分布式超大规模数据的实时快速排序算法

作者：xiaofei，UC技术专家
来源：云栖社区

对数据进行处理的同学，经常会遇到排序需求，无论是内存数据还是磁盘数据。

对于单点的数据，我们的处理比较简单，比如：

select field_a from table_b order by field_a limit 100, 10;
db.collection_b.find().sort({"field_a":1}).skip(100).limit(10);

存储服务的处理流程一般可抽象如下：

信息爆炸的时代，数据早已不是单点所能承载的了，数据一般分布在大量节点上，假设某库中的数据均匀地分布在以下的所有节点上。

这时sort, limit的一般方法是选择一个中间节点或者中间件来做合并处理：

一般处理流程的动态表示如下:

我们将过程抽象，流程简化如下：

注意第三步在数据节点中的查询结果范围为[0，skip+limit]。当我们想查询[skip=1000000, limit=200]的数据，意味着需要在各节点

上先查询[skip=0, limit=1000000+200]的数据，再由归并服务对结果进行[skip=1000000, limit=200]的排序， 对存储IO与网络IO的处理量级与skip成正比，

对于T级以上规模所数据处理，无法做到实时处理。

下面来讨论另一种方式

在一般对数据的处理方法中，我们基于一个共同的假设：各数据存储节点只具备简单的对外查询功能，相互之间的连接功能是很弱的，主要有主从，选举，更一步的功能就少了。

现在我们要改变这一假设。

理论描述

假设各存储节点具备相互对话的能力。比如，"hey,你那里skip为100的数据是哪个", “好的，我这里skip为100的数为m。”

对话分成几种，第一种是扩散请求，当其中一节点收到一次请求后， 此节点会将请求迅速扩散到所有其他相关的节点。

第二种对话是应答式，简单的你问我答型。

假设有一个排序全网排序请求，在某一节点获得请求后，扩散给网络需要对此请求处理的请求，各节点在进经n次对话后，产生最终的结果。

概念定义

在一堆数据中，数据m前面有n-1个数，则m的排序索引为n。

通过问答式查询，我们可以轻而易举地获得某个数在全网中的排序索引，只需要将各节点上排在此节点前的个数相加即可。

推导

简单点，如果我们要在一批数据中查询skip=100， limit=20的数据有哪些，我们的目标是在全网数据中获取b,e.

b的索引为第100,

e的索引为120。

则所有在[b,e]之前的数都是我们的目标数据。

实际上还要考虑数据重复，即在b的索引为98个， b个数为4，e的索引118, e个数为5，则目标数据以[b, b]开头， 以[e,e,e]结尾。

技术使用

某节点想知道数据m前面有多少个数， 则直接向其他数据节点发送对话，所有节点（包含自身）只需要返回本节点中在m前面的数据个数, 假设各节点上的查询结果个数为n1,n2,n3,...n10,

则全量数据中数据m前面的数据个数n=(n1+n2+n3+.....+n10)。

以数据m做为递度对象， n做为结果向skip, skip+limit逼近，在全量数据中获取最终的b,e。

请求处理流程

如图所示，对于一次请求我们会分成三个部分

节点确认阶段

此阶段确认哪些节点参与发现。

结果同步阶段

同步的过程是相互的，相互猜测，查询对应数据的索引。

这一步是处理的核心步骤，通过相互确认，最终逼近索引在[100,120]之间的数是哪些。

结果合并

各数据节点将数据结果同步出去，如果skip=100万， limit=20,最多也就同步20条数据，
不再于skip正成比。

模型假设

假设存在m个节点，各节点上的数据都是各自排好序的，各节点间平均来回时间为t1，
单次查询确认程序执行时间为t2,

每次确认的数据个数为p，假设结果确认阶段平均某节点的对外请求次数不在于s。

节点确认时间为 t1

结果确认阶段时间<=s*(t1+t2)

结果合并阶段时间为t1

则总共所需时间为 (2 + s)t1 + st2

从上面结果得出，请求所需时间与节点个数不成正比，与节点间的平均网络时间及算法次数相关。

假设各节点在同一个局域网中，相互间的来回网络时间t1<1ms, 程序执行时间t2 < 1ms，单节点对外请求次数不超过100,

则总共所需求时间不超过 (2+100)+100=202ms

理论要求

如果希望在200ms内完成一次查询，则平均某个节点对外请求次数不超过100，对应的查询数据总次数则不超过100*p,假设p为100,则总次确认的总次数可以达到10000次。

下面我们来模拟一次真实的操作吧。

数据准备

假设对应的数据为正整型，在10个节点中查询skip=100, limit=20的所有数据。

则我们要通过对话确认索引分别为100，120的数为哪个。

考虑到数据重复，我们为各个数建立向量(数据，索引，个数），假设索引为100的数为b,个数为c(b), 索引为120的数为e, 个数为c(e),则我们所要获得的向量为( b,100，c(b)), (e, 120， c(e))。

首轮

由于所有数据都是正整型，则我们知道最小的数为0， 最大的数为2^31，

因此第一次待确认队列里可以包含[0, max=2*31]在所有节点上的情况，得到(0, i(0), c(0)), (max, i(max), c(max))。

同时为了更好地得到逼近效果，先做一次全范围猜测，比如max/100做猜测，

以得到（max/100, i(max/100), c(max/100), (max2/100, i(max2/100), c(max*2/100)), .......(max^99/100,i(max^99/100),c(max^99/100))。

其实0可以认为是max0, 则第一次做逼近的数据可以是(nmax/100), n~[0,100]。

目标逼近

经过第一轮猜测后，全网络都知道了(n*max/100), n~[0,100]对应的向量。

存在2个数n1, n2满足 i(n1max/100=s1) + c(s1)<=100, i(n2max/100=s2) + c(s2)>=100.(如果不存在n2, 则表明不存在这个数，其全局索引>=100， 因此结果为空，直接跳到数据合并阶段）

存在2个数n3, n4满足 i(n3max/100=s3) + c(s3)<=120, i(n4max/100=s4) + c(s4)>=120.(如果不存在n4, 则表明不存在这个数，其全局索引>=120, 假设存在n2, 则数据大于等于n2*max/100的数都是目标数据。）

则有 s1<= b <=s2, s3<=e<=s4,

我们对再[s1, s2], [s3, s4]做相应的逼近，直至获取到最终b,e, 满足 c(b) + i(b) <= 100, c(e) + i(e) <= 120。

从上面的结论来看，数据规模对时间的影响不大，假设数据模块为T级或者P级, 直接影响的是查询某个数在此数据节点上前面有多少个数。

为了降低响应时间，我们只需要设计好数据结构，以支持快速的向量查询。

假设单个节点的数据是G级，假设我们用红黑树存储，是T/P级，我们用B+数，假设每颗节点存储着其子节点的个数。

我们以红黑树为例：

如果需要获取小于数150前面的个数，则只需要找到其所在左支遍历的个数加上根节点的左侧子节点个数。

转化为代码即为：

function getCount(node, child){    if (node.right == child) {        return { node:node.parent, count:node.leftCount + 1 };
    }    else {        return { node:node.parent, count:0};
    }
}
node=node_150;var count = node.leftCount;var nc = {node:node, count:0};while(node != null){
    nc = getCount(node.parent, node);
    node = nc.node;
    count += nc.count;
}console.log("node 150's left count:"+count);

我们的理论目标环境：

1.数据分布在大量的数据节点上，并且在节点上是有序的。

2.各节点间的网络延时不超过1mm。

在此分布式环境下可以实现对T/P级数据进行最多200ms延时的实时快速排序。