在海量数据的背景下，数据的写入、存储、分析、搜索都会遇到不小的挑战(存储成本大，写入查询慢等)，Elasticsearch技术栈一直是日志、安全、搜索的首选。随着数据规模的海量增长，降本增效的诉求也越来越高。本次分享将解析腾讯云全新技术栈下的系统架构，基于腾讯云ES自研存算分离、读写分离、查询/IO并行化等一套完整的降本增效解决方案。主要内容包括：
1. 存算分离：自研低频存储架构优化，存储成本节约50%-80%
2. 读写分离：无共享、自闭环，读写资源隔离的同时提升1-3倍写入吞吐
3. 查询/IO并行化：自研多线程并行查询框架，查询性能提升3~5倍
痛点与挑战✦
1、 存储的痛点：
1.1：副本冗余存储：主分片和副本的数据量是完全一样的，主分片已经存储了一份数据之后，副本再存储一份同样的数据便是冗余。对于云上的产品来讲，云盘会有3份备份、ES通过副本再备份一次，所以相当于有六份存储。
1.2：计算与存储耦合：CPU和IO相互影响。比如如果IO打满CPU使用率确很低，CPU资源没有充分利用。CPU打满IO使用率却很低，IO没有充分利用。
2、 写入的痛点：
2.1：副本冗余写入：当一个写入请求发送到ES集群时，主分片会进行分词、解析、写入到Lucene，主分片写入完成后会转发给副本，这时副本会重复做同样的事情，那如果把主分片refresh成的segment直接拷贝给副本就可以减少一半的计算量。
2.2：分片长尾效应：ES的写入会把一批数据分发到所有分片上，当一个分片所在节点出现了问题(GC、网络抖动、负载太高等)，那么会影响整体的写入响应。
3、 查询的痛点：
3.1：Segment串行处理：默认情况下ES在查询的时候是串行执行的，比如有10个Segment，ES是1个1个Segment的去查询Lucene，然后打分、合并倒排表，收集文档等，直至最后一个segment，最后返回给协调节点。
3.2：大数据量查询性能慢：在使用ES的过程中应该都会发现，在数据量小的时候一切都还好，当数据量一旦变大，会出现各种问题。
全新技术栈✦
存算分离 读写分离 查询/IO并行化是腾讯云ES全新一代技术架构，是腾讯云ES最近非常重磅的功能，存算分离主要是解决存储成本的痛点，读写分离主要是解决读写资源隔离和写入的痛点，查询/IO并行化主要是解决查询的痛点。
接下来是解决方案的具体实现,请参考下面的视频
未来规划✦
1.存算分离
分布式缓存：当数据存储在COS上时，我们在本地会缓存一部分经常查询的数据来提高查询的性能。主分片和副本的缓存都在各自的机器上，存在一定的冗余。为了进一步降低存储成本，我们会实现分布式缓存，让主副分片共享一份缓存。
2.读写分离
读写分离还有进一步优化的空间，一方面Segment发送太快，merge可能跟不上会导致写入限流，另一方面写入速度大幅提升导致IO打的很满时数据可能会有延迟。未来我们会进一步优化提升merge、parse document、分词、flush等层面性能，理论上写入性能可以提升5-10倍。
3.聚合下推
ES的聚合分析性能相对于专门做分析场景的olap框架还是有一定的差距的，ES聚合的实现是通过docId查找列存，当匹配的文档非常多，性能就会非常慢。所以我们后面将大力提升聚合分析的性能，将聚合算子下推到Lucene，优化Lucene的文件格式和数据结构，预计聚合性能提升5~10倍。
4.查询并行化
fetch并行化：目前我们只在query阶段做了并行化，未来会在fetch阶段比较重的查询场景将fetch并行化，进一步提升查询的性能。
算法优化：现在segment、docs切分还是按照顺序切分，segment有大有小，这样大的segment就会成为长尾，未来会进一步优化切分的算法，优化Segment的分配，比如我们切割Segment的时候，是不是可以将大的Segment配一些小的Segment，这样组合起来，让每一个线程处理差不多的文档，这样就不会出现长尾的子请求。
推荐阅读
关注腾讯云大数据公众号
邀您探索数据的无限可能
点击阅读原文，即可抵达ES双11特惠现场
↓↓↓
