聊数据库部署架构,得从一台机器扛所有说起。九十年代末到两千年初,绝大多数系统都是单机数据库——MySQL装在一台服务器上,Web应用也在这台机器上跑。数据量小,用户少,一台双路CPU、4GB内存的机器就能撑住一个中型企业的业务。那时候的架构简单到没什么好讨论的,备份靠dump,扩容靠换更好的硬件。垂直扩展的思路很直接:内存不够加内存,磁盘慢了换SSD。这套玩法撑了很长时间,直到互联网业务真正爆发,单机开始扛不住了。

单机的问题不是突然出现的,而是一点点积累的。最先扛不住的是连接数——一台MySQL默认最多151个连接,调大max_connections又受限于文件描述符和内存。接着是磁盘IO,当单表数据超过千万行,B+树索引的层数增加,查询延迟肉眼可见地上升。最要命的是可用性,这台机器一挂,整个业务就停了。于是出现了主从复制架构:一台主库负责写,一台或多台从库负责读,主库通过binlog把变更同步给从库。这个架构解决了读扩展和部分可用性问题,但写仍然是单点,主库挂了还是得人工切。
主从复制之后,分库分表成了绕不过去的坎。当单表数据量冲到亿级,索引再优化也救不了全表扫描的开销。垂直分库按业务拆分——用户库、订单库、商品库各自独立;水平分表按规则把一张表的数据打散到多个物理表里。ShardingSphere、MyCat这类中间件就是干这个的。但分库分表引入的麻烦一点不比解决的问题少:跨库join没了,分布式事务变复杂了,全局ID得单独设计,扩容时数据迁移能让人掉一层皮。这个阶段的架构本质上还是“用工程复杂度换扩展性”,运维成本急剧上升。
云原生带来了另一种思路:既然单机靠不住,那就让数据库本身具备分布式能力。Amazon Aurora把存储层做成共享的分布式存储,计算节点和存储节点分离,一写多读,存储自动扩三副本。阿里云的PolarDB也是类似的路子,计算存储分离,读节点可以快速扩展。这种架构的好处是计算层无状态,扩容就是加节点的事;存储层由云厂商保证可靠性和一致性。但代价是绑定云厂商,迁移成本高,而且共享存储层的延迟虽然在优化,终究比本地NVMe高一个量级。
另一条路是原生分布式数据库,比如TiDB、CockroachDB、OceanBase。它们把数据分片、副本一致性、分布式事务都做进了数据库内核。TiDB的TiKV层用Raft协议保证多副本强一致,PD组件负责调度和负载均衡,TiDB层做SQL解析和计算下推。这套架构理论上可以线性扩展,加TiKV节点就能提升吞吐。但分布式事务的延迟是硬伤,跨分片的join性能远不如单机,而且运维复杂度极高——一个TiDB集群动辄几十个组件,出问题时排查链路很长。适合的场景是金融级强一致、海量数据、团队有足够运维能力的业务。
选型的时候,很多人容易犯一个错误:拿架构的先进性当唯一标准。看到分布式数据库就觉得比主从复制高级,看到云原生就觉得比自建机房先进。实际上选型的第一原则是匹配业务阶段。一个日活几千的内部管理系统,单机MySQL加定时备份就够了,上分布式纯属给自己找麻烦。一个日订单百万级的电商平台,主从复制加读写分离可能还能撑,但得提前做好分库分表的规划。只有当日均写入量到千万级、单表数据到十亿级、且业务对可用性要求到99.99%以上时,原生分布式数据库的优势才能真正体现出来。选型不是选最好的,是选最合适的。
回过头看这条演进路径,从单机到主从、到分库分表、到云原生、再到原生分布式,每一步都是被业务需求推着走的。没有哪种架构能通吃所有场景,单机的简单可靠、主从的读写分离、分库分表的水平扩展、云原生的弹性、原生分布式的强一致——各有各的适用边界。真正重要的是搞清楚自己的数据量级、读写比例、一致性要求、团队运维能力和预算约束,然后在这些约束下找平衡点。架构是长出来的,不是选出来的。今天选的主从复制,明天业务涨了再演进到分库分表,这条路走得通;一上来就照着终极形态搭,大概率是过度设计。数据库部署架构的选型,本质上是业务阶段、团队能力和成本预算三者的交集。


