![]()
导语 | 随着业务的发展，系统日益复杂，功能愈发强大，用户数量级不断增多，设备cpu、io、带宽、成本逐渐增加，当发展到某个量级时，这些因素会导致系统变得臃肿不堪，服务质量难以保障，系统稳定性变差，耗费相当的人力成本和服务器资源。这就要求我们：要有勇气和自信重构服务，提供更先进更优秀的系统。文章作者：刘敏，腾讯基础架构研发工程师。
自今年三月份以来天机阁用户数快速上涨，业务总体接入数达到1000+，数据进入量更是迎来了爆发式上涨，日均处理量上涨了一个数量级：Trace数据峰值处理量达到340亿/日条，Log日志数据峰值处理量级达到140亿/日条。
面对海量数据，老的实时计算系统处理压力逐渐增加，底层存储系统无论在磁盘、IO、CPU、还是索引上都面临巨大的压力，计算集群资源利用率不高，系统的调整优化迫在眉睫。
在传统单机系统的使用过程中，如果某个请求响应过慢或是出错，开发人员可以通过查看日志快速定位到具体服务。而随着业务的越来越复杂，架构由单体逐渐演变为微服务架构。特别是随着容器, Serverless等技术的广泛应用，它将庞大的单体应用拆分成多个子系统和公共的组件单元。这一理念带来了许多好处：复杂系统的拆分简化与隔离、公共模块的重用性提升与更合理的资源分配、大大提升了系统变更迭代的速度以及可扩展性。但反之，业务架构也随之变的越来越复杂，一个看似简单的业务后台可能有几百甚至几千个服务在支撑，当接口出现问题时，开发人员很难及时从错综复杂的服务调用中找到问题的根源，从而错失了止损的黄金时机，排查问题的过程也需要耗费大量的时间和人力成本。为了应对这一问题，业界诞生了许多优秀的面向Devops的诊断分析系统，包括Logging、Metric、Tracing。三者关系如图所示：三者互相重叠，又各自专注于自己的领域，将三者结合起来就可以快速定位问题。而已知的业界优秀开源组件有诸如：随着时间的推移可能会集成更多的功能，但同时也不断地集成其他领域的特性到系统中来。而天机阁正是腾讯研发的集三位于一体的分布式链路追踪系统，提供了海量服务下的链路追踪、故障定位、架构梳理、容量评估等能力。最近第二代天机阁系统已经建设完成，新天机阁采用opentelemetry标准，可以支持更多场景的数据接入，同时在系统稳定性，数据实时性方面都有很大提升。
从数据流转角度来看，天机阁整体可以分为数据生产链路与消费链路，其中数据生产链路主要包括数据接入层、数据处理层、数据存储层。整体如下图所示。主要负责数据采集工作，天机阁支持http+json、http+proto、grpc等多种数据上报方式，业务可以采用对应语言的SDK进行数据上报。根据业务上报环境，可选择Kafka、虫洞等多种数据接入方式，为减少数据传输耗时，提升系统的容错能力，天机阁提供了上海、广州、深圳等多个不同区域的接入通道，数据接入时会根据Idc机器所在区域自动进行“就近接入”。基于Flink构建的天机阁流式计算平台。主要处理三部分数据：第一部分是Metric模调数据的计算工作，结果同步至Druid。第二部分是日志数据，基于DataStream模式对数据进行实时消费，同步至ES日志集群。第三部分是Trace数据，基于KeyedStream的分组转换模式，根据业务Traceid进行Keyby，将一条Stream流划分为逻辑上不相交的分组，把相同Traceid的数据实时汇聚到同一个窗口，再对数据进行统计聚合，生成拓扑图、调用链、调用树等数据模型，结果同步至Hbase与ES。
ES主要用于用于建立热门Trace的倒排索引以及存储日志数据，Harbo/Druid系统用于存储模调数，Hbase用于存储调用链，拓扑图，关系链等数据。
在海量流量的冲击下，日志集群与Metric集群一直比较稳定，处理耗时基本在秒级。影响较大的是Trace集群，Trace集群主要通过滚动窗口接收一个Trace请求的所有RPC 的Span信息。由于业务接入量的上涨以及不少业务的放量，Trace集群的日均处理量由3月份的40亿/day爆发式上涨到340亿/day，且集群还要经常面临业务热点push、错误埋点等场景的挑战。这些问题直接导致数据实时性开始下降，期间经常收到用户反馈数据延时大，数据丢失的问题。而系统层面，则频繁出现集群抖动、延时飙升、Checkpoint失败等现象。同时存储也面临巨大的写入压力：Hbase与ES均出现写入延时上涨、毛刺的现象，而这些因素最终导致计算集群的处理性能变弱，稳定性下降。产生消费滞后，数据堆积的问题。具体有如下四个表象：集群毛刺、抖动情况增多，系统处理性能变弱，上游Kafka通道出现大量数据堆积情况，系统处理延时上升。Flink算子反压严重，部分节点出现CPU过载的情况，且各算子的Checkpoint时间变长，频繁失败。Hbase写入延时上涨，高峰期写入延时上涨到1300ms左右，写ES平均延时上涨到2000ms，早上8~10点出现大面积写入ES被拒绝的现象，最终会导致上游集群挂掉。 本着先抗住再优化的思想，当出现上述问题时，为保证系统的可用性，我们会采取各种快速恢复策略，诸如计算资源扩容、数据降级、关闭数据可靠性等策略来提升集群的处理性能，达到快速恢复的目的。但这些策略都治标不治本，性能问题周而复始的出现。这不但浪费了大量计算集群资源，集群处理性能，吞吐，稳定性都没有实质上的提升。
针对上述四种现象，结合业务分别从接入层、存储层、计算层对系统进行了全面分析，找出了目前Trace系统存在的问题以及瓶颈，并制定了对应的优化方案：如上图所示，一次RPC的请求和回包最终会合并成一个Span，而每个Span包含Traceid、Spanid，以及本次RPC调用涉及的主被调服务信息。在接入层进行数据采样上报时，会将相同Traceid的Span集合路由到同一个数据通道中，而计算层会对不同通道的数据做隔离，不同通道采用不同的计算任务对数据进行处理。大致流程如下：首先根据Traceid高位字节进行Reducekeby，确保同一个RPC请求的数据能路由到同一个窗口，再通过窗口函数对同一个请求的数据集合进行聚合计算，实时生成拓扑图，调用链等数据模型，批量写入ES和Hbase等列式存储。在业务量少，集群相对稳定的情况下，Trace集群平均处理时长在20-40s左右，即从一次Trace数据的上报到可展示的过程大概要经过半分钟。当系统不稳定或者处理性能下降时，数据延时会上涨至小时甚至天级别，而主要导致系统不稳定的因素有两种：Hbase写入耗时达到1300ms ES写入耗时达到2000ms。
![]()
存储抖动，集群处理耗时上涨3. 脏数据、代码bug造成服务异常，导致集群毛刺增多天机阁既是一个写密集型系统，也是一个时延敏感型系统，对数据的实时性有比较高的要求。系统的不稳定会导致消息通道大量数据堆积，数据实时性下降，最终影响用户体验，这是不能被容忍的。所以针对上述问题，我们需要对原系统进行全面的优化升级。
![]()
优化思路拓扑图
Elasticsearch 是一个实时的、Restful 风格的分布式搜索数据分析引擎，内部使用lucene做索引与搜索，能够解决常规和各种类型数据的存储及检索需求，此外ES还提供了大量的聚合功能可以对数据进行分析，统计，生成指标数据等。典型的应用场景有：数据分析，站内搜索，ELK，电商等，主要特点为：灵活的检索、排序策略；
集群分布式，易扩展，平行扩缩容；
数据分片主备机制，系统安全高可用；
准实时索引；
高性能的检索，易用的接口（REST风格）；
丰富的生态kibana可视化界面 。
1. 业务背景
天机阁使用腾讯云的ES组件，专门用于建立热门Trace倒排索引，用户在使用天机阁进行链路追踪查询时，首先可以指定Tag或者染色Key查询到任意时刻上报的Trace元数据，天机阁会根据查询到的Trace数据绘制出完整的服务调用过程。同时在UI上可以支持瀑布、调用树的多种样式的数据展示。如下图所示：2. 存在的问题
随着进入量的上涨，ES集群内部写入峰值达到80w/s，日均文档总量达到280亿，索引占用总量达到 67T，每天新增索引量达到1000+，而每日文档新增存储总量达到10T。机器配置采用为：64个4C 16g的数据节点，平均CPU使用率在45-50%之间;最大CPU使用率在80%左右;内存使用率60%左右，而磁盘平均使用率达到了53%，整体流程为。天机阁是基于业务Appid维度按天索引的策略，而伴随业务量的极速上涨主要暴露出来的问题为：ES每个索引的分片都是一个Lucene索引，它会占用消耗CPU、内存、文件句柄；
分片过多，可能导致一个节点聚集大量分片，产生资源竞争；
ES在计算相关度词频统计信息的时候也是基于分片维度的，如果分片过多，也会导致数据过少相关度计算过低。
部分索引的分片容量超过50G，侧面反应了这些索引分片策略的不合理，最终会导致索引的查询性能变慢。ES写入耗时达到(1500ms-2000ms)，此外分片过大也直接影响到索引的查询性能。集群没有设置主节点，导致创建索引时，数据节点要充当临时主节点的角色，写入量较小的时候，影响不大，当写入压力过大时，会加剧数据节点的负载，影响索引的创建速度。当出现密集型索引创建时，这个问题被无限放大，索引创建同时也会伴随大量的元数据移动，更加剧了节点负载，从而导致大量数据写入被拒绝现象。而写入被拒绝最终会导致上游Flink集群剧烈抖动(写入失败抛出大量异常），以致于索引创建高峰期经常出现2-3小时的集群不可用状态。ES服务器异常，主要分为两类，一类是：数据解析异常，另一类是：Fields_limit异常。主要是解决大规模以及日益增长数据场景下，集群的自动化容量管理与生命周期管理的问题。3. 优化一期
优化点1：优化集群内部分片过多、分片不合理、节点负载不均等问题。如何确定索引单个分片大小？-> 小于40G
- 如何确定集群中分片数量？-> 节点堆内存*节点数*200 = 2万左右
上述问题可以阅读ES官方文档和腾讯云ES文档得到全面的答案，这里不再赘述，总而言之，查询和写入的性能与索引的大小是正相关的，要保证高性能，一定要限制索引的大小。而索引的大小取决于分片与段的大小，分片过小，可能导致段过小，进而导致开销增加，分片过大可能导致分片频繁Merge，产生大量IO操作，影响写入性能。通过阅读相关文档，我提炼了以下三条原则：分片大小控制50G以内，最好是20-40G，以均衡查询和写入性能。
每个节点可以存储的分片数量与可用堆内存成正比，一条很好的经验法则：“确保每个节点配置的每G堆内存，分片数在20个以下”。
分片数为节点数整数倍,确保分片能在节点之间均衡分布。
当然最好的方法是根据自身业务场景来确定分片大小，看业务是注重读还是注重写以及对数据实时性、可靠性的要求。天机阁的索引设计模式是非常灵活的，属于典型的时序类型用例索引，以时间为轴，按天索引，数据只增加，不更新。在这种场景下，搜索都不是第一要素，查询的QPS很低。原先的分片策略针对容量过低的索引统一采用5个分片都默认配置，少数超过500G的大索引才会重新调整分片策略。而随着近期接入业务的不断增多以及索引进入量的暴涨，集群内部出现了许多容量大小不一，且分布范围较广的索引。老的配置方式显然已经不太合理，既会导致分片数急剧增长，也影响索引的读写性能。所以结合业务重新评估了集群中各个索引的容量大小，采用分级索引模版的分片控制策略，根据接入业务每天的容量变化，实现业务定制化的自适应分片。 一般而言：当用户遇到性能问题时，原因通常都可回溯至数据的索引方式以及集群中的分片数量。对于涉及多租户和用到时序型索引的用例，这一点尤为突出。减少集群副本分片数，过多副本会导致ES内部写扩大。ES集群主用于构建热门Trace索引用于定位问题，业务特性是写入量大而数据敏感度不高。所以我们可以采用经济实惠的配置，去掉过多副本，维护单副本保证数据冗余已经足够，另外对于部分超大索引，我们也会采用0副本的策略。索引设计方面，id自动生成（舍弃幂等），去掉打分机制，去掉DocValues策略，嵌套对象类型调整为Object对象类型。此处优化的目的是通过减少索引字段，降低Indexing Thread线程的IO压力，经过多次调整选择了最佳参数。根据ES官方提供的优化手段进行调整，包括Refresh，Flush时间，Index_buffer_size等。上述优化，其实是对ES集群一种性能的取舍，牺牲数据可靠性以及搜索实时性来换取极致的写入性能。但其实ES只是存储热门数据，天机阁有专门的Hbase集群对全量数据进行备份，详细记录上报日志流水，保证数据的可靠性。客户端API升级，将之前ES原生的批量API升级为Transport API，策略为当数据缓存到5M(灵活调整)大小时，进行批量写入（经过性能测试）。
4. 一期优化展示
cpu使用率：CPU使用率45% => 23%，内部写入量从60万/s => 40万/s。分片数量：7万 => 3万，减少了50%，同时索引存储量优化了20%。
5. 优化二期
经过一期的优化ES写入性能有了明显提升，但还存在一些痛点，包括：
6. 优化方案
4C16G升级为16C 32G， 节点总数由64降为48，开启专用主节点。默认情况下集群中的任何一个节点都有可能被选为主节点，为了确保一个集群的稳定，当节点数比较多时，最好是对生产环境中的节点进行职责划分，分离出主节点和数据节点。天机阁采用3（防止脑裂）台低配置的节点作为专用主节点，负责索引的创建、删除、分片分配等工作，数据节点专门用来做数据的索引、查询、更新、聚合等工作。目前天机阁只有一个公共集群，所有业务都在同一个集群中创建索引，这种方式虽然具备了一定的可扩展性。但是随着业务量的进一步增长，集群规模也会逐渐变的巨大，从而容易达到系统的性能瓶颈，无法满足扩展性需要，且当大集群中有索引出现问题时，容易影响到其他业务。所以我们从业务维度对公共集群进行解耦，按通道做set化部署，将不同通道业务，就近路由到不同集群，各集群可按需灵活扩展。（3）基于ILM + Rollover + 别名实现索引自动化生命周期管理与容量管理天机阁是典型的日志型时序索引，根据应用Appid按天定时生成索引，索引的生命周期默认为7天，其中当天的数据会被频繁写入与查询，第二、三天的数据偶尔被查询，后面几天的数据只有少数重度业务使用者才会查询到。ES索引分片数一旦创建便无法更改，这种机制无法应对业务忽然放量导致的索引容量激增的问题，通常只能通过手动Reindex来解决，而Reindex过程也会影响到业务写入性能。
根据日志索引存储具备的特点，不同时间阶段可以重新对分片数、副本数、Segment进行针对性调整，对冷数据进行归档处理，从而更好的利用机器资源。
需要创建额外的定时任务来删除索引，特别是当集群中索引过多时，密集型的索引删除操作，短时间内也会造成集群的波动。
我们希望构建一个优雅的索引自动化运维管理系统，而这个系统主要解决两个问题：
7. 索引自动化管理优化
ES在索引管理这一块一直在进行迭代优化，诸如Rollover、日期索引、Curator等都是对索引管理的一种策略，但是这些方式都不够自动化。直到ES6.7以后，官方推出了ILM（index lifestyle management)索引生命周期管理策略，能同时控制多个索引的生命流转，配合索引模板、别名、Rollover能实现自动化索引生命周期与容量的管理闭环。
8. 天机阁索引管理实践
天机阁使用ILM 策略配合分级索引模板可以比较优雅的实现索引的自动化管理过程。
ILM 策略主要分为四个阶段：热、温、冷和删除。对于定义好的各个阶段的相应策略，ILM 会始终顺序执行。我们只需要根据索引每个阶段的数据特性定义合适的管理方式，诸如：索引滚动更新用于管理每个索引的大小；强制合并操作可用于优化索引；冻结操作可用于减少集群的存储压力。
天机阁通过Flink Stream读取Kafka数据实时写入ES，峰值QPS接近35w，每天新增索引超过1000+。在这么大数据量上进行操作是一件很麻烦的事。我们希望ES能够自动化对分片超过100G的索引进行滚动更新，超过3天后的索引进行自动归档，并自动删除7天前的索引，同时对外以提供索引别名方式进行读写操作。这个场景可以通过ILM配置来实现，具体策略是：对于一些小于40G的索引，在Warm阶段执行Shrink策略压缩成单分片，并设定写入低峰期执行Forcemerge操作合并集群中小的段,Cold阶段可以执行Allocate操作来减少副本数，而针对集群内部1%的大索引，可以执行Freeze操作来释放部分存储空间。具体策略如下表所示：
![]()
天机阁索引ILM策略ILM可以高效的进行索引生命周期与容量自动化管理，使用起来也很简单。但是还是有不少要注意的地方。切换策略后索引不会马上生效，旧数据仍然写入旧索引，只有触发Rollover生成新索引，新策略才会生效。
每个阶段的生效时间是以Hot阶段触发Rollover为起始时间的基础上再加业务配置时间。
如果不想使用Rollover，可以直接进行关闭，也可以实现只对索引进行生命周期的管理操作。
后续优化：ILM + 冷热架构,ILM 可支持为时序索引实现热温冷架构从而节约一些成本。9. 最终优化效果
写入耗时：2500万/min写入量 2000ms - > 320ms。
分片数量：7.2万 -> 2万 分片数量减少 70%。
索引存储总量：67T -> 48T 节约存储 30%。
创建索引速度：分钟级 -> 秒级。
Flink实时计算系统是天机阁链路追踪平台的重要组成部分，数据经过Flink窗口进行实时计算聚合最终sink到ES与Hbase等底层存储，而日益增长的数据量给计算集群带来了很大的挑战。面对这些问题，我们重新梳理了整个链路架构，找到系统的瓶颈所在，并展开了一系列有效的优化措施。而在未来，我们会继续在大数据领域的探索研究工作，更进一步的打磨系统数据处理能力，提供更好的服务。整体从计算层、存储层、架构、服务质量等几个维度对系统进行了优化，同时也加强了系统的容灾能力性能是用户体验的基石，而性能优化的最终目标是优化用户体验，俗话说：“天下武功，唯快不破”，这句话放到性能优化上也是适用的。我们优化ES, Habse存储摄入速度，优化Flink的处理速度以及接入层的数据采集能力，都是为了保证数据的“快”。而优化的过程则需要我们做好打持久战的准备，既不能过早优化，也不能过度优化。最好的方式是深入理解业务，了解系统瓶颈所在，建立精细化的的监控平台，当系统出现问题时，我们就可以做到有条不紊，从应用，架构，运维等层面进行优化分析，设定一些期望的性能指标，并对每次优化措施和效果做总结思考，从而形成自己的方法论。