腾讯万亿级 Elasticsearch 技术解密

点击上面的方志朋，选择星标

回复666获取新整理的面试资料

作者： johngqjiang，腾讯 TEG 云架构平台部研发工程师

Elasticsearch（ES）分布式搜索分析引擎作为开源的首选，很容易满足用户日志实时分析、全文检索、结构化数据分析等需求，大大降低了大数据时代挖掘数据价值的成本。腾讯在公司内部丰富的场景中大规模使用 ES，同时联合 Elastic 公司在腾讯云上提供核心增强版 ES 云服务、大规模、丰富多样的使用场景推动了腾讯对本土的利用 ES 持续高可用性、高性能、低成本优化。今天和大家分享一下最近的日期 Elastic 中国开发者大会上的演讲内容：腾讯万亿级 Elasticsearch 技术解密。

一、ES 腾讯的应用场景

本次分享的主要内容包括：首先介绍 ES 腾讯丰富的应用场景和各种场景的典型特征；然后在大规模、高压、丰富多样的使用场景出挑战；针对这些挑战，我们关注腾讯 ES 内核方面进行的高可用性、低成本、高性能等优化实践；最后简单分享我们在 ES 思考未来规划和开源贡献。

我们先来看下 ES 腾讯的应用场景。我们最初使用它 ES 实时分析场景，典型日志如下：操作日志，如慢日志、异常日志，用于定位业务问题；业务日志，如用户点击、访问日志，可用于分析用户行为；审计日志，可用于安全分析。ES 它完美地解决了日志实时分析的需要，具有以下特点：

• Elastic 生态系统提供完整的日志解决方案，任何开发、操作和维护学生都可以通过简单的部署建立完整的日志实时分析服务。

• 在 Elastic 在生态学中，日志通常从产生到可访问 10s 等级。与传统的大数据解决方案相比，时效性很高。

• 支持倒排索引、列存储等数据结构，ES 提供非常灵活的搜索分析能力。

• 即使在万亿级日志的情况下，支持交互式分析，ES 搜索响应时间也是秒级。

日志是互联网行业最基本、最广泛的数据形式，ES 这也是近年来日志实时分析场景的完美解决方案 ES 快速发展的一个重要原因。

第二种使用场景是搜索服务，典型场景包括:商品搜索，类似JD.COM、淘宝、拼多多；APP 搜索，支持应用商店的应用搜索；站点搜索，支持论坛、在线文档和其他搜索功能。我们支持大量的搜索服务，主要具有以下特点：

• 高性能：最大限度地实现单一服务 10w QPS，平响 20ms~，P95 延时小于 100ms。

• 强相关性：搜索体验主要取决于搜索结果是否与用户意图高度匹配，需要通过正确率、召回率等指标进行评估。

• 高可用性：搜索场景通常要求 4 个 9 支持单机房故障容灾的可用性。淘宝、JD.COM、拼多多等任何电商服务，只要故障一小时就可以上头条。

第三种使用场景是时序数据分析，典型的时序数据包括：Metrics，即传统的服务器监控；APM，应用性能监控；物联网数据、智能硬件、工业物联网等传感器数据。腾讯很早就开始探索这种场景，并在这方面积累了丰富的经验。这种场景具有以下特点：

• 高并发写入:最大规模的在线单集群 600 节点、1000w/s 写入吞吐。

• 高查询性能：要求单曲线 或单个时间线的查询延迟 10ms~。

• 多维分析：需要灵活、多维的统计分析能力。例如，当我们检查监控时，我们可以根据区域和业务模块进行灵活的统计分析。

二、遇到挑战

我们前面介绍过 ES 在腾讯的广泛应用中，在如此大规模、高压、丰富的使用场景的背景下，我们遇到了许多挑战，可分为搜索和时间顺序两类。

首先，让我们来看看搜索业务的挑战。电子商务搜索，APP 以搜索和站内搜索为代表，非常重视可用性和服务 SLA 达到 4 个 9 以上需要容忍单机故障、单机房网络故障等。同时要求高性能、低毛刺，如 20w QPS、平响 20ms、P95 延时 100ms。总之，在搜索业务场景中，核心挑战是高可用性和高性能。

另一类我们称之为时序类业务挑战，包含日志、Metrics、APM 等场景。与关注高可用性和高性能的搜索业务相比，时序业务将更加关注成本和性能。例如，用户通常用户通常需要高写入吞吐量，有些场景可以到达 1000w/sWPS；这样写入吞吐下，保留 30 天数据通常可以实现 PB 等级存储量。现实是日志、监控等场景的收入相对较低，用户在线实际业务中使用的机器数量很可能是 100 需要监控和日志 50 对对大多数用户来说基本上是不可接受的。因此，在时序业务中，主要挑战是存储成本、计算成本等。

在此之前，我们介绍了高可用性、低成本、高性能等在搜索和时序业务场景中遇到的挑战。针对这些挑战，我们将重点分享腾讯在 ES 深入实践核心。

三、ES 优化实践

首先，让我们来看看高可用性优化。我们将高可用性分为三个维度：

• 系统健壮：指 ES 核心本身的强度也是分布式系统面临的一个常见问题。例如，集群在异常查询和压力过载下的容错能力；集群在高压场景下的可扩展性；节点和多硬盘之间的数据平衡能力。

• 灾害容忍方案：如果通过控制系统建设，确保机房网络故障快速恢复服务，防止自然灾害下数据丢失，误操作后快速恢复。

• 系统缺陷：这将在任何系统开发过程中继续产生，例如 Master 节点堵塞、分布式死锁、滚动重启缓慢等。

针对上述问题，以下是我们在高可用性方面的解决方案：

在系统强度方面，我们通过服务流量限制来容忍机器网络故障和异常查询造成的服务不稳定。通过优化集群元数据控制逻辑，提高集群扩展能力，支持1000级节点集群和100万片，解决集群可扩展性问题；在集群平衡方面，通过优化节点和多硬盘之间的平衡，确保大规模集群的压力平衡。

在容灾方案方面，我们通过扩大 ES 支持备份归档的插件机制 ES 数据备份归档到廉价存储，以确保数据的可恢复；支持跨可用区域的灾难，用户可以根据需要部署多个可用区域，以容忍单机房的故障。垃圾桶机制确保用户能够在拖欠和误操作的情况下快速恢复集群。

在系统缺陷方面，我们修复了滚动重启，Master 阻塞、分布式死锁等一系列 Bug。滚动重启优化可加速节点重启速度 5 倍，具体可参考 PR ES-46520；Master 堵塞问题，我们在 ES 6.x 版本和官方一起优化。

在这里，我们将介绍服务限流部分。我们做了 4 各级限流工作：权限级，我们支持 XPack 通过优化任务执行速度、重复、优先级等问题，解决用户经常遇到的问题 Master 任务队列积累、任务饥饿等问题；内存水平，我们从 ES 6.x 开始，支持在 HTTP 内存限流在入口、协调节点、数据节点等全链路上，同时使用 JVM 精确控制内存和梯度统计；我们使用多租户级别 CVM/Cgroups 该计划确保多租户之间的资源隔离。

这里详细介绍聚合场景的流量限制。用户正在使用它 ES 在进行聚合分析时，由于聚合分桶过多，经常会出现内存爆炸的问题。官方在 ES 6.8 中提供 max_buckets 参数控制聚合的最大分桶数，但这种方法非常有限。在某些情况下，用户设置 20 一万桶可以正常工作，但在其他情况下， 10 一万桶内存已经爆炸，这主要取决于单桶的大小，用户无法准确掌握参数设置的数量。在聚合分析过程中，采用梯度算法进行优化，每次分配 1000 检查一次个分桶 JVM 内存，当内存不足时及时中断请求，确保 ES 高可用集群。具体可参考 PR ES-46751 /47806。

我们前的限流方案，能够大幅提升在异常查询、压力过载、单节点故障、网络分区等场景下，ES 服务的稳定性问题。但还有少量场景没有覆盖完全，所以我们目前也在引入混沌测试，依赖混沌测试来覆盖更多异常场景。

前面我们介绍了高可用解决方案，下面我们来介绍成本方面的优化实践。成本方面的挑战，主要体现在以日志、监控为代表的时序场景对机器资源的消耗，我们对线上典型的日志、时序业务进行分析，总体来看，硬盘、内存、计算资源的成本比例接近 8:4:1，硬盘、内存是主要矛盾，其次是计算成本。

而对时序类场景进行分析，可以发现时序数据有很明显的访问特性。一是冷热特性，时序数据访问具有近多远少的特点，最近 7 天数据的访问量占比可达到 95%以上；历史数据访问较少，且通常都是访问统计类信息。

基于这些瓶颈分析和数据访问特性，我们来介绍成本优化的解决方案。

硬盘成本方面，由于数据具有明显的冷热特性，首先我们采用冷热分离架构，使用混合存储的方案来平衡成本、性能；其次，既然对历史数据通常都是访问统计信息，那么以通过预计算来换取存储和性能，后面会展开介绍；如果历史数据完全不使用，也可以备份到更廉价的存储系统；其他一些优化方式包含存储裁剪、生命周期管理等。

内存成本方面，很多用户在使用大存储机型时会发现，存储资源才用了百分之二十，内存已经不足。其实基于时序数据的访问特性，我们可以利用 Cache 进行优化，后面会展开介绍。

我们展开介绍下 Rollup 部分。官方从 ES 6.x 开始推出 Rollup，实际上腾讯在 5.x 已经开始这部分的实践。Rollup 类似于大数据场景下的 Cube、物化视图，它的核心思想是通过预计算提前生成统计信息，释放掉原始粒度数据，从而降低存储成本、提高查询性能，通常会有数据级的收益。这里举个简单的例子，比如在机器监控场景下，原始粒度的监控数据是 10 秒级的，而一个月之前的监控数据，一般只需要查看小时粒度，这即是一个 Rollup 应用场景。

在大数据领域，传统的方案是依赖外部离线计算系统，周期性的读取全量数据进行计算，这种方式计算开销、维护成本高。谷歌的广告指标系统 Mesa 采用持续生成方案，数据写入时系统给每个 Rollup 产生一份输入数据，并对数据进行排序，底层在 Compact/Merge 过程中通过多路归并完成 Rollup，这种方式的计算、维护成本相对较低。ES 从 6.x 开始支持数据排序，我们通过流式查询进行多路归并生成 Rollup，最终计算开销小于全量数据写入时 CPU 开销的 10%，内存使用小于 10MB。我们已反馈内核优化至开源社区，解决开源 Rollup 的计算、内存瓶颈，具体可参考 PR ES-48399。

接下来，我们展开介绍内存优化部分。前面提到很多用户在使用大存储机型时，内存优先成为瓶颈、硬盘不能充分利用的问题，主要瓶颈在于索引占用大量内存。但是我们知道时序类场景对历史数据访问很少，部分场景下某些字段基本不使用，所我们可以通过引入 Cache 来提高内存利用效率。

在内存优化方面，业界的方案是什么样的呢？ES 社区从 7.x 后支持索引放于堆外，和 DocValue 一样按需加载。但这种方式不好的地方在于索引和数据的重要性完全不同，一个大查询很容易导致索引被淘汰，后续查询性能倍数级的衰减。Hbase 通过缓存 Cache 缓存索引、数据块，提升热数据访问性能，并且从 HBase 2.0 开始，重点介绍其 Off Heap 技术，重点在于堆外内存的访问性能可接近堆内。我们基于社区经验进行迭代，在 ES 中引入 LFU Cache 以提高内存的利用效率，把 Cache 放置在堆外以降低堆内存压力，同时通过 Weak Reference、减少堆内外拷贝等技术降低损耗。最终效果是内存利用率提升 80%，可以充分利用大存储机型，查询性能损耗不超过 2%，GC 开销降低 30%。

前面我们介绍了可用性、成本优化的解决方案，最后我们来介绍性能方面的优化实践。以日志、监控为代表的时序场景，对写入性能要求非常高，写入并发可达 1000w/s。然而我们发现在带主键写入时，ES 性能衰减 1+倍，部分压测场景下，CPU 无法充分利用。以搜索服务为代表的场景，对查询性的要求非常高，要求 20w QPS, 平响 20ms，而且尽量避免 GC、执行计划不优等造成的查询毛刺。

针对上述问题，我们介绍下腾讯在性能方面的优化实践：

写入方面，针对主键去重场景，通过利用索引进行裁剪，加速主键去重的过程，写入性能提升 45%，具体可参考 PR Lucene-8980。对于部分压测场景下 CPU 不能充分利用的问题，通过优化 ES 刷新 Translog 时的资源抢占，提升性能提升 20%，具体可参考 PR ES-45765 /47790。我们正在尝试通过向量化执行优化写入性能，通过减少分支跳转、指令 Miss，预期写入性能可提升 1 倍。

查询方面，我们通过优化 Merge 策略，提升查询性能，这部分稍后展开介绍。基于每个 Segment 记录的 min/max 索引，进行查询剪枝，提升查询性能 30%。通过 CBO 策略，避免查询 Cache 操作导致查询耗时 10+倍的毛刺，具体可参考Lucene-9002。此外，我们也在尝试通过一些新硬件来优化性能，比如说英特尔的 AEP、Optane、QAT 等。

接下来我们展开介绍下 Merge 策略优化部分。ES 原生的 Merge 策略主要关注大小相似性和最大上限，大小相似性是指 Merge 时尽量选择大小相似的 Segments 进行 Merge，最大上限则考虑尽量把 Segment 拼凑到 5GB。那么有可能出现某个 Segment 中包含了 1 月整月、3 月 1 号的数据，当用户查询 3 月 1 号某小时的数据时，就必须扫描大量无用数据，性能损耗严重。

我们在 ES 中引入了时序 Merge，在选择 Segments 进行 Merge 时，重点考虑时间因素，这样时间相近的 Segments 被 Merge 到一起。当我们查询 3 月 1 号的数据时，只需要扫描个别较小的 Segments 就好，其他的 Segments 可以快速裁剪掉。

另外，ES 官方推荐搜索类用户在写入完成之后，进行一次 Force Merge，用意是把所有 Segments 合并为一个，以提高搜索性能。但这增加了用户的使用成本，且在时序场景下，不利于裁剪，需要扫描全部数据。我们在 ES 中引入了冷数据自动 Merge，对于非活跃的索引，底层 Segments 会自动 Merge 到接近 5GB，降低文件数量的同时，方便时序场景裁剪。对于搜索场景，用户可以调大目标 Segment 的大小，使得所有 Segments 最终 Merge 为一个。我们对 Merge 策略的优化，可以使得搜索场景性能提升 1 倍。

前面介绍完毕我们再 ES 内核方面的优化实践，最后我们来简单分享下我们在开源贡献及未来规划方面的思考。

四、未来规划及开源贡献

近半年我们向开源社区提交了 10+PR，涉及到写入、查询、集群管理等各个模块，部分优化是和官方开发同学一起来完成的，前面介绍过程中，已经给出相应的 PR 链接，方便大家参考。我们在公司内部也组建了开源协同的小组，来共建 Elastic 生态。

总体来说，开源的收益利大于弊，我们把相应收益反馈出来，希望更多同学参与到 Elastic 生态的开源贡献中：首先，开源可以降低分支维护成本，随着自研的功能越来越多，维护独立分支的成本越来越高，主要体现在与开源版本同步、快速引入开源新特性方面；其次，开源可以帮助研发同学更深入的把控内核，了解最新技术动态，因为在开源反馈的过程中，会涉及与官方开发人员持续的交互。此外，开源有利于建立大家在社区的技术影响力，获得开源社区的认可。最后 Elastic 生态的快速发展，有利于业务服务、个人技术的发展，希望大家一起参与进来，助力 Elastic 生态持续、快速的发展。

未来规划方面，这次分享我们重点介绍了腾讯在 ES 内核方面的优化实践，包含高可用、低成本、高性能等方面。此外，我们也提供了一套管控平台，支持线上集群自动化管控、运维，为腾讯云客户提供 ES 服务。但是从线上大量的运营经验分析，我们发现仍然有非常丰富、高价值的方向需要继续跟进，我们会持续继续加强对产品、内核的建设。

长期探索方面，我们结合大数据图谱来介绍。整个大数据领域，按照数据量、延时要求等特点，可以划分为三部分：第一部分是 Data Engineering，包含我们熟悉的批量计算、流式计算；第二部分是 Data Discovery，包含交互式分析、搜索等；第三个部分是 Data Apps，主要用于支撑在线服务。

虽然我们把 ES 放到搜索领域内，但是也有很多用户使用 ES 支持在线搜索、文档服务等；另外，我们了解到有不少成熟的 OLAP 系统，也是基于倒排索引、行列混存等技术栈，所以我们认为 ES 未来往这两个领域发展的可行性非常强，我们未来会在 OLAP 分析和在线服务等方向进行重点探索。

热门内容：

• 为什么很多SpringBoot开发者放弃了Tomcat，选择了Undertow

• 天天用事务，但是你知道MySQL事务的实现原理吗？
  

• fastjson这么快，为啥老外还是热衷 jackson?

• 如何优雅的设计java异常

• Spring MVC+Spring+Mybatis实现支付宝支付功能（图文详解+完整代码）

• 互联网公司的中年人都去哪了？

• Github 标星 11.5K！这可能是最好的 Java 博客系统

• 大批 IDEA 激活码到期之后的乱象...

• 全面了解 Nginx 主要应用场景

• 为什么微服务一定要有网关？

• 那些在一个公司死磕了5-10年的人，最后都怎么样了？

最近面试BAT，整理一份面试资料《Java面试BAT通关手册》，覆盖了Java核心技术、JVM、Java并发、SSM、微服务、数据库、数据结构等等。

获取方式：点“在看”，关注公众号并回复 666 领取，更多内容陆续奉上。

明天见(｡･ω･｡)ﾉ♡