1、問題引出
默認情況下,Elasticsearch 已針對大多數用例進行了優化,確保在寫入性能和查詢性能之間取得平衡。我們將介紹一些聚合性能優化的可配置參數,其中部分改進是以犧牲寫入性能爲代價的。目標是將聚合優化招數彙總到一個易於消化的短文中,爲大家的 Elasticsearch 集羣聚合性能優化提供一些指導。
2、聚合實戰問題
問題1:1天的數據 70W,聚合2次分桶正常查詢時間是 200ms左右, 增加了一個去重條件, 就10-13秒了,有優化的地方不?
問題2:請問在很多 terms 聚合的情況下,怎樣優化檢索?我的場景在無聚合時,吞吐量有 300,在加入 12 個聚合字段後,吞吐量不到20。
問題3:哪位兄弟 幫忙發一個聚合優化的鏈接,我這個聚合 幾千萬 就好幾秒了?
3、認知前提
3.1 Elasticsearch 聚合是不嚴格精準的
原因在於:數據分散到多個分片,聚合是每個分片的取 Top X,導致結果不精準。
可以看一下之前的文章:Elasticsearch 聚合數據結果不精確,怎麼破?
3.2 從業務層面規避全量聚合
聚合結果的精準性和響應速度之間是相對矛盾的。
正常業務開發,產品經理往往要求:
第一:快速秒級或者毫秒級聚合響應。
第二:聚合結果精準。
殊不知,二者不可兼得。
遇到類似兩者都要兼得的需求,建議從架構選型和業務層面做規避處理。
3.3 刷新頻率
如下圖所示,Elasticsearch 中的 1 個索引由一個或多個分片組成,每個分片包含多個segment(段),每一個段都是一個倒排索引。
在 lucene 中,爲了實現高索引速度,使用了segment 分段架構存儲。一批寫入數據保存在一個段中,其中每個段最終落地爲磁盤中的單個文件。
如下圖所示,將文檔插入 Elasticsearch 時,它們會被寫入緩衝區中,然後在刷新時定期從該緩衝區刷新到段中。刷新頻率由 refresh_interval 參數控制,默認每1秒發生一次。也就是說,新插入的文檔在刷新到段(內存中)之前,是不能被搜索到的。
刷新的本質是:寫入數據由內存 buffer 寫入到內存段中,以保證搜索可見。
來看個例子,加深對 refresh_inteval 的理解,註釋部分就是解讀。
PUT test_0001/_doc/1
{
"title":"just testing"
}
# 默認一秒的刷新頻率,秒級可見(用戶無感知)
GET test_0001/_search
DELETE test_0001
# 設置了60s的刷新頻率
PUT test_0001
{
"settings": {
"index":{
"refresh_interval":"60s"
}
}
}
PUT test_0001/_doc/1
{
"title":"just testing"
}
# 60s後纔可以被搜索到
GET test_0001/_search
關於是否需要實時刷新:
如果新插入的數據需要近乎實時的搜索功能,則需要頻繁刷新。
如果對最新數據的檢索響應沒有實時性要求,則應增加刷新間隔,以提高數據寫入的效率,從而應釋放資源輔助提高查詢性能。
關於刷新頻率對查詢性能的影響:
由於每刷新一次都會生成一個 Lucene 段,刷新頻率越小就意味着同樣時間間隔,生成的段越多。
每個段都要消耗句柄和內存。
每次查詢請求都需要輪詢每個段,輪詢完畢後再對結果進行合併。
也就意味着:refresh_interval 越小,產生的段越多,搜索反而會越慢;反過來說,加大 refresh_interval,會相對提升搜索性能。
4、聚合性能優化猛招
4.1 啓用 eager global ordinals 提升高基數聚合性能
適用場景:高基數聚合。
高基數聚合場景中的高基數含義:一個字段包含很大比例的唯一值。
global ordinals 中文翻譯成全局序號,是一種數據結構,應用場景如下:
基於 keyword,ip 等字段的分桶聚合,包含:terms聚合、composite 聚合等。
基於text 字段的分桶聚合(前提條件是:fielddata 開啓)。
基於父子文檔 Join 類型的 has_child 查詢和 父聚合。
global ordinals 使用一個數值代表字段中的字符串值,然後爲每一個數值分配一個 bucket(分桶)。
global ordinals 的本質是:啓用 eager_global_ordinals 時,會在刷新(refresh)分片時構建全局序號。這將構建全局序號的成本從搜索階段轉移到了數據索引化(寫入)階段。
創建索引的同時開啓:eager_global_ordinals。
PUT my-index-000001
{
"mappings": {
"properties": {
"tags": {
"type": "keyword",
"eager_global_ordinals": true
}
}
}
}
注意:開啓 eager_global_ordinals 會影響寫入性能,因爲每次刷新時都會創建新的全局序號。爲了最大程度地減少由於頻繁刷新建立全局序號而導致的額外開銷,請調大刷新間隔 refresh_interval。
動態調整刷新頻率的方法如下:
PUT my-index-000001/_settings
{
"index": {
"refresh_interval": "30s"
}
}
該招數的本質是:以空間換時間。
4.2 插入數據時對索引進行預排序
Index sorting (索引排序)可用於在插入時對索引進行預排序,而不是在查詢時再對索引進行排序,這將提高範圍查詢(range query)和排序操作的性能。
在 Elasticsearch 中創建新索引時,可以配置如何對每個分片內的段進行排序。
這是 Elasticsearch 6.X 之後版本纔有的特性。
Index sorting 實戰舉例:
PUT my-index-000001
{
"settings": {
"index": {
"sort.field": "cur_time",
"sort.order": "desc"
}
},
"mappings": {
"properties": {
"cur_time": {
"type": "date"
}
}
}
}
如上示例是在:創建索引的設置部分設置待排序的字段:cur_time 以及 排序方式:desc 降序。
注意:預排序將增加 Elasticsearch 寫入的成本。在某些用戶特定場景下,開啓索引預排序會導致大約 40%-50% 的寫性能下降。
也就是說,如果用戶場景更關注寫性能的業務,開啓索引預排序不是一個很好的選擇。
4.3 使用節點查詢緩存
節點查詢緩存(Node query cache)可用於有效緩存過濾器(filter)操作的結果。如果多次執行同一 filter 操作,這將很有效,但是即便更改過濾器中的某一個值,也將意味着需要計算新的過濾器結果。
例如,由於 “now” 值一直在變化,因此無法緩存在過濾器上下文中使用 “now” 的查詢。
那怎麼使用緩存呢?通過在 now 字段上應用 datemath 格式將其四捨五入到最接近的分鐘/小時等,可以使此類請求更具可緩存性,以便可以對篩選結果進行緩存。
關於 datemath 格式及用法,舉個例子來說明:
以下的示例,無法使用緩存。
PUT index/_doc/1
{
"my_date": "2016-05-11T16:30:55.328Z"
}
GET index/_search
{
"query": {
"constant_score": {
"filter": {
"range": {
"my_date": {
"gte": "now-1h",
"lte": "now"
}
}
}
}
}
}
但是,下面的示例就可以使用節點查詢緩存。
GET index/_search
{
"query": {
"constant_score": {
"filter": {
"range": {
"my_date": {
"gte": "now-1h/m",
"lte": "now/m"
}
}
}
}
}
}
上述示例中的“now-1h/m” 就是 datemath 的格式。
更細化點說,如果當前時間 now 是:16:31:29,那麼range query 將匹配 my_date 介於:15:31:00 和 15:31:59 之間的時間數據。
同理,聚合的前半部分 query 中如果有基於時間查詢,或者後半部分 aggs 部分中有基於時間聚合的,建議都使用 datemath 方式做緩存處理以優化性能。
4.4 使用分片請求緩存
聚合語句中,設置:size:0,就會使用分片請求緩存緩存結果。
size = 0 的含義是:只返回聚合結果,不返回查詢結果。
GET /my_index/_search
{
"size": 0,
"aggs": {
"popular_colors": {
"terms": {
"field": "colors"
}
}
}
}
4.5 拆分聚合,使聚合並行化
這裏有個認知前提:Elasticsearch 查詢條件中同時有多個條件聚合,這個時候的多個聚合不是並行運行的。
這裏就有疑問:是不是可以通過 msearch 拆解多個聚合爲單個子語句來改善響應時間?
什麼意思呢,給個 Demo,toy_demo_003 數據來源:
示例一:常規的多條件聚合實現
如下響應時間:15 ms。
POST toy_demo_003/_search
{
"size": 0,
"aggs": {
"hole_terms_agg": {
"terms": {
"field": "has_hole"
}
},
"max_aggs":{
"max":{
"field":"size"
}
}
}
}
示例二:msearch 拆分多個語句的聚合實現
如下響應時間:9 ms。
POST _msearch
{"index" : "toy_demo_003"}
{"size":0,"aggs":{"hole_terms_agg":{"terms":{"field":"has_hole"}}}}
{"index" : "toy_demo_003"}
{"size":0,"aggs":{"max_aggs":{"max":{"field":"size"}}}}
來個對比驗證吧:
藍色:類似示例一,單個query 中包含多個聚合,聚合數分別是:1,2,5,10。
紅色:類似示例二,multi_search 拆解多個聚合,拆分子句個數分別爲:1,2,5,10。
橫軸:藍色對應聚合個數;紅色對應子句個數;
縱軸:響應時間,響應時間越短、性能越好。
初步結論是:
默認情況下聚合不是並行運行。
當爲每個聚合提供自己的查詢並執行 msearch 時,性能會有顯著提升。
尤其在 10 個聚合的場景下,性能提升了接近 2 倍。
因此,在 CPU 資源不是瓶頸的前提下,如果想縮短響應時間,可以將多個聚合拆分爲多個查詢,藉助:msearch 實現並行聚合。
4.6 將聚合中的查詢條件移動到 query 子句部分
示例一:
POST my_index/_search
{
"size": 0,
"aggregations": {
"1": {
"filter": {
"match": {
"search_field": "text"
}
},
"aggregations": {
"items": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field1"
}
}
}
}
},
"2": {
"filter": {
"match": {
"search_field": "text"
}
},
"aggregations": {
"items": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field2"
}
}
}
}
}
}
}
示例二:
{
"query": {
"bool": {
"filter": [
{
"match": {
"search_field": "text"
}
}
]
}
},
"size": 0,
"aggregations": {
"1": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field1"
}
}
},
"2": {
"top_hits": {
"size": 100,
"_source": {
"includes": "field2"
}
}
}
}
}
示例一和示例二的本質區別:
第二個查詢已將此過濾器提取到較高級別,這應使聚合共享結果。
如下對比實驗表明,由於 Elasticsearch 自身做了優化,示例一(藍色)和示例二(紅色)響應時間基本一致。
更多驗證需要結合業務場景做一下對比驗證,精簡起見,推薦使用第二種。
5、更多優化參考
官方關於檢索性能優化同樣適用於聚合
https://www.elastic.co/guide/en/elasticsearch/reference/current/tune-for-search-speed.html
分片數設置多少合理?
https://www.elastic.co/cn/blog/how-many-shards-should-i-have-in-my-elasticsearch-cluster
堆內存大小設置?
https://www.elastic.co/cn/blog/a-heap-of-trouble
禁用 swapping
https://www.elastic.co/guide/en/elasticsearch/reference/current/setup-configuration-memory.html
6、小結
本文的六大猛招出自:Elastic 原廠諮詢架構師 Alexander 以及 Coolblue 公司的軟件開發工程師 Raoul Meyer。
六大猛招中的 msearch 並行聚合方式,令人眼前一亮,相比我在業務實戰中用的多線程方式實現並行,要“高級”了許多。
我結合自己的聚合優化實踐做了翻譯和擴展,希望對大家的聚合性能優化有所幫助。
歡迎留言寫下您的聚合優化實踐和思考。
和你一起,死磕 Elastic!
參考
https://qbox.io/blog/refresh-flush-operations-elasticsearch-guide
https://alexmarquardt.com/how-to-tune-elasticsearch-for-aggregation-performance/
https://www.elastic.co/cn/blog/index-sorting-elasticsearch-6-0
《Elasticsearch 源碼解析與優化實戰》
推薦
中國最大的 Elastic 非官方公衆號
點擊查看“閱讀原文”,和全球近1000 位 Elastic 愛好者一起每日精進 ELK 技能!