTable 我们新增了该属性，来确定是使用影子库还是影子表。
影子库
影子库，一定要填sourceDataSourceNames和shadowDataSourceNames，enableShadowTable不用设置，或者设置为false。
sourceDataSourceNames
按顺序映射，一一对应：
ds --> shadow_ds
ds1--> shadow_ds1
影子库/影子表是最后一个路由规则，如果发现有影子库/影子表，则根据实际的库找到对应的影子库/影子表，执行sql
同城多活
基于喜马拉雅的业务特性，读多写少，我们只实现了对读业务的双机房部署，写业务还是路由到主机房。
为了增强容灾能力，喜马拉雅搭建了双机房，同时承载业务流量，当一个机房故障时，可以把流量快速切换到另一个机房，我们在dal层设计上支持双写，这里充分利用了 Apache ShardingSphere 的读写分离功能，读和写可以配置独立的数据源，我们只需要在上面做了一层封装，在切换时候动态变更对应的数据源即可，为了切换时不影响业务的流量，我们是先预热新的数据源，再销毁老的数据源。
架构图如下：
另外我们也对双写做了研究和探索，关键在于数据库的双向同步，基于阿里开源的 otter 做了改造，支持基于 gtid 模式同步，不依赖打标，打标回有性能开销，在一些业务做了试用。
分布式唯一ID
分库分表后，唯一id是必须要满足的需求，Apache ShardingSphere默认提供了snowfake和uuid算法，但不是很时候db的场景，db需要保证顺序和格式，所以我们基于Apache ShardingSphere提供的接口，也实现自己的唯一id生成策略：数据分片后，不同Mysql实例生成全局唯一主键是非常棘手的问题。Arena-Jdbc 实现了Apache ShardingSphere的分布式主键生成器接口，通过集成喜马拉雅内部的全局唯一id生成服务，提供了适用于喜马拉雅内部的自增主键生成算法-BoushId主键生成策略。
监控和报警
做一个数据库中间件，监控是必不可少的部分，就像我们的眼睛，没有监控就是瞎抓，以及对异常情况的报警也是非常重要的部分，只有完善的监控和报警才能算是一个完整的产品，得益于 Apache ShardingSphere 在设计时就提供了钩子，我们能非常小的成本就能实现对sql层面的监控和报警。
Arena-Jdbc 客户端通过钩子回调，从多维度数据来分析使用数据库的运行情况，以30s为一次统计周期，每个周期统计的数据包括：Mysql总请求量，新增、删除、修改和查询的请求量，失败的请求量和慢请求量，影子库的流量，以及统计响应时间的TP百分比，还有连接池的等待时间、建连时间、连接数等信息。这些指标会发送给专门的收集指标服务，并持久化到时序数据库，PaaS平台可以从时序数据库中查询数据，展示给各个业务，对于异常sql和慢sql，做报警等后续处理。
其他
我们除了基于Apache ShardingSphere实现上述关键特性外，我们还对Apache ShardingSphere做了一些优化和改进，以更适合喜马拉雅的业务。
· 优化分片规则，启动时，如果分片的真实表不存在的情况则报错，将配置错误前置
· 有的业务方有几百，甚至几千的分表，这种情况下，由于Apache ShardingSphere中的联邦查询需要依次扫表，启动速度很慢，达到了分钟级别。针对这种情况，我们新增了props配置项，不再初始化联邦查询，打打加快了启动速度，并且再使用中，也没有用联邦查询
· 优化了Apache ShardingSphere，执行sql异常不报错误的情况
· 由于有的业务方，对重要的表采用了大写的表名和列名，我们去掉Apache ShardingSphere中，对配置中的大写的表名列名强制小写的情况，允许大写的表名和列名
· 新增了props配置项，可以调节Apache ShardingSphere的编译缓存的大小
· 优化Apache ShardingSphere复合分片算法，精确匹配分片字段
在ComplexShardingStrategyConfiguration中，添加shardingColumnList字段：修复Apache ShardingSphere，批量insert，不返回主键的问题，这个问题在mybatis-plus中比较常见
· 不分片的表，支持使用默认的主键id生成策略
总结
基于Apache ShardingSphere实现的数据库中间件Arena-Jdbc，经过半年的时间，已经覆盖了喜马拉雅的70%的核心业务，目前没有发现任何问题，表现的非常稳定，通过和我们的PaaS平台结合，业务也非常愿意接入，另外我们使用Apache ShardingSphere时，社区还没有发布stable的版本，所以我们在使用过程中也遇到了些问题，基本上我们都解决了，有的社区也有对应的解决方案，得益于社区非常活跃，我们以后也希望把我们做的一些feature能回馈到社区，为Apache ShardingSphere的发展做出一点点小贡献。
非常感谢基础架构团队胡建华、彭荣新提出的宝贵意见和建议，感谢喜马拉雅基础小伙伴们在项目推广过程中的大力支持，让Apache ShardingSphere在喜马拉雅生根发芽。
非常感谢亮哥亲自来喜马拉雅对Apache ShardingSphere的技术内幕和规则做了一次全面的分享，非常关心我们在使用Apache ShardingSphere过程中遇到的问题，在现场对小伙伴提的问题都一一作了 深入的解答，非常感谢亮哥，祝Apache ShardingSphere越来越好。
