一、引言
隨着移動互聯網、物聯網、雲計算等信息技術蓬勃發展，數據量呈爆炸式增長。如今我們可以輕易得從海量數據裏找到想要的信息，離不開搜索引擎技術的幫助。
作爲開源搜索引擎領域排名第一的 Elasticsearch，能夠讓我們無需深入瞭解背後複雜的信息檢索原理，就可實現基本的全文檢索功能，在數據量達到十億，百億規模仍然可以秒級返回檢索結果。
對於系統容災、數據安全性、可擴展性、可維護性等用戶關注的實際問題，在Elasticsearch 上也能得到有效解決。
二、Elasticsearch 介紹
Elasticsearch（ES）是一個基於 Lucene 構建的開源分佈式搜索分析引擎，可以近實時的索引、檢索數據。具備高可靠、易使用、社區活躍等特點，在全文檢索、日誌分析、監控分析等場景具有廣泛應用。
由於高可擴展性，集羣可擴展至百節點規模，處理PB級數據。通過簡單的 RESTful API 即可實現寫入、查詢、集羣管理等操作。
除了檢索，還提供豐富的統計分析功能。以及官方功能擴展包 XPack 滿足其他需求，如數據加密、告警、機器學習等。
另外，可通過自定義插件，如 COS 備份、QQ 分詞等滿足特定功能需求。
1. Elasticsearch 架構與原理
基本概念 ：
-
Cluster「集羣」：由部署在多個機器的ES節點組成，以處理較大數據集和實現高可用；
-
Node「節點」：機器上的ES進程，可配置不同類型的節點；
-
Master Node「主節點」：用於集羣選主。由其中一個節點擔任主節點，負責集羣元數據管理，如索引創建，節點離開加入集羣等；
-
Data Node「數據節點」：負責索引數據存儲；
-
Index「索引」：索引數據的邏輯集合，可類比關係型數據的DataBase；
-
Shard「分片」：索引數據子集，通過將分片分配至集羣不同節點，實現數據橫向擴展。以解決單個節點CPU、內存、磁盤處理能力不足的情況；
-
Primary Shard「主分片」：數據分片採用主從模式，由分片接收索引操作；
-
Replica Shard「副本分片」：主分片的拷貝，以提高查詢吞吐量和實現數據高可靠。主分片異常時，其中一個副本分片會自動提升爲新的主分片。
爲了便於大家理解ES裏的數據模型，將它與關係型數據庫 MySQL 做類比：
從上面架構圖可以看出，ES 架構非常簡潔。內置自動發現實現 Zen discovery，當一個節點啓動後，通過聯繫集羣成員列表即可加入集羣。
由其中一個節點擔任主節點，用於集羣元數據管理，維護分片在節點間的分配關係。當新節點加入集羣后，Master 節點會自動遷移部分分片至新節點，均衡集羣負載。
分佈式集羣難免有節點故障。主節點會定期探測集羣其他節點存活狀態，當節點故障後，會將節點移出集羣，並自動在其他節點上恢復故障節點上的分片。
主分片故障時會提升其中一個副本分片爲主分片。其他節點也會探活主節點，當主節點故障後，會觸發內置的類 Raft 協議選主，並通過設置最少候選主節點數，避免集羣腦裂。
除了集羣管理，索引數據讀寫也是我們關心的重要部分。ES 採用 peer-to-peer 架構，每個節點保存全量分片路由信息，也就是每個節點均可以接收用戶讀寫。
如發送寫入請求至節點 1，寫入請求默認通過文檔 ID 的 Hash 值確定寫入到哪個主分片，這裏假設寫入到分片 0。
寫完主分片 P0，並行轉發寫入請求至副本分片 R0 所在節點，當副本分片所在節點確認寫入成功後返回客戶端報告寫入成功，保障數據安全性。並且寫入前，會確保 quorum 數量的副本數，避免網絡分區導致寫入數據不一致。
查詢採用分佈式搜索，如請求發給節點3後，請求會轉發至索引的主分片或副本分片所在節點。
當然如果寫入、查詢均帶有路由字段信息。請求只會發送給部分分片，避免全量分片掃描。這些節點完成查詢後將結果返回給請求節點，由請求節點匯聚各個節點的結果返回給客戶端。
2. Lucene原理
介紹完 ES 集羣基本原理，下面簡單介紹下ES的底層存儲引擎 Lucene。
首先 Lucene 是一款高性能的信息檢索庫，提供索引和檢索基本功能。ES 在此基礎上解決可靠性、分佈式集羣管理等問題最終形成產品化的全文檢索系統。
Lucene 解決的核心問題便是全文檢索。與傳統的檢索方式不同，全文檢索避免在查詢時進行全部內容掃描。
比如數據寫入後，首先會對寫入的文檔字段內容分詞，形成詞典表和與它關聯的倒排表。查詢時由關鍵詞分詞結果直接匹配詞典表內容，並獲取關聯的文檔列表，快速獲取結果集。並通過排序規則，優先展示匹配度高的文檔。
Lucene 爲了加快索引速度，採用了 LSM Tree 結構，先把索引數據緩存在內存。當內存空間佔用較高或到達一定時間後，內存中的數據會寫入磁盤形成一個數據段文件（segment）。段文件內包含詞典、倒排表、字段數據等等多個文件。
爲了兼容寫入性能和數據安全性，如避免內存緩衝區裏的數據因爲機器故障丟失。ES 在寫內存的同時也會寫事物日誌 Translog。內存裏的數據會定期生成新的段文件，寫入開銷更低的文件系統緩存即可打開和讀取實現近實時搜索。
三、Elasticsearch 應用場景
ES的典型使用場景有日誌分析、時序分析、全文檢索等。
1. 日誌實時分析場景
日誌是互聯網行業基礎廣泛的數據形式。典型日誌有用來定位業務問題的運營日誌，如慢日誌、異常日誌；用來分析用戶行爲的業務日誌，如用戶的點擊、訪問日誌；以及安全行爲分析的審計日誌等。
Elastic 生態提供了完整的日誌解決方案。通過簡單部署，即可搭建一個完整的日誌實時分析服務。ES 生態完美的解決了日誌實時分析場景需求，這也是近幾年 ES 快速發展的一個重要原因。
日誌從產生到可訪問一般在 10s 級，相比於傳統大數據解決方案的幾十分鐘、小時級時效性非常高。
ES底層支持倒排索引、列存儲等數據結構，使得在日誌場景可以利用ES非常靈活的搜索分析能力。通過ES交互式分析能力，即使在萬億級日誌的情況下，日誌搜索響應時間也是秒級。
日誌處理的基本流程包含：日誌採集 -> 數據清洗 -> 存儲 -> 可視化分析。Elastic Stack通過完整的日誌解決方案，幫助用戶完成對日誌處理全鏈路管理。
其中：
-
日誌採集：通過輕量級日誌採集組件FileBeat實時讀取業務日誌文件，發送數據至下游組件如 Logstash。
-
文本解析：利用正則解析等機制，將日誌文本數據轉換成結構化數據。可使用獨立的Logstash 服務或 Elasticsearch 內置的輕量級數據處理模塊 Ingest Pipeline，完成數據清洗和轉換。
-
數據存儲：通過 Elasticsearch 搜索分析平臺進行數據持久存儲，提供全文搜索和分析能力。
-
可視化分析：通過功能豐富的圖形界面，即可對日誌數據進行搜索分析，如可視化組件 Kibana。
2. 時序分析場景
時序數據是按時間順序記錄設備、系統狀態變化的數據。典型的時序數據有傳統的服務器監控指標數據、應用系統性能監控數據、智能硬件、工業物聯網傳感器數據等。
早在2017年我們也基於ES進行了時序分析場景的探索。時序分析場景具有高併發寫入、低查詢時延、多維分析的特點。
由於ES具有集羣擴展、批量寫入、讀寫帶路由、數據分片等能力，目前已實現線上單集羣最大規模達到 600+節點、1000w/s 的寫入吞吐、單條曲線或單個時間線的查詢延時可控制在 10ms。
ES提供靈活、多維度的統計分析能力，實現查看監控按照地域、業務模塊等靈活的進行統計分析。另外，ES支持列存儲、高壓縮比、副本數按需調整等能力，可實現較低存儲成本。最後時序數據也可通過Kibana組件輕鬆實現可視化。
3. 搜索服務場景
搜索服務典型場景有像京東、拼多多、蘑菇街中的商品搜索；應用商店中的應用APP搜索；論壇、在線文檔等站內搜索。
這類場景用戶關注高性能、低延遲、高可靠、搜索質量等。如單個服務最大需達到 10w+ QPS，請求平均響應時間在 20ms以內，查詢毛刺低於 100ms，高可用如搜索場景通常要求 4 個 9 的可用性，支持單機房故障容災等。
目前雲上 Elasticsearch 服務已支持多可用區容災，故障分鐘級恢復能力。通過 ES 高效倒排索引，以及自定義打分、排序能力與豐富的分詞插件，實現全文檢索需求。在開源全文檢索領域，ES 在 DB-Engines 搜索引擎類別持續多年排名第一。
四、騰訊 Elasticserch 服務
騰訊內外部均有大量的日誌實時分析、時序數據分析、全文檢索需求場景。
目前我們已聯合 Elastic 公司在騰訊雲上提供了內核增強版 ES 雲服務，簡稱CES，其中內核增強包括 Xpack 商業套件和內核優化。
在服務公司內部以及公有云客戶過程中，也遇到了較多問題和挑戰，比如超大規模集羣，千萬級數據寫入，以及雲上用戶豐富的使用場景等。
下文將介紹我們在內核層面，從可用性，性能，成本等方面進行的優化措施。
1. 可用性優化
可用性 問題表現在三個方面：
（1）ES 內核系統健壯性不足
這也是分佈式系統共性難題。例如異常查詢、壓力過載集羣容易出現雪崩。集羣可擴展性不足，比如集羣分片數超10w會出現明顯的元數據管理瓶頸。以及集羣擴容、節點異常後加回集羣，存在節點、多硬盤之間數據不均問題。
（2）容災方案欠缺
需保障機房網絡故障時可快速恢復服務，自然災害下防止數據丟失，誤操作後快速恢復數據等可靠性、數據安全性問題。
（3）系統缺陷
另外也包括在運營過程中發現的一些 ES 系統缺陷 ，比如說 Master 節點堵塞、分佈式死鎖、滾動重啓緩慢等。
針對上面的問題，在系統健壯性方面，我們通過服務限流，容忍機器網絡故障、異常查詢等導致的服務不穩定問題。
通過優化集羣元數據管理邏輯，提升集羣擴展能力一個數量級，支持千級節點集羣、百萬級分片數。集羣均衡方面，通過優化節點、多硬盤間的分片均衡，保證大規模集羣的壓力均衡。
容災方案 方面，我們通過擴展 ES 的插件機制實現數據備份和回檔，可把 ES 的數據備份到 COS，保障數據安全性；通過管控系統建設支持跨可用區容災，用戶可以按需部署多個可用區，以容忍單機房故障。採用垃圾桶機制，保證用戶在欠費、誤操作等場景下，集羣數據可快速恢復。
系統缺陷方面，我們修復了滾動重啓、Master 阻塞、分佈式死鎖等一系列 Bug。其中滾動重啓優化，可加速節點重啓速度 5+倍。Master 堵塞問題，我們在 ES 6.x 版本和官方一起做了優化。
2. 性能優化
性能問題，比如以日誌、監控爲代表的時序場景，對寫入性能要求非常高，寫入併發可達 1000w/s。然而我們發現在帶主鍵寫入時，ES 性能會衰減 1+倍。
壓測場景下發現CPU 存在無法充分利用的情況。通常搜索服務對查詢性要求非常高，一般要求 20w QPS, 平均響應時間小於 20ms，並且需儘量避免 GC、以及執行計劃不優等造成的查詢毛刺問題。
爲了解決這些問題。寫入方面，針對主鍵去重場景，我們通過利用段文件上記錄的最大最小值進行查詢裁剪，加速主鍵去重的過程，寫入性能提升 45%，具體可參考 Lucene-8980[1]。
對於壓測場景下 CPU 不能充分利用的問題，通過優化 ES 刷新 Translog 時鎖粒度，避免資源搶佔，提升性能提升 20%，具體可參考ES-45765 /47790[2]。我們也正在嘗試通過向量化執行優化寫入性能，通過減少分支跳轉、指令 Miss，預期寫入性能可提升 1 倍。
查詢方面，我們通過優化段文件合併策略，對於非活躍段文件會自動觸發合併，收斂段文件數以降低資源開銷，提升查詢性能。
根據每個段文件上記錄的最大最小值進行查詢剪枝，提升查詢性能 40%。通過 CBO 策略，避免緩存較大開銷的 Cache 操作導致產生 10+倍的查詢毛刺，具體可參考Lucene-9002[3]。
另外還包括優化 Composite 聚合中的性能問題，實現真正的翻頁操作，以及優化帶排序場景的聚合使得性能提升3-7倍。此外，我們也在嘗試通過一些新硬件來優化性能，比如說英特爾的 AEP、Optane、QAT 等。
3. 成本優化
成本方面主要體現在以日誌、監控爲代表的時序場景對機器資源的消耗。結合線上典型的日誌、時序業務統計數據發現，硬盤、內存、計算資源的成本比例接近 8:4:1。
可以得出硬盤、內存是主要矛盾，其次是計算成本。而這類時序類場景有很明顯的訪問特性，也就是數據具有冷熱特性。
時序數據訪問具有近多遠少的特點，比如近 7 天數據的訪問量佔比可達到 95%以上，而歷史數據訪問較少，並且通常都是訪問統計類信息。
硬盤成本方面，由於數據具有明顯的冷熱特性，我們採用冷熱分離架構，使用混合存儲的方案來平衡成本和性能。
由於歷史數據通常只是訪問統計信息，我們採用預計算 Rollup 換取存儲和查詢性能，類似物化視圖。對於完全不使用歷史數據，也可以備份到更廉價的存儲系統如 COS。其他一些優化方式包括多盤策略兼容數據吞吐與數據容災，以及通過生命週期管理等定期刪除過期數據等。
內存成本 方面，我們發現特別是大存儲機型，存儲資源才用了 20% 內存已不足。爲了解決內存不足問題，我們採用 Off-Heap 技術，來提升堆內內存利用率，降低 GC 開銷，並且提升單個節點管理磁盤的能力。
將內存佔比較大的 FST 移到堆外管理，通過堆內存放堆外對象地址，避免堆內外數據拷貝。通過 Java 弱引用機制實現堆外對象內存回收，進一步提升內存使用率。
實現 32GB 堆內內存可管理 50 TB 左右磁盤空間，較原生版本有 10 倍提升，並且性能持平，而 GC 優勢提升明顯。
除了內核層面的優化，在平臺層通過管控平臺，支持雲上服務資源管理、實例實例管理等實現服務託管。方便快捷進行實例創建和規格調整。
通過運維支撐平臺中的監控系統、運維工具等保障服務質量。並通過正在建設的智能診斷平臺發現服務潛在問題，實現了對內外部提供穩定可靠的 ES 服務。
騰訊內部，我們主導了 ES 產品開源協同，發現潛在問題，共同優化完善 ES，避免不同的團隊重複踩坑。
同時我們也將優秀的方案積極貢獻給社區，和官方及社區的 ES 愛好者們共同推動 ES 的發展。以騰訊 ES 內核研發爲代表的團隊，截至目前我們共提交了 60 多個 PR，其中有 70% 被合併，公司內 ES 開源協同 PMC 成員共有 6 位 ES/Lucene 社區 contributor。
五、結語
Elasticsearch 在騰訊內外部廣泛應用於日誌實時分析、時序數據分析、全文檢索等場景。
目前單集羣規模達到千級節點、萬億級吞吐。通過內核增強版 ES 爲大家提供高可靠，低成本，高性能的搜索分析服務。後續我們仍需在可用性，性能和成本等方面持續優化 ES。
比如集羣可擴展性不足問題，通過優化集羣擴展性支持百萬級分片秒級創建 index。ES 的存儲成本問題，目前正在研發存儲與計算分離方案，進一步縮減成本，提升性能。以及存在使用和維護成本高的問題，後續通過多級分區、智能診斷等提升ES的自動化和故障自愈能力，降低用戶使用和維護成本。
未來，也會近一步探索 ES 在多維分析領域的其他可能性。持續在大數據領域提供更有價值的搜索分析服務。
參考資料：
[1] Lucene-8980：
https://github.com/apache/lucene-solr/pull/884
[2] ES-45765 /47790:
https://github.com/elastic/elasticsearch/pull/45765
[3] Lucene-9002:
https://github.com/apache/lucene-solr/pull/940
看騰訊技術，學雲計算知識，就來雲+社區