滴滴万亿级ElasticSearch平台架构升级解密
2019 年 1 月到 2019 年 7 月滴滴 ElasticSearch 团队（Arius）将维护国内的 30 多个 ES 集群，2000 多个 ES 节点，4PB 的数据，从 2.3.3 跨大版本无缝升级到 6.6.1。
在对用户查询写入基本零影响和改动的前提下，解决了 ES 跨大版本协议不兼容、Mapping 不兼容等业内难题，整个过程对绝大部分用户完全透明。
团队同学经过 7 个月的奋斗，完成 ES 版本升级的过程中，也完成了滴滴 ElasticSearch 平台的架构升级。
取得了单机查询性能提升 40%，整体集群 CPU 下降 10%，写入 TPS 提升 30%，归还物理机近 400 台，成本节约 80W /月、0 故障的成绩，并在引擎上向社区贡献了 4 个 PR，一位同学升级为 ES Contributor。
如此大规模的跨大版本升级，在 ES 业内也很少见，从开始准备到实际执行，遇到了很多困难，踩了一些坑，期间也有很多我们的思考。
为此我们准备本期的总结和分享，主要从以下几个方面展开：
背景：推石头的西西弗斯
困难：拔剑四顾心茫然
思考：天生我材必有用
实战：百战沙场碎铁衣
收益：长风破浪会有时
展望：直挂云帆济沧海
背景：推石头的西西弗斯
滴滴 ElasticSearch 团队从 2016 年开始建设 ElasticSearch 平台，在 2016 年 6 月份的时候开始对外提供服务，当时选择了 ElasticSearch 最新的 2.3 版本。
如今三年过去了，ElasticSearch 生态经历了飞速的增长，Elastic 公司完成了上市，ElasticSearch 在 db-engines 的分数从 88 上涨到 148，排名从 11 名上升到第 7 名。
这期间 ES 发布了 3 个大版本，几十个中版本，而最近 ElasticSearch 已经发布了 7.x 版本。
在这三年中滴滴 Elasticsearch 平台基于 ElasticSearch 推出了日志检索、MySQL 实时数据库快照、分布式文档数据库、搜索引擎等四大服务，四大业务均快速发展。
业务的快速发展既是滴滴 ElasticSearch 团队工作的肯定，但随之而来也有巨大的挑战和压力，其中版本过低是未来 ElasticSearch 平台发展最大制约因素，其中主要有以下几点。
①社区不再维护老版本：ElasticSearch 2.3.3 版本过于陈旧，ES 社区早已不再进行维护，在 2.x 上遇到的问题社区不解决，提交的 issue 也不处理，提交代码也不被接收。
基于 2.3.3 我们也解决了很多 ES 自身的问题，如：Master 更新元数据超时导致内存泄露、TCP 协议字段溢出等。
由于无法和社区互动，团队同学的价值也得不到社区的认可，长此以往只会和 ES 生态越来越远，我们在 ES 技术圈中的声音也会越来越弱。
②新版本特性很难被使用：最近 3 年是 ES 生态大发展的 3 年，ES 自身在功能、性能上都有非常大提升。
如：默认使用 BM25 评分算法，效果更佳；lucene docvalues 稀疏区域改进，更节约磁盘空间；新增 Frozen indices 能力，可以显著降低 ES 内存开销。
很多特性也非常适合 ElasticSearch 平台的场景，但是版本差距过大一直制约着我们，无法享受技术进步的红利。
要么我们迎难而上，克服困难，一口气把整个集群升级到最新的版本，把石头推过山顶，再轻装前行；要么就是继续独自勉力支撑，在业务和引擎的双重压力下蹒跚而行。
困难：拔剑四顾心茫然
2.3.3 和 6.6.1 协议不兼容啊，6.6.1 都不支持 TCP 协议了，那些通过 TCP 查的用户怎么办，让他们一个一个改代码，那要改到什么时候？
2.3.3 和 6.6.1 有些返回的字段都不一样了，有些查询语法也不兼容，怎么做到对用户的透明，还是直接强迫用户接受改变？
2.3.3 和 6.6.1 lucene 文件格式都不一样，没办法原地直接升级，要再搞个集群全部双写一遍。
2.3.3 和 6.6.1 的 Mapping 格式不统一，6.6.1 不支持多 type，现有的那些数据搬迁都没办法搬。
滴滴 ElasticSearch 平台现在不支持索引多版本同时查询，用户查询习惯也千奇百怪，很多带*查询你根本控制不了。
用户那么多，使用差异很大，怎么和用户进行沟通和宣导，怎么屏蔽用户影响和管理用于预期？
就算是要搬迁升级，哪里去找那么多机器，现在还要机房裁撤，还要往外拿机器。
几十个集群，几千个节点都要部署、搭建、重启，还要腾挪上千台机器。慢点搞，这得搞到什么时候，快点搞，万一出问题怎么办？
就算是双写升级了，怎么知道中间有没有问题，数据有没有丢失，用户的查询是不是一致的，功能和性能有没有达到预期，这个怎么验证？
这么多数据，这么多人在用，这么点资源，业务稳定压力又大，估计今年一年都搞不完。
…………
思考：天生我材必有用
在起步阶段有很多问题杂糅在一起，需要理清楚每个问题的重要性、紧急程度、影响层面、相互依赖关系，通过分析归纳我们将其总结为四大问题域：
在对问题域进行归总之后，我们讨论了具体的实施方案和步骤，将其归纳以下四个可以实际推进的环节：
首先进行架构升级：解决引擎侧 2.x/6.x 的不兼容问题，所有的协议、查询语法、Mapping 等不兼容处理在平台侧进行处理。
同时我们开发了一个 ES java SDK 用来解决 6.x 不支持 TCP 接口的问题，使用方式和原有的 es java client 完全一致，用户只要修改 pom 即可。
具体包括：Arius 平台多版本支持、Gateway 的多版本兼容、用户 SDK 开发、AMS 数据采集等，具体见后续详细说明。
其次解决运维问题：解决运维操作过程中多集群搭建、部署、重启的管控问题，提升操作的便利性，提升升级的操作效率，具体见后续详细说明。
再次解决资源问题：解决搬迁升级所需要的大量机器资源问题，为大量集群升级做充足准备，同时还要满足机房裁撤归还机器的要求。
具体包括：索引存储周期优化、冷热数据分离、Mapping 优化、fastIndex 等，具体见后续详细说明。
最后开始实际推进：在做好前期的所有准备工作之后，开始实际推进升级过程。具体包括：性能压测、资源评估、批量双写、查询回放，其中还有一些意想不到的采坑和填坑的过程，具体见后续详细说明。
实战：白沙战场碎铁衣
在理清了整个升级过程中的各个环节的依赖关系、资源消耗、瓶颈点之后，针对架构、资源、实操等三个方面的问题，我们都设计了对应的解决方案，主要如下：
架构
①滴滴 ElasticSearch 平台 ES 多版本支持的架构改造
首先我们在滴滴 ElasticSearch 平台上完成了 ES 多版本支持的架构升级，其中重点有：
Arius Gateway 对跨版本查询差异的兼容，以及多集群下索引跨高低版本集群访问，使得在升级过程中对用户查询结果透明。
Elasticsearch-didi-interanl-client SDK 开发，对用户屏蔽 ES TCP/HTTP 查询差异，解决 ES 6.x 版本不支持 TCP 接口的问题，原有 2.x 的用户只要修改一行 pom 就可以切换到高版本访问。
滴滴 ElasticSearch 平台架构梳理以及 Arius admin 多版本支持。
②基于弹性云的 ES 多集群管控方案
目前滴滴 ElasticSearch 团队运维 30 多个 ES 集群，5000+ 的 ES 节点，集群规模大，场景复杂，运维管控成本比较高。
为此我们设计开发了 ECM（ElasticSearch Cluster Manager）系统用于 ES 集群的部署、重启、扩容、配置管控等一系列操作。
并且我们 80% 的 ES 节点运行在弹性云上，结合弹性云灵活高效的特点，使得我们在进行搬迁升级的过程更加高效。
③ES 服务元数据体系建设
我们构建了一套 AMS（Arius MetaData Service）服务，用于采集和分析 ES 所有集群、节点、索引的各种数据。
包括：容量信息（集群、节点、模板、索引、租户）、TPS/QPS 信息（集群、节点、模板、索引、租户）、运行信息、查询语句、查询模板信息、查询结果和命中率的分析信息等等。
在这些基础的指标数据基础上，我们构建了全面的 ES 运行指标系统，可以全面的了解和监控集群、节点、索引、租户级别的运行信息。
详尽的数据为后续的 ES 的成本优化提供了基础，具体见 —— 基于数据驱动的 ES 分级存储体系，分级存储体系的构建使得我们构建了一套体系化的ES成本节约的系统。
详尽的数据为后续升级时做查询的流量回放对比提供了基础，具体见——基于 ES 服务元数据的查询流量回放对比系统，使得我们在升级过程中可以快速验证升级结果，提升升级效率和稳定性。
同时 AMS 还对数据的可靠性负责，保证产生的数据是及时并且准确的，这样依赖 AMS 的数据分析服务。
如：分级存储、容量规划、回放系统、成本账单、集群健康检查、索引健康分等，只用专注自身的逻辑的实现即可。
资源
在解决架构和兼容性问题之后，我们已经有信心将一个集群在线升级到新版本。
然而由于版本跨度太大无法在原集群上直接进行滚动升级，必须要进行数据双写的搬迁升级，这样升级所需要的 buff 资源就成为制约整个升级进度最重要的因素，因此接下来我们把精力放在节省资源提高资源利用率上。
通过内外挖潜和技术改造，不仅支持了版本升级所需要的机器资源（高峰时 3 个集群同时升级），最终还归还了近 400 台机器，节约成本 80W+ /月。
①基于数据驱动的 ES 分级存储体系
基于 AMS 对应索引的大小、数据量、查询量、查询条件、查询时间、返回结果的统计和分析，我们能精确的分析出来每个索引被使用的场景以及被查询的方式。
如：索引的高频查询时间区间、索引被检索的字段等，在数据分析基础上我们针对每个索引进行了 Mapping 优化、存储周期优化、冷热数据存储优化。
在不影响用户使用需求的前提下，累计节省数据 1PB，搬迁冷数据 700TB，不仅保障了升级过程中有充足的 buff 机器，还归还了近 400 台物理机，节省成本 70W+ /月。
②ES FastIndex 离线数据导入体系
ES FastIndex 的初衷是为了解决集团标签系统的离线导入的效率和资源问题，集团标签系统每天有 30 多 TB 的数据需要在短时间内同步到 ES 中，否则将会影响当天的业务结果，之前方案为了满足效率采用了大量的机器资源。
采用基于 Hadoop 的 ES fastIndex 离线数据导入系统之后，同样的数据导入时间由原来的 8 个小时下降到 2 个小时。
机器成本由原来的 40 台物理机 (ES 27 台、Kafka 3 台、Dsink 10 台) 下降到 30 台弹性云节点（10 台物理机），单单在标签场景就节约成本 7W+ 每月。
③基于资源 Quota 管控的 ES 集群容量规划方案
提升 ES 集群资源使用率也是滴滴 ElasticSearch 团队一直面临和致力于解决的问题。
滴滴 ElasticSearch 团队维护的 ES 机器总容量将近 5PB，提升 10% 的资源使用率即可节约 500TB 的空间，或者用于归还机器，或者用于服务新的需求。
当前 ES 集群整体磁盘使用率在 50% 左右，高峰期曾经达到 60%，日志集群磁盘使用率达到 69.5% (2019.05.01)，但是这个时候集群资源非常不均，磁盘告警也很严重，运维压力非常大，偶尔还会出现丢数据的问题。
为此我们在原有的 ES 机器容量规划算法上，加入了资源 Qutoa 管控，并深入引擎，在引擎层面完善 ES 节点的容量规划和资源均匀，期望将 ES 集群的磁盘整体使用率再提升 10%，日均达到 60%，高峰达到 70%，并且没有磁盘告警和稳定性问题。
实操
在前期准备工作都完成之后，集群升级就成为一个按部就班的过程，虽然期间也遇到了一些意想不到的情况，踩了一些坑，但整体的过程还是进行的比较顺利。
①基于 ES 服务元数据的查询流量回放对比系统
在前期构建的 AMS（Arius Meta Service）系统上，我们对用户查询条件、查询结果进行记录和分析。
在双写搬迁升级过程中，我们将用户的查询条件分别在高低版本的集群上进行回放，将查询返回的结果、性能参数进行对比分析。
只有对比一致，并且性能无太大差异的情况下，我们才认为升级有效，这样做到心中有底。
②基于 ECM 的 ES 多集群升级过程
由于需要进行双写搬迁升级，在实际的升级过程中，需要密集的进行集群搭建、搬迁、重启等操作，得益于 ECM 的集群管控能力，弹性云灵活的特性，我们和运维同学密切配合才能在短时间内完成多个集群的升级工作。
③ES 新版本特性以及升级性能分析
ES 6.6.1 提供了很多新的特性，在查询写入性能上也有很大的提升，我们升级完成的一些案列也得到了验证，我们会这些特性和性能提升进行一个详细的分析并分享给大家。
④ES 版本升级采坑分析
在升级的过程中我们也踩了一些坑，如：高版本 SDK 堆外内存无限制使用导致 OOM 的问题，我们把遇到的问题都详细记录下来进行并分享给大家。
收获：长风破浪会有时
经过近半年的开发和重构，在将国内集群升级到高版本的过程中，我们也在架构、产品、成本、性能、特性、自身能力上都有了很大的提升。
架构更清晰
重构之后整个滴滴 ElasticSearch 平台的服务体系变得更清晰，主要收敛为四大块应用：
Gateway 负责查询写入请求的接入，用户的限流、权限校验、版本兼容在此完成。
ECM 负责所有集群的管控，集群搭建、升级、重启、集群级别监控和运维分析在此完成。
AMS 负责所有集群、节点、索引的运行时信息采集与分析，保障数据质量，并支持其他数据分析应用，分级存储、索引健康分、集群健康检查、查询回放等在此完成。
Arius Admin 负责索引、权限、资源管控等核心能力。依赖 Admin 的核心能力以及 AMS 的数据采集能力，还提供了容量规划和智能告警两个设计良好并且可插拔的扩展服务。
产品更易用
我们基于 ES 6.5.1 版本，完全重构了滴滴 ElasticSearch 用户控制台，其中将用户的一些高频操作，如：Mapping 设置/变更、数据清理、索引扩容缩容、索引转让、成本账单等开放给用户，提升用户的自助操作性。
成本更低廉
之前滴滴 ElasticSearch 平台有一套基于索引创建规则的容量规划算法，相比完全没有规划，老版容量规划算法可以将整体的集群资源使用率由 30% 提升到 50% 左右。
但是也存在着一些问题，如：资源分布不均、热点无法快速发现、动态自适应能力低、规划算法抽象不够无法在索引集群生效、运维便利性差。
下图展现了一个日志集群新老容量规划的磁盘使用率对比，上线新的容量规划之后，集群资源会向着两个方向发展：
正在使用的资源更加聚拢，节点之间资源使用率更平均，整体的资源使用率也更高。
-
空闲资源完全释放，基于弹性云部署，可以做到快速从集群摘除，加入后备资源池或者加入其它资源紧张的集群中。
经过一系列的存储优化和资源使用率改造的完成，在满足集群升级和业务需要增长的基础上，国内 ES 的资源成本从 2019 年 2 月的 339w 下降到 2019 年 6 月的 259w，机器数也从 1658 台下降到 1321 台。
性能更强大
新版本升级之后带来的性能主要体现在以下两点：
①查询性能提升
下图是客服订单列表查询语句升级前后的对比，50 分位耗时从 300ms 下降到 50ms。99 分位从 600ms 下降到 300ms。
②集群写入性能提升
升级到高版本只会，ES 6.6.1 集群相对于 ES 2.3.3 集群同等资源消耗下，整个集群的写入能力提升了 30%。
展望：直挂云帆济沧海
至此，滴滴 ElasticSearch 团队已经完成了国内全部日志集群、90% 的 vip 集群的升级，整个滴滴 ElasticSearch 平台的架构也得以重构和升级，从而在 ES 引擎层面也有了更大的发展空间。
未来我们将更加专注于引擎建设，更多的从根本上解决目前遇到的问题。未来我们将在以下几个方向持续努力：
①更大的集群
在日志场景下尝试突破 ES 单集群支持的最大节点数限制，提升单个集群能支持的节点数量，从目前的单集群支持的 200 个节点提升到 1000 个节点。
期待在大集群下能降低我们的集群数量提升运维效率，同时更大的集群能更方便和更灵活的提升资源使用率，解决流量突增和资源热点问题。
②更低的成本
降低 ES 的使用成本，提升资源使用率一直是我们追求的目标，上半年我们在完成集群升级以及服务好业务的同时也完成节约成本 80w 每月，ES 整体成本下降约 25%，下半年争取再下降成本 10%。
ES 6.6.1 提供的一些新特性如：Frozen 机制、Indexing sort 都将会进一步降低资源消耗。
③更快的迭代
ES 集群内多租户查询之间的相互影响一直也是滴滴 ElasticSearch 团队面临的一个比较难解决的问题，之前更多的是在平台层面通过物理资源隔离，查询审核和限流来解决，资源利用率不高和人为运维成本太大。
后续我们将构建一套 ES 自身的查询优化器，类似 MySQL 的 Explain，可以在查询语句级别进行性能分析和查询优化，并在引擎层面通过索引模板级别的查询资源隔离、一般 query 和 heavy query 的分离来保障查询的稳定。
④更紧密的联系
在 ES 新版的基础上，我们将和社区保持更紧密的联系，积极的跟进社区提供的新特性和发展方向，并引入滴滴供大家使用。
也会更积极的参与社区建设，将我们在滴滴内部遇到和解决的问题反馈给社区，贡献更多的 PR 和产生更多的 ES Contributor。
简介：滴滴专家工程师 2018 加入滴滴，滴滴搜索团队负责人，全面负责滴滴搜索平台的建设工作。曾在阿里巴巴工作多年，有丰富的平台建设经验。
编辑：陶家龙
精彩文章推荐：