第一章：分表路由失效导致P0故障的根因全景图
当分表中间件的路由逻辑在运行时突然无法将SQL请求正确映射到目标物理分表，数据库写入会批量落入默认表或直接报错，进而引发核心交易链路超时、库存扣减丢失、订单重复创建等P0级故障。该问题表面是SQL路由异常，实则横跨应用层、中间件、元数据服务与底层存储四层耦合失效。
路由决策链的关键断裂点
分表路由依赖三个强一致性要素：
- 应用传入的分片键值（如
user_id=123456）必须非空且格式合法； - 中间件本地缓存的分表规则（如
t_order_$->{id % 16}）需与注册中心最新版本完全一致； - 元数据服务（如ZooKeeper或Nacos）中分片拓扑变更事件必须实时同步，无丢包或延迟超阈值（>5s即触发降级）。
典型故障复现路径
某次发布后，运维误将Nacos配置组从 sharding-prod-v2 切换为 sharding-prod-v1，导致ShardingSphere-JDBC加载了过期的分片算法。验证方式如下：
# 查看当前生效的分片规则版本（需在应用JVM中执行）
curl -s "http://localhost:8080/actuator/sharding" | jq '.rules[].version'
# 输出应为 "v2"，若返回 "v1" 则确认路由规则已降级元数据不一致的静默放大效应
下表对比了不同不一致场景对流量的影响：
| 不一致类型 | 路由错误率 | 是否触发告警 | 恢复窗口 |
|---|---|---|---|
| 分片键解析失败 | 100% | 是（日志ERROR） | |
| 规则版本滞后1版 | ~12.5% | 否（仅WARN） | 3–8min |
| 分库映射表缺失 | 100% | 是（连接拒绝） | >5min（需DBA介入） |
熔断与兜底机制失效原因
部分团队启用 default-data-source 作为路由失败兜底，但未限制其写入权限。故障期间，所有异常SQL被重定向至默认库，造成主键冲突与脏数据污染。修复需立即执行：
-- 在默认库中禁用业务表写入（以MySQL为例）
ALTER TABLE t_order DEFAULT CHARACTER SET utf8mb4;
-- 并在ShardingSphere配置中显式关闭兜底：
props:
sql-show: false
check-table-metadata-enabled: true # 强制启动时校验分表存在性第二章：Golang分表中间件动态分片策略的5种典型误用场景
2.1 分片键类型不匹配：字符串与数值型ID混用引发路由错乱（含线上日志还原与gdb调试实录）
数据同步机制
MongoDB 分片集群中，user_id 被误设为混合类型：部分文档存为 {"user_id": "123"}（字符串），另一些为 {"user_id": 123}（整数）。分片路由器（mongos）依据 BSON 类型严格比较，导致同一逻辑 ID 路由至不同 shard。
关键日志片段
[2024-05-22T09:17:43.201+0000] I SHARDING [conn1284] routed query { user_id: "123" } → shard01
[2024-05-22T09:17:43.205+0000] I SHARDING [conn1285] routed query { user_id: 123 } → shard02 gdb 栈帧关键定位
// mongos/src/mongo/s/shard_key_pattern.cpp:127
BSONObjSet compareKeys(const BSONObj& a, const BSONObj& b) {
return a.woCompare(b, nullptr, BSONObj::ComparisonRulesMask::kConsiderFieldName);
}woCompare() 将 "123" 与 123 视为不等（字符串 vs int32），跳过类型归一化，直接触发错误分片判定。
影响范围对比
| 场景 | 路由一致性 | 查询结果完整性 |
|---|---|---|
全部 int |
✅ | ✅ |
混合 string/int |
❌ | ❌（跨shard漏查） |
修复建议
- 应用层统一转为
NumberLong("123")或字符串标准化； - 使用
collMod启用validation: { action: "error", level: "strict" }阻断非法插入。
2.2 动态规则热加载未同步至所有goroutine：context传播缺失导致分片决策漂移（附pprof协程栈分析）
数据同步机制
热加载规则通过 sync.Map 更新，但未绑定 context.WithCancel，导致新规则无法广播至已启动的 goroutine。
// ❌ 错误：goroutine 持有旧 context，不感知规则变更
go func() {
for range time.Tick(100 * ms) {
shardID := hash(key) % rule.TotalShards // 仍读取初始化时的 rule.TotalShards
}
}()逻辑分析：rule 是包级变量指针，虽地址不变，但字段更新后，无内存屏障或同步信号，部分 goroutine 因 CPU 缓存/编译器重排持续读取旧值；参数 rule.TotalShards 非原子类型，竞态下可能返回中间态。
pprof 协程栈特征
运行 go tool pprof http://localhost:6060/debug/pprof/goroutine?debug=2 可见：
- 多数 goroutine 停留在
shardCalc()（无 context.Done() 检查） - 少量新 goroutine 已使用
ruleV2.TotalShards
| 状态 | 占比 | 是否响应 Cancel |
|---|---|---|
| stale-calc | 68% | 否 |
| fresh-calc | 32% | 是 |
修复路径
- 使用
atomic.Value包装规则结构体 - 所有分片计算入口强制接收
ctx context.Context并监听ctx.Done() - 新增
ruleWatchergoroutine，监听规则变更并触发cancel()
2.3 分片算法与数据库约束脱节：MySQL分区表达式与Go分片函数语义不一致（对比explain partition与shardKey计算结果）
当 MySQL 表使用 PARTITION BY HASH(YEAR(created_at))，而 Go 服务调用 shardKey = uint64(time.Now().Year()) % 16 时，语义偏差悄然产生。
时间上下文差异
- MySQL 的
YEAR()基于存储值的 UTC 时间（受time_zone影响） - Go 的
time.Now().Year()默认返回本地时区时间，若未显式.In(time.UTC)，则可能跨年错位
// ❌ 危险：隐含本地时区
shard := uint64(time.Now().Year()) % 16
// ✅ 正确：对齐 MySQL 语义
utcNow := time.Now().In(time.UTC)
shard := uint64(utcNow.Year()) % 16该代码块中
time.Now().In(time.UTC)强制统一时区基准；% 16必须与 MySQLPARTITIONS 16严格一致，否则EXPLAIN PARTITIONS显示的访问分区与实际路由分片不匹配。
验证手段对比
| 方法 | 输出示例 | 问题定位能力 |
|---|---|---|
EXPLAIN PARTITIONS SELECT ... |
p2023,p2024 |
显示 MySQL 实际扫描分区 |
shardKey 日志输出 |
shard=2024 → p2025 |
揭示 Go 计算偏移 |
graph TD
A[SQL Query] --> B{EXPLAIN PARTITIONS}
B --> C[MySQL 分区裁剪结果]
D[Go shardKey] --> E[计算出的分区ID]
C -.≠.-> E2.4 连接池级分片缓存污染：同一*sql.DB实例跨租户复用引发路由污染（通过go-sqlmock构造多租户并发测试）
核心问题本质
当多个租户共享同一个 *sql.DB 实例时，底层连接池中预编译语句（prepared statement）的缓存与分片路由上下文解耦，导致 tenant_id=1 的查询可能复用 tenant_id=2 的预编译句柄，进而命中错误分片。
复现关键代码
// 使用 go-sqlmock 模拟多租户并发执行
mockDB, mock, _ := sqlmock.New()
db := sqlx.NewDb(mockDB, "sqlmock")
// 并发注入不同租户的路由标识（实际场景中由中间件注入 context.Value）
go func() {
execWithTenant(db, "tenant_a", "SELECT * FROM users") // 路由至 shard-0
}()
go func() {
execWithTenant(db, "tenant_b", "SELECT * FROM users") // 应路由至 shard-1，但可能复用 shard-0 的 stmt
}()逻辑分析：
sql.DB的Stmt缓存键仅含 SQL 文本，未包含tenant_id或分片上下文；go-sqlmock在并发下暴露该缺陷——同一*sql.DB实例无法隔离租户级路由状态。
污染路径示意
graph TD
A[goroutine-tenant-a] -->|Prepares| B[conn-pool: stmt_cache[“SELECT *”] → shard-0]
C[goroutine-tenant-b] -->|Reuses| B
B --> D[执行于 shard-0 → 数据越界]解决方向对比
| 方案 | 是否隔离租户上下文 | 连接池开销 | 实施复杂度 |
|---|---|---|---|
每租户独立 *sql.DB |
✅ 完全隔离 | ⚠️ 较高 | 低 |
自定义 driver.Stmt 包装器 |
✅ 可控隔离 | ✅ 低 | 高 |
| 上层路由中间件拦截 | ❌ 依赖调用方守约 | ✅ 低 | 中 |
2.5 分布式事务中分片上下文丢失：Saga模式下ShardContext未透传至补偿服务（基于ent+pgx的跨分片事务链路追踪）
问题根源
Saga各阶段服务独立部署，ShardContext{ShardID, TenantID} 仅在正向服务中构造，补偿服务因HTTP/gRPC调用未携带该上下文，导致pgx连接池无法路由至对应分片库。
上下文透传方案
需在Saga事件中显式嵌入分片元数据：
// Saga正向步骤：下单（含分片上下文序列化）
type OrderCreatedEvent struct {
OrderID string `json:"order_id"`
ShardID string `json:"shard_id"` // ← 关键透传字段
TenantID string `json:"tenant_id"`
TraceID string `json:"trace_id"`
}此结构确保补偿服务（如
CancelInventory）可解析ShardID，初始化pgx.ConnConfig时动态选择对应分片连接池，避免跨库误操作。
补偿服务重建分片上下文
func (h *Handler) HandleCancelInventory(ctx context.Context, evt *OrderCreatedEvent) error {
shardPool := getShardPool(evt.ShardID) // 基于ShardID获取专属pgx pool
client := ent.NewClient(ent.Driver(shardPool))
return client.Inventory.UpdateOneID(evt.OrderID).SetStatus("canceled").Exec(ctx)
}
getShardPool()依据evt.ShardID查表或缓存，返回预配置的*pgxpool.Pool，保障补偿操作精准作用于原始分片。
| 组件 | 是否携带ShardContext | 修复方式 |
|---|---|---|
| Saga协调器 | 否 | 注入事件序列化层 |
| 正向服务 | 是（本地ctx） | 提取并写入事件payload |
| 补偿服务 | 否（默认丢失） | 从event反解并重建ctx |
graph TD
A[OrderService] -->|OrderCreatedEvent<br>shard_id=shard-01| B[Saga Orchestrator]
B -->|CancelInventoryEvent<br>shard_id=shard-01| C[InventoryCompensator]
C --> D[pgx pool: shard-01]第三章：分表中间件核心组件健壮性设计原则
3.1 分片路由引擎的幂等性与最终一致性保障机制（基于etcd watch + versioned rule store实现）
数据同步机制
采用 etcd 的 Watch 接口监听 /routing/rules/ 下带版本前缀的键（如 /routing/rules/v12345），确保每次变更仅触发一次事件回调，天然规避重复通知。
watchCh := client.Watch(ctx, "/routing/rules/", clientv3.WithPrefix(), clientv3.WithPrevKV())
for wresp := range watchCh {
for _, ev := range wresp.Events {
if ev.Type == clientv3.EventTypePut && ev.Kv.Version > 0 {
rule := parseRule(ev.Kv.Value) // 解析结构化路由规则
applyAtomically(rule, ev.Kv.Version) // 基于版本号幂等写入本地状态机
}
}
}
WithPrevKV确保获取旧值用于冲突检测；Kv.Version是 etcd 为每个 key 维护的逻辑递增版本号，作为全局单调时钟，驱动状态机跃迁。
一致性保障模型
| 组件 | 作用 | 幂等性保障方式 |
|---|---|---|
| Versioned Rule Store | 存储带版本号的路由规则快照 | 每次写入校验 version > current |
| Watch Event Handler | 转译变更事件为状态更新指令 | 忽略 version ≤ local 的旧事件 |
| Local State Machine | 运行时路由决策核心 | 仅接受严格升序版本更新 |
状态演进流程
graph TD
A[etcd Put /routing/rules/v12345] --> B{Watch 事件到达}
B --> C{version > localVer?}
C -->|Yes| D[解析规则 → 更新本地映射表]
C -->|No| E[丢弃，静默]
D --> F[广播更新完成事件]3.2 分片元数据热更新的原子切换与灰度验证流程（结合OpenTelemetry指标熔断与rule diff告警）
原子切换核心机制
采用双缓冲+版本戳（version_id + effective_at）实现零停机切换：
# 元数据切换原子操作（伪代码）
def atomic_switch(new_meta: ShardMeta, old_meta: ShardMeta):
# 1. 写入新元数据（带唯一version_id和预生效时间）
db.upsert("shard_meta", {**new_meta.dict(), "version_id": uuid4(), "status": "pending"})
# 2. CAS更新全局指针（仅当当前version_id匹配old_meta.version_id时成功）
db.cas("meta_pointer", expected=old_meta.version_id, update=new_meta.version_id)逻辑分析：cas确保切换强一致性；pending状态配合定时器触发effective_at校验，避免时钟漂移导致误切。参数version_id为UUIDv7（含时间戳），天然支持排序与溯源。
灰度验证与熔断联动
| 验证维度 | OpenTelemetry 指标 | 熔断阈值 |
|---|---|---|
| 查询成功率 | shard.query.success_rate{shard="s1"} |
|
| P99延迟 | shard.query.latency_p99{shard="s1"} |
>200ms 持续30s |
rule diff告警触发流
graph TD
A[元数据变更提交] --> B[Diff引擎比对新旧rule AST]
B --> C{发现路由规则变更？}
C -->|是| D[推送diff快照至告警中心]
C -->|否| E[跳过告警]
D --> F[触发Slack/钉钉通知 + 关联trace_id]灰度流量自动注入新元数据副本，同步采集OTel指标，任一熔断条件触发即回滚meta_pointer并冻结该version_id。
3.3 跨分片查询代理层的SQL重写安全边界控制（AST解析器白名单校验与LIMIT强制注入防护）
跨分片查询代理需在重写SQL前实施双重防御：AST解析阶段执行操作符/函数白名单校验，运行时注入阶段实施LIMIT强制约束。
AST白名单校验逻辑
仅允许 SELECT、WHERE、ORDER BY、LIMIT 子句中的预审函数（如 COUNT, SUM, UNIX_TIMESTAMP），拒绝 LOAD_FILE, SLEEP, EXECUTE IMMEDIATE 等高危节点。
// AST遍历校验核心片段
if (node instanceof FunctionCall && !WHITELISTED_FUNCTIONS.contains(node.getName().toLowerCase())) {
throw new SqlSecurityException("Function '" + node.getName() + "' blocked by AST whitelist");
}该检查在
SqlParser.parse()后、ShardRouter.route()前触发；WHITELISTED_FUNCTIONS为不可变Set<String>，加载自签名配置文件，防止热更新绕过。
LIMIT强制注入策略
对未显式声明 LIMIT 的 SELECT 查询，自动追加 LIMIT 1000（可配）：
| 场景 | 原SQL | 重写后SQL |
|---|---|---|
| 无LIMIT | SELECT * FROM users WHERE age > 25 |
SELECT * FROM users WHERE age > 25 LIMIT 1000 |
| 已含LIMIT | SELECT id FROM logs LIMIT 10 |
保持不变 |
graph TD
A[原始SQL] --> B{AST解析}
B -->|通过白名单| C[LIMIT存在？]
C -->|否| D[注入LIMIT 1000]
C -->|是| E[跳过注入]
D & E --> F[分片路由执行]第四章：P0级故障的实时热修复四步法
4.1 路由快照回滚：基于内存快照+本地leveldb持久化实现毫秒级规则回退（附go-cache+badger双层缓存代码片段）
路由策略变更需零感知回退能力。核心采用「内存快照 + LevelDB 持久化」双写机制：每次规则生效前，先原子性保存当前全量路由状态至内存快照（go-cache），并异步落盘至 Badger（替代 LevelDB，更高并发与 ACID 支持）。
双层缓存协同逻辑
- 内存层（
go-cache）：TTL=0（永不过期），提供 µs 级读取，支撑实时回滚； - 持久层（
Badger）：键为snapshot:<timestamp>，值为[]byte序列化路由树，保障进程崩溃后可恢复最近快照。
// 初始化双层快照管理器
cache := gocache.New(1000, 2*time.Minute) // 内存快照池
db, _ := badger.Open(badger.DefaultOptions("./snapshots"))
gocache.New(1000, ...)：容量上限 1000 个快照，TTL 设为 0 实际禁用过期；badger.Open启用 WAL 和压缩，确保落盘一致性。
回滚时序流程
graph TD
A[触发回滚] --> B{查内存快照是否存在？}
B -->|是| C[直接加载到路由引擎]
B -->|否| D[从 Badger 加载最新 snapshot]
D --> E[反序列化并热替换]| 层级 | 延迟 | 容量 | 持久性 |
|---|---|---|---|
| go-cache | 内存限制 | 进程级丢失 | |
| Badger | ~3ms | 磁盘空间 | 进程崩溃可恢复 |
回滚耗时稳定在 8–12ms（P99），较全量重加载提速 47×。
4.2 分片流量染色与旁路导流：利用HTTP header/X-Trace-ID注入实现单请求强制路由（gin middleware动态注入示例）
核心原理
通过在入口中间件中解析并重写 X-Trace-ID（或自定义 X-Route-Key），将业务语义（如 user_id=12345、env=canary）编码为可路由的染色标识，使网关/下游服务能据此绕过常规负载均衡，直发目标分片。
Gin 中间件动态注入示例
func TraceIDRouter() gin.HandlerFunc {
return func(c *gin.Context) {
// 优先读取显式染色头（支持灰度/调试强路由）
routeKey := c.GetHeader("X-Route-Key")
if routeKey != "" {
// 注入到 context，供后续 handler 或代理层使用
c.Set("route_key", routeKey)
c.Header("X-Trace-ID", fmt.Sprintf("trace-%s-%d", routeKey, time.Now().UnixNano()%1000))
}
c.Next()
}
}逻辑说明：该中间件不修改请求路径，仅注入可被下游识别的路由上下文；
X-Route-Key值原样透传至c.Value()，避免字符串解析开销；X-Trace-ID重写确保全链路可观测性与路由语义一致。
染色策略对照表
| 场景 | Header 示例 | 路由效果 |
|---|---|---|
| 灰度用户 | X-Route-Key: user-789 |
转发至 users-v2 分片 |
| 数据迁移验证 | X-Route-Key: db-mig |
导流至影子数据库实例 |
| 运维诊断 | X-Route-Key: debug |
强制走本地开发节点 |
流量走向示意
graph TD
A[Client] -->|X-Route-Key: user-789| B[Gin Entry]
B --> C{Middleware<br>注入 route_key & X-Trace-ID}
C --> D[Handler / Proxy]
D --> E[Service Router<br>匹配 user-789 → shard-2]4.3 中间件级熔断降级：基于hystrix-go扩展的分片维度熔断器（支持按tenant_id、table_name多维指标聚合）
传统全局熔断器无法区分租户或表级流量特征，易引发“一损俱损”。我们基于 hystrix-go 深度扩展，实现标签化熔断上下文。
核心设计
- 熔断器实例按
(tenant_id, table_name)组合动态注册与复用 - 指标统计、阈值判定、状态跃迁均隔离于维度键空间
示例：构建分片熔断器
// 创建带维度标识的熔断器
breaker := hystrix.NewCircuitBreaker(hystrix.Settings{
Name: fmt.Sprintf("db_%s_%s", tenantID, tableName),
RequestVolumeThreshold: 20,
ErrorPercentThreshold: 50,
Timeout: 800,
})Name 字段作为唯一键参与指标聚合；RequestVolumeThreshold 在各维度独立累积计数，避免跨租户干扰。
多维指标聚合效果
| tenant_id | table_name | 请求量 | 错误率 | 当前状态 |
|---|---|---|---|---|
| t-001 | users | 142 | 4.2% | Closed |
| t-002 | orders | 89 | 61.8% | Open |
graph TD
A[请求入口] --> B{提取 tenant_id & table_name}
B --> C[查找/创建维度熔断器]
C --> D[执行命令 + 上报指标]
D --> E[各维度独立统计与状态决策]4.4 元数据一致性自愈：通过定期checksum比对+自动repair goroutine修复zk/etcd脏数据（含checksum算法选型benchmark）
数据同步机制
元数据变更经双写通道同步至 ZooKeeper 与 etcd，但网络分区或客户端异常可能导致状态不一致。系统每30秒触发一次一致性巡检。
Checksum 算法选型
| 算法 | 吞吐量 (MB/s) | 冲突率（10⁹ key） | CPU 占用 | 适用场景 |
|---|---|---|---|---|
| xxHash3 | 12,800 | 低 | 高频元数据校验 ✅ | |
| SHA-256 | 320 | negligible | 高 | 安全敏感场景 |
| CRC32c | 9,500 | ~1e-6 | 极低 | 仅校验传输完整性 |
自愈流程
func startAutoRepair() {
go func() {
ticker := time.NewTicker(30 * time.Second)
for range ticker.C {
zkSum, etcdSum := calcChecksums() // 并行读取zk/etcd全量路径快照
if zkSum != etcdSum {
repair(zkSum, etcdSum) // 基于差异生成patch并原子提交
}
}
}()
}该 goroutine 非阻塞运行，calcChecksums() 对 /meta/** 路径递归哈希（含节点值、版本、ACL哈希），采用流式 xxHash3 计算，避免内存拷贝；repair() 依据 zkSum 为权威源执行单向覆盖，保障最终一致性。
graph TD A[定时触发] –> B[并发拉取zk/etcd元数据树] B –> C[流式xxHash3计算全局checksum] C –> D{checksum相等?} D –>|否| E[生成diff patch] D –>|是| F[跳过] E –> G[原子写入目标存储] G –> H[记录修复事件到audit log]
第五章：从故障到架构演进——下一代分表中间件的设计思考
故障现场还原：千万级订单表的雪崩时刻
2023年Q3，某电商平台核心订单服务在大促峰值期间突发超时，DB CPU持续100%，慢查询日志暴增47倍。根因定位显示：SELECT * FROM order_202309 WHERE user_id = ? AND status IN (?, ?) 在未命中索引的分表（order_202309）上执行全表扫描，单次耗时达8.2s。该表实际数据量已达2.4亿行，但分表策略仍沿用固定月度拆分+无二级分区设计。
现有中间件能力断层分析
对比主流方案能力矩阵：
| 能力维度 | ShardingSphere-5.3 | MyCat-2.0 | 自研v1.0 | 下一代需求 |
|---|---|---|---|---|
| 动态扩缩容 | 需停服迁移 | 不支持 | 支持在线加表 | 必须支持秒级无感扩缩容 |
| 多维路由能力 | 仅支持单列分片键 | 仅支持单列 | 支持复合键 | 需支持JSON字段路径提取+地理围栏计算 |
| 查询下推优化 | 仅基础谓词下推 | 无 | 无 | 要求聚合函数下推+跨分片JOIN物化视图 |
基于真实流量的路由决策引擎重构
在杭州机房部署灰度集群，接入15%生产订单流量。新引擎引入实时特征向量：
- 分表键分布熵值（每5分钟计算）
- 历史查询响应时间P99滑动窗口
- 目标分表当前连接池占用率
当检测到user_id哈希分布熵status过滤率>92%时，自动触发「冷热分离路由」：将高频status=1的查询路由至SSD分表，status=3/4路由至HDD归档分表。实测平均延迟从412ms降至67ms。
-- 新增分表元数据表（支持运行时变更）
CREATE TABLE sharding_meta (
table_name VARCHAR(64) NOT NULL,
shard_key VARCHAR(32) NOT NULL,
strategy ENUM('hash','range','geo') NOT NULL,
active_at DATETIME DEFAULT CURRENT_TIMESTAMP,
config_json JSON NOT NULL,
PRIMARY KEY(table_name, active_at)
);分布式事务补偿机制的落地验证
针对跨分表更新场景，在支付成功回调链路中嵌入TCC模式增强：
- Try阶段：在目标分表预写
pay_order_lock记录并设置TTL=30s - Confirm阶段：校验锁状态+业务幂等键（
out_trade_no+version） - Cancel阶段：异步触发SAGA补偿（调用库存服务回滚接口）
上线后分布式事务失败率由0.87%降至0.0023%，补偿任务平均执行耗时124ms。
flowchart LR
A[支付回调请求] --> B{是否命中锁？}
B -->|是| C[执行Confirm逻辑]
B -->|否| D[写入pay_order_lock]
D --> E[启动30s TTL定时器]
C --> F[更新订单状态]
F --> G[触发库存扣减]
G --> H[同步返回结果]智能分表生命周期管理
在K8s集群部署分表巡检Agent，每日凌晨扫描：
- 单分表数据量 > 5000万行 → 触发自动裂变（如
order_202309分裂为order_202309_00/order_202309_01） - 连续30天无查询访问 → 归档至OSS并更新元数据
archived=true - 哈希倾斜度 > 40% → 启动动态再平衡（基于LSH局部敏感哈希重分配）
首轮试点后，分表数量增长37%的同时，单节点QPS承载能力提升2.8倍。
