快速扩展在线存储以服务超过 10 亿 ChatGPT 用户(第二部分)

所有 OpenAI 产品都需要快速、可靠的数据访问,这由我们的存储平台 Habitat 提供。它必须在毫秒级内响应覆盖 40 个地理区域的超过 10 亿用户。我们的基础设施面临一项非同寻常的挑战:在支持爆炸式增长和新用例的同时,持续提升可靠性、性能和产品开发效率。要解决这一挑战,需要重新思考我们在线存储平台的设计与运营方式。我们不断权衡取舍,遵循这样的路径:首先为关键业务产品流量达到足够的可靠性,然后为全球用户提供足够的速度,最后在大规模环境下灵活运营。

本系列共两部分,讲述我们如何将 Habitat 从一个简单的客户端库和数据库发展为服务超过 500 PB 数据的全球分布式存储平台。 第一部分 聚焦于 Habitat 从 Python 客户端到服务的演进,并介绍了让我们把基于 Python 的服务推向远超许多人认为可行范围的技术。

在这篇文章,即第二部分中,我们将介绍如何扩展底层存储组件:Azure Cosmos DB。通过与 Azure 团队的紧密合作,我们找到了一种可行的多租户方案——共同管理的容器,在全球大规模范围内实现了出色的读取性能。

让多租户在大规模下可靠运行

随着公司规模的扩大，基础设施团队通常会从运行单租户系统演进到多租户系统。单租户模式下，每个产品界面团队维护自己的系统，这减少了故障影响范围，并提供清晰的所有权边界和工作负载隔离。但随着团队和产品界面的增长，这种模式的运行成本变得很高。单租户使每个产品团队都要负责容量规划，并且常常导致严重的过度配置。

相反，多租户将控制权交给一个集中式的数据库团队，该团队在资源配置方面拥有更好的知识和经验。但多租户也会带来自身的问题，例如嘈杂邻居问题，即某个租户占用了异常大量的资源，损害了其他租户的利益。

在 Habitat 中，我们必须权衡所有这些取舍，以设计一个可靠、高效的大规模存储系统。如今，Habitat 是许多 OpenAI 产品的多租户数据库层，但我们经历了一个循环的旅程：从使用一个多租户的 Azure Cosmos DB 容器，到为每个租户配置单租户的后备容器，再到默认恢复使用多租户容器。我们在 Habitat 上的多租户故事仍处于非常早期的阶段：我们支持大量用例，但通过尽可能利用 Azure Cosmos DB 的内置原语，我们得以推迟在这一领域的投入。

Azure Cosmos DB 容器简明入门

在介绍我们的 Azure Cosmos DB 之旅之前，先提供一些基本背景：

• 一个 Azure Cosmos DB 账户定义了一组容器和一个复制策略

• 每个容器按请求单位每秒（RU/s）的一定吞吐量进行配置

• 每个容器内的数据以典型的按指定逻辑分区键分片的方式存储，并对每个逻辑分区键的存储和吞吐量有明文规定的限制

• Azure Cosmos DB 负责将逻辑分区键分片到较少的后备物理分区上，当存储超过阈值或容器需要更多物理分区以维持已配置的吞吐量时，会将它们拆分为多个物理分区

阶段 I：依赖 Azure Cosmos DB 原语

我们最初允许任何客户端负载通过，依赖于所宣称的每个逻辑分区键 10K RU/s 的限制来提供背压。在最初起步时，我们每个账户也只使用一个默认的 Azure Cosmos DB 容器。这工作得还算顺利，但由于以下几个原因被证明是有问题的：

逻辑分区键限制

由于早期的 API 设计选择，我们将逻辑分区键的选择直接暴露给客户端。因此，在不同的产品用例中，我们经常在常用的分区键上发生冲突，例如 user_id 或 workspace_id。由于这些用例共享相同逻辑分区键上的 Azure Cosmos DB 限制，该设计限制了给定用户的整体吞吐量。

在迁移到 Habitat 和 Azure Cosmos DB 之前，我们在扩展 Postgres 时遇到的一个常见问题是，来自一个非常热门的组织或热门键（即某个租户产生了不成比例的高负载）的众多请求可能会拖垮整个数据库。我们花费了大量集体精力来缓存这些键，并在缓存未命中时建立租约，以便由此产生的缓存未命中负载不会冲击底层数据库。

嘈杂邻居

虽然明文规定的数据大小和吞吐量限制适用于逻辑分区键，但限制实际上是在物理分区上强制执行的。在实践中，这意味着逻辑分区无法达到 10,000 RU/s。相反，它们与共置于同一物理分区上的所有其他逻辑分区键共享该物理分区的限制。

这使得嘈杂邻居能够影响许多不相关的逻辑分区键，为小众产品功能处理数据的工作负载会干扰核心的登录和注册流程。

弱分区

给定物理分区的吞吐量限制也是可变的，取决于分配给 Azure Cosmos DB 容器的总吞吐量。容器已配置的吞吐量大致均匀地分布在该容器的各个物理分区上。

随着数据量的增长，物理分区会拆分，在总已配置吞吐量保持不变的情况下增加分区总数。结果是，每个分区的有效吞吐量限制随着数据规模的增大而缩小。

对于我们存储最密集、类似 blob 的用例，这会造成一种失效模式：即使请求速率和使用量保持稳定，仅存储增长本身就会降低活跃工作负载的吞吐能力。

第二阶段：尝试工作负载隔离和单租户

独立的容器可以部分解决这些分区键限制和嘈杂邻居的问题。通过使用独立的容器，每个容器可以被分配各自独立的物理分区，只有该容器本身上变化的工作负载才可能成为嘈杂邻居或在分区键空间中重叠。不利的一面是，预配新容器存在非零的开销——每个容器都需要单独的容量规划——因此我们只在合理的服务或用例边界处创建容器。

我们开始为需要强隔离的最关键新用例使用独立的 Azure Cosmos DB 容器。结合一个通过将每个容器预配的总吞吐量与其物理分区数量同步来管理弱分区的脚本，我们基本避免了所面临的所有问题。

然而，由于我们最初使用的是默认容器，许多遗留的关键用例不幸被困在那里，除非进行数据迁移。为了保护仍然依赖共享默认容器中数据的关键服务，我们经常建议团队为新服务或主要产品功能创建独立的容器。随着规模扩大，默认容器上的压力增长，生产事故也随之增加。我们开始为任何新服务或大型产品功能预配容器，只是为了保护默认容器免受更多负载。

这使我们免于许多全站宕机，将影响范围限制在功能或服务降级级别的宕机。然而，预配新容器的开销最终追上了我们：

缺乏稳定的总体增长

在旧的共享默认容器中，任何特定新用例从 0 QPS 增长到 1 百万 QPS 都不太可能显著改变总体聚合使用量。但在隔离容器上，一个新用例从 0 增长到 1 百万 QPS 可能代表仅归因于内部自用（dogfooding）的基线负载的 1,000 倍。

使用专用容器后，团队现在需要记住在发布前将容器预配到预期的吞吐量水平。产品团队经常将功能发布到生产环境却忘记预先扩容，我们不得不在发布当天坐在 SEV 会议室里试图在最后一刻扩容容器。

这是多租户系统中核心的工作负载混合优势，而我们为了更好的隔离性而采用这种容器策略时失去了它。

容量规划

随着时间推移,监控专用容器的使用情况还需要对产品有深入的了解,才能知道流量何时会转移或增长。

我们可以提供一个基本的控制平面脚本,根据增长趋势为每个容器增加预置吞吐量,但由于缺乏稳定的总体增长,要正确进行扩容,实际上让 OpenAI 的每个产品团队都不得不参与到容量规划中来。

这种做法在组织层面无法扩展,因为各个服务所属团队对 Azure Cosmos DB 预置的关注程度差异很大。

第三阶段:默认使用多租户,并具备数据迁移能力

随着组织的发展,这些运维问题变得难以扩展。没有一个统一的中央团队做规划,导致许多团队规划不善。因此,我们最终转回多租户方案,并与 Azure 团队紧密合作,通过共享租户设计来解决我们最初多租户的问题:

热键限流

优先对最热的键进行限流,可以防止嘈杂邻居消耗某个物理分区的全部可用吞吐量。这减少了嘈杂邻居效应,即一个热键可能造成全站范围的影响。

服务质量(QoS)

请求分级的 QoS 同样可以防止离线工作负载(如批量插入或数据导出)占用某个物理分区的全部吞吐量。通过为这些工作负载的请求分配较低的优先级,它们会首先被限流,从而避免为最终用户提供服务的高优先级交互式请求被限流。

无服务器模式

Azure Cosmos DB 本来就有一种无服务器模式,本可以解决我们的预置模式弱分区问题。然而,它有一个重大缺点:它仅根据存储使用量进行扩展,并将 RU 使用量限制为每个物理分区 5K RU/s。这虽然能解决我们的弱分区问题,但会阻止我们扩展 RU 密集型的使用场景。

Azure Cosmos DB 团队为我们构建了一个改进后的全新无服务器模式,允许每个物理分区扩展到 10K RU/s,并在基于存储使用量的拆分之外引入了基于 RU 使用量的拆分,使我们不再需要手动监控和扩容容器。

通过这些改进,我们得以重新使用一个共享容器,这极大地简化了产品团队进行前期或持续容量规划的需求,同时保留了工作负载之间的隔离。自那以后的几个月里,尽管产品开发不断加速,我们没有再发生任何预置或嘈杂邻居事件。

作为共同管理的服务获得更好的可靠性

当公司发展到 OpenAI 的规模时,托管服务就不再那么“托管”了。许多工作负载在云提供商的基础设施中都成了异常值。随着 OpenAI 成为 Azure Cosmos DB 最大的用户之一,要成功运营它需要一种不同的模式:共享测试、共享仪表板、直接的工程沟通渠道,以及对我们这种规模才会出现的故障模式的共同责任。如今,我们最大的 Azure Cosmos DB 账户存储了数十 PB(10s of petabytes)的数据,服务超过 20M QPS。据我们所知,我们是唯一一家在这个规模上部署 Azure Cosmos DB 的公司。

2024 年底,一次区域性中断清楚地说明了这种协作的必要性。当时,停电袭击了我们最大的 Azure Cosmos DB 账户之一的主 Azure 区域。在随后的故障转移演练中,我们意识到我们最大的账户需要几个小时才能故障转移到次级区域,这是我们的团队和 Azure Cosmos DB 团队都没有在我们的规模上测试过的。

大约一个月后,在将这些账户故障转移回原始区域时,我们又触发了一次严重中断。涌向原始区域的连接风暴压垮了原始区域的 Azure Cosmos DB 网关。网关模式的 Azure Cosmos DB 客户端处理故障转移时的一个特殊行为导致所有客户端立即建立连接并向原始区域发送请求,尽管只有一部分物理分区已迁移回该区域。

在每次中断中,OpenAI 和 Azure 都执行了各自的事件管理流程,识别出多个根本原因并部署了修复措施。但这些中断是我们团队与 Azure Cosmos DB 团队在运营和测试方式之间更大系统性问题的表象。起初,利用托管服务让我们能够快速行动并专注于业务目标。但到了一定规模,托管服务变得不那么“托管”,需要在从设计到运营的各个层面与服务提供商深度集成。

如今,Habitat 和 Azure 工程团队共同监控 Habitat 的每一层,从我们的服务层一直到 Azure Cosmos DB 的物理存储层。我们针对一个生产规模但非生产环境的 Azure Cosmos DB 账户运营和测试变更。我们共同测试并迭代 SDK,并确定扩展和设置 Azure Cosmos DB 账户的最佳实践。我们通过 Teams 拥有彼此的直接工程联系方式,甚至可以直接呼叫对方而无需经过支持层级。

过去一年中,我们进行了大量联合工作,以提升 Azure Cosmos DB 控制平面和网关的可扩展性,包括在网关中添加负载保护和缓存各种 Azure Cosmos DB 元数据以保护 Azure Cosmos DB 元数据分区,通过连接池和更高的连接复用来减少我们庞大的 Python habitat-service 进程集群带来的压力,尽可能将工作负载共置,以及通过不同的 VPC 将关键工作负载与离线工作负载隔离。

这种程度的共同工程对我们过去一年 Azure Cosmos DB 的稳定性至关重要。任何足够庞大或关键的系统都需要这种团队合作:打破所有权壁垒,跨越组织边界进行运营。

在全球范围内提升性能

正如第一部分所述，我们的核心理念是：先让它能用，再让它跑得快，然后让它成本低。可靠性优先，其次是性能，再次是效率。Habitat 已成为 OpenAI 的关键基础设施，因此首要任务是让它可靠。随着系统在 2025 年趋于稳定，以及 OpenAI 在全球扩张，延迟成为用户和产品团队面临的下一个制约因素。

计算和存储容量通常位于不同的区域，使得跨区域请求不可避免。

延迟差异很大，取决于数据存储的位置以及请求被处理的位置。为了让 Habitat 请求具备高性能，产品开发者不得不依赖额外的客户端缓存、请求批处理、尽量减少数据库读写，以及尽可能将工作移出关键路径。虽然这催生了一些对数据库问题更具韧性的有趣产品设计，但也让产品更加复杂并拖慢了产品迭代：这违背了 Habitat 鼓励快速产品开发、且无需理解数据库的目标。

这是我们在 2026 年的重点工作之一，我们制定了一套分层策略来优化读性能——读请求占 Habitat 全部请求的 90% 以上：

在容量允许的情况下，将数据存储在靠近用户的位置

我们在全球多个 Azure 区域为有数据驻留要求的用户部署了多个 Azure Cosmos DB 账户。即使是对数据驻留没有硬性要求的用户，将数据放置在靠近用户的位置也能通过更低延迟改善他们的体验。

在实践中，除数据驻留场景外，我们无法广泛实现这一点，因为数据放置受物理云容量的限制。由于我们的数据集规模庞大，许多区域无法容纳与其按比例分摊的用户流量相对应的巨大存储占用。

在数据中心容量、电力或散热受限的区域，我们有时面临直接的取舍：是将容量预留给同地部署的存储以降低 Habitat 延迟，还是将容量用于额外的服务计算、并把存储请求路由到更远的地方。

因此，放置决策往往是在以下两者之间的产品取舍：A) 为不同产品和用户子集优化延迟，以及 B) 原始的存储和计算容量。

仅广泛复制最小且对延迟最敏感的数据集

对于延迟最关键的工作负载，例如每个请求都需要用到的认证元数据，我们通过使用具有多个次要区域的高度复制的 Azure Cosmos DB 账户来减少计算与 Habitat 之间的 RTT。一些账户复制到我们提供流量的全部 40 个 Azure 区域；另一些则复制到每个大洲至少一个区域。

我们不得不比预期更早地在 Habitat 中构建一个透明的数据迁移和路由层，以便在具有不同复制拓扑的账户之间移动数据集。

然而，这种方法最终也受容量限制，因此仅限于少数人工挑选的数据集。

其余一切依赖集成缓存

Habitat 工作负载绝大多数是读密集型的，应用程序不断获取设置、状态和其他属性；不成比例的大量流量来自相对较小的、由频繁访问类型组成的工作集。这使得该系统特别适合分布式缓存。虽然缓存在单区域基础设施中能提升性能，但在跨区域工作时提升效果会叠加，可用于“隐藏”跨区域延迟。

我们在 Habitat 中集成了一层分布式旁路缓存（lookaside caching）。它在部署于我们基础设施中、靠近用户请求处理位置的 Valkey 服务器上存储最近访问的对象和边的副本。通常，这类缓存使用 TTL 在命中率与陈旧度之间进行权衡。较短的 TTL 会减少陈旧度，但会削弱缓存的积极影响，因为条目很快过期并被更频繁地重新获取。较长的 TTL 提高命中率，但会长时间提供陈旧数据，导致糟糕的用户体验和不可预测的产品行为。

另一种方法是在应用程序对同一底层数据执行写操作时，显式执行失效操作。这能显著提高缓存数据的新鲜度，但很难做到正确。它也仍然面临许多边界情况，例如部分失败会导致缓存陈旧。多区域部署会加剧这些问题，因为跨区域网络可靠性更低，且缓存与底层存储的复制存在竞争。再辅以 TTL 可以限定最大陈旧度，但仍受制于上述同样的 TTL 权衡。

我们采取了更先进的失效方案，效仿 Meta 的 TAO 等系统。Habitat 的集成缓存依靠 Azure Cosmos DB 的更改馈送（change feed）提供的变更数据捕获（CDC），在几秒内向全球传播失效信息，在保持低陈旧度的同时实现高命中率。我们基础设施中的一个服务消费该更改馈送，并在底层数据更新时对本地缓存执行失效操作。这会导致下次读取该数据时发生一次未命中，随后缓存被填充为最新版本的数据。

用 Rust 降低代理开销

我们还通过用 Rust 重写代码（Rust 比原有的 Python 性能更高）来移除 Habitat 服务本身的开销，从而显著降低了延迟。

这些改进共同将我们的全球读取 p50 从约 120 ms 降低到约 10 ms,自今年早些时候我们开始关注性能以来提升了 12 倍。

虽然缓存已大幅降低了中位延迟,但最慢的请求仍需要从底层存储获取未缓存的数据,通常还要跨遥远的区域。随着更多容量上线以及我们提升存储效率,我们计划解决一个更根本的挑战:从一开始就将数据放置在离访问位置更近的地方。

扩展变更数据捕获

可靠且可扩展的 CDC——将数据库变更传播到下游系统——不仅是 Habitat 缓存策略的关键组成部分。每秒数百万条捕获的变更,跨越数千个容器和数百万个容器分区,流经一百多个 Kafka 主题,还支撑最终一致的二级索引、数据移动管道、离线分析以及其他实时产品功能。随着我们的底层基础设施在全球扩展,监听行变更变得越来越复杂。如果客户端想注册一个在其类型的行发生变更时运行的回调,他们必须首先确定哪些 Cosmos 账户和容器包含其数据、哪些 CDC 服务部署在相应区域监听这些容器,并正确扩展 CDC 服务工作节点集群、Kafka 及其消费者。我们的 CDC 平台旨在为产品开发者抽象掉所有这些,转而提供一个简单的接口:客户端只需注册一个希望在变更行上调用的函数,其余的管道和扩展工作由我们处理。

一个内部控制平面持续确保所有必需的容器都被捕获,选择从哪些 Cosmos 区域读取,并在跨多个地理区域的数千个工作节点之间高效分配工作。使用副本区域和较低优先级的 feed 读取,保护对延迟敏感的 Habitat 流量免受后台捕获工作负载的影响。在如此大规模的集群中,工作节点崩溃、容器问题、租约存储错误、无效配置和目标故障持续发生。我们强化了 CDC 工作节点生命周期和租约处理,隔离了流之间的故障,并为配置变更和发布构建了保障措施。我们利用死信队列防止永久性投递失败造成的队头阻塞。我们通过将读取器切换到备用 Cosmos 区域来容忍区域性中断。在我们的规模下,我们甚至不得不修改 Azure 的 CDC SDK,通过在内存中批量处理检查点并仅定期刷新,使其检查点实现更高效。

虽然 Habitat 对 Azure Cosmos DB 的内部使用很复杂,但其价值主张始终是为产品开发者抽象掉基础设施细节以提升产品开发速度,我们的 CDC 平台也不例外。

展望未来

一个小团队能够支撑一个快速增长的存储平台,靠的是有意保持狭窄的存储 API、持续扩展 Python 服务,并优先处理最紧迫的工程挑战。我们首先专注于关键任务产品流量的可靠性,然后是全球用户的读取性能,最后是大规模下的运营效率。这一方法在提升可靠性、性能和产品开发速度的同时,实现了快速增长和新的使用场景。

为了在下一个十亿用户规模上扩展 Habitat 和会话存储,我们需要解决在更大范围内跨基础设施复制数据的难题。为提前应对,我们一直在构建一个自研的 EB 级在线存储系统,针对庞大的 Habitat 数据类型进行优化。这个开发中的系统结合了 Rockset 的 RocksDB Cloud 内核与基于 Raft 的复制。它实现与 Azure Cosmos DB 相同的文档模型,但使用分离式存储和物理复制来减少所需的闪存容量,代价是较低的峰值 qps。

如果你有兴趣在前沿规模上从事这类数据基础设施工作, 欢迎查看我们的开放职位⁠.