6.2 Apache Cassandra

6.2 Apache Cassandra：高可用分布式宽列数据库深度解析

Apache Cassandra 是一款面向海量数据、具备线性扩展能力与强容错特性的开源分布式宽列存储数据库。诞生于 Facebook，2008 年正式开源，其核心设计理念是无单点故障（No Single Point of Failure）、最终一致性、高写入吞吐与亚毫秒级读取延迟。广泛应用于 Netflix、Apple、Instagram 等全球头部互联网企业，支撑每秒数百万级请求的实时数据服务场景。本文系统阐述其架构原理、数据模型、部署实践、核心操作及生产级优化策略。

1. Apache Cassandra 概述

Cassandra 采用去中心化对等（Peer-to-Peer）架构，摒弃传统主从（Master-Slave）或分片路由节点（Shard Router）设计，所有节点角色平等，任意节点均可处理客户端读写请求。这种架构天然规避了单点瓶颈与级联故障风险。

作为宽列存储（Wide-Column Store） 的典型代表，Cassandra 不遵循关系型数据库的严格模式（Schema-on-Write），而是采用模式灵活的列族（Column Family）模型——同一列族内各行可拥有完全不同的列集合，支持动态字段扩展，特别适用于物联网设备时序数据、用户行为日志、推荐系统特征向量等半结构化、高变异性数据场景。

2. Apache Cassandra 核心架构

Cassandra 的分布式能力由以下关键组件协同实现：

架构优势：节点增减仅触发局部数据迁移；跨 DC 部署可实现 RPO=0 的异地多活；Vnode 机制使集群负载标准差降低 80% 以上（对比传统固定令牌分配）。

3. Cassandra 数据模型

Cassandra 的数据模型以查询驱动设计（Query-First Design） 为核心原则，强调“为读而写”，模型设计必须紧密围绕高频查询模式展开。

核心概念层级

• 键空间（Keyspace）
  顶层命名空间，等效于关系数据库中的“数据库”。定义集群级复制策略（replication_factor）与持久化选项（durable_writes）。

• 表（Table）
  替代传统术语“列族（Column Family）”，是数据组织的基本单元。必须明确定义主键（PRIMARY KEY），由分区键（Partition Key）和可选聚簇列（Clustering Columns）构成：

  CREATE TABLE sensor_readings (
    device_id TEXT,
    timestamp TIMEUUID,
    temperature DOUBLE,
    humidity INT,
    PRIMARY KEY (device_id, timestamp)
  ) WITH CLUSTERING ORDER BY (timestamp DESC);
  ​

  • device_id 为分区键 → 决定数据存储节点
  • timestamp 为聚簇列 → 决定同一分区内的行排序与范围查询能力

• 行（Row）与列（Column）
  每行由唯一分区键标识；列包含名称（name）、值（value）、时间戳（writetime）及 TTL（生存时间）。支持稀疏存储——空值不占用磁盘空间。

重要约束：

• 不支持 JOIN、子查询、外键约束
• WHERE 子句仅允许使用主键组件或已创建的二级索引（性能敏感，慎用）
• 分区键设计直接影响查询性能与数据倾斜风险

4. 安装与配置 Apache Cassandra

4.1 安装方式对比

4.2 关键配置文件详解

• conf/cassandra.yaml

  • cluster_name: 集群唯一标识，同集群所有节点必须一致
  • seeds: 种子节点列表（初始发现其他节点），建议设置 2–3 个稳定节点
  • listen_address / rpc_address: 分别配置内部通信与客户端连接地址（生产环境禁用 0.0.0.0）
  • num_tokens: 虚拟节点数量（默认 256），调高可提升负载均衡度，但增加元数据开销

• conf/cassandra-rackdc.properties

  dc=us-west-1
  rack=us-west-1a
  ​

  配合 NetworkTopologyStrategy 实现机架感知复制，避免同机架内副本集中。

5. Cassandra 的基本操作（CQL 实战）

5.1 Keyspace 与表管理

-- 创建高可用 Keyspace（跨 3 个节点复制）
CREATE KEYSPACE IF NOT EXISTS production 
WITH replication = {
  'class': 'NetworkTopologyStrategy', 
  'us-west-1': 3, 
  'us-east-1': 3
} AND durable_writes = true;

USE production;

-- 创建时间序列优化表（按设备分区，倒序时间聚簇）
CREATE TABLE IF NOT EXISTS metrics (
  host TEXT,
  collected_at TIMESTAMP,
  cpu_usage DOUBLE,
  memory_mb BIGINT,
  PRIMARY KEY (host, collected_at)
) WITH CLUSTERING ORDER BY (collected_at DESC)
   AND compaction = {
     'class': 'TimeWindowCompactionStrategy',
     'compaction_window_size': '1',
     'compaction_window_unit': 'DAYS'
   };
​

5.2 高效数据写入

-- 单行写入（推荐：轻量级事务仅用于强一致性场景）
INSERT INTO metrics (host, collected_at, cpu_usage, memory_mb) 
VALUES ('web-server-01', '2024-06-15 10:30:00+0000', 42.5, 12582912);

-- 批量写入（同一分区键下高效，跨分区慎用）
BEGIN UNLOGGED BATCH
  INSERT INTO metrics (host, collected_at, cpu_usage, memory_mb) 
  VALUES ('web-server-01', '2024-06-15 10:30:01+0000', 43.1, 12582912);
  INSERT INTO metrics (host, collected_at, cpu_usage, memory_mb) 
  VALUES ('web-server-01', '2024-06-15 10:30:02+0000', 41.8, 12582912);
APPLY BATCH;

-- 异步写入（应用层控制一致性）
INSERT INTO metrics (host, collected_at, cpu_usage, memory_mb) 
VALUES ('web-server-01', toTimestamp(now()), 45.2, 12582912)
USING TTL 86400; -- 自动过期 24 小时
​

5.3 精准数据查询

-- 分区键精确匹配（毫秒级响应）
SELECT * FROM metrics WHERE host = 'web-server-01' LIMIT 100;

-- 分区键 + 聚簇列范围查询（高效时间窗口扫描）
SELECT * FROM metrics 
WHERE host = 'web-server-01' 
  AND collected_at >= '2024-06-15 10:00:00+0000' 
  AND collected_at <= '2024-06-15 11:00:00+0000';

-- 分区键 + 聚簇列前缀匹配（利用排序特性）
SELECT * FROM metrics 
WHERE host = 'web-server-01' 
  AND collected_at > maxTimeuuid('2024-06-15 10:30:00+0000');
​

5.4 数据更新与删除

-- 原子更新（写入即覆盖，基于时间戳决胜）
UPDATE metrics SET cpu_usage = 48.7 WHERE host = 'web-server-01' AND collected_at = minTimeuuid('2024-06-15 10:30:00+0000');

-- 逻辑删除（TTL 设为 0 即刻标记删除）
DELETE FROM metrics WHERE host = 'web-server-01' AND collected_at = minTimeuuid('2024-06-15 10:30:00+0000');

-- 物理清理（后台 Compaction 时彻底移除）
-- 注意：DROP TABLE 会立即清除所有 SSTable 文件，不可逆
​

6. 高可用性与容错机制

Cassandra 通过多层冗余保障服务连续性：

• 多副本同步写入
  客户端写入时，依据一致性级别（Consistency Level）等待指定数量副本确认：
  ONE（最快，单副本确认）、QUORUM（多数派，floor((replication_factor/2)+1)）、ALL（最安全，全副本确认）

• 读取修复（Read Repair）
  查询时自动比对副本数据版本，后台异步同步不一致副本，确保最终一致性。

• 反熵修复（Anti-Entropy Repair）
  定期执行 nodetool repair，通过 Merkle Tree 校验跨节点数据一致性，修复静默数据损坏。

• 节点故障自动规避
  客户端驱动内置重试与故障转移逻辑，当节点不可达时自动路由至其他副本，故障节点恢复后自动同步增量数据。

7. 水平扩展与数据分区

• 令牌环（Token Ring）机制
  整个数据范围 [0, 2^64) 划分为连续令牌段，每个 Vnode 分配一段令牌区间。新增节点自动申请令牌段，触发数据迁移。

• 无缝扩容流程

  1. 启动新节点（auto_bootstrap: true）
  2. 新节点向种子节点发现集群状态
  3. 自动计算需迁移的数据范围（仅 1/N 数据，N 为 Vnode 数）
  4. 流式传输数据并校验一致性
  5. 完成后自动加入负载均衡

• 缩容与节点替换
  nodetool decommission 安全迁移数据后下线；nodetool removetoken 强制清除故障节点元数据。

8. 生产环境性能优化指南

数据模型层

• ✅ 避免宽分区：单分区行数 > 10 万易引发 GC 压力，通过添加时间桶（如 day_bucket）拆分
• ✅ 慎用二级索引：仅适用于低基数字段（如 status），高基数字段改用物化视图或反向索引表
• ✅ 利用物化视图（Materialized View）：自动维护按不同维度查询的副本（注意写入开销）

配置层

• JVM：启用 G1GC，堆内存 ≤ 32GB，-XX:MaxGCPauseMillis=200
• 缓存：key_cache_size_in_mb（默认 100MB），row_cache_size_in_mb（仅热点小表启用）
• 并发：concurrent_reads/writes 根据 CPU 核心数 × 2 设置

运维层

• Compaction 策略选择：
  TimeWindowCompactionStrategy（时序数据）、SizeTieredCompactionStrategy（通用场景）、LeveledCompactionStrategy（读密集型）
• 定期维护：
  nodetool cleanup（清理冗余副本）、nodetool compact（手动触发合并）、nodetool flush（强制写入磁盘）

9. 总结：Cassandra 的适用边界与技术选型建议

Apache Cassandra 是构建超大规模、高写入吞吐、强容错需求场景的首选数据库。其核心价值在于：
🔹 线性可扩展性——千节点集群仍保持稳定延迟
🔹 零停机运维——滚动升级、无缝扩缩容、跨区域容灾
🔹 灵活数据模型——支撑快速迭代的业务需求与异构数据接入

典型适用场景：

• 实时分析平台（用户行为埋点、IoT 设备指标）
• 消息队列替代方案（高吞吐事件日志存储）
• 用户画像与推荐系统（特征向量存储与毫秒级检索）
• 金融交易审计日志（WAL 式持久化与强一致性保障）

慎用场景：

• 强事务一致性要求（如银行转账），应选择分布式 SQL 数据库（如 CockroachDB）
• 复杂关联分析（需频繁 JOIN），建议结合 Presto/Trino 构建湖仓一体架构
• 小规模应用（< 5 节点），传统关系型数据库运维成本更低

掌握 Cassandra 的分区设计哲学、一致性权衡机制与生产调优方法论，是构建高可靠大数据基础设施的关键能力。