记一次队列积压问题的分析、解决

现象：

同事负责的项目转到我部门，整理服务过程中发现了队列的积压问题。

为了搞清楚积压的严重程度， 对队列任务数每分钟进行一次采样，生成一个走势图， 队列积压情况一目了然，非常严重。 

 分析：

听了同事对系统的介绍，猜测是mongo性能影响了处理效率，于是针对mongo进行分析

1. 使用mongotop  /usr/local/mongodb/bin/mongotop --host 127.0.0.1:10000

odds_easy.basic_odds表的操作一直排第一，写操作占大部分时间

2. 看mongo shard日志

大量超过1s的操作，集中在odds_easy.basic_odds写操作,  看日志lock数量很多

查询某一个文档的更新，在同一秒中居然有15个更新操作，这样的操作产生什么样的结果： 大量的写锁，并且影响读；而且还是最影响性能的数组的$push, $set操作

看看文档的结构，数组的数量之大，而且里面还是对象嵌套； 对这样一个文档不停的更新， 性能可想而知

 看看 db.serverStats()的lock情况

 看看odds_easy的db.basic_odds.stats()情况，大量的更新冲突

3.  看看sharding情况

　　使用脚本，查看sharding情况，重定向到文件中查看。
　　sql='db.printShardingStatus({verbose:true})'
　　echo $sql|/usr/local/mongodb/bin/mongo --host 192.168.1.48:30000 admin --shell 

   basic_odds的sharding信息：

    shard key: { "event_id" : 1, "betting_type_id" : 1 }    event_id为mysql自增字段，betting_type_id为玩法id（意味着几个固定的值，区别度不大）

    shard 分布情况， 从图里面可以看到mongo主要根据event_id这个自增字段的范围进行数据拆分，  意味着相邻比赛的数据大概率会被分配到同一个shard分区上（这就是为什么01机器上的日志大小远大于其他机器的原因吧，目前的数据都集中在shard1上）    

 下图为数据库读写情况， 更新操作是查询操作的4倍。 对一个写多读少的数据库， 本该将写操作分布到不同的分区上，结果由于sharding key的错误选择造成了写热点，将写集中到了同一个分区，进一步加剧了写的阻塞

结论

1. 文档结构不合理，数组过大、更新过于频繁，特别是对同一文档。 对数组频繁的更新操作是mongo最不推荐的，不仅影响本机的性能，还影响oplog的数据同步
2. sharding key不合理造成了写热点，  在第一点不合理的基础上，更加剧了性能的急剧下降,  还会造成频繁的mongo数据迁移
   （由于odds_easy.basic_odds的更新量大，目前问题在这个表上，但是其他表也有同样的问题）

     【可以看到前期合理的架构设计是多么的重要】

解决思路

1. 减少同一时刻对同一文档的更新操作，将一定时间内的多次更新改为一次更新。 
2. 将更新最频繁的process字段从文档中移出，写到新的表中。 在新表中，同一event_id,betting_type_id, 赔率公司的变化在同一条记录中
3. 文档结构中加入时间字段，方便数据迁移，定期将历史数据进行迁移，进行冷热数据分离
4. 修改sharding key为hash或者其他字段，将写操作分布到不同的分区上

解决方案

分两个阶段：

第一阶段 结构优化

1.  odds_easy库中basic_odds, main_odds不再存储最近10条的变化，去掉process字段。  
2.  数据直接 mongo push到odds_change中对应的记录rows字段中 
3.  单独提供接口，数据变化从odds_change中读取，  使用 mongo的$slice读出最近n条信息，然后程序排序截取即可
4. odds_easy库和odds_change库中的表都使用 event_id 作 hash sharding key
5. odds_easy, odds_change, odds_bet007, odds_betbrain_bb, odds_betbrain_v5, odds_txodds这些库中的记录都加入match_time字段。   新增的记录直接加入；历史的记录补全
6. 加入分布式锁，解决并发问题，提高系统横向扩张能力

第二阶段 冷热分离

  目的

1. 解决积压问题
2. 提高访问速度
3. 防止用户对大量历史的访问从而影响热数据的访问。（可以在配置中加入开关， 出现问题时关闭历史数据的访问）

 系统中加入redis做热数据缓存， zookeeper/etcd作为配置服务中心以及热数据导入的流程控制中心

架构图

2. 相关流程

 update_betting_offer队列的GermanWorker启动新增流程

1. 从服务配置中心读取热点比赛列表
2. 需要在服务配置中心注册节点，节点内容：“本机ip进程号_update_setting”   （去掉ip中的点号）

3. 在german注册一个任务名称，名字为第一步中的节点内容

"本机IP进程号_update_setting"任务处理流程：

1. 在服务配置中心注册新节点
2. watch 服务配置中心的 “导入数据OK节点”
3. 收到watch变化后，更新程序的热点event_id列表 
4. 删除在服务配置中心注册的节点

定时任务流程：

1. 找出最近2天内未结束比赛的event_id列表
2. watch服务配置中心 “导入数据OK节点”，内容为0
3. 从服务配置中心获取所有update_betting_offer的GermanWorker节点，并根据节点内容的发送任务（任务名称=节点内容，任务内容=event_id列表）
4. 等待watch的节点数==german worker数后， 从服务配置中心读取现在的event_id列表，与新的列表进行对比。将新增的event_id数据从mongo导入redis，过期时间3天
5. 导入完毕后， 改变 “导入数据OK节点”，内容为1

3. redis结构

初赔结构， key值：  “event_id:betting_id:start” ,  value值为hash类型，hash_key：provider_id；hash_value：跟mongo中的结构一致，json格式；如{"i":{"t0":{"h":4.27,"d":3.24,"a":1.88},"t1":0.9305,"t2":{"h":0.2179,"d":0.2872,"a":0.4949},"t3":{"h":0.93,"d":0.93,"a":0.93}},"s":1,"t":"2017-04-03 13:39:28","b":0,'p':744   }

终赔结构，key值："event_id:betting_id:end"  value值同初赔

平均结构，key值："event_id:betting_id:avg"  value值同初赔

变化过程，key值："event_id:betting_id:provider_id:boundary", value值为sorted set， member为赔率信息,跟mongo中的结构一致，json格式；如{"i":{"t0":{"h":4.27,"d":3.24,"a":1.88},"t1":0.9305,"t2":{"h":0.2179,"d":0.2872,"a":0.4949},"t3":{"h":0.93,"d":0.93,"a":0.93}},"s":1,"t":"2017-04-03 13:39:28","b":0,'p':744   }。 score为时间，如20170403133928

 如果按照上面的结构进行存储， 进行了大概的预估。

对2789场比赛进行了欧赔统计，平均一场比赛2006个初赔，2006个终赔；583个boudary值，每个boundary结构中存23个赔率变化；这样计算一场比赛需要大概 5.5m， 盘口数据大概为欧赔的一半。总8M

如果放入所有未开赛的比赛，大概1个半月的比赛，1w场比赛，所需内存80G，这个量太大了。

所以只放入热数据，2天内未开赛的比赛，保存3天，3天比赛450场左右。 需要 3.6G

----------------后续:第一阶段优化完后高峰期最高120左右