腾讯 刘敏

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。

前言

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。

业务接入量

同比日均处理量级

一、什么是天机阁

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：

  • Tracing：一系列span组成的树状结构。每个span包含一次rpc请求的所有信息。从用户发出请求到收到回包，就是通过trace来串联整条链路。
  • Metric：指标数据。是对可观测性指标的一种度量，例如请求数、qps峰值、函数调用次数、成功率、异常率、接口返回码分布等信息，可用作统计聚合。
  • Logging：业务日志。

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：

  • Metric: Zabbix、Nagios、Prometheus、InfluxDB、OpenCenus；
  • Logging: ELK、Splunk、Loki、Loggly；
  • Treace: jeager、Zipkin、SkyWalking、OpenTracing。

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。

二、系统架构

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。

数据生产链路架构图

1. 数据接入层

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”。

2. 数据处理层

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。

3. 数据存储层

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。

三、问题回顾

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：

1. 集群抖动

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。

集群抖动,延时上涨

2.资源倾斜

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。

checkpoint失败

3. 存储抖动

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。

Hbase写入延时

ES写入延时

计算集群宕机

4. 系统异常

某些时间点出现系统异常，同时集群处理延时飙升。

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。

四、问题分析

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：

Trace系统架构图

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：

  • 数据量的上涨给存储系统带来了较大的摄入压力，底层数据的刷盘时间越来越长；
  • 系统经常要面临业务方错误埋点或热点Push产生的热key、脏数据等场景的考验。

具体表现为：

1. 底层存储数据摄入能力下降

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*

2. 热key造成集群资源倾斜

导致集群产生毛刺、吞吐量下降等问题 。

热key写入量1000万/min

3. 脏数据、代码bug造成服务异****常，导致集群毛刺增多

集群毛刺增多

4. 集群缺乏容错能力，过载保护能力 。

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。

五、整体优化思路

优化思路拓扑图

六、ES优化

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：

天机阁调用链

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：

（1）集群内部分片过多

ES分片过多

分片过多的缺点主要有以下三个方面：

  • 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。

（2）分片大小不均匀

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分片过大

（3）写入耗时过大，部分索引查询性能慢

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。

大索引查询超时（4800ms）

（4）索引创建过慢（1分钟），大量写入被拒绝

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写入被拒绝

导致上游节点宕机

（5）系统出现大量异常日志

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。

ES服务器大量异常

（6）索引的容量管理与维护困难

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。

其中主要涉及了二个问题：

  • 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。

业务索引容量分布图

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。

优化点2：优化写入性能。

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）。

优化点3：优化索引创建方式。

  • 触发试创建索引改为预创建索引模式。
  • 申请专用主节点用于索引创建工作。

优化点4：优化ES服务器异常。

  • 调整字段映射模式，Dynamic-Mapping动态映射可能导致字段映射出现问题，这里修改为手动映射。
  • 调整Limit Feild限制，修改ES索引字段上限。
  • 业务层加入数据清洗算子，过滤脏数据以及埋点错误导致Tag过多的Span，保护存储。

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。

磁盘使用率：53% => 40%。

写入拒绝率：索引写入拒绝率降为0。

集群宕机问题被修复:

查询耗时：大索引跨天级别查询在500ms左右。

分片数量：7万 => 3万，减少了50%，同时索引存储量优化了20%。

写入耗时：从2000ms => 900ms左右。

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：

  • 写入延时还是过大，没有达到预期效果。
  • 分片数3万+ 还是过多，同时索引创建时间仍然过长（1分钟）。
  • 索引容量管理以及生命周期管理困难。

6. 优化方案

（1）升级硬件配置

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。

（2）ES集群分通道部署

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。

这样的特性会衍生出来几个问题：

  • 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：

  • 自动化索引生命周期管理： 创建索引生命周期管理，并定义不同阶段的索引策略，以此来实现ES索引自动化优化与生命周期管理而不需要引入第三方服务。
  • 自动化索引容量管理：当集群索引超过设定容量大小时，可以自动进行滚动，生成新的索引，而上游业务不需要感知。

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。

ILM策略主要有四个阶段：

  • Hot阶段：可读，可写，索引会被频繁查询。
  • Warm：可读，不可写，此时可对数据进行归档，采用Shrink与Forcemerge，减少索引副本与主分片数，并强制进行Segment合并，能够减少数据内存与磁盘的使用。
  • Cold：不可写入，很久没被更新，查询慢。可对索引进行冻结操作，此时集群将对索引进行落盘操作，业务需要指定特定的参数才能查询到数据。
  • Delete：删除操作。将触发索引删除事件。

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

索引模板配置

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。
  • 腾讯云ES最好采用 白金版 + 6.8以上版本。

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。

七、优化后整体架构图

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

  • 自定义计数器实现热Key自动发现与降级。
  • 存储过载保护，当QPS超过压测阈值时，触发降级逻辑。
  • 通过druid 预聚合方式完善对业务的多维监控。

结语

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�