重磅消息 | 腾讯把内部十亿级场景的数据库 TDSQL Boundless 搬到了云上
国产分布式数据库的三个梯队
国产数据库这两年热闹得很,但拆开看其实分三层在做:
第一梯队在补 OLTP 的「MySQL 替代课」: 这条线已经把"分库分表 MySQL"的痛点压住了大半。 第二梯队在拼 OLAP 的「ClickHouse/Doris 替代课」。 第三梯队在拼 HTAP 和多模:TDSQL Boundless 是这层里跑得最靠前的几个之一 —— 它用 LSM-Tree + Multi-Raft 把传统 MySQL B+Tree 路径替换掉,叠了一层列存引擎(Libra)做轻 OLAP,再叠一层对象存储做冷数据归档。这条栈打通了就不只是「再做一个分库分表」,而是「把 HBase / Cassandra / 分库分表 Proxy / 列存数仓」一并替代。
本文就带大家一层层拆开看看腾讯云 TDSQL Boundless 到底做了什么。
PS: 本文会照顾到 DBA、应用开发者、架构师这几类读者.
解开 Boundless 的关键是 HyperNode。不是「无状态的 SQLEngine + 有状态的 TDStore」那种分离模型, 而是计算引擎 (Compute Engine) 和存储引擎 (Storage Engine) 同进程部署 —— 性能最优、跨节点 RPC 最少。
底层组件只有四块:
应用视角看到的就是个标准 MySQL 服务: 通过 VIP 接入, JDBC 直接连, 一切分布式细节在内核里。
TDSQL Boundless 的"招牌"差异化:亲和调度 (Affinity Scheduling)
说起亲和调度 (Affinity Scheduling), 你会发现国内其他 NewSQL 玩家讲得非常少, 但这恰恰是分布式系统中最容易被忽视的性能锚点。
传统分布式数据库的 join 痛点: order 在节点 A, customer 在节点 B, 一个 JOIN 要把数据跨节点 shuffle 一遍, 网络打爆。
Boundless 的解法是让用户声明亲和策略, 系统把相关数据 pin 到同一节点:
-- 业务侧不需要写这条 SQL, 这里只是说明亲和策略的"形"
SELECTsum(o.price)
FROMorder o, customer c
WHERE o.cid = c.id;
如果配置策略 hash(customer.id) = 0 → HyperNode 2, 那 customer 和 order 的对应分区都被 pin 到 HyperNode 2。Join 在本地完成 partial sum, 只有最后聚合跨节点。
效果三层叠加:
跨节点网络流量大幅减少 JOIN 路径变短, 延迟降 Raft log stream 数量减少 → 同一个 key 的写入聚合到同一 Raft 组, I/O 也跟着聚合
高可用和容灾:两个数字别混了
文档里有两套 RTO, 很多人会混淆:
写入路径是 Raft 多数派: 2/3 副本写盘成功才返回客户端, 所以 RPO=0 是硬指标, 不是宣传话术。RTO 区分是为了让你在写 SLA 的时候别用错 —— 跨 IDC 故障恢复 30s 内合理, 同 IDC 故障 15s 内合理。
额外送的福利: 在线配置变更、在线 spec 变更、在线 DDL 都不中断业务。
透明分片:这条对开发者最关键
开发者以前用 ShardingSphere / Vitess 那种中间件方案, 要做的脏活累活:
选 sharding key 改 SQL 写法 处理跨库 join 不支持 自己造全局唯一 ID 扩容时写脚本搬数据
Boundless 的处理: 用户建表时只写标准 DDL, 系统按主键自动按 key range 切成 region, region 跨节点物理复制。当数据增长时 region 自动 split, 当节点扩容时 region 自动 rebalance。
应用代码全程感知不到分片存在。
真实性能数据
TDSQL-B vs 某 "Open Sourced Distributed Database X" (32C64G × 3 节点, 6.4 亿行数据):
几个值得 DBA 注意的点:
Write Only +139%: 这是 LSM-Tree 的天然优势, 顺序写 + compaction 流水线 Index Update +250%: 亲和策略让 data 和它的 index 落在同一节点, 二级索引更新直接走本地事务, 不跨 Raft, 不 2PC, 性能就上来了 Point Select +70%: RocksDB block cache + 紧凑 KV 编码的优势
以上数据来自官方 XiaoYu Ma 的对外分享.
OLTP + 轻量 OLAP:两套引擎,一份数据
Boundless 不是"一个引擎干两件事", 而是两个引擎读同一份数据:
行存引擎 (RocksDB): 处理高并发短事务 (订单创建/状态变更) 列存引擎 (Libra): 处理报表/聚合 (近三年的销售记录聚合), 向量化执行
同时跑同一个 TPCH 风格 SQL, 行存引擎没出结果, 列存引擎可以快速出结果。
两套引擎的实时一致性: OLTP 写入行存, 列存自动同步, 应用层查报表时看到的永远是新鲜数据, 不需要 ETL, 不需要数仓。
对架构师: 这等于把 ClickHouse/Doris 在你的架构里"挤掉了一层"。如果你的报表查询只需要"近实时 + 不错性能 + 不维护独立数仓", Libra 就能扛。
冷数据归档:一条 SQL 就能搬
语法极简:
ALTERTABLE orders
MODIFYPARTITION p20250101
STORAGE = object_storage;
执行后 orders 表的 p20250101 分区数据全部搬到对象存储, 读写仍然透明 —— 写延迟比热数据高, 但容量成本骤降(对象存储一般 0.01-0.1 元/GB·月)。系统自动维护一份"冷数据缓存"在本地 SSD, 热点的冷数据读延迟可控。
业务侧可以按表或按分区粒度决策哪些数据"冷了", DBA 不用再操心"三年以上的订单数据要不要单独存 OSS"这种手工活。
实战案例:四个真实数字
以下案例数据来自官方 XiaoYu Ma 的对外分享.
案例 1:腾讯广告审核系统 (Ads Review)
案例 2:大型手游后端
案例 3:腾讯金融话费充值 (HBase 迁移)
案例 4:腾讯 Adhouse 广告投放平台
Demo 实时数据:扩容实测
扩容流程很简单.
基线: 3 节点 (4C8G 每节点) + sysbench point select → 156K QPS @ 74% CPU
扩到 6 节点 (console 点几下) → 同负载, 158K QPS @ 38% CPU (CPU 被摊薄)
开第二路 sysbench (负载翻倍) → 267K QPS @ 65% CPU on 6 节点
这个 demo 回答了一个 DBA 真正关心的问题: "扩容不是只把 CPU 用满, 而是能不能真的扛住更多业务"。 6 节点扛住了 267K QPS, 65% CPU 留了余量 —— 这条曲线是 OK 的。
HBase / 分库分表 / TDSQL 三方对比
下面这个对比表格把 Boundless 在「架构现代化」赛道的优势讲得很直白:
这张表是给"我们到底要不要从 HBase / ShardingSphere 迁过来"这个问题的一句话答复: HBase 只剩 KV 一项占优, 其他全部输给 Boundless; 分库分表 proxy 全面落后。
4 种典型选型
1. Mission-Critical 大容量 OLTP
适用: 支付交易 / 游戏玩家行为 / SaaS ERP 数据 诉求: PB 级存储 / 百万 QPS / 严格一致性 / 不停服扩缩容 Boundless 解法: 三 AZ 部署 + Raft 多数派 + 在线 DDL
2. Single View / 数据整合
适用: 跨 BU 数据汇总 / 实时风控 / 反欺诈 / 全局营销 诉求: 跨业务线实时查, 不用等 T+1 ETL Boundless 解法: 单一实例多源整合 + 跨表 join + 实时同步
3. 架构现代化
适用: 还在用分库分表 MySQL / HBase / Cassandra / 老的 Sharding Proxy 诉求: 演进不停服, 性能不降, 成本不升 Boundless 解法: MySQL 协议零代码迁移 + HBase API 兼容层
4. 海量数据低成本存储
适用: 业务日志 / 行为数据 / 合规归档 诉求: 写得多查得少, 成本敏感 Boundless 解法: LSM 压缩 + 冷数据对象存储归档
TDSQL Boundless 的边界
但必须也要指出 TDSQL Boundless 的边界, 以下这些场景不适合, 或需要业务配合改造才能上:
OLAP 重型分析 (PB 级 TPC-DS 跑批) —— Boundless 的 Libra 只解决"轻量 OLAP"。真要秒级出 PB 级聚合, 上 StarRocks / Doris / ClickHouse, 那是另一个赛道 需要 MySQL 这些功能的场景 —— Boundless 文档明示: 目前的版吧不支持外键 / 虚拟列 / GEOMETRY / 降序索引 / 全文索引 需要全局单调自增 ID —— 默认自增缓存 100 (全局唯一不单调), 设 1 才能单调但写性能下降 Serverless 跑关键生产 —— Serverless 实例不支持多 AZ, 只支持 2 副本, 不能挂 CDC 节点
成本和工程实践的 4 个经验
可选 2 副本省 33% 存储。但 2 副本 = Raft 多数派是 2/2, 失去 1 个副本集群就不可写, 真生产建议 3 副本 亲和策略要在业务早期就规划: 不写亲和策略, Boundless 默认按 key 范围 hash, 跨表 join 会跨节点打网络 —— 数据亲和是"你必须主动设计"的事 OLTP 表 + OLAP 列存副本同库共存: Libra 副本只读, 加一个就行, 不需要单独建数仓 冷数据按分区粒度归档: ALTER TABLE MODIFY PARTITION ... STORAGE=object_storage这条 SQL 是核心抓手, 按业务时间窗口管理最自然
TDSQL Boundless 对中国数据库产业的意义
写到这里多说一句 — 这是面向产业观察的视角。
中国分布式数据库在过去 5 年完成了一件事: 把"分库分表 MySQL"和"HBase 这种 NoSQL"这两条分裂的栈, 在云原生时代重新收敛。TDSQL Boundless 走的是"MySQL 协议 + LSM 存储 + Multi-Raft 一致性 + 列存轻 OLAP + 冷热分层"这条路径, 在产业层面是给"中国 NewSQL"这条赛道立了一根可对照的标杆:
技术上: LSM + Raft 的工程化在腾讯内部被 490TB Ads Review / 360TB Adhouse 这种真实业务体量检验过 生态上: 兼容 MySQL 协议意味着上接应用、改造成本低; 兼容 HBase API 意味着下接存量 NoSQL 迁移 商业上: 100K+ QPS 量级的客户 + 腾讯内部十亿级业务同款, 在金融 / 游戏 / 广告这些高价值行业能直接转化
对国内其他 NewSQL 玩家来说 Boundless 的这些创新是非常值得学习的:
亲和调度这种"性能深度优化"层, 大家都还在补 OLTP + 轻 OLAP 一体化, 是未来 1-2 年最热的对决点 LSM-Tree 这条线, 跟传统 B+Tree 在压缩率和写吞吐上是不同取舍, 没有绝对优劣
TDSQL Boundless 是「把 MySQL 协议 + LSM-Tree + Multi-Raft + 列存轻 OLAP + 冷热分层」这一整条栈, 做到一个产品里, 且已经受住了内部PB级别核心系统 “490TB Ads Review / 360TB Adhouse / 1000 vCore 手游扩容 / 414 节点 HBase 迁移到 TDSQL Boundless 实例”这种真实业务体量的考验。在 NewSQL 这个赛道, 它是当下国内最完整的"一栈式答案"之一。