- 背景
- 生产配置
- 优化参数详解
- 后记
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。
基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。
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
indices.memory.index_buffer_size: 20% indices.memory.min_index_buffer_size: 96mb > 基于微服务的思想，构建在 B2C 电商场景下的项目实战。核心技术栈，是 Spring Boot + Dubbo 。未来，会重构成 Spring Cloud Alibaba 。 > > 项目地址：<https://github.com/YunaiV/onemall> # Search pool thread_pool.search.size: 5 thread_pool.search.queue_size: 100 # 这个参数慎用！强制修改cpu核数，以突破写线程数限制 # processors: 16 # Bulk pool #thread_pool.bulk.size: 16 thread_pool.bulk.queue_size: 300 # Index pool #thread_pool.index.size: 16 thread_pool.index.queue_size: 300 indices.fielddata.cache.size: 40% discovery.zen.fd.ping_timeout: 120s discovery.zen.fd.ping_retries: 6 discovery.zen.fd.ping_interval: 30s
索引优化配置：
PUT /_template/elk { "order": 6, "template": "logstash-*", #这里配置模板匹配的Index名称 "settings": { "number_of_replicas" : 0, #副本数为0,需要查询性能高可以设置为1 "number_of_shards" : 6, #分片数为6, 副本为1时可以设置成5 "refresh_interval": "30s", "index.translog.durability": "async", "index.translog.sync_interval": "30s" } }
优化参数详解
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
禁用_all字段: 对于日志和apm数据，目前没有场景会使用到
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
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
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
设置段合并的线程数量：
curl -XPUT 'your-es-host:9200/nginx_log-2018-03-20/_settings' -d '{ "index.merge.scheduler.max_thread_count" : 1 }'
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
扩展学习：什么是段(segment)？如何合并段？为什么要合并段？（what、how、why）
1.设置异步刷盘事务日志文件：
"index.translog.durability": "async", "index.translog.sync_interval": "30s"
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
2.elasticsearch.yml中增加如下设置：
indices.memory.index_buffer_size: 20% indices.memory.min_index_buffer_size: 96mb
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。
扩展学习：数据写入流程是怎么样的(具体到如何构建索引)？
1.设置index、merge、bulk、search的线程数和队列数。例如以下elasticsearch.yml设置：
# Search pool thread_pool.search.size: 5 thread_pool.search.queue_size: 100 # 这个参数慎用！强制修改cpu核数，以突破写线程数限制 # processors: 16 # Bulk pool thread_pool.bulk.size: 16 thread_pool.bulk.queue_size: 300 # Index pool thread_pool.index.size: 16 thread_pool.index.queue_size: 300
2.设置filedata cache大小，例如以下elasticsearch.yml配置：
indices.fielddata.cache.size: 15%
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
扩展学习：什么是filedata？构建流程是怎样的？为什么要用filedata？（what、how、why）
1.设置节点之间的故障检测配置，例如以下elasticsearch.yml配置：
discovery.zen.fd.ping_timeout: 120s discovery.zen.fd.ping_retries: 6 discovery.zen.fd.ping_interval: 30s
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
后记
这里仅仅是记录对我们实际写入有提升的一些配置项，没有针对个别配置项做深入研究。
扩展学习后续填坑。基本都遵循（what、how、why）原则去学习。
