OpenAI 详解 Habitat 存储平台：支撑 10 亿用户、500PB 数据

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遍布 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凡挑战：在持续提升可靠性、性能和产品开发者速度的同时，支撑爆炸式增长和新用例。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，遵循这样的模式：首先做到足够可靠以承载关键任务的产品流量，然后做到足够快以服务全球用户，最后做到能够在大规模下灵活运营。

这个由两部分组成的系列文章解释了 Habitat 如何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。它还介绍了让我们能够将基于 Python 的服务推进到远超许多人认为可行程度的技术。

在本篇第二部分中，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——共管容器（co-managed containers），并在大规模全球范围内实现了出色的读取性能。

随着公司规模扩大，基础设施团队通常会从运行单租户系统演进为运行多租户系统。单租户模式下，每个产品界面团队维护自己的系统，这能缩小故障影响范围，并提供清晰的归属边界和工作负载隔离。随着团队和产品界面的增长，这种模式的运行成本会变得高昂。单租户模式让每个产品团队都负责容量规划，并且往往导致显著的过度配置。

相反，多租户将控制权交给集中式数据库团队，他们在资源调配方面拥有更好的知识和经验。但多租户也有自身的问题，例如吵闹邻居问题，即某个租户消耗了异常大份额的资源，从而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 是服务于许多 OpenAI 产品的多租户数据库层，但我们经历了一段循环式的历程：从使用一个多租户的 Azure Cosmos DB 容器，到为每个租户单独调配后端容器，再到默认回归使用多租户容器。我们在 Habitat 上的多租户之路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。

在介绍我们的 Azure Cosmos DB 历程之前，先补充一些基本背景：

我们最初允许任何客户端负载通过，依靠每个逻辑分区键 10K RU/s 的既定上限来提供背压。在起步时，我们还在每个账户中只使用一个默认的 Azure Cosmos DB 容器。这运行得还算不错，但事实证明存在几个问题：

由于早期的 API 选择，我们直接将逻辑分区键的选择暴露给了客户端。结果，在常用的分区键上频繁发生冲突，例如user_id或workspace_id，跨越不同的产品用例。由于这些用例在相同的逻辑分区键上共享 Azure Cosmos DB 的限制，该设计制约了给定用户的整体吞吐量。

在我们迁移到 Habitat 和 Azure Cosmos DB 之前，扩展 Postgres 时面临的一个常见问题是，来自一个非常热门的组织或热键的大量请求——即一个租户产生不成比例的高负载——可能会拖垮整个数据库。我们投入了大量集体精力来缓存这些键，并在缓存未命中时构建租约，以使由此产生的缓存未命中负载不会冲击底层数据库。

虽然文档中记录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，它们与该物理分区上共置的每个其他逻辑分区键共享物理分区的限制。

这使得吵闹的邻居能够影响许多不相关的逻辑分区键，针对小众产品功能数据的工作负载会干扰核心的登录和注册流程。

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。容器的预配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，物理分区会分裂，增加总分区数，而总预配吞吐量保持不变。结果是，随着数据大小的增长，每个分区的有效吞吐量限制会缩小。

对于我们那些存储占用最重、类似 blob 的用例，这会造成一种故障模式：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容量。

独立容器有助于部分解决这些分区键上限和吵闹邻居问题。通过使用独立容器，每个容器都可以分配自己独立的物理分区，只有该容器上变化的工作负载本身才可能成为吵闹邻居或在分区键空间上重叠。不利的一面是，配置新容器存在非零开销——每个容器都需要单独进行容量规划——因此我们只想在合理的服务或用例边界上创建容器。

我们开始为最关键的、需要强隔离的新用例使用独立的 Azure Cosmos DB 容器。结合一个用于管理弱分区的脚本——该脚本将每个容器预配的总吞吐量与其物理分区数同步——我们基本避免了当时面临的所有问题。

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，无法进行数据迁移。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容器。随着规模扩大，默认容器承受的压力不断增加，生产事故也随之增多。我们开始为任何新服务或大型产品功能预配容器，仅仅是为了保护默认容器免受更多负载。

这让我们避免了许多全站性故障，将影响范围限制在功能或服务降级类故障上。然而，预配新容器的开销最终追上了我们：

在旧的共享默认容器中，任何特定的新用例从 0 QPS 增长到 100 万 QPS，都不太可能显著改变总体的聚合用量。然而在隔离容器上，一个新用例从 0 增长到 100 万 QPS，可能意味着比仅归因于内部 dogfooding 的基线高出 1000 倍的负载。

使用专用容器后，团队现在需要记得按照其发布预期的吞吐量水平预先配置容器。产品团队常常把功能发布到生产环境后忘记预先扩容，于是我们在发布日坐在 SEV 会议室里，试图在最后一刻扩容容器。

这是多租户系统混合工作负载的核心收益，而采用这种容器策略后，我们为了更好的隔离性而失去了它。

随着时间的推移，监控专用容器的用量还需要对流量何时转移或增长有深入的产品认知。

我们可以提供一个基础的控制平面脚本，根据增长趋势为每个容器扩容预配吞吐量，但在缺乏稳定聚合增长的情况下，要正确扩容这些容器，基本上让 OpenAI 的每个产品团队都参与到容量规划中。

这在组织层面无法扩展，因为每个服务所属团队对其 Azure Cosmos DB 预配投入的 diligence 差异巨大。

随着组织增长，这些运维问题变得难以扩展。没有一个单独的中央团队来做规划，导致许多团队规划不善。结果，我们最终又转向多租户方案，并与 Azure 团队紧密合作，通过共享租户设计为我们最初的多租户问题设计修复方案：

优先对最热的键进行限流，可防止吵闹邻居耗尽给定物理分区的全部可用吞吐量。这减轻了吵闹邻居效应，即单个热键可能造成全站范围的影响。

请求分层 QoS 同样可以防止离线工作负载（例如批量插入或数据提取）占用给定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，从而避免对服务于最终用户的更高优先级交互式请求进行限流。

Azure Cosmos DB 原本已有一种无服务器模式，可以解决我们在预配模式下遇到的分区能力不足问题。然而，它有一个主要缺点：它仅根据存储使用量进行扩展，并将每个物理分区的 RU 使用量限制在 5K RU/s。这虽然能解决我们的分区能力不足问题，但会阻止我们扩展 RU 密集型用例。

Azure Cosmos DB 团队为我们构建的一种新的改进型无服务器模式，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，使我们能够停止手动监控和扩展容器。

借助这些变更，我们得以重新使用一个共享容器，这显著简化了产品团队进行任何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。此后数月，尽管产品开发加速，我们未再发生任何预配或吵闹邻居事件。

当公司发展到 OpenAI 的规模时，托管服务变得不那么“托管”了。许多工作负载成为云提供商基础设施中的异常值。随着 OpenAI 成为 Azure Cosmos DB 最大的用户之一，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，以及对仅在我们这种规模下才会出现的故障模式进行共同担责。如今，我们最大的 Azure Cosmos DB 账户存储了数十 PB 的数据，并服务超过 20M QPS。据我们所知，我们是唯一一家以这种规模部署 Azure Cosmos DB 的公司。

2024 年底，一次区域性故障清楚地说明了为什么这种协作是必要的。当时，一次停电袭击了我们最大的 Azure Cosmos DB 账户之一所在的主要 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数小时才能故障转移到次要区域，这是我们团队和 Azure Cosmos DB 团队都没有在我们这个规模上测试过的事情。

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的故障。到原始区域的连接蜂拥而至，压垮了原始区域的 Azure Cosmos DB 网关。网关模式 Azure Cosmos DB 客户端处理故障转移方式中的一个怪癖，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迁回了该区域。

在每次故障中，OpenAI 和 Azure 都走完了各自的事件管理流程，确定了多个根本原因并部署了修复。但这些故障是我们团队与 Azure Cosmos DB 团队在运营和测试方式上更大系统性问题的症状。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。在规模化时，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进行深度集成。

如今，Habitat 和 Azure 工程团队联合监控 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的 Azure Cosmos DB 账户进行运营和测试变更。我们一起测试和迭代 SDK，并确定如何扩展和调整 Azure Cosmos DB 账户规模的最佳实践。我们通过 Teams 拥有彼此的直接工程访问权限，甚至公开了无需经过支持层级即可直接呼叫对方的方式。

过去一年中，双方开展了大量联合工作，以提升 Azure Cosmos DB 控制平面和网关的可扩展性，在网关中为各类 Azure Cosmos DB 元数据增加负载保护和缓存，以保护 Azure Cosmos DB 元数据分区；通过连接池和更高的连接复用率，减轻我们 Python habitat-service 进程集群带来的压力；尽可能将工作负载共置；并通过不同的 VPC 将关键工作负载与离线工作负载隔离。

这种程度的协同工程在过去一年中对 Azure Cosmos DB 的稳定性至关重要。任何规模足够大或足够关键的系统都需要这种团队协作：打破所有权壁垒，跨组织边界运作。

正如第一部分所述，我们的核心理念是：让它能用，让它快，让它便宜。可靠性优先，然后是性能，最后是效率。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、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。

计算和存储容量常常位于不同区域，导致跨区域请求不可避免。

延迟因数据存储位置和请求处理位置的不同而差异很大。为了让 Habitat 请求具备良好性能，产品开发者依赖额外的客户端缓存、请求批处理、尽量减少数据库读写，并尽可能将工作移出关键路径。虽然这催生了一些有趣的产品设计，对数据库问题更具韧性，但也让产品变得更复杂，拖慢了产品迭代：未能实现 Habitat 鼓励快速产品开发、无需了解数据库的目标。

这是我们在 2026 年的一大重点，我们制定了一套分层策略来优化读取性能，而读取占 Habitat 请求的 90% 以上：

我们在全球不同的 Azure 区域拥有多个 Azure Cosmos DB 账户，服务于有数据驻留要求的用户。即使对于没有硬性数据驻留要求的用户，将数据与用户就近放置也能通过更低的延迟改善他们的体验。

在实践中，除了数据驻留场景之外，我们无法广泛实现这一点，因为放置位置受限于物理云容量。由于我们数据集的规模，许多区域无法容纳其按比例分担的用户流量所需的庞大存储占用。

在数据中心容量、电力或冷却能力有限的区域，我们有时会面临直接的权衡：为就近存储预留容量以降低 Habitat 延迟，还是将该容量用于额外的服务计算并将存储请求路由到更远的地方。

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

对于延迟最关键的工作负载，例如每个请求都需要的身份验证元数据，我们通过使用具有多个次要区域的高度复制 Azure Cosmos DB 账户来减少计算与 Habitat 之间的 RTT。有些账户复制到我们提供流量的全部 40 个 Azure 区域；其他账户则至少复制到每个大洲的一个区域。

我们不得不比预期更早地在 Habitat 中构建透明的数据移动和路由层，以便我们能够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，因此仅限于少数精心挑选的数据集。

Habitat 的工作负载绝大多数是读密集型，应用程序不断获取设置、状态和其他属性；不成比例的流量可归因于相对较小的一组频繁访问类型的工作集。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，但在跨区域工作时改进会叠加，可用于“隐藏”跨区域延迟。

我们已将分布式旁路缓存层集成到 Habitat 中。它将最近访问的对象和边的副本存储在 Valkey 服务器中，这些服务器部署在我们基础设施中靠近用户请求处理位置的地方。通常，这类缓存使用 TTL，在命中率和陈旧度之间权衡。较短的 TTL 减少陈旧度，但削弱缓存的积极影响，因为条目很快过期，必须更频繁地重新获取。较长的 TTL 提高命中率，但会在较长时间内提供陈旧数据，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相同底层数据执行写操作时执行显式失效操作。这大幅提高缓存数据的新鲜度，但很难做对。它仍然受制于许多边缘情况，例如部分失败，这会使缓存保持陈旧。多区域部署加剧了这些问题，跨区域网络可靠性较低，缓存与底层存储的复制竞争。用 TTL 补充这一点可以限制最大陈旧度，但仍然遭受上面讨论的相同底层 TTL 权衡。

我们采用了更先进的失效处理方式，效仿 Meta 的 TAO 等系统的做法。Habitat 的集成缓存依赖通过 Azure Cosmos DB 变更源实现的变更数据捕获（CDC），在数秒内将失效信息传播到全球，从而实现高命中率并保持较低的陈旧数据比例。我们基础设施中的一个服务消费该变更源，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出现未命中，随后缓存会被填入最新版本的数据。

我们还通过用 Rust 重写代码，消除了 Habitat 服务本身的开销，从而显著降低了延迟，Rust 的性能优于原来的 Python。

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

虽然缓存大幅降低了中位延迟，但最慢的请求仍需从底层存储获取未缓存的数据，且往往跨越遥远区域。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在更靠近其访问位置的地方。

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 缓存策略中的关键组件。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 topic，还为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提供支持。随着我们的底层基础设施在全球范围内扩展，监听行变更变得越来越复杂。如果客户端想要注册一个回调，以便在其类型的行发生变更时运行，他们必须首先确定哪些 Cosmos 账户和容器包含他们的数据、哪些 CDC 服务部署在各自区域监听这些容器，并适当地扩展 CDC 服务工作线程集群、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，客户端在其中注册一个希望在变更行上被调用的函数，而我们处理所有的管道和扩展工作。

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，并在多个地理区域的数千个工作线程之间高效分配工作。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，工作线程崩溃、容器问题、租约存储错误、无效配置和目标端故障持续发生。我们强化了 CDC 工作线程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防护措施。我们利用死信队列来防止永久性投递失败导致的队头阻塞。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，通过在内存在批量处理检查点并仅定期刷新，使其检查点实现更加高效。

虽然 Habitat 内部对 Azure Cosmos DB 的使用很复杂，但它的价值主张一直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。

一个小团队能够支撑一个快速增长的存储平台，靠的是刻意保持存储 API 的窄接口、持续扩展 Python 服务，并优先处理最紧迫的工程挑战。我们首先关注关键任务产品流量的可靠性，然后是全球用户的读取性能，最后是规模化下的运营效率。这种方式在提升可靠性、性能和产品开发速度的同时，实现了快速增长并支持了新的用例。

为了支撑 Habitat 和对话存储迎接下一个十亿用户，我们需要在更大规模上解决跨基础设施复制数据的难题。为提前应对这一问题，我们一直在构建一个自研的 EB 级在线存储系统，针对体量庞大的 Habitat 数据类型进行了优化。这个仍在开发中的系统结合了来自 Rockset 的 RocksDB Cloud 核心与基于 Raft 的复制。它实现了与 Azure Cosmos DB 相同的文档模型，但采用解耦存储和物理复制，以减少所需的闪存容量，代价是更低的峰值 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⁠。