elasticsearch性能调优方法原理与实战

公众号:码到三十五

发布于 2024-07-15 07:54:50

1540

发布于 2024-07-15 07:54:50

文章被收录于专栏：设计模式

引言

Elasticsearch性能调优对于提升系统整体效能至关重要。然而，性能调优并非一蹴而就，需要深入理解ES的内部工作机制，并结合实际业务场景进行精细化调整。本文将深入解释ES性能调优方法的原理，结合具体案例展示如何在实际应用中优化ES性能。

1. 硬件选择和优化

磁盘优化

使用SSD：对于频繁读写操作的Elasticsearch集群，使用SSD（固态硬盘）可以显著提高I/O性能。
RAID配置：可以考虑使用RAID0来提高写入性能，或者使用RAID10（镜像+条带化来兼顾性能和数据安全性。
冷热数据分离：对于不经常访问的“冷数据”，可以将其存储在成本更低的机械硬盘上，以节省成本。

CPU优化

多核与多线程：选择CPU时，优先考虑核心数和线程数多的型号，以便更好地处理并发查询和索引操作
避免单核高性能：对于Elasticsearch来说，高单核性能并不是首要考虑的因素，因为Elasticsearch的设计可以很好地利用多核多线程。

网络优化

低延迟网络：确保Elasticsearch集群部署在低延迟的网络环境中，以减少节点间通信的延迟。
跨地域部署的注意事项：尽量避免跨地域部署单个集群，以减少网络故障的风险。

存储与压缩优化

Elasticsearch内部对倒排表的存储进行了深度优化，使用了多种压缩算法来减少存储空间和提高查询效率。在数据建模时，应尽可能采用通用最小化法则，例如使用合适的字段类型（如Keyword代替数值类型进行精确匹配查询）、避免重复存储等。

FST（Finite State Transducers）模型：Elasticsearch使用FST模型来存储词项字典，可以极大地节省存储空间并提升查询效率。一个TB级的索引，通过FST存储后，其构建的模型大小可缩小至1GB左右。

JVM与内存管理

Elasticsearch运行在JVM上，合理的JVM配置对于提升性能至关重要。JVM堆内存大小、垃圾回收策略等都会影响ES的写入和查询性能。

堆内存设置：一般建议JVM堆内存大小不超过物理内存的50%，且最大不超过32GB（对于支持Compressed OOP的JVM）。
禁用Swap：Swap交换会导致JVM堆内存被换出到磁盘，严重影响性能，应尽可能禁用Swap。

2. 索引与分片策略

索引生命周期管理

Rollover Index：定期创建新的索引来存储新数据，避免单个索引过大。
Index Lifecycle Management (ILM)：利用Elasticsearch的ILM功能，自动化地管理索引的生命周期，包括创建、滚动、删除等操作。

分片与副本策略

ES通过分片（Shard）和副本（Replica）机制来实现数据的分布式存储和查询，从而提高系统的可用性和性能。

分片分配：分片用于数据的水平拆分，可以将数据分片存储在不同的节点上，提高查询的并行处理能力。合理的分片数量和大小对于优化性能至关重要。一般建议单个分片大小控制在10GB到50GB之间。根据数据的增长速度和查询负载来动态调整分片数量和大小。分片过多会增加查询时的JVM开销和协调节点的转发压力，影响查询性能。

副本策略：副本用于数据的冗余存储，提高数据的可用性和容错能力。在写入大量数据时，可以暂时关闭副本以加速索引过程，待数据写入完成后再恢复副本。

3. 查询优化

缓存机制

利用查询缓存：Elasticsearch会自动缓存频繁执行的查询结果，以减少查询延迟。可以通过调整indices.queries.cache.size参数来优化查询缓存的大小。

聚合优化

预索引聚合字段：对于经常需要聚合的字段，可以在索引时预先计算聚合结果，并存储在专门的字段中，以加快查询速度。
避免使用高成本的聚合操作：如global aggregations，这类聚合操作需要访问所有分片的数据，成本较高。

数据建模优化

使用nested和join字段谨慎：nested和join字段会显著增加查询的复杂度，仅在必要时使用，并考虑其性能影响。
合理使用mapping：例如，对于不需要全文检索的字段，可以使用keyword类型而不是text类型，以提高查询性能。

其他

增加刷新间隔：减少不必要的索引刷新操作，可以提升写入性能。默认情况下，ES每秒刷新一次索引，但在批量写入场景下，可以适当增加刷新间隔。
使用filter代替query：filter查询不计算文档的相关性得分，且通常会被缓存，因此在执行精确匹配查询时，应优先考虑使用filter。
避免深度分页：深度分页会导致大量无用数据的检索，严重影响性能。建议使用scroll API或search_after参数来实现深度分页。

4. 监控与日志

实时监控集群状态：使用Elasticsearch自带的监控工具或第三方监控解决方案（如Kibana、Grafana等）来实时监控集群的性能指标（如CPU使用率、内存占用、查询延迟等）。
日志分析：定期检查Elasticsearch的日志文件，分析错误信息、警告信息和慢查询日志，及时发现并解决潜在的性能问题。

5. 高级调优技巧

脚本优化

避免在查询中使用复杂的脚本：脚本查询通常比DSL查询慢得多，应尽量避免在高频查询中使用脚本。

文档路由

合理设置文档路由：通过为文档指定路由值，可以控制文档存储到哪个分片上，有助于优化查询性能和数据分布。

插件与扩展

利用插件增强功能：Elasticsearch提供了丰富的插件生态系统，可以通过安装合适的插件来扩展功能或优化性能（如analysis插件、security插件等）。

5. 案例

背景

一家提供SMS短信服务的供应商，其主要客户群体为各大银行系统。随着业务量的增长，短信发送记录的索引变得异常庞大，严重影响了系统的写入和查询性能。

痛点分析

索引过于庞大：单个索引包含了大量的短信发送记录，导致查询和写入性能下降。
索引过多：虽然通过滚动索引策略解决了单个索引过大的问题，但随着时间推移，索引数量激增，跨索引查询性能成为新的瓶颈。

解决方案

优化索引结构：
- 采用滚动索引策略，每天创建一个新的索引来存储当天的短信发送记录。
- 根据业务属性（如手机号归属地、所属运营商）对索引进行拆分，减少跨索引查询的范围。
调整JVM与内存设置：
- 增加JVM堆内存大小，确保系统有足够的内存来处理大量数据。
- 禁用Swap，避免JVM堆内存被换出到磁盘。
优化查询性能：
- 对于精确匹配查询，使用filter代替query。
- 避免深度分页，使用scroll API来实现大数据量的分页查询。
动态调整分片与副本：
- 根据数据量和业务需求动态调整分片数量和大小。
- 在批量写入时，暂时关闭副本以加速索引过程。

具体设置及代码

JVM设置

在elasticsearch.yml中配置JVM堆内存大小：

-Xms32g
-Xmx32g

禁用Swap：

# 编辑/etc/sysctl.conf文件
vm.swappiness=0
# 执行sysctl -p使设置生效
sysctl -p

索引设置

调整索引刷新间隔和Buffer大小：

PUT /sms_index/_settings
{
  "index" : {
    "refresh_interval" : "30s",
    "indices.memory.index_buffer_size": "20%"
  }
}

关闭副本进行批量写入：

PUT /sms_index/_settings
{
  "number_of_replicas": 0
}

批量写入完成后，恢复副本数量：

PUT /sms_index/_settings
{
  "number_of_replicas": 1
}

查询优化

使用filter代替query进行精确匹配查询：

GET /sms_index/_search
{
  "query": {
    "bool": {
      "filter": [
        { "term": { "phone_number": "138xxxxxx88" }}
      ]
    }
  }
}

使用scroll API进行深度分页查询：

POST /sms_index/_search?scroll=1m
{
  "size": 100,
  "query": {
    "match_all": {}
  }
}

# 使用scroll id进行后续查询
GET /_search/scroll
{
  "scroll": "1m",
  "scroll_id": "DXF1ZXJ5QW5kRmV0Y2gBAAAAAAAAAD4WYm9laVYtZndUQlNsdDcwakFMNjU1QQ=="
}