CN106547849B - 一种满足租户差异化需求的多租户数据库的构建方法 - Google Patents

Abstract

本发明公开了一种满足租户差异化需求的多租户数据库的构建方法，包括对租户的存储性能需求，隐私性需求，数据自定程度需求以及故障恢复能力需求进行建模；对数据模型的查询性能特性，隔离级别特性，自定义程度特性以及共享级别特性进行建模；通过对租户需求与数据模型特性进行匹配，得到满足租户需求的数据模型候选集；对数据库硬件成本的CPU资源、内存资源进行建模；通过硬件成本模型得到硬件成本的定量表达；通过租户需求、数据模型候选集以及数据库硬件成本，得到成本最低的数据模型，作为目标数据模型。本发明提供的方法可以在满足租户需求的同时，为租户选择合适的目标数据模型，构建更高效的多租户数据库，并减少服务提供商的成本。

Description

一种满足租户差异化需求的多租户数据库的构建方法

技术领域

本发明涉及多租户数据库领域，尤其是一种满足租户差异化需求的多租户数据库的构建方法，进而构建一种高效、低成本的多租户数据库。

背景技术

随着信息技术的发展，企业通过构建信息平台、使用应用软件来支撑其运营和发展。对于传统的软件开发模式，具有成本较高，开发周期长，运维繁琐等问题。这些问题困扰着资金不充裕，技术实力较弱，但却急需信息化改造的中小企业。在这样的背景下，软件即服务模式(SaaS，Software as a Service)作为一种新的软件服务提供模式被提出，并成为了越来越多企业的选择。

在SaaS模式中，服务供应商为了降低成本，希望通过复用软件和硬件的形式，使用尽可能少的资源为多个要求不同的企业提供软件服务。为了达到这一目标，需要使用SaaS其中一项重要技术——多租户(Multi-Tenant)技术。多租户技术的核心思想在于，让多个需要使用相同或类似软件服务的租户共用一个相同的软件实例，实现程度较高的共享，以直接降低SaaS服务提供商的支出和间接降低租户的租赁成本。而使用了多租户技术，能够以SaaS模式提供软件服务的应用则被称为SaaS多租户应用。

SaaS多租户应用与传统应用一样，也需要数据库的支持。能够支撑SaaS多租户应用，为多租户应用提供数据服务，具有多租户特征的数据管理软件被称为多租户数据库。在多租户数据库中，用于存储租户逻辑数据的数据表的结构，被称为多租户数据模型。

在多租户应用中，不同租户对逻辑应用的业务需求存在差异，应用业务需求的差异导致对多租户数据库存储需求的不同。不同租户对数据的查询性能，隐私性、可自定义程度以及故障恢复能力的数据库特性要求不尽相同。而对于不同的多租户数据模型，其对于以上四种数据库特性的支持程度也不尽相同。现有的多租户数据库往往只使用一种数据模型存储所有租户的数据，不能满足租户的需求，而对于使用了多种数据模型的多租户数据库，则面临着如何为租户选择合适的数据模型，使得租户的细粒度需求得到满足，并且尽可能减少SaaS服务提供商的成本的问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种满足租户差异化需求的多租户数据库的构建方法，可以为租户的数据选择合适的数据模型，在满足租户细粒度存储需求的同时，减少服务提供商的成本。

为了实现上述的发明目的，本发明所采用的技术方案如下：

(1)对租户细粒度需求进行建模。

所述的对租户细粒度需求建模是完成对租户的查询性能，隐私性、可自定义程度以及故障恢能力需求进行定性与定量表达。所述的租户tenant_i的存储需求，表示为demand_i＝(p_i，s_i，c_i，r_i)。

所述的p_i为tenant_i的查询性能需求，表示为p_i＝(latency_i，throughput_i)。

所述的(latency_i，throughput_i)，为使用查询延时(latency_i)以及查询吞吐率(throughput_i)的组合描述tenant_i的查询性能需求。

所述的latency_i为租户tenant_i对于查询延时的需求，用单位毫秒(ms)进行衡量。

所述的throughput_i为租户tenant_i对于查询吞吐率的需求，用单位查询每秒(query per second，q/s)进行衡量。

所述的s_i为tenant_i的隐私性需求，表示为s_i＝phyIsoLv_i。

所述的phyIsoLv_i通过租户数据的物理隔离程度衡量租户的隐私性程度，表示为phyIsoLv_i∈{serverIso，databaseIso，tableIso，tableShare}。

所述的serverIso为服务器实例隔离级别。

所述的databaseIso为数据库实例隔离级别。

所述的tableIso为数据表隔离级别。

所述的tableShare为共享表隔离级别。

所述的c_i为tenant_i的可自定义程度需求，表示为c_i＝(isAllDefineable，isFieldUnlimited，isAllType)。

所述的isAllDefineable为是否可定义所有字段，表示为isAllDefineable∈{ture，false}。

所述的isFieldUnlimited为是否可定义不定数量的字段，表示为isFieldUnlimited∈{ture，false}。

所述的isAllType为是否可定义任意数据类型，表示为isAllType∈{ture，false}。

所述的r_i为tenant_i的数据库故障恢复能力需求，表示为r_i＝recLv_i。

所述的recLv_i通过其他租户以及其他业务对本租户本业务数据恢复能力的影响衡量租户的数据恢复能力，表示为recLv_i∈{otherTenantNoEff，otherBusRecNoEff，allEffect}。

所述的otherTenantNoEff为其他租户其他及业务数据的恢复不对本租户本业务数据恢复造成影响级别。

所述的otherBusRecNoEfi为其他业务的数据恢复对本业务数据恢复造成影响级别。

所述的allEffect为其他租户或本租户其他业务数据恢复对本租户本业务数据恢复造成影响级别。

综上所述，租户tenant_i的细粒度数据存储需求定性以及定量表示为：

demand_i＝((latency_i，throughput_i)，phyIsoLv_i，

(isAllDefineable，isFileldUnlimired，isAllType)，recLv_i)

(phyIsoLv_i∈{serverIso，databaseIso，tableIso，tableShare}，

recLv_i∈{otherRecNoEff，otherTenantRecEff，otherSelfBusRecEff}。

(2)对数据模型特性进行建模。

所述的对数据模型特性建模是完成对多租户数据模型的查询性能特性，隐私性特性、可自定义程度以及故障恢复能力特性进行定性与定量表达。所述的数据模型model_i的特性，表示为charac_i＝(mp_i，ms_i，mc_i，mr_i)。

所述的mp_i为model_i的查询性能特性，表示为mp_i＝{(latency_j，throughput_j)，res_j}。

所述的(latency_j，throughput_j)，res_j为在资源提供量级别res_j时，model_i在存储的数据量具有latency_j的查询延时throughput_j的吞吐率。

所述的res_j为res_j＝(cpu_k，mem_k)，表示资源级别为需要CPU的资源量为cpu_k，单位为GHz，需要内存的资源量为mem_k，单位为MB。

所述的ms_i为model_i的隐私性特性，表示为ms_i＝mPhyIsoLv_i。

所述的mPhyIsoLv_i通过model_i的数据表隔离级别衡量隐私特性，表示为mPhyIsoLv_i∈{tableIso，simTableIso，allTableShare}。

所述的tableIso为独立数据表级别。

所述的simTableIso为同一类型数据表共享级别。

所述的allTableShare为所有数据表共享级别。

所述的mc_i为数据模型model_i的自定义程度特性，表示为mc_i＝(isContainBase，isExtFieldFree，isExtTypeFree)。

所述的isContainBase为模型是否具有基础数据部分，表示为isContainBase∈{ture，false}。

所述的isExtFieldFree为模型自定义数据部分字段数量是否不限，表示为isExtFieldFree∈{ture，false}。

所述的isExtTypeFree为模型自定义数据部分字段的数据类型是否不限，表示为isExrTypeFree∈{ture，false}，表示模型。

所述的mc_i为model_i的故障恢复能力特性，表示为mr_i＝mrecLv_i。

所述的mrecLv_i通过数据模型对不同租户、不同业务的数据的共享存储级别衡量数据模型的故障恢复能力，表示为mReLv_i∈{noTableShare，simDataShare，allDataShare}。

所述的noTableShare表示无数据表共享级别。

所述的simDataShare表示同一业务数据共享同一数据表级别。

所述的allDataShare表示所有业务数据共享同一数据表级别。

综上所述，数据模型model_i的特性定性以及定量表示为：

charac_i＝({(latency_j，throughput_j)，(cpu_k，mem_k)}，mPhvIsoLv_i，

(isContainBase，isExtFieldFree，isExtTypeFree)，mri_i)

(phyIsoLv_i∈{tableIso，simTableIso，allTableShare}，

mRecLv_i∈{otherRecNoEff，otherTenantRecEff，otherSelfBusRecEff})。

(3)对租户需求模型以及数据模型特性模型进行匹配，得到符合租户需求的数据模型候选集。

对需要选择数据数据模型的租户建立步骤(1)所述的租户细粒度需求进行建模，租户的建模结果为demand_i。

对数据库中所有的多租户数据模型建立步骤(2)所述的数据模型特性模型建模，得到数据模型特性模型特性候选集charac＝charac₁，…，charac_L}，通过charac得到数据模型候选集model。

对demand_i和集合charac中的每一个charac_l进行匹配，匹配过程为：

对于demand_i中的(latency_i，throughput_i)，若charac_l查询性能集合{(latency_j，throughput_j)，(cpu_k，mem_k)}中所有的(latency_i，throughput_j)都无法满足latency_j≤latency_i且throughput_j≥throughput_i，则将charac_l从charac中剔除。

对于demand_i中的phyIsoLv_i，与charac_l的mPhyIsoLv_l的匹配过程为：

若phyIsoLv_i＝serverIso，或phyIsoLv_i＝databaseIso，或phyIsoLv_i＝databaseIso，则mPhyIsoLv_i需符合mPhyIsoLv_l＝tableIso，否则，将则将charac_l从charac中剔除。

若phyIsoLv_i＝tableShare，则charac_l可保留在charac中。

对于demand_i中的(isAllDefineable，isFileldUnlimited，isAllType)，与charac_l的(isContainBase，isExtFieldFree，isExtTypeFree)匹配过程为：

若isAllDefineable＝true，则isContainBase需符合isContainBase＝true，否则，将charac_l从charac中剔除。

若isFileldUnlimited＝true，则isExtFieldFree需符合isExtFieldFree＝true，否则，将charac_l从charac中剔除。

若isAllType＝true，则isExtTypeFree需符合isExtTypeFree＝true，否则，将charac_l从charac中剔除。

对于demand_i中的recLv_i，与charac_l的mReLv_l的匹配过程为：

若recLv_i＝otherTenantNoEff，则mReLv_l需要符合mReLv_l＝noTableShare，否则，将charac_l从charac中剔除。

若recLv_i＝otherBusRecNoEff，则mReLv_i需要符合mReLv_l＝noTableShare或mReLv_l＝simDataShare，否则，将charac_l从charac中剔除。

若recLv_i＝otherTenantNoEff，则charac_l可保留在charac中。

将charac中所有charac_l对应的model_i置入候选集model中。

(4)对数据库硬件成本进行建模。

所述的对数据库硬件成本进行建模是完成对数据库使用数据模型model_l存储租户tenant_i的数据时，需要满足租户查询性能需求所支出的虚拟机资源成本进行定量表达。

所述的通过CPU资源成本以及内存资源成本衡量，表示为

所述的为数据模型model_l满足租户tenant_i的查询性能需求(latency_i，throughput_i)所需支出的CPU成本，表示为

所述的为数据模型model_l满足租户tenant_i的查询性能需求(latency_i，throughput_i)所需支出的内存成本，表示为

(5)根据数据库硬件成本模型，得到数据模型候选集中成本最低的模型。

对步骤(3)所得的数据模型特性候选集model中所有的model_i，结合demand_i，计算 最小的model_i置为tenant_i的目标数据模型。

本发明与现有技术相比，具有如下优点和有益效果：

本发明实施方式提供的租户数据模型选择方法可以根据租户细粒度的查询性能，隐私性、可自定义程度以及故障恢复能力需求，合理地根据数据模型的特性为租户得到合适的数据模型候选集，最后通过数据库硬件成本模型，得到目标数据模型，有效减少服务提供商的支出成本。

附图说明

图1是本发明的方法的一个实施例的流程图；

具体实施方式

下面结合附图，对本发明的实施方式做进一步说明。为了充分地了解本发明的目的、特征和效果，以下将结合附图1对本发明的构思、具体结构及产生的技术效果作进一步说明。

如图1所示，一种多租户数据库中的租户数据模型选择方法，包括：

步骤101、对多租户环境中的租户细粒度存储需求进行建模。

本实施例中某租户的存储需求如表1所示。

表1租户存储需求表

对租户的存储需求进行建模，建模结果如下：

demand₁＝((80，5)，tableShare，(false，true，false)，otherTenantRecEff)

步骤102、对多租户环境中的租户细粒度存储需求进行建模。

本实施例中数据库使用的3种数据模型及其特性如表2所示。

表2数据模型特性表

对3中数据模型的存储特性进行建模，建模结果如下：

charac₁＝({((24，42)，(0.325，125))，((52，20)，(0.1625，62.5))，

((101，10)，(0.08125，31.25))，((181，5)，(0.040625，15.625))}，

tableIso，(false，true，true)，noTableShare)

charac₂＝({((19，52)，(0.325，125))，((37，26)，(0.1625，62.5))，

((62，16)，(0.08125，31.25))，((110，7)，(0.040625，15.625))}，

tableShare，(false，false，true)，allDataShare)

charac₃＝({((23，42)，(0.325，125))，((46，22)，(0.1625，62.5))，

((79，12)，(0.08125，31.25))，((166，6)，(0.040625，15.625))}，

tableShare，(false，true，false)，simDataShare)

步骤103：匹配租户需求与数据模型。

对步骤101得到的租户细粒度需求demand₁和步骤102得到的charac进行匹配，匹配过程如下：

匹配demand₁和charac₁过程如下：

p₁＝(80，5)，mp² ₁＝((52，20)，(0.1625，62.5))，可满足，保留；

s₁＝tableShare，ms₁＝tableIso，可满足，保留；

c₁＝(false，true，false)，mc₁＝(false，true，true)。可满足，保留；

r₁＝otherTenantRecEff，mr₁＝noTableShare。可满足，保留。

匹配demand₁和charac₂过程如下：

p₁＝(80，5)，mp³ ₂＝((62，16)，(0.08125，31.25))，可满足，保留；

s₁＝tableShare，ms₂＝tableShare，可满足，保留；

c₁＝(false，true，false)，mc₂＝(false，false，true)。不满足，剔除。

匹配demand₁和charac₃过程如下：

p₁＝(80，5)，mp³ ₃＝((79，12)，(0.08125，31.25))，可满足，保留；

s₁＝tableShar∈，ms₃＝tableShare，可满足，保留；

c₁＝(false，true，false)，mc₃＝(false，true，false)。可满足，保留；

r₁＝otherTenantRecEff，mr₃＝simDataShare。可满足，保留。

将charac中所有charac_l对应的model_i置入候选集model中，得到model＝{privatetable model，multi-class table model}。

步骤104：对多租户环境中的数据库硬件成本进行建模。

在本实施例中，使用虚拟机作为数据库服务器，为SaaS应用提供数据存储服务。在本多租户环境中，单核CPU为2.6GHz的租用费用为2元/天，内存为1G的租用费用2元/天。

可得，本实施例中的数据库使用数据模型model_l存储租户tenant_i的数据时，服务提供商需要支付的费用计算方式为：

步骤105：根据数据库硬件成本模型，得到数据模型候选集中成本最低的模型。

对步骤103所得model中所有的model_l，结合demand₁和步骤104所得的计算硬件成本，计算过程如下：

可知model₂为候选集model中用于为租户提供数据服务成本最低的模型，model₂，即multi-class chunk folding table model作为租户的目标数据模型。

方法在为租户选择数据模型时，根据租户细粒度的存储需求，不同数据模型的存储特性以及数据库成本计算方式选择目标数据模型，可在满足租户需求的同时，减少服务提供商的成本。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种满足租户差异化需求的多租户数据库的构建方法，其特征在于，包括下述步骤：

对租户细粒度需求进行建模，根据查询性能需求、隐私性需求、数据可自定义程度需求以及故障恢复能力需求对租户需求进行建模；

对数据模型特性进行建模，根据查询性能特性、隐私性特性、可自定义程度特性以及故障恢复能力特性对数据模型特性进行建模；

对租户需求模型以及数据模型特性模型进行匹配，对租户细粒度需求进行建模，得到租户的建模结果，对数据库中所有的多租户数据模型建模，得到数据模型特性候选集，对数据模型特性候选集进行筛选，根据筛选后的结果建立目标数据模型候选集；

对数据库硬件成本进行建模，即根据CPU资源成本以及内存资源成本对数据库硬件成本进行建模；

根据数据库硬件成本模型，得到数据模型候选集中成本最低的模型。

2.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，在对租户细粒度需求进行建模过程中，通过查询延时以及查询吞吐率的组合描述查询性能需求。

3.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，在对租户细粒度需求进行建模过程中，通过租户数据的物理隔离程度衡量租户的隐私性程度，物理隔离程度分为服务器实例隔离级别、数据库实例隔离级别、数据表隔离级别以及共享表隔离级别。

4.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，在对租户细粒度需求进行建模过程中，通过是否可定义所有字段、是否可定义不定数量的字段、是否可定义任意数据类型字段衡量租户的数据可自定义程度；

通过其他租户以及其他业务对本租户本业务数据恢复能力的影响衡量租户的数据恢复能力需求。

5.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，对数据模型特性进行建模过程中，通过数据模型在不同的CPU资源和内存资源供给量时，其查询延时和吞吐率的不同组合描述查询性能需求。

6.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，对数据模型特性进行建模过程中，通过数据表隔离级别衡量隐私性特性，表隔离级别分为独立数据表级别，同一类型数据表共享级别以及所有数据表共享级别。

7.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，对数据模型特性进行建模过程中，通过模型是否具有基础数据部分、模型自定义数据部分字段数量是否不限，模型自定义数据部分字段的数据类型是否不限衡量可自定义程度特性。

8.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，对数据模型特性候选集进行筛选的具体方法为：

筛选过程为对租户需求建模结果的查询性能需求与候选集数据模型的查询性能特性进行筛选；对租户需求建模结果的隐私性需求与候选集数据模型的隐私性特性进行筛选；对租户需求建模结果的可自定义程度需求与候选集数据模型的可自定义程度特性进行筛选；通过数据模型对不同租户、不同业务的数据的共享存储级别衡量数据模型的故障恢复能力，共享存储级别分为无数据表共享级别、同一业务数据共享同一数据表级别以及所有业务数据共享同一数据表级别。

9.根据权利要求1所述的满足租户差异化需求的多租户数据库的构建方法，其特征在于，所述的根据数据库硬件成本模型，得到数据模型候选集中成本最低的模型具体为：根据所得的数据模型特性候选集中的每个数据模型，结合租户存储需求，通过数据库硬件成本模型计算每个数据模型存储租户数据的成本，选取成本最低的数据模型置为租户的目标数据模型。