1、引言

Elasticsearch是非常灵活且功能丰富的搜索引擎,它提供了许多不同查询数据的方法。在实战业务场景中,经常会出现远远低于预期查询速度的慢查询。作为分布式系统的Elasticsearch,可能有各种影响查询性能的因素,包括外部因素,如负载均衡设置,网络延迟(带宽,NIC卡/驱动程序)等。

本文主要讨论可能导致慢查询的原因以及如何在Elasticsearch的上下文中识别它们。

让我们从一些最常见的慢查询及其解决方案开始。

2.1 症状1:非活动(检索/写入)状态资源利用率也非常高

症状详情:每个分片都消耗资源(CPU /内存)。即使没有索引/搜索请求,分片的存在也会消耗集群开销。

2.1.1 问题描述

集群中的分片太多,以至于任何查询执行起来都很慢。一个好的经验法则——确保每个节点的非冻结分片数量保持在:20以下/每GB堆内存。

2.1.2 解决方案
  • 1、部署之前,设计先行。
    正如VIVO搜索技术总监振涛兄所说:“集群规划核心是容量预估,就好比你建个楼,必须规划好容量,不然说用多少就建多高,吃在地基撑不住!!”。

    任何部署的良好开端都是执行适当的容量规划,以帮助确定每个搜索用例的最佳分片数。

  • 2、减少分片数,实施冻结索引或添加其他节点以实现负载均衡。

  • 3、考虑冷热数据分离架构(适用于基于时间的索引)以及Elasticsearch中的翻转索引(rollover)/压缩索引(shrink)功能,以有效管理分片计数。

推荐阅读:我在 Elasticsearch 集群内应该设置多少个分片?
https://www.elastic.co/cn/blog/how-many-shards-should-i-have-in-my-elasticsearch-cluster

Elasticsearch5.x冷热架构实现
https://www.elastic.co/cn/blog/hot-warm-architecture-in-elasticsearch-5-x

容量规划最佳实践(必读)
https://www.elastic.co/guide/en/elasticsearch/guide/master/capacity-planning.html

2.2 症状2:线程池存在大量rejected

搜索线程池显示“拒绝”计数的持续增加,该计数基于上次群集重新启动而累积。

1
1GET / _cat / thread_pool / search?v&h = node_name,name,active,rejected,completed

响应如下:

1
2
3
4
1node_name             name   active rejected completed
2instance-0000000001 search 0 10 0
3instance-0000000002 search 0 20 0
4instance-0000000003 search 0 30 0
2.2.1 问题描述

场景1:查询的目标是太多分片,超过集群中的CPU核数。这会在搜索线程池中创建排队任务,从而导致搜索拒绝。

场景2:磁盘I/O速度慢或在某些情况下完全饱和的CPU导致搜索排队。

2.2.2 解决方案

1、创建索引时采用1主分片&1副本模型。
使用索引模板是在创建索引阶段做好设置是个好方法。(7.0及更高版本默认1主1副)。

2、 Elasticsearch 5.1或更高版本支持搜索任务取消,这对于取消显示在任务管理API中慢查询任务非常有用。

任务管理:

1
1GET _tasks?nodes=nodeId1,nodeId2

取消任务

1
1POST _tasks/oTUltX4IQMOUUVeiohTt8A:12345/_cancel

3、要改进磁盘I / O,请查看我们的存储建议,并确保使用推荐的硬件以获得最佳性能。

存储优化建议:
https://www.elastic.co/guide/en/elasticsearch/reference/7.0/tune-for-indexing-speed.html#_use_faster_hardware

2.3 症状3:高CPU和索引化延迟

当集群不堪重负时,度量标准关联显示CPU利用率高和索引化延迟大(如下图)。

图片

Metric指标Kibana核查方法:

https://www.elastic.co/guide/en/kibana/7.0/elasticsearch-metrics.html

2.3.1 问题描述

写入数据量大(索引化)会影响搜索性能。

2.3.2 解决方案

1、调大刷新频率

将index.refresh_ interval(文档被索引到数据搜索可见时间间隔)增加到 30 s,通常有助于提高索引性能。

实战中要结合具体业务场景,可能会有所不同,因此测试是关键。这样避免了缺省一秒生成一个分段的麻烦。

2、对于重型索引用例,请检查我们的索引调整建议,以优化索引和搜索性能。

包含但不限于:
1)数据初始化阶段refresh设置 -1、副本设置为 0,以提升写入速度;写入完毕后复原。
2)关闭swapping。
3)使用文件系统缓存。
4)使用自动生成ID。

性能调优实践:
https://www.elastic.co/guide/en/elasticsearch/reference/7.0/tune-for-indexing-speed.html#_disable_refresh_and_replicas_for_initial_loads

2.4 症状4:副本增加后延时增大

在增加副本分片计数(例如,从1到2)之后可以观察到查询等待时间。如果存在更多数据,则缓存的数据将很快被逐出,导致操作系统层面页面错误增加。

2.4.1 问题描述

文件系统缓存没有足够的内存来缓存经常查询的索引部分。

Elasticsearch的查询缓存实现了LRU置换算法:当缓存变满时,最近最少使用的数据被置换以便为新数据腾出空间。

请求缓存:

https://www.elastic.co/guide/en/elasticsearch/reference/7.0/query-cache.html

2.4.2 解决方案

1、为文件系统缓存留出至少 50 %的物理RAM。

内存越多,可以缓存的越多,尤其是在集群遇到I / O问题时。假设堆大小已正确配置,剩下的任何可用于文件系统缓存的剩余物理RAM都可以大大加快搜索性能。

堆内存大小配置建议:Min(32 GB,物理机器内存 / 2)。

例如,128 GB内存服务器为堆提供 30GB空间,为文件系统缓存(有时称为OS缓存)留出剩余内存,假设操作系统缓存最近访问的4KB数据块,如果你再一次读取相同的文件,不需要花很长时间去磁盘上读,直接在内存上读来的更快。

2、使用query缓存和request缓存加快检索速度。

节点级别的query缓存默认是开启的。对应配置:

1
1index.queries.cache.enabled

请求缓存默认是开启的,如果被强制关闭了,可以动态设置开启。

1
2
1PUT /my_index/_settings
2{ "index.requests.cache.enable": true }

3、使用preference优化高速缓存

可以使用搜索请求首选项preference来优化所有这些高速缓存。以便每次将某些搜索请求路由到同一组分片,而不是在可用的不同副本之间交替。

这将更好地利用请求缓存、节点查询缓存和文件系统缓存。

2.5 症状5:共享硬件资源时的高资源利用率。

操作系统显示始终较高的CPU 、磁盘、I / O使用率。

停止第三方应用程序后可以看到性能提升。

2.5.1 问题描述

其他进程(例如Logstash)和Elasticsearch本身之间存在资源(CPU、内存、或磁盘I / O)争用。

2.5.2 解决方案

给Elasticsearch隔离的硬件环境或虚拟环境。

避免在共享硬件上与其他资源密集型应用程序一起运行Elasticsearch。

2.6 症状6:聚合N多唯一值引起的高内存使用率

查询包含唯一值(例如,ID,用户名,电子邮件地址等)的聚合字段时性能不佳。

在堆内存分析时发现:Java对象使用”search”, “buckets”, “aggregation”等术语,消耗大量的堆内存。

2.6.1 问题原因

聚合在高基数(high-cardinality)字段上运行,需要大量资源来获取许多存储桶。

还可以存在涉及nested字段和/或join字段的嵌套聚合。

注解:high-cardinality中文解读为高基数不好理解。举个例子:

  • 高基数——列中有很多唯一值(),如主键
  • 低基数——与之相反,如性别列(只有男、女)。
2.6.2 解决方案

1、要提高高基数term聚合的性能,推荐阅读:

https://www.elastic.co/cn/blog/improving-the-performance-of-high-cardinality-terms-aggregations-in-elasticsearch

核心:使用eager_global_ordinals: true 提升性能。

2、有关进一步调整,请查看官网nested字段类型和join字段类型的使用建议,以更好地提高聚合性能。

3 偶发慢查询解决方案

一般而言,偶尔或间歇性慢查询可以从官网的优化索引、优化检索建议中中受益。

3.1 偶发慢查询关联监控指标

偶发慢查询应与这些监控指标中的一个或多个密切相关:

  • 1)CPU负载
  • 2)索引吞吐量
  • 3)搜索吞吐量
  • 4)垃圾收集(GC)活动
  • 5)搜索线程池队列大小

线程池查看方法:

1
1GET /_cat/thread_pool

3.2 ARS提升检索吞吐率

Elasticsearch还有另一个有用的功能,称为自适应副本选择(ARS),它允许协调节点了解数据节点上的负载,并允许它选择最佳的分片副本来执行搜索,从而提高搜索吞吐量、降低延迟。

通过在查询时间内更均匀地分散负载,ARS可以对偶尔的减速有很大帮助。

在Elasticsearch 7.0及更高版本中,默认情况下将启用ARS

4 非偶发慢查询解决方案

对于非偶发慢查询的场景,我们可以尝试逐个删除查询中的功能,并检查查询是否仍然很慢。

4.1 “拆解DSL”排查慢查询根源

查找最简单查询以重现性能问题有助于隔离和识别问题:

  • 1)没有高亮显示它仍然很慢吗?
  • 2)没有聚合,它仍然很慢吗?
  • 3)如果size设置为0,它仍然很慢吗?
    当size设置为0时,Elasticsearch会缓存搜索请求的结果,以便更快地进行搜索

4.2 参考官方搜索优化建议,看是否凑效?

https://www.elastic.co/guide/en/elasticsearch/reference/7.0/tune-for-search-speed.html

4.3 慢查询排除实践

  • 1)启用”profile:true”。
1
2
3
4
5
6
7
1GET /twitter/_search
2{
3 "profile": true,
4 "query" : {
5 "match" : { "message" : "some number" }
6 }
7}
  • 2)查看节点的热点线程。

这有助于了解CPU时间的使用情况。

1
1GET /_nodes/hot_threads
  • 3)使用kibana可视化profile分析工具

https://www.elastic.co/guide/en/kibana/7.0/xpack-profiler.html

5 捕获慢查询、耗费资源查询

5.1 慢查询、耗费资源查询难捕获

在Elasticsearch中同时处理不同的请求/线程时,很难捕获慢查询、耗费资源查询。

实际N多人应用的业务场景,当无法定位耗费资源查询的用户时,情况变得更加复杂,这些查询会降低集群性能(例如,长垃圾收集(GC)周期)或更糟糕的是内存不足(OOM)情况。

在Elasticsearch 7.0版中,我们引入了一种新的内存熔断策略,用于在保留内存时测量实际堆内存使用情况。

此新策略可提高节点对资源耗费高查询导致集群过载的弹性支持,并在默认情况下处于打开状态,并可使用新的集群设置:

indices.breaker.total.use_real_memory 进行控制。

内存熔断策略推荐:

https://github.com/elastic/elasticsearch/pull/31767

5.2 dump堆内存分析

以上方案并未覆盖全部业务场景。借助dump文件有助于更好地理解根本原因。

在JVM OOM后Dump操作实战参考:
https://www.elastic.co/guide/en/elasticsearch/reference/7.0/heap-dump-path.html

Linux捕获dump文件的方法

1
1ps -ef|egrep 'elasticsearch|logstash' | grep -v grep

5.3 Elasticsearch的保护设置

Elasticsearch具有另一个保护设置(最大桶search.max_buckets限制),以保护集群出现OOM。

当超过桶的数量(在版本7.0中默认为10,000)时(例如,当运行多层聚合时),
该最大桶聚合设置停止执行并且使搜索请求失败。

5.4 断路器设置

为了进一步识别潜在的耗费资源的查询,我们可以设置断路器(indices.breaker.request.limit)。

设置方法:逐步缩放查询范围,从低阈值开始隔离查询并逐渐向上移动阈值以缩小到特定的查询。

断路器设置参考:
https://www.elastic.co/guide/en/elasticsearch/reference/7.0/circuit-breaker.html#request-circuit-breaker

5.5 慢日志分析

可以通过启用Elasticsearch中的慢速日志来识别运行缓慢的查询。

Slowlogs专门用于分片级别,这意味着只应用数据节点

仅协调 Coordinating-only/客户client节点不具备慢日志分析功能,因为它们不保存数据(索引/分片)。

Slowlogs有助于回答以下问题:

  • 1)查询需要多长时间?
  • 2)查询请求正文的内容是什么?

Slowlogs输出举例:

1
2
3
4
5
1[2019-02-11T16:47:39,882][TRACE][index.search.slowlog.query] [2g1yKIZ] [logstash-20190211][4] took[10.4s], took_millis[10459], total_hits[16160], types[], stats[], 
2search_type[QUERY_THEN_FETCH], total_shards[10], source[{"size":0,"query":{"bool":{"must":[{"range":{"timestamp":{"from":1549266459837,"to":1549871259837,"include_lower":true,
3"include_upper":true,"format":"epoch_millis","boost":1.0}}}],"adjust_pure_negative":true,"boost":1.0}},"_source":{"includes":[],"excludes":[]},"stored_fields":"*","docvalue_fields":
4[{"field":"timestamp","format":"date_time"},{"field":"utc_time","format":"date_time"}],"script_fields":{"hour_of_day":{"script":{"source":"doc['timestamp'].value.getHourOfDay()",
5"lang":"painless"},"ignore_failure":false}},"aggregations":{"maxAgg":{"max":{"field":"bytes"}},"minAgg":{"min":{"field":"bytes"}}}}], id[]],

Slowlog 日志拆解:

日志拆分项 描述
[2019-02-11T16:47:39,882] 检索时间
[TRACE] 日志级别
[index.search.slowlog.query] 属于search的query阶段慢日志
[2g1yKIZ] 节点名称
[logstash-20190211] 索引名称
[4] query执行的分片序号
took[10.4s] 在分片4所需的处理时间。注意:在查看慢速日志时,我们希望避免从不同的分片中添加所有时间,因为每个分片可能并行执行。
took_millis[10459] 耗费时间(毫秒)
total_hits[16160] 命中数
search_type[QUERY_THEN_FETCH] search类型(query_then_fetch)
total_shards[10] 索引的总分片大小
source[] 执行检索的请求body体

5.6 日志审计(高阶功能,低版本非付费会员建议跳过)

拥有金牌会员或铂金会员订阅的客户(包括Elastic安全功能)可以打开审核日志以捕获有关查询的更多详细信息。(用户可以开始为期30天的试用版来测试Elastic安全功能。)

注意:6.8和7.1之后,基础安全功能已免费。之上的高版本可以使用该功能。低版本的非会员不建议使用。

审计日志记录有助于回答以下问题:

  • 1)查询是什么时候发生的?
  • 2)谁执行了查询?
  • 3)查询的内容是什么?

我们需要调整审核设置,因为默认设置相当繁琐:

  • 1)启用安全审计日志:

    在elasticsearch.yml中设置

    xpack.security.audit.enabled:true。

  • 2)在安全审计输出中启用日志或索引:

    在elasticsearch.yml中设置

    xpack.security.audit.outputs:[logfile,index]。

出于故障排除的目的,我们建议选择logfile而不是索引,因为审计日志记录的详细程度可能会对集群性能造成不必要的压力。

审计模式可能非常冗长,因此请在完成故障排除后将其关闭。

  • 3)在事件列表中包含authentication_success访问权限
    在elasticsearch.yml中设置

    xpack.security.audit.logfile.events.include: authentication_success

6、小结

本文翻译自Elastic官方博文,添加了自己的实践解读和星球内部讨论总结内容。

在本文中,我们讨论了慢查询的常见原因以及解决方案。我们还讨论了偶发慢查询和非偶发慢查询的解决方案。通常会将慢查询视为更广泛集群性能出问题的典型症状。

图片

8月24日北京Meetup上medcl列举了10个原因升级7.X,如果你还是6.X、5.X甚至更低版本,推荐升级。Elasticsearch7.X高级版本在搜索 qps 上提升很大,相同配置下慢查询也还会有较大改善。