基于ElasticSearch的标签系统的架构治理

基于ElasticSearch的标签系统的架构治理

1. 背景

原有标签系统重度依赖elasticsearch，支持了公司70+接入方使用。支持了几个业务条线的客户分析及API服务。

整个Elasticsearch 集群共计存储了10T+的数据(无副本模式)。

整个ElasticSearch 集群涉及了几个场景的使用：

1. 数据写入(宽表信息从Hive同步到ES)

2. 用户通过平台进行客群的数量分析以及画像分析(统计某些维度的数据量)

3. API 服务能力， 对外提供客户维度的画像(通过search/get)

4. API 服务能力， 对外提供客群拉取的能力(通过_scroll实现)

我们遇到的问题:

1. 集群在数据写入的情况下，因为使用bulk 的方式 load，导致集群的search能力和 _aggs 能力性能急遽下降，导致了API服务的不稳定，甚至是不可用。

2. 集群在_scroll 情况和用户画像的情况下， 内存急速消耗，导致长时间的GC，进而影响API服务的可用性和业务使用

3. 索引SHARD 分配不合理，极其容易导致 _search 导致的负载过高，甚至 shard 丢失，进而Elasticsearch 集群变红，导致服务不可用。

4. Elasticsearch 的写入只能进行限速的导入，从而导致数据的时效无法达到业务的要求。单一大索引，导入时间在40小时+, 从而导致业务时效口碑较差。

5. 若干大索引同时写入过程中，集群负载过高，导致集群直接飘红，无法服务。因为若干导数作业的时序性无法保证，所以集群的稳定性只能靠人为自行监控排查。因为事件经常在半夜，苦不堪言。

2. 分析

集群飘红

集群飘红，是多因素导致的。

ElasticSearch集群飘红的原因有很多。总的来说，可以分成3类。

1. IO过高

IO过高一般有两种，一种是iowait多高，这种情况下需要更好的ssd硬盘。即便是SSD硬盘的情况下，我们也同样碰到了IO过高。(公司内网不方便截图)。当然这种IO过高，定位了原因是文件系统在做其他读写，进行了限速写入就恢复了。(在HDD硬盘上，这种IOwait 会更多)

另外一种是 ES进程内的文档插入/更新参数不合理导致的IO过高。如bulk的byteSize设置不合理，refreshInterval 设置成1s 导致的Segment Merge 问题，以及Replica设置成3导致的副本分发IO问题(translog)。

2. 流量过大

流量过大 ，主要是上游未做保护的流量穿透。比如_search 高峰可达30w/s。这种请求的堆积，正常情况下，只会堆积请求，但与写入请求同时发生时，容易引起FGC，进而导致节点脱离。

3. GC 导致的节点脱离

GC 算法需要优化， 在JDK11 的新GC算法前， CMS和G1的表现算是比较差的。CMS经常会GC时间过长，导致节点的健康检查无法及时通过，进而被集群判定为挂了，导致集群飘红，影响业务。

3. 解决方案

从上述各场景定性的分析，按照场景和资源消耗情况进行整理出来大致的方案。

为啥不定量？因为No Measurement！ 而且在资源不稳定的情况下，各种数字已经失真了。

因此改进方案分成4路分别改进：

1. Hive2es 工具改进，以减少对ElasticSearch 负载压力为根本优化目标。提升速度时效。

2. 增加新的ES集群，物理隔离若干大索引。可以有效隔离彼此的业务影响。

3. 对原有依赖ElasticSearch的scroll 方案进行架构变更以及整体设计。根据业务用例，我重新设计了异步取批的数据服务。

4. 对单个用户的search 接口重新使用get实现。 (在并发高的情况下，比如_searchById 并发高达16w/s时，任务会堆积，从而导致接口会变慢)

4.成果&收益

重点产出成果有三个：

1. Hive2ES 工具。 参考DiDi 的 fastindex 实现。可以把原来40h+的导数任务并行到2h。同时对Elasticsearch的负载由原来的Cpu&io 变成了纯IO影响。 后续会单独来描述这一内容

2. 异步取批数据服务。 可以稳定的提供取批功能，原来平均取批时间从20min到5min。并且稳定高效，支持断点续传

3. 画像服务产品。 独立的画像数据服务。提供高性能的key value 查找服务，支持定制化DSL定义，可以跨集群/跨索引/跨接口的提供服务。