优化背景:
基于 elasticsearch-5.6.0
机器配置:3 个阿里云 ecs 节点,16G,4 核,机械硬盘
优化前,写入速度平均 3000 条/s,一遇到压测,写入速度骤降,甚至 ES 直接频率 GC、OOM 等;优化后,写入速度平均 8000 条/s,遇到压测,能在压测结束后 30 分钟内消化完数据,各项指标回归正常。
生产配置:
这里我先把自己优化的结果贴出来,后面有参数的详解:
elasticsearch.yml 中增加如下设置:
索引优化配置:
优化参数详解
①精细设置全文域:string 类型字段默认会分词,不仅会额外占用资源,而且会影响创建索引的速度。所以,把不需要分词的字段设置为 not_analyzed。
②禁用 _all 字段:对于日志和 apm 数据,目前没有场景会使用到。
③副本数量设置为 0:因为我们目前日志数据和 apm 数据在 es 只保留最近 7 天的量,全量日志保存在 hadoop,可以根据需要通过 spark 读回到 es,况且副本数量是可以随时修改的,区别分片数量。
④使用 es 自动生成 id:es 对于自动生成的 id 有优化,避免了版本查找。因为其生成的 id 是唯一的。
⑤设置 index.refresh_interval:索引刷新间隔,默认为 1s。因为不需要如此高的实时性,我们修改为 30s。扩展学习:刷新索引到底要做什么事情?
⑥设置段合并的线程数量
如下:
段合并的计算量庞大,而且还要吃掉大量磁盘 I/O。合并在后台定期操作,因为他们可能要很长时间才能完成,尤其是比较大的段。
机械磁盘在并发 I/O 支持方面比较差,所以我们需要降低每个索引并发访问磁盘的线程数。
这个设置允许 max_thread_count + 2 个线程同时进行磁盘操作,也就是设置为 1 允许三个线程。
①设置异步刷盘事务日志文件:
对于日志场景,能够接受部分数据丢失。同时有全量可靠日志存储在 hadoop,丢失了也可以从 hadoop 恢复回来。
②elasticsearch.yml 中增加如下设置:
已经索引好的文档会先存放在内存缓存中,等待被写到到段(segment)中。缓存满的时候会触发段刷盘(吃 I/O 和 CPU 的操作)。默认最小缓存大小为 48m,不太够,最大为堆内存的 10%。对于大量写入的场景也显得有点小。
①设置 index、merge、bulk、search 的线程数和队列数
例如以下 elasticsearch.yml 设置:
②设置 filedata cache 大小
例如以下 elasticsearch.yml 配置:
filedata cache 的使用场景是一些聚合操作(包括排序),构建 filedata cache 是个相对昂贵的操作。所以尽量能让他保留在内存中。
然后日志场景聚合操作比较少,绝大多数也集中在半夜,所以限制了这个值的大小,默认是不受限制的,很可能占用过多的堆内存。
①设置节点之间的故障检测配置
例如以下 elasticsearch.yml 配置:
大数量写入的场景,会占用大量的网络带宽,很可能使节点之间的心跳超时。并且默认的心跳间隔也相对过于频繁(1s 检测一次)。此项配置将大大缓解节点间的超时问题。
![Intoep小程序](https://www.intoep.com/wp-content/uploads/2023/12/qrcode.jpg)
微信扫一扫,打开小程序浏览更便捷
转载作品,原作者:小程序建站,文章来源:https://www.toutiao.com/article/7084257110112125443/