Les bases NoSQL
Partie 3 sur 4
5Cohérence, disponibilité et le théorème CAP
Une fois les données réparties, un problème nouveau apparaît : les machines communiquent par un réseau, et un réseau peut tomber en panne. Câble coupé, commutateur défaillant, centre de données isolé : à grande échelle, ces incidents ne sont pas des cas rares, ils arrivent chaque semaine. Que doit faire la base quand deux groupes de machines ne peuvent plus se parler ?
5.1Le théorème CAP
L’informaticien Eric Brewer a formulé en 2000 une conjecture, démontrée en 2002 par Seth Gilbert et Nancy Lynch, aujourd’hui connue comme le théorème CAP. Le sigle désigne trois propriétés :
- C comme cohérence (consistency) : tous les clients voient la même donnée à jour, comme s’il n’y avait qu’une seule copie ;
- A comme disponibilité (availability) : chaque demande reçoit une réponse ;
- P comme tolérance aux partitions (partition tolerance) : le système continue de fonctionner malgré la coupure du réseau entre deux groupes de machines.
Le théorème dit qu’on ne peut pas garantir les trois à la fois pendant une partition. Comme les partitions arrivent, la vraie alternative est : pendant la panne, on choisit C (on refuse certaines demandes pour ne jamais donner de réponse fausse) ou A (on répond toujours, au risque de répondre avec une donnée un peu périmée ou d’accepter deux écritures contradictoires).
Une banque choisit C : mieux vaut refuser un retrait que d’autoriser un solde négatif parce que deux copies ne se parlaient plus. Un fil d’actualité ou un panier d’achat choisit A : mieux vaut afficher un message vieux de deux secondes que d’afficher une erreur. Un point souvent mal compris : sans panne, on peut avoir à la fois cohérence et disponibilité. Le compromis ne se joue que pendant la partition. Brewer lui-même a rappelé en 2012 que la formule « choisissez deux des trois » est trompeuse, et que les systèmes réels règlent le curseur de façon fine, opération par opération.
Un raffinement, proposé par Daniel Abadi sous le nom PACELC : même sans panne, il y a un compromis entre la latence (le temps de réponse) et la cohérence. Pour que toutes les copies soient à jour avant de répondre, il faut les attendre, donc répondre plus lentement.
5.2La cohérence à terme
Les bases qui choisissent A offrent généralement la cohérence à terme (eventual consistency) : si plus personne n’écrit, toutes les copies finiront par devenir identiques. Entre-temps, deux lecteurs peuvent voir deux valeurs différentes. Pour un compteur de « j’aime » ou une photo de profil, ce n’est pas grave. Pour un stock de billets de concert, ce l’est : on risque de vendre deux fois la même place.
Quand deux copies ont reçu des écritures contradictoires, il faut réconcilier. Plusieurs stratégies existent : la dernière écriture gagne (simple, mais on perd l’autre écriture), la fusion automatique (pour une liste ou un ensemble, on réunit les deux versions : le panier d’Amazon fonctionnait ainsi, ce qui explique pourquoi un article supprimé pouvait parfois réapparaître), ou la décision laissée à l’application.
5.3Régler le curseur : les quorums
De nombreuses bases laissent choisir, pour chaque opération, combien de copies doivent répondre. Avec trois copies, on peut exiger que l’écriture soit confirmée par 2 copies (un quorum, c’est-à-dire une majorité) et que la lecture interroge 2 copies : comme 2 + 2 est supérieur à 3, une lecture contient forcément au moins une copie récente. Si l’on veut aller plus vite, on se contente d’une seule copie, au prix d’un risque de lire une valeur périmée. C’est un réglage de confort contre exactitude, à faire selon l’importance de la donnée.
Pour s’exercer
Exercice 3 : le théorème CAP, une situation
Un site de vente de billets a deux centres de données. Le lien entre eux est coupé pendant dix minutes. Que fait le site s’il choisit C ? S’il choisit A ? Quel risque dans chaque cas ?
Voir la réponse
Choix C : le site refuse les ventes (ou ne les accepte que dans un seul centre), pour ne pas vendre deux fois la même place ; risque : des clients mécontents et des ventes perdues pendant dix minutes. Choix A : chaque centre continue de vendre ; risque : la même place vendue deux fois, qu’il faudra corriger après la reconnexion, en remboursant l’un des acheteurs. Le choix dépend du coût d’un refus comparé au coût d’une double vente.
Exercice 4 : calculer un quorum
Une donnée est copiée sur 5 machines. Combien de confirmations d’écriture (W) et de lectures (R) faut-il pour garantir qu’une lecture voit toujours la dernière écriture ?
Voir la réponse
Il faut que W + R soit strictement supérieur au nombre de copies, ici 5, pour que l’ensemble des machines qui ont confirmé l’écriture et celui des machines interrogées se recoupent forcément. Exemples : W = 3 et R = 3 (une majorité des deux côtés) ; ou W = 5 et R = 1 (écriture lente, lecture rapide) ; ou W = 1 et R = 5 (écriture rapide, lecture lente). Avec W = 2 et R = 3, la somme vaut 5 : elle n’est pas supérieure à 5, donc une lecture peut manquer la dernière écriture.
Exercice 5 : une mauvaise clé de partitionnement
Une base de mesures partitionne ses données par la date du jour (une machine par jour). Quel problème cela pose-t-il, et que proposer ?
Voir la réponse
Toutes les écritures du jour courant vont sur la même machine : elle est saturée pendant que les autres sont presque au repos (un point chaud), ce qui annule l’intérêt de la répartition. On choisit plutôt une clé qui répartit : l’identifiant du capteur, ou le couple (capteur, jour), ce qui répartit l’activité entre de nombreuses machines tout en gardant ensemble les mesures d’un même capteur sur une journée.
6Transactions : ACID et BASE
En relationnel, les modifications se font par transactions : des groupes d’opérations exécutés « tout ou rien », selon les quatre propriétés regroupées sous le sigle ACID : atomicité, cohérence, isolation, durabilité (voir les bases de données). Un virement bancaire, qui retire d’un compte et ajoute à un autre, doit passer entièrement ou pas du tout.
Les premières bases NoSQL ont souvent renoncé à ces garanties pour aller plus vite et se répartir plus facilement. On a opposé à ACID le sigle BASE, un jeu de mots (en anglais, acid signifie « acide », base signifie « base » au sens chimique) : Basically Available (essentiellement disponible), Soft state (état qui peut évoluer sans nouvelle écriture, le temps que les copies se mettent d’accord) et Eventually consistent (cohérent à terme). Il s’agit plus d’un slogan que d’une norme.
Depuis, le fossé s’est réduit. Beaucoup de bases NoSQL offrent aujourd’hui des transactions, souvent limitées à un document, parfois sur plusieurs documents (MongoDB l’offre depuis sa version 4.0, en 2018, selon sa documentation), et des bases relationnelles réparties (Google Spanner, CockroachDB) proposent des transactions strictes sur plusieurs machines. La leçon : ce n’est pas la famille qui garantit ou non les transactions, c’est le produit et son réglage. Il faut lire la documentation de ce qu’il garantit par défaut et dans quelles conditions.
Un exemple concret des conséquences : une application de réservation de places. Si deux clients cliquent au même instant sur la dernière place, une base avec transaction stricte accepte le premier et refuse le second. Une base à cohérence à terme, sans précaution, peut accepter les deux : l’application doit alors prévoir une vérification ou une compensation (rembourser le second client). Aucun système magique ne fait disparaître cette difficulté : on la place au bon endroit.
7Choisir : relationnel ou NoSQL ?
Le plus gros risque est de choisir une base parce qu’elle est à la mode. Voici une grille de questions.
| Situation | Choix habituel | Pourquoi |
|---|---|---|
| Comptabilité, facturation, paie, stocks exacts | Relationnel | données structurées, règles d’intégrité, transactions strictes, questions variées |
| Cache, sessions, compteurs, files d’attente | Clé-valeur | accès très rapide par clé, durée de vie automatique |
| Catalogue de produits aux fiches très différentes | Document | champs variables, lecture d’une fiche entière |
| Profils d’utilisateurs, contenu d’un site, données d’application mobile | Document | fiche autonome, évolution rapide du format |
| Journaux, mesures de capteurs, historique d’activité | Colonnes larges ou séries temporelles | énormes écritures, requêtes connues à l’avance |
| Réseaux de relations, fraude, recommandations | Graphe | parcours de liens sur plusieurs niveaux |
| Recherche de texte avec pertinence | Base de recherche | index inversé, tolérance aux fautes |
| Recherche par ressemblance de sens | Base vectorielle | comparaison de représentations numériques |
7.1Les questions à se poser
- Quelles sont les questions les plus fréquentes ? Si elles sont connues et simples, un modèle spécialisé peut être très rapide. Si les questions sont imprévisibles (« je veux croiser n’importe quoi avec n’importe quoi »), le relationnel est bien plus souple.
- Quelle garantie faut-il ? Une erreur d’un instant est-elle acceptable ? Une donnée périmée de deux secondes ?
- Quelle taille, quelle croissance ? Un seul serveur bien dimensionné suffit pour l’immense majorité des applications. Les bases relationnelles modernes gèrent sans problème des centaines de gigaoctets, voire des téraoctets, sur une machine.
- Quelle compétence dans l’équipe ? Une base inconnue de l’équipe est une source d’erreurs de configuration et de sécurité.
- Quelle durée de vie ? Une application qui doit durer quinze ans a intérêt à reposer sur une technologie largement maîtrisée, avec une licence stable (partie 8).
7.2La persistance polyglotte
Une application moderne n’utilise pas forcément une seule base. La persistance polyglotte (« polyglotte » : qui parle plusieurs langues) consiste à choisir pour chaque besoin la base qui lui convient : une base relationnelle pour les commandes et la facturation, une base clé-valeur pour les sessions et le cache, un moteur de recherche pour le catalogue, un graphe pour les recommandations. La contrepartie est la complexité : plus de systèmes à installer, surveiller, sauvegarder, mettre à jour et sécuriser, et le problème de garder les copies d’une même information cohérentes entre elles. Règle de bon sens : commencer simple, avec une seule base solide, et n’ajouter une deuxième que lorsqu’un besoin mesuré le justifie.
7.3Le relationnel a répondu
Les bases relationnelles n’ont pas disparu : elles ont absorbé les idées les plus utiles. PostgreSQL, MySQL et d’autres savent stocker et indexer des documents JSON dans une colonne, ce qui couvre une bonne part des besoins de souplesse. Elles savent se répliquer sur plusieurs machines, et des versions réparties comme CockroachDB, YugabyteDB ou Google Spanner gèrent un volume énorme tout en gardant SQL et les transactions. On parle parfois de bases NewSQL pour ces systèmes. Pour un projet qui hésite, une base relationnelle moderne avec une colonne JSON est souvent le meilleur point de départ.
Pour s’exercer
Exercice 6 : relationnel ou document ?
Une association gère ses adhérents, leurs cotisations et ses dons. Elle doit éditer des reçus fiscaux et des bilans comptables. Quel type de base conseillez-vous, et pourquoi ?
Voir la réponse
Une base relationnelle. Les données sont structurées et stables, les règles d’intégrité sont utiles (un don vise un adhérent existant), les calculs de totaux et de bilans demandent des questions variées (regroupements, filtres, jointures) qu’il est facile de poser en SQL, et la comptabilité exige des transactions strictes. Les besoins de volume sont modestes : une seule machine suffit largement. Un document ou un graphe n’apporterait rien ici.