摘自 滴滴技術 一個愛發乾貨的官方技術號
2019 年 1 月到 2019 年 7 月滴滴 ElasticSearch 團隊（Arius）將維護國內的 30 多個 ES 集群，2000 多個 ES 節點，4PB 的數據，從 2.3.3 跨大版本無縫升級到 6.6.1。
在對用戶查詢寫入基本零影響和改動的前提下，解決了 ES 跨大版本協議不兼容、Mapping 不兼容等業內難題，整個過程對絕大部分用戶完全透明。
團隊同學經過 7 個月的奮鬥，完成 ES 版本升級的過程中，也完成了滴滴 ElasticSearch 平臺的架構升級。
取得了單機查詢性能提升 40%，整體集群 CPU 下降 10%，寫入 TPS 提升 30%，歸還物理機近 400 臺，成本節約 80W /月、0 故障的成績，並在引擎上向社區貢獻了 4 個 PR，一位同學升級為 ES Contributor。
如此大規模的跨大版本升級，在 ES 業內也很少見，從開始準備到實際執行，遇到了很多困難，踩了一些坑，期間也有很多我們的思考。
為此我們準備本期的總結和分享，主要從以下幾個方面展開：
· 背景：推石頭的西西弗斯
· 困難：拔劍四顧心茫然
· 思考：天生我材必有用
· 實戰：百戰沙場碎鐵衣
· 收益：長風破浪會有時
· 展望：直掛雲帆濟滄海
背景：推石頭的西西弗斯
滴滴 ElasticSearch 團隊從 2016 年開始建設 ElasticSearch 平臺，在 2016 年 6 月份的時候開始對外提供服務，當時選擇了 ElasticSearch 最新的 2.3 版本。
如今三年過去了，ElasticSearch 生態經歷了飛速的增長，Elastic 公司完成了上市，ElasticSearch 在 db-engines 的分數從 88 上漲到 148，排名從 11 名上升到第 7 名。
這期間 ES 發佈了 3 個大版本，幾十個中版本，而最近 ElasticSearch 已經發布了 7.x 版本。
在這三年中滴滴 Elasticsearch 平臺基於 ElasticSearch 推出了日誌檢索、MySQL 實時數據庫快照、分佈式文檔數據庫、搜索引擎等四大服務，四大業務均快速發展。
目前滴滴 ElasticSearch 平臺服務了集團裡面 1200 個應用，其中：訂單、客服、金融、把脈、新政等業務核心實時場景也運行在 Elasticsearch 之上，運維 ES 集群 30+，寫入 TPS 峰值到達 1500W，查詢 QPS 達到 2W。
業務的快速發展既是滴滴 ElasticSearch 團隊工作的肯定，但隨之而來也有巨大的挑戰和壓力，其中版本過低是未來 ElasticSearch 平臺發展最大制約因素，其中主要有以下幾點。
①社區不再維護老版本：ElasticSearch 2.3.3 版本過於陳舊，ES 社區早已不再進行維護，在 2.x 上遇到的問題社區不解決，提交的 issue 也不處理，提交代碼也不被接收。
基於 2.3.3 我們也解決了很多 ES 自身的問題，如：Master 更新元數據超時導致內存洩露、TCP 協議字段溢出等。
由於無法和社區互動，團隊同學的價值也得不到社區的認可，長此以往只會和 ES 生態越來越遠，我們在 ES 技術圈中的聲音也會越來越弱。
②新版本特性很難被使用：最近 3 年是 ES 生態大發展的 3 年，ES 自身在功能、性能上都有非常大提升。
如：默認使用 BM25 評分算法，效果更佳；lucene docvalues 稀疏區域改進，更節約磁盤空間；新增 Frozen indices 能力，可以顯著降低 ES 內存開銷。
很多特性也非常適合 ElasticSearch 平臺的場景，但是版本差距過大一直制約著我們，無法享受技術進步的紅利。
一邊是業務快速發展要求更豐富的功能、更強大的性能、更低的成本、更穩定的服務；一邊離最新的業內技術越來越遠，團隊價值越來越弱，逐漸淪為一支只能做業務的偽引擎團隊，整個團隊的現狀就如同推石頭的西西弗斯。
要麼我們迎難而上，克服困難，一口氣把整個集群升級到最新的版本，把石頭推過山頂，再輕裝前行；要麼就是繼續獨自勉力支撐，在業務和引擎的雙重壓力下蹣跚而行。
滴滴 ElasticSearch 團隊最終選擇對滴滴 ElasticSearch 平臺進行重構並將維護的所有 ES 集群升級到最新版本。
困難：拔劍四顧心茫然
理想很豐滿，現實很骨感，下決心很容易，然而實際執行很困難：
· 2.3.3 和 6.6.1 協議不兼容啊，6.6.1 都不支持 TCP 協議了，那些通過 TCP 查的用戶怎麼辦，讓他們一個一個改代碼，那要改到什麼時候？
· 2.3.3 和 6.6.1 有些返回的字段都不一樣了，有些查詢語法也不兼容，怎麼做到對用戶的透明，還是直接強迫用戶接受改變？
· 2.3.3 和 6.6.1 lucene 文件格式都不一樣，沒辦法原地直接升級，要再搞個集群全部雙寫一遍。
· 2.3.3 和 6.6.1 的 Mapping 格式不統一，6.6.1 不支持多 type，現有的那些數據搬遷都沒辦法搬。
· 滴滴 ElasticSearch 平臺現在不支持索引多版本同時查詢，用戶查詢習慣也千奇百怪，很多帶*查詢你根本控制不了。
· 用戶那麼多，使用差異很大，怎麼和用戶進行溝通和宣導，怎麼屏蔽用戶影響和管理用於預期？
· 就算是要搬遷升級，哪裡去找那麼多機器，現在還要機房裁撤，還要往外拿機器。
· 幾十個集群，幾千個節點都要部署、搭建、重啟，還要騰挪上千臺機器。慢點搞，這得搞到什麼時候，快點搞，萬一出問題怎麼辦？
· 就算是雙寫升級了，怎麼知道中間有沒有問題，數據有沒有丟失，用戶的查詢是不是一致的，功能和性能有沒有達到預期，這個怎麼驗證？
· 這麼多數據，這麼多人在用，這麼點資源，業務穩定壓力又大，估計今年一年都搞不完。
· …………
在剛開始決定進行跨版本升級之後，我們面臨的問題就撲面而來，其中任何一條不解決，都會極大的阻礙升級的進程。
思考：天生我材必有用
在起步階段有很多問題雜糅在一起，需要理清楚每個問題的重要性、緊急程度、影響層面、相互依賴關係，通過分析歸納我們將其總結為四大問題域：
在對問題域進行歸總之後，我們討論了具體的實施方案和步驟，將其歸納以下四個可以實際推進的環節：
首先進行架構升級：解決引擎側 2.x/6.x 的不兼容問題，所有的協議、查詢語法、Mapping 等不兼容處理在平臺側進行處理。
同時我們開發了一個 ES java SDK 用來解決 6.x 不支持 TCP 接口的問題，使用方式和原有的 es java client 完全一致，用戶只要修改 pom 即可。
具體包括：Arius 平臺多版本支持、Gateway 的多版本兼容、用戶 SDK 開發、AMS 數據採集等，具體見後續詳細說明。
其次解決運維問題：解決運維操作過程中多集群搭建、部署、重啟的管控問題，提升操作的便利性，提升升級的操作效率，具體見後續詳細說明。
再次解決資源問題：解決搬遷升級所需要的大量機器資源問題，為大量集群升級做充足準備，同時還要滿足機房裁撤歸還機器的要求。
具體包括：索引存儲週期優化、冷熱數據分離、Mapping 優化、fastIndex 等，具體見後續詳細說明。
最後開始實際推進：在做好前期的所有準備工作之後，開始實際推進升級過程。具體包括：性能壓測、資源評估、批量雙寫、查詢回放，其中還有一些意想不到的採坑和填坑的過程，具體見後續詳細說明。
實戰：白沙戰場碎鐵衣
在理清了整個升級過程中的各個環節的依賴關係、資源消耗、瓶頸點之後，針對架構、資源、實操等三個方面的問題，我們都設計了對應的解決方案，主要如下：
架構
①滴滴 ElasticSearch 平臺 ES 多版本支持的架構改造
首先我們在滴滴 ElasticSearch 平臺上完成了 ES 多版本支持的架構升級，其中重點有：
· Arius Gateway 對跨版本查詢差異的兼容，以及多集群下索引跨高低版本集群訪問，使得在升級過程中對用戶查詢結果透明。
· Elasticsearch-didi-interanl-client SDK 開發，對用戶屏蔽 ES TCP/HTTP 查詢差異，解決 ES 6.x 版本不支持 TCP 接口的問題，原有 2.x 的用戶只要修改一行 pom 就可以切換到高版本訪問。
· 滴滴 ElasticSearch 平臺架構梳理以及 Arius admin 多版本支持。
②基於彈性雲的 ES 多集群管控方案
目前滴滴 ElasticSearch 團隊運維 30 多個 ES 集群，5000+ 的 ES 節點，集群規模大，場景複雜，運維管控成本比較高。
為此我們設計開發了 ECM（ElasticSearch Cluster Manager）系統用於 ES 集群的部署、重啟、擴容、配置管控等一系列操作。
並且我們 80% 的 ES 節點運行在彈性雲上，結合彈性雲靈活高效的特點，使得我們在進行搬遷升級的過程更加高效。
③ES 服務元數據體系建設
我們構建了一套 AMS（Arius MetaData Service）服務，用於採集和分析 ES 所有集群、節點、索引的各種數據。
包括：容量信息（集群、節點、模板、索引、租戶）、TPS/QPS 信息（集群、節點、模板、索引、租戶）、運行信息、查詢語句、查詢模板信息、查詢結果和命中率的分析信息等等。
在這些基礎的指標數據基礎上，我們構建了全面的 ES 運行指標系統，可以全面的瞭解和監控集群、節點、索引、租戶級別的運行信息。
詳盡的數據為後續的 ES 的成本優化提供了基礎，具體見 —— 基於數據驅動的 ES 分級存儲體系，分級存儲體系的構建使得我們構建了一套體系化的ES成本節約的系統。
詳盡的數據為後續升級時做查詢的流量回放對比提供了基礎，具體見——基於 ES 服務元數據的查詢流量回放對比系統，使得我們在升級過程中可以快速驗證升級結果，提升升級效率和穩定性。
同時 AMS 還對數據的可靠性負責，保證產生的數據是及時並且準確的，這樣依賴 AMS 的數據分析服務。
如：分級存儲、容量規劃、回放系統、成本賬單、集群健康檢查、索引健康分等，只用專注自身的邏輯的實現即可。
資源
在解決架構和兼容性問題之後，我們已經有信心將一個集群在線升級到新版本。
然而由於版本跨度太大無法在原集群上直接進行滾動升級，必須要進行數據雙寫的搬遷升級，這樣升級所需要的 buff 資源就成為制約整個升級進度最重要的因素，因此接下來我們把精力放在節省資源提高資源利用率上。
通過內外挖潛和技術改造，不僅支持了版本升級所需要的機器資源（高峰時 3 個集群同時升級），最終還歸還了近 400 臺機器，節約成本 80W+ /月。
①基於數據驅動的 ES 分級存儲體系
基於 AMS 對應索引的大小、數據量、查詢量、查詢條件、查詢時間、返回結果的統計和分析，我們能精確的分析出來每個索引被使用的場景以及被查詢的方式。
如：索引的高頻查詢時間區間、索引被檢索的字段等，在數據分析基礎上我們針對每個索引進行了 Mapping 優化、存儲週期優化、冷熱數據存儲優化。
在不影響用戶使用需求的前提下，累計節省數據 1PB，搬遷冷數據 700TB，不僅保障了升級過程中有充足的 buff 機器，還歸還了近 400 臺物理機，節省成本 70W+ /月。
②ES FastIndex 離線數據導入體系
ES FastIndex 的初衷是為了解決集團標籤系統的離線導入的效率和資源問題，集團標籤系統每天有 30 多 TB 的數據需要在短時間內同步到 ES 中，否則將會影響當天的業務結果，之前方案為了滿足效率採用了大量的機器資源。
採用基於 Hadoop 的 ES fastIndex 離線數據導入系統之後，同樣的數據導入時間由原來的 8 個小時下降到 2 個小時。
機器成本由原來的 40 臺物理機 (ES 27 臺、Kafka 3 臺、Dsink 10 臺) 下降到 30 臺彈性雲節點（10 臺物理機），單單在標籤場景就節約成本 7W+ 每月。
③基於資源 Quota 管控的 ES 集群容量規劃方案
提升 ES 集群資源使用率也是滴滴 ElasticSearch 團隊一直面臨和致力於解決的問題。
滴滴 ElasticSearch 團隊維護的 ES 機器總容量將近 5PB，提升 10% 的資源使用率即可節約 500TB 的空間，或者用於歸還機器，或者用於服務新的需求。
當前 ES 集群整體磁盤使用率在 50% 左右，高峰期曾經達到 60%，日誌集群磁盤使用率達到 69.5% (2019.05.01)，但是這個時候集群資源非常不均，磁盤告警也很嚴重，運維壓力非常大，偶爾還會出現丟數據的問題。
為此我們在原有的 ES 機器容量規劃算法上，加入了資源 Qutoa 管控，並深入引擎，在引擎層面完善 ES 節點的容量規劃和資源均勻，期望將 ES 集群的磁盤整體使用率再提升 10%，日均達到 60%，高峰達到 70%，並且沒有磁盤告警和穩定性問題。
實操
在前期準備工作都完成之後，集群升級就成為一個按部就班的過程，雖然期間也遇到了一些意想不到的情況，踩了一些坑，但整體的過程還是進行的比較順利。
①基於 ES 服務元數據的查詢流量回放對比系統
在前期構建的 AMS（Arius Meta Service）系統上，我們對用戶查詢條件、查詢結果進行記錄和分析。
在雙寫搬遷升級過程中，我們將用戶的查詢條件分別在高低版本的集群上進行回放，將查詢返回的結果、性能參數進行對比分析。
只有對比一致，並且性能無太大差異的情況下，我們才認為升級有效，這樣做到心中有底。
②基於 ECM 的 ES 多集群升級過程
由於需要進行雙寫搬遷升級，在實際的升級過程中，需要密集的進行集群搭建、搬遷、重啟等操作，得益於 ECM 的集群管控能力，彈性雲靈活的特性，我們和運維同學密切配合才能在短時間內完成多個集群的升級工作。
③ES 新版本特性以及升級性能分析
ES 6.6.1 提供了很多新的特性，在查詢寫入性能上也有很大的提升，我們升級完成的一些案列也得到了驗證，我們會這些特性和性能提升進行一個詳細的分析並分享給大家。
④ES 版本升級採坑分析
在升級的過程中我們也踩了一些坑，如：高版本 SDK 堆外內存無限制使用導致 OOM 的問題，我們把遇到的問題都詳細記錄下來進行並分享給大家。
收穫：長風破浪會有時
經過近半年的開發和重構，在將國內集群升級到高版本的過程中，我們也在架構、產品、成本、性能、特性、自身能力上都有了很大的提升。
架構更清晰
重構之後整個滴滴 ElasticSearch 平臺的服務體系變得更清晰，主要收斂為四大塊應用：
· Gateway 負責查詢寫入請求的接入，用戶的限流、權限校驗、版本兼容在此完成。
· ECM 負責所有集群的管控，集群搭建、升級、重啟、集群級別監控和運維分析在此完成。
· AMS 負責所有集群、節點、索引的運行時信息採集與分析，保障數據質量，並支持其他數據分析應用，分級存儲、索引健康分、集群健康檢查、查詢回放等在此完成。
· Arius Admin 負責索引、權限、資源管控等核心能力。依賴 Admin 的核心能力以及 AMS 的數據採集能力，還提供了容量規劃和智能告警兩個設計良好並且可插拔的擴展服務。
四個應用完成功能抽象、依賴解耦和服務化改造，相比之前下線了 arius-watch、arius-dsl、arius-tools、arius-monitor、arius-mark 等五個小應用，重構之後整體開發效率和可運維性得到了很大的提高。
產品更易用
我們基於 ES 6.5.1 版本，完全重構了滴滴 ElasticSearch 用戶控制檯，其中將用戶的一些高頻操作，如：Mapping 設置/變更、數據清理、索引擴容縮容、索引轉讓、成本賬單等開放給用戶，提升用戶的自助操作性。
未來我們還會對滴滴 ElasticSearch 用戶控制檯中的 Kibana 升級到最新版本並進行定製化開發，提供更豐富和更強大的功能給用戶使用。
成本更低廉
之前滴滴 ElasticSearch 平臺有一套基於索引創建規則的容量規劃算法，相比完全沒有規劃，老版容量規劃算法可以將整體的集群資源使用率由 30% 提升到 50% 左右。
但是也存在著一些問題，如：資源分佈不均、熱點無法快速發現、動態自適應能力低、規劃算法抽象不夠無法在索引集群生效、運維便利性差。
下圖展現了一個日誌集群新老容量規劃的磁盤使用率對比，上線新的容量規劃之後，集群資源會向著兩個方向發展：
· 正在使用的資源更加聚攏，節點之間資源使用率更平均，整體的資源使用率也更高。
· 空閒資源完全釋放，基於彈性雲部署，可以做到快速從集群摘除，加入後備資源池或者加入其它資源緊張的集群中。
經過一系列的存儲優化和資源使用率改造的完成，在滿足集群升級和業務需要增長的基礎上，國內 ES 的資源成本從 2019 年 2 月的 339w 下降到 2019 年 6 月的 259w，機器數也從 1658 臺下降到 1321 臺。
隨著國內集群升級逐漸全部完成，Ceph 冷存的完善，還會逐步歸還更多的機器，滴滴 ElasticSearch 平臺的使用成本也會一步一步下降，在定價上我們也會考慮進一步的進行降價。
性能更強大
新版本升級之後帶來的性能主要體現在以下兩點：
①查詢性能提升
下圖是客服訂單列表查詢語句升級前後的對比，50 分位耗時從 300ms 下降到 50ms。99 分位從 600ms 下降到 300ms。
性能提升的詳細分析見：ES 新版本特性以及升級性能分析。
②集群寫入性能提升
升級到高版本只會，ES 6.6.1 集群相對於 ES 2.3.3 集群同等資源消耗下，整個集群的寫入能力提升了 30%。
如下圖日誌集群的寫入 TPS 前後對比，集群寫入能力從 240w/s 提升到320w/s。
展望：直掛雲帆濟滄海
至此，滴滴 ElasticSearch 團隊已經完成了國內全部日誌集群、90% 的 vip 集群的升級，整個滴滴 ElasticSearch 平臺的架構也得以重構和升級，從而在 ES 引擎層面也有了更大的發展空間。
未來我們將更加專注於引擎建設，更多的從根本上解決目前遇到的問題。未來我們將在以下幾個方向持續努力：
①更大的集群
在日誌場景下嘗試突破 ES 單集群支持的最大節點數限制，提升單個集群能支持的節點數量，從目前的單集群支持的 200 個節點提升到 1000 個節點。
期待在大集群下能降低我們的集群數量提升運維效率，同時更大的集群能更方便和更靈活的提升資源使用率，解決流量突增和資源熱點問題。
②更低的成本
降低 ES 的使用成本，提升資源使用率一直是我們追求的目標，上半年我們在完成集群升級以及服務好業務的同時也完成節約成本 80w 每月，ES 整體成本下降約 25%，下半年爭取再下降成本 10%。
ES 6.6.1 提供的一些新特性如：Frozen 機制、Indexing sort 都將會進一步降低資源消耗。
③更快的迭代
ES 集群內多租戶查詢之間的相互影響一直也是滴滴 ElasticSearch 團隊面臨的一個比較難解決的問題，之前更多的是在平臺層面通過物理資源隔離，查詢審核和限流來解決，資源利用率不高和人為運維成本太大。
後續我們將構建一套 ES 自身的查詢優化器，類似 MySQL 的 Explain，可以在查詢語句級別進行性能分析和查詢優化，並在引擎層面通過索引模板級別的查詢資源隔離、一般 query 和 heavy query 的分離來保障查詢的穩定。
④更緊密的聯繫
在 ES 新版的基礎上，我們將和社區保持更緊密的聯繫，積極的跟進社區提供的新特性和發展方向，並引入滴滴供大家使用。
也會更積極的參與社區建設，將我們在滴滴內部遇到和解決的問題反饋給社區，貢獻更多的 PR 和產生更多的 ES Contributor。
閱讀更多 瘋狂的肉絲麵 的文章
