Palestra sobre escalabilidade e sharding no PostgreSQL. Apresentada no evento PgDay Campinas no dia 7 de Agosto de 2015. Exemplos apresentados disponíveis em https://github.com/matheusespanhol/postgresql-tutorials

2. Agenda
● Bancos de dados analíticos
● Escalabilidade vertical e horizontal
● Paralelismo inter­consulta e intra­consulta
● Sharding
● postgres_fdw
● PL/Proxy
● pg_shard
● Postgres­XL
● Outras ferramentas

3. Bigdata
● Volume
● Velocidade
● Variedade
Como o Postgres pode “surfar essa onda”?

4. 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

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

6. PostgreSQL: Base para produtos
Aster Data
CitusDB
Greenplum
HadoopDB
Hadapt
Netezza
ParAccel
pipelineDB
Red Shift
Vertica
Yahoo! Everest

7. PostgreSQL: Base para produtos
Aster Data
CitusDB
Greenplum
HadoopDB
Hadapt
Netezza
ParAccel
pipelineDB
Red Shift
Vertica
Yahoo! Everest

8. Escalabilidade
Performance aumenta proporcionalmente ao
aumento dos recursos de hardware.
Vertical Horizontal

9. 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

10. Mas...
IDLE
IDLE
IDLE
IDLE
IDLE
IDLE
IDLE
IDLE
SELECT
IDLE
IDLE

11. Mas...
IDLE
IDLE
IDLE
IDLE
IDLE
IDLE
IDLE
IDLE
SELECT
IDLE
IDLE

12. Paralelismo
Grandes problemas podem ser divididos em
problemas menores para serem resolvidos de
forma concorrente (em paralelo).
Vamos por partes...

13. 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

14. Paralelismo na leitura sequencial
● Postgres 9.6?
– Partial Seq Scan
– Funnel

15. Escalabilidade horizontal
● Escalabilidade apenas de leitura
– Streaming Replication + Hot Standby

16. Escalabilidade horizontal
● Escalabilidade de escrita
– FDW
– PL/Proxy
– pg_shard
– Postgres­XL

17. 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

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

19. Sharding
● Via aplicação
– Distribuição de dados por funcionalidade
– Modelo de dados específico
– Mais simples
do ponto de vista do DBA

20. Sharding
● Via banco de dados
● Desafios
– Escolher a melhor chave de particionamento
– ACID
– Queries distribuídas
– JOIN entre shards
– Foreign keys

21. 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

22. Testes executados
CREATE TABLE ratings (
userId int,
movieId int,
rating numeric,
timestamp bigint);
CREATE TABLE movies(
movieId int,
title text,
others jsonb);
http://grouplens.org/datasets/movielens

23. 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

24. 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)

25. 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 AS
SELECT 'node1' AS node,* FROM fdw_movies1
UNION ALL
SELECT 'node2' AS node,* FROM fdw_movies2
UNION ALL
SELECT 'node3' AS node,* FROM fdw_movies3;
postgres_fdw (>=9.3)

26. 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

27. 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)

28. postgres_fdw (>=9.5)
● Herança para FOREIGN TABLEs

29. 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)

30. 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)

31. 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

32. PL/Proxy

33. 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:

34. 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:

35. 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
$$
BEGIN
RETURN QUERY SELECT * FROM plproxy_movies
WHERE movieid = fmovieId;
END;$$ LANGUAGE plpgsql;
Em cada shard:

36. 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

37. 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)

38. pg_shard

39. pg_shard
● Particionamento lógico
– Várias pequenas partições em cada shard
– Réplicas de cada partição em shards distintos
● Vantagens:
– Rebalanceamento
– Recuperação de falhas
– Performance

40. CREATE EXTENSION pg_shard;
ALTER SYSTEM SET shared_preload_libraries TO 'pg_shard';
­­­
cat $PGDATA/pg_worker_list.conf
pgdaycps_node1 5432
pgdaycps_node2 5433
pgdaycps_node3 5434
pg_ctl restart
­­­
SELECT 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

41. 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:

42. 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

43. pg_shard
● Versão 1.2 liberada dia 30 de Julho
– Chave de particionamento composta
● Roadmap
– COPY para tabelas distribuídas
– Algumas agregações nos shards

44. 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

45. Postgres­XL

46. tar zxvf postgres­xl­v9.2­src.tar.gz
cd postgres­xl
./configure
make
make 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 postgres­xl
cd contrib/pgxc_ctl
make
make install

47. 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;

48. 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

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

50. Postgres­XL
● Limitações
– Rebalanceamento dos shards
– Complexidade para acrescentar novos shards
– Configuração automática de réplicas dos
componentes

51. Postgres­XL
● Roadmap
– Merge com PostgreSQL 9.5
– Alta disponibilidade nativa
– GTM opcional
– Melhorias para plataforma analítica

52. Outras opções
● cstore_fdw
● IMCS: In­Memory Columnar Store
● BigSQL
● hadoop_fdw
● hdfs_fdw
● hive_fdw
● PG­Strom

53. 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

54. Dúvidas?
Matheus Espanhol
matheusespanhol@gmail.com
matheus.espanhol@pganalytics.com.br
@matheusespanhol
Obrigado!