Elasticsearch高级调优方法论之——根治慢查询！

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？

本文主要源于常见慢查询故障的排除方法，阅读本文的前提需要你对Elasticsearch的原理有大致的了解。

如果不了解Elastic相关原理，可以移步：elastic.blog.csdn.net 或 历史文章。

如果不了解慢查询，可以移步：为什么Elasticsearch查询变得这么慢了？

本文的目的：根治慢查询。

2、Elasticsearch慢查询六大症状及解决方案

在我们研究一些棘手的案例之前，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。

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

响应如下：

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：

1GET _tasks?nodes=nodeId1,nodeId2

取消任务

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）。

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：

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。

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：

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"。

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。

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

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[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。

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。

Elasticsearch性能优化非一朝一夕之功，“认准病根才能根除病痛”。

---

原文地址：

https://www.elastic.co/cn/blog/advanced-tuning-finding-and-fixing-slow-elasticsearch-queries

官方优化：

https://www.elastic.co/guide/en/elasticsearch/reference/7.0/how-to.html

END

关注我

公众号(zhisheng)里回复 面经、ES、Flink、 Spring、Java、Kafka、监控 等关键字可以查看更多关键字对应的文章

Flink 实战

Flink 源码解析

知识星球里面可以看到下面文章

喜欢就点个"在看"呗^_^