一、引言
隨著移動網際網路、物聯網、雲端計算等資訊科技蓬勃發展，資料量呈爆炸式增長。如今我們可以輕易得從海量資料裡找到想要的資訊，離不開搜尋引擎技術的幫助。
作為開源搜尋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資訊檢索原理，就可實現基本的全文檢索功能，在資料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、資料安全性、可擴充套件性、可維護性等使用者關注的實際問題，在Elasticsearch 上也能得到有效解決。
二、Elasticsearch 介紹
Elasticsearch（ES）是一個基於 Lucene 構建的開源分散式搜尋分析引擎，可以近實時的索引、檢索資料。具備高可靠、易使用、社群活躍等特點，在全文檢索、日誌分析、監控分析等場景具有廣泛應用。
由於高可擴充套件性，叢集可擴充套件至百節點規模，處理PB級資料。通過簡單的 RESTful API 即可實現寫入、查詢、叢集管理等操作。
除了檢索，還提供豐富的統計分析功能。以及官方功能擴充套件包 XPack 滿足其他需求，如資料加密、告警、機器學習等。
另外，可通過自定義外掛，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「叢集」：由部署在多個機器的ES節點組成，以處理較大資料集和實現高可用；
-
Node「節點」：機器上的ES程式，可配置不同型別的節點；
-
Master Node「主節點」：用於叢集選主。由其中一個節點擔任主節點，負責叢集後設資料管理，如索引建立，節點離開加入叢集等；
-
Data Node「資料節點」：負責索引資料儲存；
-
Index「索引」：索引資料的邏輯集合，可類比關係型資料的DataBase；
-
Shard「分片」：索引資料子集，通過將分片分配至叢集不同節點，實現資料橫向擴充套件。以解決單個節點CPU、記憶體、磁碟處理能力不足的情況；
-
Primary Shard「主分片」：資料分片採用主從模式，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資料高可靠。主分片異常時，其中一個副本分片會自動提升為新的主分片。
為了便於大家理解ES裡的資料模型，將它與關係型資料庫 MySQL 做類比：
從上面架構圖可以看出，ES 架構非常簡潔。內建自動發現實現 Zen discovery，當一個節點啟動後，通過聯絡叢集成員列表即可加入叢集。
由其中一個節點擔任主節點，用於叢集後設資料管理，維護分片在節點間的分配關係。當新節點加入叢集后，Master 節點會自動遷移部分分片至新節點，均衡叢集負載。
分散式叢集難免有節點故障。主節點會定期探測叢集其他節點存活狀態，當節點故障後，會將節點移出叢集，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為主分片。其他節點也會探活主節點，當主節點故障後，會觸發內建的類 Raft 協議選主，並通過設定最少候選主節點數，避免叢集腦裂。
除了叢集管理，索引資料讀寫也是我們關心的重要部分。ES 採用 peer-to-peer 架構，每個節點儲存全量分片路由資訊，也就是每個節點均可以接收使用者讀寫。
如傳送寫入請求至節點 1，寫入請求預設通過文件 ID 的 Hash 值確定寫入到哪個主分片，這裡假設寫入到分片 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，保障資料安全性。並且寫入前，會確保 quorum 數量的副本數，避免網路分割槽導致寫入資料不一致。
查詢採用分散式搜尋，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、查詢均帶有路由欄位資訊。請求只會傳送給部分分片，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 叢集基本原理，下面簡單介紹下ES的底層儲存引擎 Lucene。
首先 Lucene 是一款高效能的資訊檢索庫，提供索引和檢索基本功能。ES 在此基礎上解決可靠性、分散式叢集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。
比如資料寫入後，首先會對寫入的文件欄位內容分詞，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，並獲取關聯的文件列表，快速獲取結果集。並通過排序規則，優先展示匹配度高的文件。
Lucene 為了加快索引速度，採用了 LSM Tree 結構，先把索引資料快取在記憶體。當記憶體空間佔用較高或到達一定時間後，記憶體中的資料會寫入磁碟形成一個資料段檔案（segment）。段檔案內包含詞典、倒排表、欄位資料等等多個檔案。
為了相容寫入效能和資料安全性，如避免記憶體緩衝區裡的資料因為機器故障丟失。ES 在寫記憶體的同時也會寫事物日誌 Translog。記憶體裡的資料會定期生成新的段檔案，寫入開銷更低的檔案系統快取即可開啟和讀取實現近實時搜尋。
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
日誌是網際網路行業基礎廣泛的資料形式。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；用來分析使用者行為的業務日誌，如使用者的點選、訪問日誌；以及安全行為分析的審計日誌等。
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，相比於傳統大資料解決方案的幾十分鐘、小時級時效性非常高。
ES底層支援倒排索引、列儲存等資料結構，使得在日誌場景可以利用ES非常靈活的搜尋分析能力。通過ES互動式分析能力，即使在萬億級日誌的情況下，日誌搜尋響應時間也是秒級。
日誌處理的基本流程包含：日誌採集 -> 資料清洗 -> 儲存 -> 視覺化分析。Elastic Stack通過完整的日誌解決方案，幫助使用者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元件FileBeat實時讀取業務日誌檔案，傳送資料至下游元件如 Logstash。
-
文字解析：利用正則解析等機制，將日誌文字資料轉換成結構化資料。可使用獨立的Logstash 服務或 Elasticsearch 內建的輕量級資料處理模組 Ingest Pipeline，完成資料清洗和轉換。
-
資料儲存：通過 Elasticsearch 搜尋分析平臺進行資料持久儲存，提供全文搜尋和分析能力。
-
視覺化分析：通過功能豐富的圖形介面，即可對日誌資料進行搜尋分析，如視覺化元件 Kibana。
2. 時序分析場景
時序資料是按時間順序記錄裝置、系統狀態變化的資料。典型的時序資料有傳統的伺服器監控指標資料、應用系統效能監控資料、智慧硬體、工業物聯網感測器資料等。
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具有叢集擴充套件、批量寫入、讀寫帶路由、資料分片等能力，目前已實現線上單叢集最大規模達到 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，實現檢視監控按照地域、業務模組等靈活的進行統計分析。另外，ES支援列儲存、高壓縮比、副本數按需調整等能力，可實現較低儲存成本。最後時序資料也可通過Kibana元件輕鬆實現視覺化。
3. 搜尋服務場景
搜尋服務典型場景有像京東、拼多多、蘑菇街中的商品搜尋；應用商店中的應用APP搜尋；論壇、線上文件等站內搜尋。
這類場景使用者關注高效能、低延遲、高可靠、搜尋質量等。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，高可用如搜尋場景通常要求 4 個 9 的可用性，支援單機房故障容災等。
目前雲上 Elasticsearch 服務已支援多可用區容災，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外掛，實現全文檢索需求。在開源全文檢索領域，ES 在 DB-Engines 搜尋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、時序資料分析、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核心增強版 ES 雲服務，簡稱CES，其中核心增強包括 Xpack 商業套件和核心優化。
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，比如超大規模叢集，千萬級資料寫入，以及雲上使用者豐富的使用場景等。
下文將介紹我們在核心層面，從可用性，效能，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 核心系統健壯性不足
這也是分散式系統共性難題。例如異常查詢、壓力過載叢集容易出現雪崩。叢集可擴充套件性不足，比如叢集分片數超10w會出現明顯的後設資料管理瓶頸。以及叢集擴容、節點異常後加回叢集，存在節點、多硬碟之間資料不均問題。
（2）容災方案欠缺
需保障機房網路故障時可快速恢復服務，自然災害下防止資料丟失，誤操作後快速恢復資料等可靠性、資料安全性問題。
（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、分散式死鎖、滾動重啟緩慢等。
針對上面的問題，在系統健壯性方面，我們通過服務限流，容忍機器網路故障、異常查詢等導致的服務不穩定問題。
通過優化叢集後設資料管理邏輯，提升叢集擴充套件能力一個數量級，支援千級節點叢集、百萬級分片數。叢集均衡方面，通過優化節點、多硬碟間的分片均衡，保證大規模叢集的壓力均衡。
容災方案 方面，我們通過擴充套件 ES 的外掛機制實現資料備份和回檔，可把 ES 的資料備份到 COS，保障資料安全性；通過管控系統建設支援跨可用區容災，使用者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，保證使用者在欠費、誤操作等場景下，叢集資料可快速恢復。
系統缺陷方面，我們修復了滾動重啟、Master 阻塞、分散式死鎖等一系列 Bug。其中滾動重啟優化，可加速節點重啟速度 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. 效能優化
效能問題，比如以日誌、監控為代表的時序場景，對寫入效能要求非常高，寫入併發可達 1000w/s。然而我們發現在帶主鍵寫入時，ES 效能會衰減 1+倍。
壓測場景下發現CPU 存在無法充分利用的情況。通常搜尋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。
為了解決這些問題。寫入方面，針對主鍵去重場景，我們通過利用段檔案上記錄的最大最小值進行查詢裁剪，加速主鍵去重的過程，寫入效能提升 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 重新整理 Translog 時鎖粒度，避免資源搶佔，提升效能提升 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效能，通過減少分支跳轉、指令 Miss，預期寫入效能可提升 1 倍。
查詢方面，我們通過優化段檔案合併策略，對於非活躍段檔案會自動觸發合併，收斂段檔案數以降低資源開銷，提升查詢效能。
根據每個段檔案上記錄的最大最小值進行查詢剪枝，提升查詢效能 40%。通過 CBO 策略，避免快取較大開銷的 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 聚合中的效能問題，實現真正的翻頁操作，以及優化帶排序場景的聚合使得效能提升3-7倍。此外，我們也在嘗試通過一些新硬體來優化效能，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、監控為代表的時序場景對機器資源的消耗。結合線上典型的日誌、時序業務統計資料發現，硬碟、記憶體、計算資源的成本比例接近 8:4:1。
可以得出硬碟、記憶體是主要矛盾，其次是計算成本。而這類時序類場景有很明顯的訪問特性，也就是資料具有冷熱特性。
時序資料訪問具有近多遠少的特點，比如近 7 天資料的訪問量佔比可達到 95%以上，而歷史資料訪問較少，並且通常都是訪問統計類資訊。
硬碟成本方面，由於資料具有明顯的冷熱特性，我們採用冷熱分離架構，使用混合儲存的方案來平衡成本和效能。
由於歷史資料通常只是訪問統計資訊，我們採用預計算 Rollup 換取儲存和查詢效能，類似物化檢視。對於完全不使用歷史資料，也可以備份到更廉價的儲存系統如 COS。其他一些優化方式包括多盤策略相容資料吞吐與資料容災，以及通過生命週期管理等定期刪除過期資料等。
記憶體成本 方面，我們發現特別是大儲存機型，儲存資源才用了 20% 記憶體已不足。為了解決記憶體不足問題，我們採用 Off-Heap 技術，來提升堆內記憶體利用率，降低 GC 開銷，並且提升單個節點管理磁碟的能力。
將記憶體佔比較大的 FST 移到堆外管理，通過堆記憶體放堆外物件地址，避免堆內外資料拷貝。通過 Java 弱引用機制實現堆外物件記憶體回收，進一步提升記憶體使用率。
實現 32GB 堆內記憶體可管理 50 TB 左右磁碟空間，較原生版本有 10 倍提升，並且效能持平，而 GC 優勢提升明顯。
除了核心層面的優化，在平臺層通過管控平臺，支援雲上服務資源管理、例項例項管理等實現服務託管。方便快捷進行例項建立和規格調整。
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慧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群，和官方及社群的 ES 愛好者們共同推動 ES 的發展。以騰訊 ES 核心研發為代表的團隊，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 社群 contributor。
五、結語
Elasticsearch 在騰訊內外部廣泛應用於日誌實時分析、時序資料分析、全文檢索等場景。
目前單叢集規模達到千級節點、萬億級吞吐。通過核心增強版 ES 為大家提供高可靠，低成本，高效能的搜尋分析服務。後續我們仍需在可用性，效能和成本等方面持續優化 ES。
比如叢集可擴充套件性不足問題，通過優化叢集擴充套件性支援百萬級分片秒級建立 index。ES 的儲存成本問題，目前正在研發儲存與計算分離方案，進一步縮減成本，提升效能。以及存在使用和維護成本高的問題，後續通過多級分割槽、智慧診斷等提升ES的自動化和故障自愈能力，降低使用者使用和維護成本。
未來，也會近一步探索 ES 在多維分析領域的其他可能性。持續在大資料領域提供更有價值的搜尋分析服務。
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，學雲端計算知識，就來雲+社群