继续浏览精彩内容
慕课网APP
程序员的梦工厂
打开
继续
感谢您的支持,我会继续努力的
赞赏金额会直接到老师账户
将二维码发送给自己后长按识别
微信支付
支付宝支付

360 智能商业业务线经验分享:TiDB 写热点调优实战

PingCAP
关注TA
已关注
手记 490
粉丝 61
获赞 84

作者介绍:代晓磊,现 360 商业化数据库运维专家,TiDB User Group Ambassador,负责整个智能商业业务线数据库运维,解决各种数据库疑难问题,推广 TiDB 等新开源数据库应用。

360 智能商业业务线从 2019 年 3 月份开始使用 TiDB,目前线上有 5 套 TiDB 集群,数据总容量 20T,主要应用在数据分析平台、广告主实时报表、物料库、实时监控平台等核心业务中。

在使用 TiDB 的过程中,我们也遇到过一些问题,积攒了一些经验。由于篇幅有限,下面主要分享写热点问题现象和对应的解决方案,希望能够能对其他 TiDB 用户有所帮助。

业务简介以及数据库选型

360 智能商业业务线广告主实时报表业务简介

广告主关键词实时统计报表业务的流程是:业务数据首先进入 Kafka,每 30 秒会有程序读 Kafka 数据,并进行聚合,然后存储到 TiDB 中,存储到 TiDB 的过程每批次会有几十万的写入,单表数据量 1.2~1.5 亿。

业务写入 SQL 主要是:insert on duplicate key update,Batch 为 100,并发为 300,并且每天创建一张新表进行写入。写入初期由于没有重复的 uniq_key,所以主要是 insert 。随着数据量到达 2000 多万,update 的操作也越来越多。

表结构如下:

数据库选型:MySQL or TiDB?

说到 TiDB 不得不提其架构。下面结合架构图简单介绍一下 TiDB 对于我们来说最有吸引力的特性。

  1. 可在线扩展:TiDB Server/PD/TiKV 这 3 大核心模块各司其职,并且支持在线扩容,region 自动 balance,迁移过程对业务无感知。

  2. 高可用:基于 Raft 的多数派选举协议实现了金融级别的数据强一致性保证,且在不丢失大多数副本的前提下,可以实现故障的自动恢复 (auto-failover),无需人工介入。

  3. 无缝迁移:支持 MySQL 协议,业务迁移无需修改代码。

  4. 丰富的监控+运维工具:

    • 监控:基于 Prometheus + Grafana 的丰富监控模板;
    • 运维工具:TiDB Ansible 部署+运维;
    • TiDB Data Migration(DM):将数据从 MySQL 迁移+同步的工具;
    • TiDB Lightning:可以从 CSV 文件或者第三方数据源将数据直接导入到 TiKV;
    • TiDB Binlog:备份工具,也可以重放到 Kafka/MySQL/TiDB 等数据库。

TiDB 最核心的应用场景是:大数据量下的分库分表,比如经常需要 1 拆 4,4 拆 8 等数据库无限制拆分情况,并且业务端还需要自己维护路由规则,TiDB 良好的扩展性解决了这些问题。

为了能满足这么大的写入量,我们其实曾经尝试过单实例 MySQL 去抗请求,测试完后发现单实例 MySQL 压力较大,如果要分散写压力且不改变架构,那么又要走 MySQL 分库分表这种老路,TiDB 3.0 GA 发布之后,我们拿离线数据进行了压测,2 小时 1.5 亿的数据存储 (tps:2W/s),整个系统负载良好,所以我们最终决定使用 TiDB。

系统配置及部署架构

服务器硬件配置

  • CPU:E5-2630v2*2
  • Mem:16G DDR3*8
  • Disk:
    • Intel S3500 300G*1
    • flash:宝存1.6T*1
  • Net:1000M*2

服务器系统版本 :CentOS Linux release 7.4.1708 (Core)

TiDB 的版本 :tidb-ansible-3.0.0

规模 :2.8 亿/天

存储 :3.8T

TiDB 部署架构图

注:PD 跟 TiDB 共用服务器

写热点问题优化实践

热点现象描述

业务方向我们反馈从 7 月份开始, Kafka 队列里面有大量的数据累积,等待写入TiDB。Kafka 高峰期的待写入 lag 有 3000 多万,接口的调用时间由之前的 1s 变成现在的 3s-5s。我们登录 TiDB 发现,单表的数据量由之前的 7000 飙升到 1.2-1.5 亿,虽然数据量几乎翻了一倍,但单条 insert 的性能应该不至于这么差,于是开始着手定位问题。

下图是 Kafka 当时的待写入的 lag 情况:

查看 Grafana Overview 监控,通过 TiKV 监控项 “scheduler pending commands”,发现 TiKV 227 节点大量等待的命令。

通过 TiKV 监控项“CPU 使用”也可以看出热点都集中在 227 这个 TiKV 节点上。

解决方案

一般来说有三个优化方法:手动 split 热点、参数优化、表结构优化,大家可以根据线上写热点表的表结构不同而采用不同的优化方案。

对于 PK 非整数或没有 PK 的表,数据在 Insert 时,TiDB 会使用一个隐式的自增 rowid,大量的 Insert 会把数据集中写入单个 Region,造成写热点。

此时可以使用 SHARD_ROW_ID_BITS 来打散热点,如果业务表可以新建的话(比如我们的报表业务是按天分表),可以结合 pre-split-regions 属性一起在建表阶段就将 Region 打散。如果不满足上面的表结构(比如就是以自增 ID 为主键的表),可以使用手动 split region 功能。上面的两种方法都需要 PD 的参数调整来加快热点 Region 的调度。

手动 split 热点

因为我们的表结构是 ID 自增主键,所以我们先使用手动 split 热点。

1. 找出热点 TiKV 的 Store Number

在 tidb-ansible 的 scripts 目录下 table-regions.py 脚本可以查看热点表和索引 Region 分布情况:

python table-regions.py --host=tidb_host –port=10080 db_name tb_name
[RECORD – db_name.tb_name] - Leaders Distribution:
total leader count: 282
store: 1, num_leaders: 1, percentage: 0.35%
store: 4, num_leaders: 13, percentage: 4.61%
store: 5, num_leaders: 16, percentage: 5.67%
store: 7, num_leaders: 252, percentage: 89.36%
~~~~~~~~~~~~~~~~~~~~~~~~~~~

通过执行上面的命令,能查看热点表都在 store 7(227 服务器) 这个 TiKV 节点。

2. 查看热点的表 Regions 分布

curl http:// ${tidb_host}:10080/tables/db_name/tb_name/regions > regions.log

3. 手动切分 Region

切分命令如下:

pd-ctl -u http:// ${pd_host}:2379 operator add split-region region_id

使用命令找出 Store7 的 Region ID:

grep -B 3 ": 7" regions.log |grep "region_id"|awk -F': ' '{print $2}'|awk -F',' '{print "pd-ctl -u http://pd_host:2379 operator add split-region",$1}' > split_region.sh

4. 执行切分脚本就实现了 Region 切分

sh split_region.sh

参数优化

1. 调整 PD 调度参数

pd-ctl -u http://pd_host:2379 config set 参数值
    "hot-region-schedule-limit": 8  
"leader-schedule-limit": 8,     
"region-schedule-limit": 16

上面 3 个参数分别是控制进行 hot-region\leader\region 调度的任务个数。这个值主要影响相应 Region balance 的速度,值越大调度得越快,但是也不宜过大,可以先增加一倍看效果。

2. TiKV 参数之:sync-log

跟 MySQL 的 innodb_flush_log_at_trx_commit(0,1,2) 类似,TiDB 也有一个 sync-log 参数,该参数控制数据、log 落盘是否 sync。注意:如果是非金融安全级别的业务场景,可以考虑设置成 false,以便获得更高的性能,但可能会丢数据。

该参数是 TiKV 参数,需要调整 tidb-ansible 下 conf 目录中 tikv.yml,然后使用下面的命令,只滚动升级 TiKV 节点。

ansible-playbook rolling_update.yml --tags=tikv

注:本次优化保持默认 true

下面介绍几个查看参数优化效果的方式:

1. 通过命令查看 Leader 调度情况

pd-ctl -u http:// ${pd_host}:2379 operator show leader

2. 通过 Grafana 监控图查看

在 PD 监控模块中找到 Scheduler 模块->Scheduler is running->balance-hot-region-scheduler,balance-hot-region-scheduler 有值,则代表有热点 Region 调度,如下图所示:

在 PD 监控模板中找到 Operator->Schedule operator create->balance-leader,这个参数代表如下图所示:

然后从 Overview 中,查看 TiKV 模块的 Leader、Region,CPU、Scheduler Pending Commands 等变化情况,对优化效果进行综合分析。

终极大招之表结构优化

我们发现通过手 split 的方式并没有较好地解决业务的写热点问题,所以又采用了SHARD_ROW_ID_BITS 结合 PRE_SPLIT_REGION 的方式来打散热点。

对于 PK 非整数或没有 PK 的表,在 insert 的时候 TiDB 会使用一个隐式的自增 rowid,大量 INSERT 会把数据集中写入单个 Region,造成写入热点。通过设置 SHARD_ROW_ID_BITS 来适度分解 Region 分片,以达到打散 Region 热点的效果。使用方式:

ALTER TABLE t SHARD_ROW_ID_BITS = 4;  #值为 4 表示 16 个分片

由于我们每天都会新建表,所以为了更好的效果,也使用了 PRE_SPLIT_REGIONS 建表预切分功能,通过配置可以预切分 2^(pre_split_regions-1) 个 Region。

下面是最新的表结构,其中最重要的优化是删除了自增主键 ID,建表时添加了 SHARD_ROW_ID_BITS 结合 PRE_SPLIT_REGION 配置。

该建表语句会对这个表 t 预切分出 4 + 1 个 Region。4 *(2^(3-1)) 个 Region 来存 table 的行数据,1 个 Region 是用来存索引的数据。

关于 SHARD_ROW_ID_BITSPRE_SPLIT_REGION 这 2 个参数使用详情参见官方文档:

此外,针对自增主键 ID 造成写入热点的问题,TiDB 将会在 4.0 版本为提供一个新的列属性:Auto_Random。这个属性类似于 Auto_Increment,可以定义在整型主键上,由 TiDB 自动分配一个保证不重复的随机 ID。有了这个特性后,上面的例子可以做到不删除主键 ID,同时避免写入热点。

最终优化效果

从监控上看,TiKV 的 CPU 使用非常均衡:

从命令调度的结果来看也比较均衡:

总结

本文只是拿 360 智能商业业务线的一个业务场景分享了热点 Region 的打散方法,目的是提供写热点优化的思路,希望能对大家有一定的帮助。本文调优过程中得到了 PingCAP 公司技术人员的大力支持,在此表示衷心的感谢。

TiDB 的存储和计算分离的架构,结合高可用、高性能、易扩展、易运维等特性,给大数据量的数据拆分带来了曙光,未来会在 360 智能商业业务线有更多的项目落地。在未来,我们期望用 TiFlash 解决 TiDB 下游数据治理问题,并做到跨数据中心部署的方案。

打开App,阅读手记
0人推荐
发表评论
随时随地看视频慕课网APP