在做业务架构的过程中，你是否遇到过类似的痛点？
（1）数据量太大，容量复杂性上移到业务层；
（2）并发量太大，性能复杂性上移到业务层；
（3）前台与后台存储异构，满足不同查询需求；
（4）线上与线下存储异构，满足大数据需求；
（5）存储系统迁移成本高，不敢轻易做重构；
（6）...
职业生涯十五年，基本都在使用MySQL做线上业务的存储。最近这几年，遇到的问题慢慢多起来，严重影响了研发效率。TiDB近年甚火，于是最近做了一些调研，与大家分享。
如一贯风格，更多的聊：TiDB究竟解决什么问题，以及为什么这么设计，体现什么架构思想。
问题的引出，MySQL体系结构存在什么问题？
上面这幅MySQL体系结构图，相信很多人都见过：
（1）上游：MySQL客户端；
（2）下游：MySQL服务端，又包含连接池，语法分析，语义分析，查询优化，缓冲池，存储引擎，物理存储，管理功能… 等诸多模块；
画外音：太复杂了，字都看不清了。
对MySQL体系结构做了一个简化：
如上图所示：
（1）上游：MySQL客户端；
（2）中间：通过MySQL协议通讯；
（3）下游：MySQL服务端；
画外音：对不起，忍一下我画的丑图。
核心的服务端，又主要分为两层：
一层，计算层；
一层，存储层；
MySQL如此这般，存在什么天然的问题？
【1】计算与存储天然耦合。
计算层和存储层，既然都在一个MySQL进程里，所有的CPU资源，内存资源都是共享的，势必存在资源争抢的耦合。
除了天生的不足，在数据量大，并发量大的典型互联网业务场景里，对于MySQL的使用，还有哪些痛点呢？
我们都知道，当读写量增加的时候，通常会对MySQL做主从分组集群：
如上图所示：主从同步，读写分离，通过线性增加从库来线性扩展系统的读性能。
画外音：大部分业务，读容易成为主要矛盾。
我们也知道，当存储容量增加的时候，通常会对MySQL做水平切分集群：
如上图所示：用一个键值进行数据分片，以实现更大的存储容量。
所以，实际上线上的MySQL集群是这样的：
（1）既有水平切分，多个分片；
（2）又有主从分组，每个分片有一个主从集群；
而分片和分组，都是调用方微服务需要关注的，这就引出了下一个痛点：
【2】调用方需要关注存储细节，底层存储的复杂性转移到了上层应用。
另外，除了在线应用，绝大部分互联网公司都有各类大数据处理的需求：
（1）离线分析：例如，经营日报；
（2）在线分析：例如，分析师取数；
（3）实时处理：例如，实时报表；
为了满足这类需求，又需要将MySQL中的数据同步到各类大数据体系的集群中：
用一系列大数据的技术体系，去解决各类大数据处理的需求。
这就引出了另一个痛点：
【3】技术侧需要关注数据同步，数据一致性，大数据集群的复杂性。
当然，很多技术管理者也会调研各类替代产品，以解决上述1-3的问题，例如NoSQL的代表之一MongoDB，无奈【4】升级迁移需要大量的系统改造，综合评估之后，往往不得不放弃迁移方案，继续忍受MySQL带来的各种问题。
历史的痛点，往往是创新的机会。
TiDB，它来了！
TiDB是如何设计，以解决：
【1】计算与存储耦合；
【2】存储底层的复杂性转移；
【3】大数据体系复杂性转移；
【4】系统迁移成本高；
等问题的呢？
首先，TiDB在诞生之初，就确定了：
（1）复用MySQL协议；
（2）计算与存储分离；
的设计大方向。
如上图所示：
（1）上游：不需要做任何改动，可以使用MySQL的各类driver，访问TiDB；
（2）中间：通过MySQL协议通讯；
（3）下游：将计算层与存储层拆分到两个进程里，解除资源争抢的耦合，而这两层的通讯则使用内部协议，对调用方透明；
如此一来，难题【1】和【4】就得到了解决。
如何解决读写量扩展，存储量扩展等“底层复杂性转移”等问题呢？
对于计算层，实现连接池，语法分析，语义分析，查询优化等模块，做到无状态，并通过集群的方式扩展，这就是TiDB体系结构中的“计算引擎tidb-server”集群。对于调用方，接入层TiDB集群就是入口，其背后的复杂性对上游不可见。上图中，简记为【接入层（计算层）】。
画外音：微服务架构中，站点应用和微服务层也必须无状态化，以实现轻易的集群扩展，也是一个道理。
对于存储层，实现一致性算法，分布式事务，MVCC并发控制，算子下推等模块，实现原子KV存储，也能通过集群的方式自动扩展，这就是TiDB体系结构中的“存储引擎TiKV-server” 集群。上图中，简记为【存储层】。
画外音：这与GFS中的chunk-server很像，有了它，不再需要手动水平切分扩容了。
除此之外，需要一个拥有全局视野，实现元数据存储，ID分配（key-id，事务ID），时间戳生成，心跳检测，集群信息收集等模块的master，这就是TiDB体系结构中的“PD-server”集群。上图中，简记为【管理层】。
画外音：这与GFS中的master-server很像。
如此一来，难题【2】存储底层读写容量与存储容量的复杂性转移问题，也得到了解决。
大数据体系的复杂性，TiDB也将其屏蔽在了内部：
（1）扩展接入层，让大数据有独立的接入，如上图中的TiSpark；
（2）扩展存储层，匹配以适合大数据的存储，如上图中的TiFlash；
画外音：TiKV和TiFlash分别独立存储，且进行异步数据同步，彼此解耦。
（3）扩展管理层，同时管理大数据的部分；
如此一来，难题【3】大数据数据同步，数据一致性，大数据集群的复杂性的问题，也得到了解决。
TiDB的架构，无处不体现着这样的设计原则：使用者简单易用，复杂麻烦的地方，都屏蔽到TiDB的内部。
（版权归原作者所有，侵删）
