背景说明

我们线上业务反应使用Flink消费上游kafka topic里的轨迹数据出现backpressure，数据积压严重。单次bulk的写入量为：3000/50mb/30s，并行度为48。针对该问题，为了避免影响线上业务申请了一个与线上集群配置相同的ES集群。本着复现问题进行优化就能解决的思路进行调优测试。

测试环境

• elasticsearch 2.3.3
• flink 1.6.3
• flink-connector-elasticsearch2_2.11
• 八台SSD，56核 ：3主5从

Rally分布式压测ES集群

• 从压测结果来看，集群层面的平均写入性能大概在每秒10w+的doc。

Flink写入测试

• 配置文件

      config.put("cluster.name", ConfigUtil.getString(ES_CLUSTER_NAME, "flinktest"));
      config.put("bulk.flush.max.actions", ConfigUtil.getString(ES_BULK_FLUSH_MAX_ACTIONS, "3000"));
      config.put("bulk.flush.max.size.mb", ConfigUtil.getString(ES_BULK_FLUSH_MAX_SIZE_MB, "50"));
      config.put("bulk.flush.interval.ms", ConfigUtil.getString(ES_BULK_FLUSH_INTERVAL, "3000"));
  

• 执行代码片段

       final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
       initEnv(env);
       Properties properties = ConfigUtil.getProperties(CONFIG_FILE_PATH);
       //从kafka中获取轨迹数据
       FlinkKafkaConsumer010<String> flinkKafkaConsumer010 =
           new FlinkKafkaConsumer010<>(properties.getProperty("topic.name"), new SimpleStringSchema(), properties);
       //从checkpoint最新处消费
       flinkKafkaConsumer010.setStartFromLatest();
       DataStreamSource<String> streamSource = env.addSource(flinkKafkaConsumer010);
       //Sink2ES
       streamSource.map(s -> JSONObject.parseObject(s, Trajectory.class))
           .addSink(EsSinkFactory.createSinkFunction(new TrajectoryDetailEsSinkFunction())).name("esSink");
       env.execute("flinktest");

• 运行时配置

任务容器数为24个container，一共48个并发。savepoint为15分钟

• 运行现象
  • source和Map算子均出现较高的反压
  • ES集群层面，目标索引写入速度写入陡降
    平均QPS为：12k左右
  • 对比取消sink算子后的QPS

  streamSource.map(s -> JSONObject.parseObject(s, FurionContext.class)).name("withnosink");
  

平均QPS为：116k左右

有无sink参照实验的结论

取消sink2ES的操作后，QPS达到110k,是之前QPS的十倍。由此可以基本判定: ES集群写性能导致的上游反压

优化方向

• 索引字段类型调整
  
  bulk失败的原因是由于集群dynamic mapping自动监测，部分字段格式被识别为日期格式而遇到空字符串无法解析报错。
  解决方案：关闭索引自动检测
  
  效果:
     ES集群写入性能明显提高但flink operator 依然存在反压：       

• 降低副本数

 curl -XPUT{集群地址}/{索引名称}/_settings?timeout=3m -H "Content-Type: application/json" -d'{"number_of_replicas":"0"}'

• 提高refresh_interval

针对这种ToB、日志型、实时性要求不高的场景，我们不需要查询的实时性，通过加大甚至关闭refresh_interval的参数提高写入性能。

 curl -XPUT{集群地址}/{索引名称}/_settings?timeout=3m -H "Content-Type: application/json" -d '{ "settings": {  "index": {"refresh_interval" : -1   }   }  }'

• 检查集群各个节点CPU核数

  在flink执行时，通过Grafana观测各个节点CPU 使用率以及通过linux命令查看各个节点CPU核数。发现CPU使用率高的节点CPU核数比其余节点少。为了排除这个短板效应，我们将在这个节点中的索引shard移动到CPU核数多的节点。

  
  curl -XPOST {集群地址}/_cluster/reroute  -d'{"commands":[{"move":{"index":"{索引名称}","shard":5,"from_node":"源node名称","to_node":"目标node名称"}}]}' -H "Content-Type:application/json"
  
  

以上优化的效果:

经过以上的优化，我们发现写入性能提升有限。因此，需要深入查看写入的瓶颈点

• 在CPU使用率高的节点使用Arthas观察线程：
• 打印阻塞的线程堆栈

"elasticsearch[ES-077-079][bulk][T#3]" Id=247 WAITING on java.util.concurrent.LinkedTransferQueue@369223fa
    at sun.misc.Unsafe.park(Native Method)
    -  waiting on java.util.concurrent.LinkedTransferQueue@369223fa
    at java.util.concurrent.locks.LockSupport.park(LockSupport.java:175)
    at java.util.concurrent.LinkedTransferQueue.awaitMatch(LinkedTransferQueue.java:737)
    at java.util.concurrent.LinkedTransferQueue.xfer(LinkedTransferQueue.java:647)
    at java.util.concurrent.LinkedTransferQueue.take(LinkedTransferQueue.java:1269)
    at org.elasticsearch.common.util.concurrent.SizeBlockingQueue.take(SizeBlockingQueue.java:161)
    at java.util.concurrent.ThreadPoolExecutor.getTask(ThreadPoolExecutor.java:1067)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1127)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

  从上面的线程堆栈我们可以看出线程处于等待状态。
  关于这个问题的讨论详情查看此链接，这个issue讨论大致意思是：节点数不够，需要增加节点。于是我们又增加节点并通过设置索引级别的total_shards_per_node参数将索引shard的写入平均到各个节点上）

• 线程队列优化
    ES是将不同种类的操作(index、search…)交由不同的线程池执行，主要的线程池有三：index、search和bulk thread_pool。线程池队列长度配置按照官网默认值，我觉得增加队列长度而集群本身没有很高的处理能力线程还是会await（事实上实验结果也是如此在此不必赘述），因为实验节点机器是56核，对照官网，：
  因此修改size数值为56。
  

经过以上的优化，我们发现在kafka中的topic积压有明显变少的趋势：

• index buffer size的优化

参照官网：

indices.memory.index_buffer_size : 10%

• translog优化：

索引写入ES的基本流程是：1.数据写入buffer缓冲和translog 2.每秒buffer的数据生成segment并进入内存，此时segment被打开并供search使用查询 3.buffer清空并重复上述步骤 4.buffer不断添加、清空translog不断累加，当达到某些条件触发commit操作，刷到磁盘。es默认的刷盘操作为request但容易部分操作比较耗时，在日志型集群、允许数据在刷盘过程中少量丢失可以改成异步async
另外一次commit操作是在translog达到某个阈值执行的，可以把大小（flush_threshold_size ）调大，刷新间隔调大。

index.translog.durability : async
index.translog.flush_threshold_size : 1gb
index.translog.sync_interval : 30s

效果：

• flink反压从打满100%降到40%（output buffer usage）：
  
• kafka 消费组里的积压明显减少：
  

总结

当ES写入性能遇到瓶颈时，我总结的思路应该是这样：

1. 看日志，是否有字段类型不匹配，是否有脏数据。
2. 看CPU使用情况，集群是否异构
3. 客户端是怎样的配置？使用的bulk 还是单条插入
4. 查看线程堆栈，查看耗时最久的方法调用
5. 确定集群类型：ToB还是ToC，是否允许有少量数据丢失？
6. 针对ToB等实时性不高的集群减少副本增加刷新时间
7. index buffer优化 translog优化，滚动重启集群