探究Elasticsearch集群规模和容量规划的底层逻辑

引言

---

实战中经常遇到的问题：

问题 1：请问下大家是如何评估集群的规模？比如数据量达到百万，千万，亿万，分别需要什么级别的集群，这要怎么评估？

ps：自己搭建的测试环境很难达到这一级别。

问题 2：

问题 3：我看了很多文章关于 es 集群规划的文章，总感觉乱七八糟的，没有一个统一的规划思路。如何根据硬件条件和数据量来规划集群，设置多少节点，每个节点规划多少分片和副本？

Elasticsearch 集群规模和容量规划：是进行 Elasticsearch 集群部署前对所需资源类型和数量的规划。

通过本文，您将了解：

Elasticsearch 计算资源详解
Elasticsearch 架构、增删改查操作和资源需求
Elasticsearch 集群规模和容量规划的方法论

1、Elasticsearch 基础架构

---

1.1 自顶向下的架构体系

• Cluster—协同工作的节点组，以保障 Elasticsearch 的运行。
• Node—运行 Elasticsearch 软件的 Java 进程。
• Index—一组形成逻辑数据存储的分片的集合。
• Shard—Lucene 索引，用于存储和处理 Elasticsearch 索引的一部分。
• Segment—Lucene 段，存储了 Lucene 索引的一部分且不可变。
• Document—条记录，用以写入 Elasticsearch 索引并从中检索数据。

1.2 节点角色划分及资源使用情况

角色	描述	存储	内存	计算	网络
数据节点	存储和检索数据	极高	高	高	中
主节点	管理集群状态	低	低	低	低
Ingest 节点	转换输入数据	低	中	高	中
机器学习节点	机器学习	低	极高	极高	中
协调节点	请求转发和合并检索结果	低	中	中	中

划重点：对资源利用率拿不准的，多结合业务实际看看这个表格。

2、维系 Elasticsearch 高性能的资源组成

---

4 个基本的计算资源 存储、内存、计算、网络

2.1 存储资源

2.1.1 存储介质

• 固态硬盘（SSD） 提供最佳“热”工作负载的性能。
• 普通磁盘（HDD） 成本低，用于“暖”和“冷”数据存储。

注意：RAID0 可以提高性能。RAID 是可选的，因为 Elastic 默认为 N + 1 分片复制策略。

为了追求硬件级别的高可用性，可以接受标准性能的 RAID 配置（例如 RAID 1/10/50 等）。

2.1.2 存储建议

• 建议直接使用：附加存储（DAS）、存储区域网络（SAN）、超融合存储（建议最低〜3Gb / s，250Mb / s）
• 避免使用：网络附加存储（NAS）
  例如 SMB，NFS，AFP。使用时可能带来的性能问题：网络协议的开销，延迟大和昂贵的存储抽象层。

2.2 内存资源

2.2.1 JVM Heap

存储有关集群索引、分片、段和 fielddata 数据。

建议：可用 RAM 的 50％，最多最大 30GB RAM，以避免垃圾回收。

官方文档最大指 32 GB：

https://www.elastic.co/guide/en/elasticsearch/guide/master/heap-sizing.html

2.2.2 操作系统缓存

Elasticsearch 将使用剩余的可用内存来缓存数据（Lucene 使用）， 通过避免在全文检索、文档聚合和排序环节的磁盘读取，极大地提高了性能。

2.3 计算资源

Elasticsearch 如何使用计算资源？

Elasticsearch 处理数据的方式多种多样，但计算成本较高。

可用的计算资源：线程池、线程队列。

CPU 内核的数量和性能：决定着计算平均速度和峰值吞吐量。

2.4 网络资源

Elasticsearch 如何使用网络？小带宽是限制 Elasticsearch 的资源。

针对大规模集群，ingest、搜索和副本复制相关的数据传输可能会导致网络饱和。

在这些情况下，网络连接可以考虑升级到更高的速度，或者 Elastic 部署可以分为两个或多个集群，然后使用跨集群（CCS）作为单个逻辑单元进行搜索。

3、数据增删改查操作

---

增、删、改、查是 Elasticsearch 中的四个基本数据操作。

每个操作都有其自己的资源需求。每个业务用例都利用其中一个操作，实际业务往往会侧重其中一个或多个操作。

增：新增索引处理文档并将其存储在索引中，以备将来检索。
删：从索引中删除文档。
改：更新删除文档并为其替换的新文档建立索引。
查：搜索从一个或多个索引中检索或聚合一个或多个文档。

3.1 增/索引数据处理流程

如图所示，增/索引数据大致的处理流程如下：

• 1、客户端发起写入请求到协调节点；
• 2、协调节点根据请求类型的不同进行判断，如果是 Ingest 相关，提交给 Ingest 节点；如果不相关，则计算路由后提交给数据节点；
• 3、数据节点根据数据类型不同决定是否分词以索引化数据，最终落地磁盘存储；同时将副本分发给其他数据节点。

3.2 删除数据处理流程

如果所示，删除数据大致处理流程如下：

• 1、客户端发出删除文档请求到协调节点；
• 2、协调节点将请求路由给数据节点；
• 3、数据节点接收到请求后，将数据标记为 deleted 状态（注意，此处为逻辑删除）
• 4、待段合并时机，逻辑删除会变成物理删除。

3.3 更新数据处理流程

文档在 Elasticsearch 中是不可变的。当 Elasticsearch 更新文档时，它将删除原始文档并为新的待更新的文档建立索引。

这两步操作在每个 Lucene 分片是原子操作，操作会带来删除和索引（索引不调用任何 ingest pipeline 操作）操作的开销。

Update = Delete + (Index - Ingest Pipeline）

3.4 检索操作处理流程

“搜索”是信息检索的通用术语。Elasticsearch 具有多种检索功能，包括但不限于全文搜索、范围搜索、脚本搜索和聚合。

搜索速度和吞吐量受许多因素影响，包括集群的配置、索引、查询和硬件。

实际的容量规划取决于应用上述优化配置后的大量测试实践结果。

Elasticsearch 检索可以细化分为：scatter（分散）、 search（检索）、gather（收集）、merge（合并）四个阶段。

• scatter：将结果分发给各个相关的分片；
• search：在各个分片执行检索；
• gather：数据节点将检索结果汇集到协调节点；
• merge：协调节点将数据结果进行合并，返回给客户端。

3.5 用例场景

Elasticsearch 有一些常规的使用模式。大致可分类如下：

• 写索引（Index）密集型的业务场景：Logging, Metrics, Security, APM
• 检索（search）密集型的业务场景：App Search, Site Search, Analytics
• 更新（update）密集型的业务场景：Caching, Systems of Record
• 混合（hybrid）业务场景：支持多种操作的混合用例 Transactions Search

4、Elasticsearch 索引化流程

---

4.0 概述

以下过程适用于 ingest 节点处理数据流程。

• Json 数据转换——结构化或非结构化数据，转换为json 落地存储。
• 数据索引化——数据以不同数据类型进行处理和索引。
• 数据压缩——提高存储效率。
• 副本复制——提高容错能力和搜索吞吐量。

4.1 Json 转换

结构化或非结构化数据转换成 json 格式，可通过_source 控制是否展示。

4.2 数据索引化

第一：数据结构 Elasticsearch 索引各种数据结构中的值。每种数据类型 有自己的存储特性。

第二：多种索引方法 某些值可以通过多种方式索引。字符串值通常是索引两次（借助 fields 实现）。

• 一次作为聚合的 keyword 类型；
• 一次作为文本用于全文搜索的 text类型。

4.3 数据压缩

Elasticsearch 可以使用两种不同的压缩算法之一来压缩数据：LZ4（默认）和 DEFLATE。

与 LZ4 相比，DEFLATE 节省了多达 15％的额外空间，但以增加的计算时间为代价。

通常，Elasticsearch 可以将数据压缩 20 – 30％。

4.4 副本分片拷贝

第一：存储 Elasticsearch 可以在数据节点之间复制分片一次或多次，以提高容错能力和搜索吞吐量。

每个副本分片都是其主分片的完整副本。

第二：索引和搜索吞吐量

日志记录和指标用例场景（Logging and metrics）通常具有一个副本分片，这是确保出现故障的最小数量， 同时最大程度地减少了写入次数。
搜索用例通常具有更多的副本分片以提高搜索吞吐率。

4.5 完整示例

5、集群规模和容量规划预估方法

容量规划——预估集群中每个节点的分片数、内存及存储资源。

吞吐量规划——以预期的延迟和吞吐量估算处理预期操作所需的内存，计算和网络资源。

5.1 数据量预估

第一，问自己几个问题：

• 您每天将索引多少原始数据（GB）？
• 您将保留数据多少天？
• 每天增量数据是多少？
• 您将强制执行多少个副本分片？
• 您将为每个数据节点分配多少内存？
• 您的内存：数据比率是多少？

第二，预留存储以备错误。(Elastic 官方推荐经验值）

• 预留 15%警戒磁盘水位空间。
• 为错误余量和后台活动预留+ 5％。
• 保留等效的数据节点以处理故障。

第三，容量预估计算方法如下：

• 总数据量（GB） = 原始数据量（GB） /每天 X 保留天数 X 净膨胀系数 X （副本 + 1）
• 磁盘存储（GB） = 总数据量（GB）* ( 1 + 0.15 + 0.05)
• 数据节点 = 向上取正（磁盘存储（GB）/ 每个数据节点的内存量 / 内存：数据比率）+ 1

Tips：腾讯云 在 2019 4 月的 meetup 分享中建议：磁盘容量大小 = 原始数据大小 * 3.38。

5.2 分片预估

第一，问自己几个问题：

• 您将创建多少索引？
• 您将配置多少个主和副本分片？
• 您将在什么时间间隔旋转索引？
• 您将保留索引多长时间？
• 您将为每个数据节点分配多少内存？

第二，经验值（Elastic 官方推荐）

• 每 GB JVM 堆内存支持的分片数不超过 20 个。
• 每个分片大小不要超过 50GB。推荐阅读：https://www.elastic.co/cn/blog/how-many-shards-should-i-have-in-my-elasticsearch-cluster

Tips：

• 将小的每日索引整合为每周或每月的索引，以减少分片数。
• 将大型（> 50GB）每日索引分拆分成小时索引或增加主分片的数量。

第三，分片预估方法如下：

1. 总分片数 = 索引个数 X 主分片数 * （副本数 +1）X 保留间隔
2. 总数据节点个数 = 向上取整（总分片数 / (20 X 每个节点内存大小））

5.3 搜索吞吐量预估

搜索用例场景除了考虑搜索容量外，还要考虑如下目标：

• 搜索响应时间；
• 搜索吞吐量。

这些目标可能需要更多的内存和计算资源。

第一：问自己几个问题

• 您期望每秒的峰值搜索量是多少？
• 您期望平均搜索响应时间是多少毫秒？
• 您期望的数据节点上几核 CPU，每核有多少个线程？

第二：方法论

与其确定资源将如何影响搜索速度，不如通过在计划的固定硬件上进行测量，可以将搜索速度作为一个常数，然后确定集群中要处理峰值搜索吞吐量需要多少个核。

最终目标是防止线程池排队的增长速度超过了 CPU 的处理能力。

如果计算资源不足，搜索请求可能会被拒绝掉。

第三：吞吐量预估方法

• 峰值线程数 = 向上取整（每秒峰值检索请求数 _ 每个请求的平均响应时间（毫秒）/1000）
• 线程队列大小 = 向上取整（(每个节点的物理 cpu 核数 _ 每核的线程数 * 3 / 2）+ 1)
• 总数据节点个数 = 向上取整（峰值线程数 / 线程队列大小）

5.4 冷热集群架构

Elasticsearch 可以使用分片分配感知（shard allocation awareness）在特定硬件上分配分片。

索引密集型业务场景通常使用它在热节点、暖节点和冷（Frozen）节点上存储索引，然后根据业务需要进行数据迁移（热节点->暖节点->冷节点），以完成数据的删除和存档需要。

这是优化集群性能的最经济方法之一，在容量规划期间，先确定每一类节点的数据规模，然后进行组合。

冷热集群架构推荐：

节点类型	存储目标	建议磁盘类型	内存/磁盘比率
热节点	搜索优化	SSD DAS / SAN（> 200Gb / s）	1:30
暖节点	存储优化	HDD DAS / SAN（〜100Gb / s）	1:160
冷节点	归档优化	最便宜的 DAS / SAN（<100Gb / s）	1:1000+

5.5 集群节点角色划分

Elasticsearch 节点执行一个或多个角色。通常，当集群规模大时，每个节点分配一个具体角色很有意义。

您可以针对每个角色优化硬件，并防止节点争夺资源。

同2.2 章节。不再赘述。

6 小结

集群规模和容量规划的底层逻辑涉及到：

• Elasticsearch 的基础架构
• 维系 Elasticsearch 高效运转的计算资源（CPU、内存、磁盘、网络）
• Elasticsearch 增删改查的业务流程及资源耗费情况
• Elasticsearch 数据索引化的核心流程 基于以上四点的整合，才有了：集群规模和容量规划预估方法。

评估所需资源需要执行以下步骤：

步骤1：确定集群的节点类型；
步骤2：对于不同节点类型（热，暖，冷），确定以下规模的最大值：

• 数据量
• 分片数量
• 索引吞吐量
• 搜索吞吐量

步骤3：合并每一类型节点所需资源大小。注意：在任何专用节点上做出决策-主节点、协调节点、机器学习节点、路由节点。

注：这是 Elastic 官方 2019 年 11 月份的视频 内容的详细梳理。

推荐看一遍视频

摘自 探究 | Elasticsearch集群规模和容量规划的底层逻辑 一文