elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）

威哥 2022-12-11 01:50:25 978

elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）主节点：当有一半主节点下线整个集群也就不可用了，一般一个集群设置3台主节点，可以容许一台主节点下线。不要配置偶数台主节点，因为配置4台主节点也仅能容许一台主节点下线。通过配置elasticsearch.yml来使一个节点只承担一种角色。集群规模过大会导致Master节点压力比较大，造成索引的创建删除、分片分配等操作较慢，严重影响集群稳定性。所以将集群进行拆分，业务上ES集群存储三种业务类型数据A、B、C，数据占比大约A:B:C=8:3:1，根据业务类型，拆分A数据类型6个集群，B数据类型2个集群，C数据类型2个集群，存储在两个中心机房，每个集群不超过100个节点。（推荐集群节点数不要超过服务器核心数 * 5）使用跨集群搜索（Cross-cluster search），客户端在查询数据的时候连接Query集群，通过Query集群查询10个数据集群的数据。ES集群中有多种角色，协调（coord

编者按：Elasticsearch（简称ES）作为一种分布式、高扩展、高实时的搜索与数据分析引擎，能使数据在生产环境变得更有价值，自ES从诞生以来，其应用越来越广泛，特别是大数据领域，功能也越来越强大。但当前，ES多数据中心大规模集群依然面临着数据量大、查询周期长、集群规模大、聚合分析要求高等诸多挑战。

本文针对当前面临的问题，结合百分点大数据技术团队在某海外国家级多数据中心的ES集群建设经验，总结了ES集群规划与性能调优方法，供工程师们参考

一、ES集群建设实践

1. 集群拆分

集群规模过大会导致Master节点压力比较大，造成索引的创建删除、分片分配等操作较慢，严重影响集群稳定性。所以将集群进行拆分，业务上ES集群存储三种业务类型数据A、B、C，数据占比大约A:B:C=8:3:1，根据业务类型，拆分A数据类型6个集群，B数据类型2个集群，C数据类型2个集群，存储在两个中心机房，每个集群不超过100个节点。（推荐集群节点数不要超过服务器核心数 * 5）使用跨集群搜索（Cross-cluster search），客户端在查询数据的时候连接Query集群，通过Query集群查询10个数据集群的数据。

elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）(1)

2. 角色分离

ES集群中有多种角色，协调（coordinator）节点，主（master）节点，数据（data）节点。

一台节点可以配置成多种角色，角色分离可以避免各种角色性能互相影响。比如一个节点既是数据节点也是协调节点，可能协调角色聚合时占用大量资源导致数据角色写入数据出现异常。

通过配置elasticsearch.yml来使一个节点只承担一种角色。

主节点：当有一半主节点下线整个集群也就不可用了，一般一个集群设置3台主节点，可以容许一台主节点下线。不要配置偶数台主节点，因为配置4台主节点也仅能容许一台主节点下线。

node.master: true node.data: false

数据节点：根据自己的数据情况配置合适的节点数量。数据节点下线会导致数据不完整，集群仍能正常工作。

node.master: false node.data: true

协调节点：任何一个节点都可以是协调节点，我们通过配置几个仅协调节点来单独行使协调功能。

node.master: false node.data: false

3. 版本选择

在当初项目选型的时候，ES刚刚发布7.X，我们选择相对稳定的6.7.2版本，在后期大规模测试过程中发现，6.X版本有些局限性，此时ES已经发布7.8版本了。通过调研最终选用7.6.2版本，原因主要有下面两点：

（1）元数据压力

在6.7.2版本，集群shard个数达到5w时，更新template或创建index会出现大于30s的情况。详细参考问题页：https://github.com/elastic/elasticsearch/pull/47817

在7.6.2版本，集群shard个数达到5w时，更新template或创建index在3s内。

我们shard个数最多的集群达到了4.4w。

（2）跨集群搜索(Cross-cluster search)

当存在三个集群：Query集群、data1集群、data2集群时，配置data1、data2集群为Query集群的远程集群，此时可以通过向Query集群发送请求来获取data1、data2集群的数据。

跨集群搜索提供了两个处理网络延迟的选项：

最小化网络传输

您向Query集群发送跨集群搜索请求，Query集群中的协调节点接收并解析请求；

协调节点向每个集群（包括Query集群）发送单个搜索请求，每个集群独立执行搜索请求，将其自己的集群级别设置应用于请求；

每个远程集群将其搜索结果发送回Query集群的协调节点；

从每个集群收集结果后，Query集群的协调节点在跨集群搜索响应中返回最终结果。

不使用最小化网络传输

您向Query集群发送跨集群搜索请求，Query集群中的协调节点接收并解析请求；

协调节点向每个远程集群发送搜索分片API请求；

每个远程集群将其响应发送回协调节点，此响应包含有关将在其上执行跨集群搜索请求的索引和分片的信息；

协调节点向每个分片发送搜索请求，包括其自己集群中的分片，每个分片独立执行搜索请求；

每个分片将其搜索结果发送回协调节点；

从每个集群收集结果后，协调节点在跨集群搜索响应中返回最终结果。

更详细的说明参考：https://www.elastic.co/guide/en/elasticsearch/reference/7.6/modules-cross-cluster-search.html#ccs-min-roundtrips

最小化网络传输会减少与远程集群之间的网络往返次数，这减少了网络延迟对搜索速度的影响，同时各个远程集群的协调节点会预先将自己集群的数据聚合一次。即便如此，Query集群协调节点压力还会比较大，因为要聚合所有集群返回的数据。

我们根据最小化网络传输流程图，分析如下聚合时协调节点的压力：

elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）(2)

coordinator node2和coordinator node3接收各自数据节点的1w条数据（shard数 * shard_size）并全量返回给coordinator node1，最终在coordinator node1上会有2w条数据，取前10条（size）返回给客户端。当我们查询的集群、索引或者索引的shard更多时，coordinator node1的压力会越来越大。测试过程中总会出现OOM的情况。

基于此考虑，我们修改部分源码，增加了coordinator_size参数，在第3步数据集群将搜索结果发回coordinator node1时只返回TOP N（前coordinator_size）。对于一个集群，通过shard_size来平衡精度与性能；对于整个跨集群方案，通过coordinator_size来平衡精度与性能。

不使用最小化网络传输由于数据不会经过coordinatornode2和coordinator node3，所以不支持这样的修改。

在6.7.2版本，跨集群搜索只支持不使用最小化网络传输的方式。

在7.6.2版本，默认使用最小化网络传输的方式进行跨集群搜索，可以在请求中添加ccs_minimize_roundtrips：false参数来选择不使用最小化网络传输。

4. 拆分索引

业务上存储的是日志数据，只有增加，没有变更，按时间累积，天然对索引的拆分友好支持，并且如果按天拆分索引有以下好处：

方便数据删除，超过保存周期的数据直接使用定时脚本在夜间删除索引即可；

提升搜索聚合的效率，业务上对数据的搜索必须要携带时间范围的参数，根据该时间参数转化为具体的索引这样搜索的shard就会比较少；

方便后期修改shard个数和mapping，虽然shard个数和mapping一般不修改，但也会遇到特殊情况，如果需要修改，我们只需要修改template，之后新索引都会应用最新的shard设置和mapping设置，等业务滚动数据存储周期天数后所有数据就都会应用最新规则。

5. 副本数量

越多的副本数量会增加搜索的并发数，但是同时也会影响写入索引的效率，占用磁盘空间。可以根据数据安全性来设置副本的数量，一般一个副本是足够的，同时可以考虑在索引创建时拥有更多的副本，当数据超过一定时间而变得不那么重要后，通过API减少副本个数。

二、ES集群配置经验

1. 内存和CPU

（1）内存分配

Lucene能很好利用文件系统的缓存，它是通过系统内核管理的。如果没有足够的文件系统缓存空间，性能会受到影响。此外，专用于堆的内存越多意味着其他所有使用doc values 的字段内存越少。参考以下原则：

当机器内存小于64G时，遵循通用的原则，50% 给 ES，50% 留给 lucene。

当机器内存大于64G时，遵循以下原则：

如果主要的使用场景是全文检索，那么建议给ES Heap分配4~32G的内存即可；其它内存留给操作系统，供lucene使用（segments cache），以提供更快的查询性能；

如果主要的使用场景是聚合或排序，并且大多数是numerics，dates，geo_points以及非分词的字符串，建议分配给ES Heap 4~32G的内存即可，其余部分留给操作系统来缓存doc values；

如果使用场景是基于分词字符串的聚合或排序，意味着需要fielddata，这时需要更多的heap size，建议机器上运行多ES实例，每个实例保持不超过50%的ES heap设置。

内存配置不要超过32G，如果堆大小小于32GB，JVM可以利用指针压缩，这可以大大降低内存的使用：每个指针4字节而不是8字节。这里32G可能因为某些因素的影响有些误差，最好配置到31G。

内存最小值（Xms）与最大值（Xmx）的大小配置相等，防止程序在运行时改变堆内存大小，这是一个很耗系统资源的过程。

配置jvm.options

-Xms31g -Xmx31g

（2）GC设置

保持GC的现有设置，默认设置为：Concurrent-Mark and Sweep（CMS），别换成 G1 GC，因为目前G1还有很多BUG。

（3）禁止swap

禁止swap，一旦允许内存与磁盘的交换，会引起致命的性能问题，可以通过在 elasticsearch.yml 中配置以下参数以保持JVM锁定内存，保证ES的性能。

bootstrap.memory_lock: true

（4）核心数

processors配置参数的值决定了节点allocated_processors的参数值，而ES很多线程池的大小都是基于allocated_processors的值来计算的。

修改elasticsearch.yml

elasticsearch.yml

node.processors: 56

在以下情况可以考虑调整该参数：

在一台服务器部署多个ES实例，此时调整参数为处理器实际核心数一半；

错误地检测处理器的数量，此时调整参数进行修正；

实际处理器核心数大于32，ES默认处理器核心数最大限制为32个，如果物理机的处理器核心数超过了32个，为了更充分利用CPU，可以调整参数为实际处理器核心数。如果可以选择CPU，更多的核心数比更快的CPU更有意义。

2. 写入（1）增加Refresh时间间隔

ES写入数据时先写入memory buffer中，memory buffer会周期性（index.refresh_interval默认1s）或者写满后做refresh操作，将内容写入到一个新的segment中。此时数据可以被搜索，这就是为什么ES提供的是近实时的搜索。如果系统对数据延迟要求不高的话，通过延长refresh时间间隔（比如index.refresh_interval设置为30s），可以有效地提高索引速度，同时减少segment个数降低segment合并压力。

修改索引的settings：

PUT /my_index/_settings { "index" : { "refresh_interval" : "30s" } }

在导入大量数据的时候可以暂时设置index.refresh_interval: -1和index.number_of_replicas:0来提高性能，数据导入完成后还原设置。

（2）修改index_buffer_size的设置

上一条说memory buffer写满时也会触发refresh操作，为了减少refresh操作，我们同时也要配合增加memory buffer的大小。这是一个全局静态配置，会应用于一个节点上所有的分片上。

修改elasticsearch.yml：

# 接受百分比或字节大小值。它默认为10%，这意味着10%分配给节点的总堆中的将用作所有分片共享的索引缓冲区大小。 indices.memory.index_buffer_size: 10% # 如果index_buffer_size指定为百分比，则此设置可用于指定绝对最小值。默认为48mb。 indices.memory.min_index_buffer_size: 48mb # 如果index_buffer_size指定为百分比，则此设置可用于指定绝对最大值。默认为无界。 indices.memory.max_index_buffer_size: 10240mb

（3）修改translog相关的设置

refresh操作后，数据写入segment文件中，此时segment在OS Cache中，以上所有数据都保存在内存里，如果服务器异常重启则数据都不可恢复。所以数据在写入memory buffer的同时，记录当前操作到translog，每30分钟或者当translog中的数据大小达到阈值后，会触发一次flush操作将OS Cache中的segment落盘，同时清理translog。

translog默认在每次索引、删除、更新或批量请求后会提交到磁盘。我们可以通过设置使translog异步提交来提高性能：

PUT /my_index/_settings { "index" : { "translog.durability": "async" # 刷新方式。默认request 同步 async 异步 "translog.sync_interval": "10s" # 刷新频率。默认5s 不能低于100ms } }

也可以控制translog的阈值来降低flush的频率：

PUT /my_index/_settings { "index" : { "translog.flush_threshold_size": "1024mb" # translog阈值。默认512mb。如果达到则会强制flush，否则需要等待30分钟 } }

3. 分配

（1）延迟分配配置

当集群中某个节点离开集群时：

master节点会将此节点上的主分片对应的副本分片提升为主分片；

在其他节点上重建因节点下线而丢失的分片；

重建完成后很可能还会触发集群数据平衡；

如果节点又重新加入集群，集群数据自动平衡，将一些分片迁移到此节点。

节点很可能因为网络原因或硬件原因短暂离开集群，过几分钟又重新加入集群，触发上述操作会导致集群有比较大的开销，是完全没有必要的。当设置了延时分配为5分钟时，节点下线时，只会执行上述第1步操作，此时的集群处于yellow状态，在5分钟内下线的节点重新加入集群则集群直接恢复green。避免了很多分片的迁移。通过API修改延时分配时间，值为0则表示会立即分配。

elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）(3)

cluster.routing.allocation.balance.shard：默认0.45f，定义分配在该节点的分片数的因子阈值=因子*（当前节点的分片数-集群的总分片数/节点数，即每个节点的平均分片数）；

cluster.routing.allocation.balance.index：默认0.55f，定义分配在该节点某个索引的分片数的因子，阈值=因子*（当前节点的某个索引的分片数-索引的总分片数/节点数，即每个节点某个索引的平均分片数）；

cluster.routing.allocation.balance.threshold：默认1.0f，超出这个阈值就会重新分配分片。

根据配置可以算出，当某一节点超过每个节点平局分片数2.2（1/0.45）个分片时会触发rebalance。

当某个节点my_index的分片数超过每个节点my_index的平均分片数1.8（1/0.55）个分片时会触发rebalance。

4. Mapping

（1）字段类型配置

不需要被分词的字段应使用not_analyzed；

不需要被搜索的字段设置index：false；

不需要聚合的字段设置doc_value：false；

仅用于精确匹配而不进行范围查询的数值字段使用keyword类型的效率更高。numeric类型从lucene6.0开始，使用了一种名为block KD tree的存储结构。这种结构比较适用于范围查找，在精确匹配方面没有倒排索引的性能好。

（2）使用自动生成的_id

避免自定义_id，建议用ES的默认ID生成策略，ES在写入对id判断是否存在时对自动生成的id有优化。同时避免使用_id字段进行排序或聚合，如果有需求建议将该_id字段的内容复制到自定义已启用doc_values 的字段中。

（3）禁用_source

_source存储了原始的document内容，如果没有获取原始文档数据的需求，可通过设置includes、excludes属性来定义放入_source的字段。

"mappings":{ "_source": { "excludes": [ "content" ] } }

案例：在我们的方案中，考虑在架构上，原始数据保存在分布式文件系统。所以在ES中可以不存储content字段（其他字段仍然存储），只为content字段建立倒排索引用于全文检索，而实际内容从分布式文件系统中获取。

收益：

降低ES中存储；

提高查询性能(OS cache中能装更多的Segment)；

shard的merge、恢复和迁移成本降低。

限制：

此字段不能高亮；

update、update_by_query、reindex APIs不能使用。

下面是我们根据业务数据特点测试不存储content字段对存储空间和查询的影响。

（1）测试不存储content字段对磁盘存储的影响

数据分布：

elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）(4)

可以看出，不存储content字段可以加快搜索，对聚合影响不大。

总的来说，需要根据业务场景考虑益弊，比如是否对数据进行更新、reindex、高亮，或者说通过其他方式实现对数据的更新、reindex、高亮的成本如何。

三、ES集群设计经验

1. 批量提交

bulk批量写入的性能比你一条一条写入的性能要好很多，并不是bulk size越大越好，而是根据你的集群等环境具体要测试出来的，因为越大的bulk size会导致内存压力过大，最好不要超过几十m。

2. 多线程写入

单线程发送bulk请求是无法最大化ES集群写入的吞吐量的。如果要利用集群的所有资源，就需要使用多线程并发将数据bulk写入集群中。为了更好的利用集群的资源，这样多线程并发写入，可以减少每次底层磁盘fsync的次数和开销。

3. Merge只读索引

合并Segment对ES非常重要，过多的Segment会消耗文件句柄、内存和CPU时间，影响查询速度。Segment的合并会消耗掉大量系统资源，尽量在请求较少的时候进行，比如在夜里两点ForceMerge前一天的索引。

POST my_index/_forcemerge?only_expunge_deletes=false&max_num_segments=1&flush=true

4. Filter代替Query

如果涉及评分相关业务使用Query，其他场景推荐使用Filter查询。在做聚合查询时，filter经常发挥更大的作用。因为没有评分ES的处理速度就会提高，提升了整体响应时间，同时filter可以缓存查询结果，而Query则不能缓存。

5. 避免深分页

分页搜索：每个分片各自查询的时候先构建from size的优先队列，然后将所有的文档 ID 和排序值返回给协调节点。协调节点创建size为number_of_shards *(from size) 的优先队列，对数据节点的返回结果进行合并，取全局的from ~ from size返回给客户端。

什么是深分页？

协调节点需要等待所有分片返回结果，然后再全局排序。因此会创建非常大的优先队列。比如一个索引有10个shard，查询请求from:9990，size:10（查询第1000页），那么每个shard需要返回1w条数据，协调节点就需要对10w条数据进行排序，仅仅为了获取10条数据而处理的大量的数据。且协调节点中的数据量会被分片的数量和页数所放大，因而一旦使用了深分页，协调节点会需要对大量的数据进行排序，影响查询性能。

如何避免深分页？

限制页数，限制只能获取前100页数据。翻页操作一般是人为触发的，并且人的行为一般不会翻页太多。ES自身提供了max_result_window参数来限制返回的数据量，默认为1w。每页返回100条数据，获取100页以后的数据就会报错。

使用Scroll或search_after代替分页查询，Scroll 和 search_after都可以用于深分页，不支持跳页，适合拉取大量数据，目前官方推荐使用search_after代替 scroll。

6. 硬盘

固态硬盘比机械硬盘性能好很多；

使用多盘RAID0，不要以为ES可以配置多盘写入就和RAID0是一样的，主要是因为一个shard对应的文件，只会放到其中一块磁盘上，不会跨磁盘存储，只写一个shard的时候其他盘是空闲的，不过RAID0中一块盘出现问题会导致整个RAID0的数据丢失。

7. 枚举空间大的字段聚合方案

（1）根据字段路由到固定shard

这样在聚合时每个shard的bucket少，并且精度几乎不损失，但是会造成数据倾斜。如果字段数据比较平均可以选用，但是我们业务场景不适用。

（2）调整字段的存储类型

在字段类型配置里介绍了精确匹配时keyword比数值类型效率高，我们测试了相同数据keyword和long的聚合性能。

集群创建4个索引（4天数据），每个索引120个shard，每个shard大小为30G，总数据量为：3.5T。

其数据分布为1k的占比50%、10k的占比30%、100k的占比20%。

elasticsearch亿级聚合（Elasticsearch多数据中心大规模集群的实战经验）(5)

结束语

实时数据分析和文档搜索是ES的常用场景之一，结合客户数据特点，百分点大数据技术团队对ES进行了优化和一定的改造，并将这些能力沉淀到了我们的大数据平台上，以更好的满足客户的业务需求。通过调优，在生产环境中ES集群已经稳定运行近两年的时间了。在实际部署前，对集群稳定性和性能进行了多次大规模测试，也模拟了多种可能发生的故障场景，正是不断地测试，发现了一些局限性，对版本升级，对源码修改，也在不断测试中增加了更多的优化项来满足需求。

文中的优化实践总体上非常的通用，希望可以给大家带来一定的参考价值。

文章的最后，就以ILM作为彩蛋吧！

ILM生命周期管理：

索引生命周期的四个阶段

Hot：index正在查询和更新，性能好的机器会设置为Hot节点来进行数据的读写。

Warm：index不再更新，但是仍然需要查询，节点性能一般可以设置为Warm节点。

Cold：index不再被更新，且很少被查询，数据仍然可以搜索，但是能接受较慢的查询，节点性能较差，但有大量的磁盘空间。

Delete：数据不需要了，可以删除。

#节点属性可以通过 elasticsearch.yml 进行配置 # node.attr.xxx: xxx hot warm cold node.attr.data: warm

这四个阶段按照Hot，Warm，Cold，Delete顺序执行，上一个阶段没有执行完成是不会执行下一个阶段的，对于不存在的阶段，会跳过该阶段进入到下一个阶段。

示例：创建索引生命周期策略来管理elasticsearch_metrics-YYYY.MM.dd日志数据。

策略如下：