以一次 Data Catalog 架构升级为例聊业务系统的性能优化

摘要

字节的 DataCatalog 系统，在 2021 年进行过大规模重构，新版本的存储层基于 Apache Atlas 实现。迁移过程中，我们遇到了比较多的性能问题。本文以 Data Catalog 系统升级过程为例，与大家讨论业务系统性能优化方面的思考，也会介绍我们关于 Apache Atlas 相关的性能优化。

背景

字节跳动 Data Catalog 产品早期，是基于 LinkedIn Wherehows 进行二次改造，产品早期只支持 Hive 一种数据源。后续为了支持业务发展，做了很多修修补补的工作，系统的可维护性和扩展性变得不可忍受。比如为了支持数据血缘能力，引入了字节内部的图数据库 veGraph，写入时，需要业务层处理 MySQL、ElasticSearch 和 veGraph 三种存储，模型也需要同时理解关系型和图两种。更多的背景可以参照之前的文章。

新版本保留了原有版本全量的产品能力，将存储层替换成了 Apache Atlas。然而，当我们把存量数据导入到新系统时，许多接口的读写性能都有严重下降，服务器资源的使用也被拉伸到夸张的地步，比如：

• 写入一张超过 3000 列的 Hive 表元数据时，会持续将服务节点的 CPU 占用率提升到 100%，十几分钟后触发超时
• 一张几十列的埋点表，上下游很多，打开详情展示时需要等 1 分钟以上

为此，我们进行了一系列的性能调优，结合 Data Catlog 产品的特点，调整了 Apache Atlas 以及底层 Janusgraph 的实现或配置，并对优化性能的方法论做了一些总结。

业务系统优化的整体思路

在开始讨论更多细节之前，先概要介绍下我们做业务类系统优化的思路。本文中的业务系统，是相对于引擎系统的概念，特指解决某些业务场景，给用户直接暴露前端使用的 Web 类系统。

优化之前，首先应明确优化目标。与引擎类系统不同，业务类系统不会追求极致的性能体验，更多是以解决实际的业务场景和问题出发，做针对性的调优，需要格外注意避免过早优化与过度优化。

准确定位到瓶颈，才能事半功倍。一套业务系统中，可以优化的点通常有很多，从业务流程梳理到底层组件的性能提升，但是对瓶颈处优化，才是 ROI 最高的。

根据问题类型，挑性价比最高的解决方案。解决一个问题，通常会有很多种不同的方案，就像条条大路通罗马，但在实际工作中，我们通常不会追求最完美的方案，而是选用性价比最高的。

优化的效果得能快速得到验证。性能调优具有一定的不确定性，当我们做了某种优化策略后，通常不能上线观察效果，需要一种更敏捷的验证方式，才能确保及时发现策略的有效性，并及时做相应的调整。

业务系统优化的细节

优化目标的确定

在业务系统中做优化时，比较忌讳两件事情：

• 过早优化：在一些功能、实现、依赖系统、部署环境还没有稳定时，过早的投入优化代码或者设计，在后续系统发生变更时，可能会造成精力浪费。
• 过度优化：与引擎类系统不同，业务系统通常不需要跑分或者与其他系统产出性能对比报表，实际工作中更多的是贴合业务场景做优化。比如用户直接访问前端界面的系统，通常不需要将响应时间优化到 ms 以下，几十毫秒和几百毫秒，已经是满足要求的了。

优化范围选择

对于一个业务类 Web 服务来说，特别是重构阶段，优化范围比较容易圈定，主要是找出与之前系统相比，明显变慢的那部分 API，比如可以通过以下方式收集需要优化的部分：

• 通过前端的慢查询捕捉工具或者后端的监控系统，筛选出 P90 大于 2s 的 API
• 页面测试过程中，研发和测试同学陆续反馈的 API
• 数据导入过程中，研发发现的写入慢的 API 等

优化目标确立

针对不同的业务功能和场景，定义尽可能细致的优化目标，以 Data Catalog 系统为例：

定位性能瓶颈手段

系统复杂到一定程度时，一次简单的接口调用，都可能牵扯出底层广泛的调用，在优化某个具体的 API 时，如何准确找出造成性能问题的瓶颈，是后续其他步骤的关键。下面的表格是我们总结的常用瓶颈排查手段。

优化策略

在找到某个接口的性能瓶颈后，下一步是着手处理。同一个问题，修复的手段可能有多种，实际工作中，我们优先考虑性价比高的，也就是实现简单且有明确效果。

快速验证

优化的过程通常需要不断的尝试，所以快速验证特别关键，直接影响优化的效率。

Data Catalog 系统优化举例

在我们升级字节 Data Catalog 系统的过程中，广泛使用了上文中介绍的各种技巧。本章节，我们挑选一些较典型的案例，详细介绍优化的过程。

调节 JanusGraph 配置

实践中，我们发现以下两个参数对于 JanusGraph 的查询性能有比较大的影响：

• query.batch = ture
• query.batch-property-prefetch=true

其中，关于第二个配置项的细节，可以参照我们之前发布的文章。这里重点讲一下第一个配置。

JanusGraph 做查询的行为，有两种方式：

针对字节内部的应用场景，元数据间的关系较多，且元数据结构复杂，大部分查询都会触发较多的节点访问，我们将 query.batch 设置成 true 时，整体的效果更好。

调整 Gremlin 语句减少计算和 IO

一个比较典型的应用场景，是对通过关系拉取的其他节点，根据某种属性做 Count。在我们的系统中，有一个叫“BusinessDomain”的标签类型，产品上，需要获取与某个此类标签相关联的元数据类型，以及每种类型的数量，返回类似下面的结构体：

{
                "guid": "XXXXXX",
                "typeName": "BusinessDomain",
                "attributes": {
                    "nameCN": "直播",
                    "nameEN": null,
                    "creator": "XXXX",
                    "department": "XXXX",
                    "description": "直播业务标签"
                },
                "statistics": [
                    {
                        "typeName": "ClickhouseTable",
                        "count": 68
                    },
                    {
                        "typeName": "HiveTable",
                        "count": 601
                    }
                ]
            }

我们的初始实现转化为 Gremlin 语句后，如下所示，耗时 2~3s：

g.V().has('__typeName', 'BusinessDomain')
    .has('__qualifiedName', eq('XXXX'))
    .out('r:DataStoreBusinessDomainRelationship')
    .groupCount().by('__typeName')
    .profile();

优化后的 Gremlin 如下，耗时~50ms:

g.V().has('__typeName', 'BusinessDomain')
    .has('__qualifiedName', eq('XXXX'))
    .out('r:DataStoreBusinessDomainRelationship')
    .values('__typeName').groupCount().by()
    .profile();

Atlas 中根据 Guid 拉取数据计算逻辑调整

对于详情展示等场景，会根据 Guid 拉取与实体相关的数据。我们优化了部分 EntityGraphRetriever 中的实现，比如：

• mapVertexToAtlasEntity 中，修改边遍历的读数据方式，调整为以点以及点上的属性过滤拉取，触发 multiPreFetch 优化。
• 支持根据边类型拉取数据，在应用层根据不同的场景，指定不同的边类型集合，做数据的裁剪。最典型的应用是，在详情展示页面，去掉对血缘关系的拉取。
• 限制关系拉取的深度，在我们的业务中，大部分关系只需要拉取一层，个别的需要一次性拉取两层，所以我们接口实现上，支持传入拉取关系的深度，默认一层。

配合其他的修改，对于被广泛引用的埋点表，读取的耗时从~1min 下降为 1s 以内。

对大量节点依次获取信息加并行处理

在血缘相关接口中，有个场景是需要根据血缘关系，拉取某个元数据的上下游 N 层元数据，新拉取出的元数据，需要额外再查询一次，做属性的扩充。

我们采用增加并行的方式优化，简单来说：

• 设置一个 Core 线程较少，但 Max 线程数较多的线程池：需要拉取全量上下游的情况是少数，大部分情况下几个 Core 线程就够用，对于少数情况，再启用额外的线程。
• 在批量拉取某一层的元数据后，将每个新拉取的元数据顶点加入到一个线程中，在线程中单独做属性扩充
• 等待所有的线程返回

对于关系较多的元数据，优化效果可以从分钟级到秒级。

对于写入瓶颈的优化

字节的数仓中有部分大宽表，列数超过 3000。对于这类元数据，初始的版本几乎没法成功写入，耗时也经常超过 15 min，CPU 的利用率会飙升到 100%。

定位写入的瓶颈

我们将线上的一台机器从 LoadBalance 中移除，并构造了一个拥有超过 3000 个列的元数据写入请求，使用 Arthas 的 itemer 做 Profile，得到下图：

从上图可知，总体 70%左右的时间，花费在 createOrUpdate 中引用的 addProperty 函数。

耗时分析

1. JanusGraph 在写入一个 property 的时候，会先找到跟这个 property 相关的组合索引，然后从中筛选出 Coordinality 为“Single”的索引
2. 在写入之前，会 check 这些为 Single 的索引是否已经含有了当前要写入的 propertyValue
3. 组合索引在 JanusGraph 中的存储格式为：

4. Atlas 默认创建的“guid”属性被标记为 globalUnique，他所对应的组合索引是__guid。
5. 对于其他在类型定义文件中被声明为“Unique”的属性，比如我们业务语义上全局唯一的“qualifiedName”，Atlas 会理解为“perTypeUnique”，对于这个 Property 本身，如果也需要建索引，会建出一个 coordinity 是 set 的完全索引，为“propertyName+typeName”生成一个唯一的完全索引

6. 在调用“addProperty”时，会首先根据属性的类型定义，查找“Unique”的索引。针对“globalUnique”的属性，比如“guid”，返回的是“__guid”；针对“perTypeUnique”的属性，比如“qualifiedName”，返回的是“propertyName+typeName”的组合索引。

7. 针对唯一索引，会尝试检查“Unique”属性是否已经存在了。方法是拼接一个查询语句，然后到图里查询

8. 在我们的设计中，写入表的场景，每一列都有被标记为唯一的“guid”和“qualifiedName”，“guid”会作为全局唯一来查询对应的完全索引，“qualifiedName”会作为“perTypeUnique”的查询“propertyName+typeName”的组合完全索引，且整个过程是顺序的，因此当写入列很多、属性很多、关系很多时，总体上比较耗时。

优化思路

• 对于“guid”，其实在创建时已经根据“guid”的生成规则保证了全局唯一性，几乎不可能有冲突，所以我们可以考虑去掉写入时对“guid”的唯一性检查，节省了一半时间。
• 对于“qualifiedName”，根据业务的生成规则，也是“globalUnique”的，与“perTypeUnique”的性能差别几乎是一倍：

优化实现效果

• 去除 Atlas 中对于“guid”的唯一性的检查。
• 添加“Global_Unqiue”配置项，在类型定义时使用，在初始化时对“__qualifiedName”建立全局唯一索引。
• 配合其他优化手段，对于超多属性与关系的 Entity 写入，耗时可以降低为分钟级。

总结

• 业务类系统的性能优化，通常会以解决某个具体的业务场景为目标，从接口入手，逐层解决
• 性能优化基本遵循思路：发现问题->定位问题->解决问题->验证效果->总结提升
• 优先考虑“巧”办法，“土”办法，比如加机器改参数，不为了追求高大上而走弯路