深度解讀！時序數(shù)據(jù)庫HiTSDB：分布式流式聚合引擎
背景
HiTSDB時序數(shù)據(jù)庫引擎在服務(wù)于阿里巴巴集團(tuán)內(nèi)的客戶時，根據(jù)集團(tuán)業(yè)務(wù)特性做了很多針對性的優(yōu)化。 然而在HiTSDB云產(chǎn)品的打磨過程中逐漸發(fā)現(xiàn)，很多針對性的優(yōu)化很難在公有云上針對特定用戶去實施。
于此同時， 在公有云客戶使用HiTSDB的過程中，發(fā)現(xiàn)了越來越多由于聚合查詢導(dǎo)致的問題，比如： 返回數(shù)據(jù)點過多會出現(xiàn)棧溢出等錯誤，聚合點過多導(dǎo)致OOM， 或者無法完成聚合，實例完全卡死等等問題。這些問題主要由于原始的聚合引擎架構(gòu)上的缺陷導(dǎo)致。
因此HiTSDB開發(fā)團(tuán)隊評估后決定圍繞新的聚合引擎架構(gòu)對HiTSDB引擎進(jìn)行升級，包含： 存儲模型的改造，索引方式的升級，實現(xiàn)全新的流式聚合，數(shù)據(jù)遷移，性能評測。 本文主要圍繞這5個方面進(jìn)行梳理，重點在“全新的流式聚合部分”。
1. 時序數(shù)據(jù)存儲模型：
1.1 時序的數(shù)據(jù)存儲格式。
一個典型的時序數(shù)據(jù)由兩個維度來表示，一個維度表示時間軸，隨著時間的不斷流入，數(shù)據(jù)會不斷地追加。 另外一個維度是時間線，由指標(biāo)和數(shù)據(jù)源組成，數(shù)據(jù)源就是由一系列的標(biāo)簽標(biāo)示的唯一數(shù)據(jù)采集點。例如指標(biāo)cpu.usage的數(shù)據(jù)來自于機(jī)房，應(yīng)用，實例等維度組合成的采集點。 這樣大家邏輯上就可以抽象出來一個id+{timestamp, value}的時序數(shù)據(jù)模型。這種數(shù)據(jù)模型的存儲是如何呢。一般有兩種典型的數(shù)據(jù)存儲思路：
- 一種按照時間窗口維度劃分?jǐn)?shù)據(jù)塊，同一段自然時間窗口內(nèi)的連續(xù)數(shù)據(jù)放到相鄰的位置，比如{1:00, 2:00}->(id1, id2, id3, ... ... ,idN)。 采用這種方式的典型時序數(shù)據(jù)庫包含InfluxDB, Promethues等等TSMT結(jié)構(gòu)的數(shù)據(jù)庫。OpenTSDB有些特殊，因為OpenTSDB是單值模型，指標(biāo)這個維度在查詢的時候是必帶的。 所以可以先按照指標(biāo)做了一級劃分，再根據(jù)時間窗口做二級的劃分，本質(zhì)上還是同一時間窗口內(nèi)的連續(xù)數(shù)據(jù)。 按照時間窗口切分的方式，優(yōu)勢是寫入的時候可以很天然的按照窗口去落盤，對于高緯度的標(biāo)簽查詢基本上是一些連續(xù)Scan. 這種方式有個比較難解的問題就是"out of order"亂序問題，對于時間窗口過期后再來的時間點，Promethues直接采用丟棄的方式，InfluxDB在這種情況下性能會有損耗。
- 另外一種按照時間線維度劃分?jǐn)?shù)據(jù)塊，同一時間線的數(shù)據(jù)放到相鄰的位置，比如(id1)->(1:00, 2:00, 3:00, ... ... , 23:00)。 HiTSDB采用時間線維度劃分的方式：目前落盤數(shù)據(jù)存儲于HBASE，底層Rowkey由指標(biāo)+標(biāo)簽+自然窗口的方式組合而成. Rowkey按照大小順序合并某個時間線的數(shù)據(jù)點是連續(xù)相鄰的。 因此對于一些低維的查詢效率是非常高效的。根據(jù)目前接觸的一些物聯(lián)網(wǎng)服務(wù)，更多的是一些低維的訪問。對于中等維度的查詢采用流式scan。對于極高緯度標(biāo)簽的查詢HiTSDB采用預(yù)聚合的服務(wù)(不在本文討論范圍內(nèi))。
1.2 時序模型的熱點問題處理
生產(chǎn)環(huán)境中業(yè)務(wù)方采集的指標(biāo)類型多種多樣，對指標(biāo)的采集周期各不相同。比如cpu.usage這個指標(biāo)的變化頻率比較快，業(yè)務(wù)方關(guān)注度高，采集周期通常很短，1秒，5秒，10秒等等。 然而指標(biāo)disk.usage這個指標(biāo)變化趨勢相對平滑，采集周期通常為1分鐘，5分鐘， 10分鐘等。這種情況下，數(shù)據(jù)的存儲如果針對同一個指標(biāo)不做特殊處理，容易形成熱點問題。 假設(shè)按照指標(biāo)類型進(jìn)行存儲資源的分片，想象一下如果有20個業(yè)務(wù)，每個業(yè)務(wù)10個集群，每個集群500臺主機(jī)，采集周期是1秒的話，每秒就會有10萬個cpu.usage的指標(biāo)數(shù)據(jù)點落到同一個存儲資源實例中， 而disk.usage采集周期為1分鐘，所以大約只有1666個指標(biāo)數(shù)據(jù)點落到另外一個存儲資源上，這樣數(shù)據(jù)傾斜的現(xiàn)象非常嚴(yán)重。
1.2.1 分桶
這類問題的經(jīng)典解法就是分桶。比如除了指標(biāo)類型外，同時將業(yè)務(wù)名和主機(jī)名作為維度標(biāo)識tags，把指標(biāo)cpu.usage劃分到不同的桶里面。 寫入時根據(jù)時間線哈希值分散寫入到不同的桶里面。 OpenTSDB在處理熱點問題也是采用了分桶模式，但是需要廣播讀取，根本原因在于查詢方式需要在某個時間窗口內(nèi)的全局掃描。 所以設(shè)置OpenTSDB的分桶數(shù)量需要一個平衡策略，如果數(shù)量太少，熱點還是有局部性的問題，如果太多，查詢時廣播讀帶來的開銷會非常大。
與其相比較，HiTSDB避免了廣播讀，提高了查詢效率。由于HiTSDB在查詢時，下發(fā)到底層存儲掃描數(shù)據(jù)之前，首先會根據(jù)查詢語句得到精確命中的時間線。 有了具體的時間線就可以確定桶的位置，然后到相應(yīng)的塊區(qū)域取數(shù)據(jù)，不存在廣播讀。 關(guān)于HiTSDB如何在查詢數(shù)據(jù)的時候獲取命中的時間線，相信讀者這個疑問會在讀取完倒排這一節(jié)的時候消釋。
1.2.2 Region Pre-Split
當(dāng)一個表剛被創(chuàng)建的時候，HBase默認(rèn)分配一個Region給新表。所有的讀寫請求都會訪問到同一個regionServer的同一個region中。 此時集群中的其他regionServer會處于比較空閑的狀態(tài)，這個時候就達(dá)不到負(fù)載均衡的效果了。 解決這個問題使用pre-split,在創(chuàng)建新表的時候根據(jù)分桶個數(shù)采用自定義的pre-split的算法，生成多個region。 byte[][] splitKeys =new byte[bucketNumber-1][]; splitKeys[bucketIndex-1] = (bucketIndex&0xFF);
2. 倒排索引：
2.1 時序數(shù)據(jù)中的多維時間線
多維支持對于任何新一代時序數(shù)據(jù)庫都是極其重要的。 時序數(shù)據(jù)的類型多種多樣,來源更是非常復(fù)雜,不止有單一維度上基于時間的有序數(shù)值，還有多維時間線相關(guān)的大量組合。 舉個簡單例子，cpu的load可以有三個維度描述cpu core， host， app應(yīng)用，每個維度可以有百級別甚至萬級別的標(biāo)簽值。 sys.cpu.load cpu=1 host=ipA app=hitsdb，各個維度組合后時間線可以輕松達(dá)到百萬級別。 如何管理這些時間線，建立索引并且提供高效的查詢是時序數(shù)據(jù)庫里面需要解決的重要問題。 目前時序領(lǐng)域比較主流的做法是采用倒排索引的方式。
2.2 倒排索引基本組合
基本的時間線在倒排中的組合思路如下：
時間線的原始輸入值：
倒排構(gòu)建后：
查詢時間線 cpu=3 and host=ipB：
取交集后查詢結(jié)果為7：
2.3 倒排面臨的問題以及優(yōu)化思路
倒排主要面臨的是內(nèi)存膨脹的問題：
- posting list過長， 對于高緯度的tag，比如“機(jī)房=杭州”，杭州可能會有千級別甚至萬級別的機(jī)器，這就意味著posting list需要存儲成千上萬個64-bit的id。 解決這個問題的思路是采用壓縮posting list的方式， 在構(gòu)建posting list的時候?qū)?shù)組里面的id進(jìn)行排序，然后采用delta編碼的方式壓縮。
- 如果Tag鍵值對直接作為term使用，內(nèi)存占用取決于字符串的大小，采用字符串字典化，也可大大減少內(nèi)存開銷。
3. 流式聚合引擎
3.1 HiTSDB聚合引擎的技術(shù)痛點
HiTSDB現(xiàn)有聚合引擎公有云公測以及集體內(nèi)部業(yè)務(wù)運行中，暴露發(fā)現(xiàn)了以下問題：
3.1.1 Materialization執(zhí)行模式造成Heap內(nèi)存易打爆
下圖顯示了原查詢引擎的架構(gòu)圖。HiTSDB以HBase作為存儲，原引擎通過Async HBase client 從HBase獲取時序數(shù)據(jù)。由于HBase的數(shù)據(jù)讀取是一個耗時的過程，通常的解法是采用異步HBase client的API，從而有效提高系統(tǒng)的并行性。但原聚合引擎采用了一種典型的materialization的執(zhí)行方式：1）啟動多個異步HBase API啟HBase讀，2）只有當(dāng)查詢所涉及的全部時序數(shù)據(jù)讀入到內(nèi)存中后，聚合運算才開始啟動。這種把HBase Scan結(jié)果先在內(nèi)存中materialized再聚合的方式使得HiTSDB容易發(fā)生Heap內(nèi)存打爆的現(xiàn)象。尤其當(dāng)用戶進(jìn)行大時間范圍查詢，或者查詢的時間線的數(shù)據(jù)非常多的時候，因為涉及的時序數(shù)據(jù)多，HiTSDB會發(fā)生Heap OOM而導(dǎo)致查詢失敗。
3.1.2 大查詢打爆HBase的問題
兩個原因造成HiTSDB處理聚合查詢的時候，容易發(fā)生將底層HBase打爆。
- HBase 可能讀取多余時間線數(shù)據(jù)。HiTSDB的時間線采用指標(biāo)+時間窗口+標(biāo)簽的編碼方式存儲在HBase。典型的查詢是用戶指定一個指標(biāo)，時間范圍，以及空間維度上標(biāo)簽要尋找的匹配值?？臻g維度的標(biāo)簽查詢條件并不都是在標(biāo)簽編碼前綴。當(dāng)這種情況發(fā)生時，HiTSDB倒排索引不能根據(jù)空間維度的查詢條件，精確定位到具體的HBase的查詢條件，而是采用先讀取再過濾的方式。這意味著HBase有可能讀取很多冗余數(shù)據(jù)，從而加重HBase的負(fù)載。
- HiTSDB有可能在短時間內(nèi)下發(fā)太多HBase讀請求。一方面，HiTSDB在HBase采用分片存儲方式，對每一個分片，都至少啟動一個讀請求，另一方面，因為上面提到的materialization的執(zhí)行方式，一個查詢涉及到的HBase讀請求同時異步提交，有可能在很短時間內(nèi)向HBase下發(fā)大量的讀請求。這樣，一個大查詢就有可能把底層的HBase打爆。
當(dāng)這種情況發(fā)生時，更糟糕的場景是HiTSDB無法處理時序數(shù)據(jù)的寫入請求，造成后續(xù)新數(shù)據(jù)的丟失。
3.1.3 執(zhí)行架構(gòu)高度耦合，修改或增加功能困難
聚合引擎主要針對應(yīng)用場景是性能監(jiān)控，查詢模式固定，所以引擎架構(gòu)采用單一模式，把查詢，過濾，填值/插值，和聚合運算的邏輯高度耦合在一起。這種引擎架構(gòu)對于監(jiān)控應(yīng)用的固定查詢沒有太多問題，但HiTSDB目標(biāo)不僅僅是監(jiān)控場景下的簡單查詢，而是著眼于更多應(yīng)用場景下的復(fù)雜查詢。
我們發(fā)現(xiàn)采用原有引擎的架構(gòu)，很難在原有基礎(chǔ)上進(jìn)行增加功能，或修改原來的實現(xiàn)。本質(zhì)上的原因在于原有聚合引擎沒有采用傳統(tǒng)數(shù)據(jù)庫所通常采用的執(zhí)行架構(gòu)，執(zhí)行層由可定制的多個執(zhí)行算子組成，查詢語義可以由不同的執(zhí)行算子組合而完成。這個問題在產(chǎn)品開發(fā)開始階段并不感受很深，但確是嚴(yán)重影響HiTSDB拓寬應(yīng)用場景，增加新功能的一個重要因素。
3.1.4 聚合運算效率有待提高
原有引擎在執(zhí)行聚合運算的時候，也和傳統(tǒng)數(shù)據(jù)庫所通常采用的iterative執(zhí)行模式一樣，迭代執(zhí)行聚合運算。問題在于每次iteration執(zhí)行，返回的是一個時間點。Iterative 執(zhí)行每次返回一條時間點，或者一條記錄，常見于OLTP這樣的場景，因為OLTP的查詢所需要訪問的記錄數(shù)很小。但對HiTSDB查詢有可能需要訪問大量時間線數(shù)據(jù)，這樣的執(zhí)行方式效率上并不可取。
原因1）每次處理一個時間點，都需要一系列的函數(shù)調(diào)用，性能上有影響，2）iterative循環(huán)迭代所涉及到的函數(shù)調(diào)用，無法利用新硬件所支持的SIMD并行執(zhí)行優(yōu)化，也無法將函數(shù)代碼通過inline等JVM常用的hotspot的優(yōu)化方式。在大數(shù)據(jù)量的場景下，目前流行的通用做法是引入Vectorization processing, 也就是每次iteration返回的不再是一條記錄，而是一個記錄集(batch of rows)，比如Google Spanner 用batch-at-a-time 代替了row-at-a-time, Spark SQL同樣也在其執(zhí)行層采用了Vectorization的執(zhí)行模式。
3.2 流式聚合引擎設(shè)計思路
針對HiTSDB原有聚合運算引擎上的問題，為了優(yōu)化HiTSDB,支持HiTSDB商業(yè)化運營，我們決定改造HiTSDB聚合運算引擎。下圖給出了新聚合查詢引擎的基本架構(gòu)。
3.2.1 pipeline執(zhí)行模式
借鑒傳統(tǒng)數(shù)據(jù)庫執(zhí)行模式，引入pipeline的執(zhí)行模式（aka Volcano / Iterator 執(zhí)行模式）。Pipeline包含不同的執(zhí)行計算算子(operator), 一個查詢被物理計劃生成器解析分解成一個DAG或者operator tree， 由不同的執(zhí)行算子組成，DAG上的root operator負(fù)責(zé)驅(qū)動查詢的執(zhí)行，并將查詢結(jié)果返回調(diào)用者。在執(zhí)行層面，采用的是top-down需求驅(qū)動 (demand-driven)的方式，從root operator驅(qū)動下面operator的執(zhí)行。這樣的執(zhí)行引擎架構(gòu)具有優(yōu)點：
- 這種架構(gòu)方式被很多數(shù)據(jù)庫系統(tǒng)采用并證明是有效;
- 接口定義清晰，不同的執(zhí)行計算算子可以獨立優(yōu)化，而不影響其他算子;
- 易于擴(kuò)展：通過增加新的計算算子，很容易實現(xiàn)擴(kuò)展功能。比如目前查詢協(xié)議里只定義了tag上的查詢條件。如果要支持指標(biāo)值上的查詢條件(cpu.usage >= 70% and cpu.usage <=90%),可以通過增加一個新的FieldFilterOp來實現(xiàn)。
每個operator,實現(xiàn)如下接口：
- Open : 初始化并設(shè)置資源
- Next : 調(diào)用輸入operator的next()獲得一個batch of time series, 處理輸入，輸出batch of time series
- Close : 關(guān)閉并釋放資源
我們在HiTSDB中實現(xiàn)了以下算子：
- ScanOp: 用于從HBase異步讀取時間線數(shù)據(jù)
- DsAggOp: 用于進(jìn)行降采樣計算，并處理填值
- AggOp：用于進(jìn)行分組聚合運算，分成PipeAggOp, MTAggOp
- RateOp: 用于計算時間線值的變化率
3.2.2 執(zhí)行計算算子一個batch的時間線數(shù)據(jù)為運算單位
在計算算子之間以一個batch的時間線數(shù)據(jù)為單位，提高計算引擎的執(zhí)行性能。其思想借鑒于OLAP系統(tǒng)所采用的Vectorization的處理模式。這樣Operator在處理一個batch的多條時間線，以及每條時間線的多個時間點，能夠減少函數(shù)調(diào)用的代價，提高loop的執(zhí)行效率。
每個Operator以流式線的方式，從輸入獲得時間線batch, 經(jīng)過處理再輸出時間線batch, 不用存儲輸入的時間線batch，從而降低對內(nèi)存的要求。只有當(dāng)Operator的語義要求必須將輸入materialize，才進(jìn)行這樣的操作（參見下面提到的聚合算子的不同實現(xiàn)）。
3.2.3. 區(qū)分不同查詢場景，采用不同聚合算子分別優(yōu)化
HiTSDB原來的聚合引擎采用materialization的執(zhí)行模式，很重要的一個原因在于處理時序數(shù)據(jù)的插值運算，這主要是因為時序數(shù)據(jù)的一個典型特點是時間線上不對齊：不同的時間線在不同的時間戳上有數(shù)據(jù)。HiTSDB兼容OpenTSDB的協(xié)議，引入了插值(interpolation)的概念，目的在于聚合運算時通過指定的插值方式，在不對齊的時間戳上插入計算出來的值，從而將不對齊的時間線數(shù)據(jù)轉(zhuǎn)換成對齊的時間線。插值是在同一個group的所有時間線之間比較，來決定在哪個時間戳上需要進(jìn)行插值 （參見OpenTSDB 文檔）。
為了優(yōu)化聚合查詢的性能，我們引入了不同的聚合運算算子。目的在于針對不同的查詢的語義，進(jìn)行不同的優(yōu)化。有些聚合查詢需要插值，而有些查詢并不要求插值；即使需要插值，只需要把同一聚合組的時間線數(shù)據(jù)讀入內(nèi)存，就可以進(jìn)行插值運算。
- PipeAggOp: 當(dāng)聚合查詢滿足以下條件時，
1）不需要插值： 查詢使用了降采樣(downsample),并且降采樣的填值采用了非null/NaN的策略。這樣的查詢，經(jīng)過降采樣后，時間線的數(shù)據(jù)都是對齊補(bǔ)齊的，也就是聚合函數(shù)所用到的插值不再需要。
2）聚合函數(shù)可以支持漸進(jìn)式迭代計算模式 (Incremental iterative aggregation), 比如sum, count ,avg, min, max, zerosum, mimmim, mimmax，我們可以采用incremental聚合的方式，而不需要把全部輸入數(shù)據(jù)讀入內(nèi)存。這個執(zhí)行算子采用了流水線的方式，每次從輸入的operator獲得一系列時間線，計算分組并更新聚合函數(shù)的部分值，完成后可以清理輸入的時間線，其自身只用保留每個分組的聚合函數(shù)的值。
- MTAgOp: 需要插值，并且輸入算子無法幫助將時間線ID預(yù)先分組，這種方式回退到原來聚合引擎所采用的執(zhí)行模式。
對于MTAggOp, 我們可以引入分組聚合的方法進(jìn)行優(yōu)化：
- GroupedAggOp: 需要插值，但是輸入算子能夠保證已經(jīng)將時間線的ID根據(jù)標(biāo)識(tags)進(jìn)行排序分組，這樣在流水線處理中，只要materialize最多一個組的數(shù)據(jù)，這樣的算子比起內(nèi)存保留所有分組時間線，內(nèi)存要求要低，同時支持不同組之間的并行聚合運算。
3.2.4 查詢優(yōu)化器和執(zhí)行器
引入執(zhí)行算子和pipeline執(zhí)行模式后，我們可以在HiTSDB分成兩大模塊，查詢優(yōu)化器和執(zhí)行器。優(yōu)化器根據(jù)查詢語義和執(zhí)行算子的不同特點，產(chǎn)生不同的執(zhí)行計劃，優(yōu)化查詢處理。例如HiTSDB可以利用上面討論的三個聚合運算算子，在不同的場景下，使用不同的執(zhí)行算子，以降低查詢執(zhí)行時的內(nèi)存開銷和提高執(zhí)行效率為目的。這樣的處理方式相比于原來聚合引擎單一的執(zhí)行模式，更加優(yōu)化。
4. 數(shù)據(jù)遷移
HiTSDB新的聚合引擎采用的底層存儲格式與以前的版本并不兼容。 公有云公測期間運行在舊版本實例的數(shù)據(jù)，需要遷移至新的聚合引擎。 同時熱升級出現(xiàn)了問題，數(shù)據(jù)遷移還應(yīng)回滾功能，將新版本的數(shù)據(jù)點轉(zhuǎn)換成舊的數(shù)據(jù)結(jié)構(gòu)，實現(xiàn)版本回滾。 整體方案對于用戶的影響做到：寫入無感知，升級過程中，歷史數(shù)據(jù)不可讀。
4.1 數(shù)據(jù)遷移架構(gòu)
- 并發(fā)轉(zhuǎn)換和遷移數(shù)據(jù): 原有的HiTSDB數(shù)據(jù)點已經(jīng)在寫入的時候進(jìn)行了分片。默認(rèn)有20個Salts。數(shù)據(jù)遷移工具會對每個Salt的數(shù)據(jù)點進(jìn)行并發(fā)處理。 每個“Salt”都有一個Producer和一個Consumer。Producer負(fù)責(zé)開啟HBase Scanner獲取數(shù)據(jù)點。 每個Scanner異步對HBase進(jìn)行掃描，每次獲取HBASE_MAX_SCAN_SIZE行數(shù)的數(shù)據(jù)點。然后將HBase的Row Key轉(zhuǎn)換成新的結(jié)構(gòu)。
最后將該Row放到所有的一個Queue上等待Consumer消費。 Consumer每次會處理HBASE_PUT_BATCHSIZE或者HBASE_PUT_MIN_DATAPOINTS的數(shù)據(jù)量。 每次Consumer順利寫入該Batch的時候，我們會在UID表中記錄對應(yīng)“Salt”的數(shù)據(jù)處理位置。 這樣便于故障重啟時Producer從最后一次成功的地方重新開始獲取數(shù)據(jù)點進(jìn)行轉(zhuǎn)換。 數(shù)據(jù)遷移工具對HBase的操作都采用異步的讀寫。當(dāng)掃描數(shù)據(jù)或者寫入數(shù)據(jù)失敗的時候，我們會進(jìn)行有限制的嘗試。 如果超出嘗試次數(shù)，我們就終止該“Salt”的數(shù)據(jù)遷移工作，其他”Salt“的工作不受到任何影響。 當(dāng)下次工具自動重啟時，我們會出現(xiàn)問題的”Salt“數(shù)據(jù)繼續(xù)進(jìn)行遷移，直到所有數(shù)據(jù)全部順利轉(zhuǎn)換完成。
- 流控限制: 大部分情況下，Producer對HBase的掃描數(shù)據(jù)要快于Consumer對HBase的寫入。 為了防止Queue的數(shù)據(jù)積壓對內(nèi)存造成壓力同時為了減少Producer掃描數(shù)據(jù)時對HBase的壓力，我們設(shè)置了流控。 當(dāng)Queue的大小達(dá)到HBASE_MAX_REQUEST_QUEUE_SIZE時候，Producer會暫時停止對HBase的數(shù)據(jù)掃描等待Consumer消費。 當(dāng)Queue的大小減少到HBASE_RESUME_SCANNING_REQUEST_QUEUE_SIZE時候，Producer會重新恢復(fù)。
- Producer和Consumer進(jìn)程的退出
順利完成時候如何退出: 當(dāng)一切進(jìn)展順利時候，當(dāng)Producer完成數(shù)據(jù)掃描之后，會在Queue上放一個EOS（End of Scan），然后退出。 Consumer遇到EOS就會知道該Batch為最后一批，成功處理完該Batch之后就會自動退出。
失敗后如何關(guān)閉: Consumer遇到問題時：當(dāng)Consumer寫入HBase失敗之后，consumer會設(shè)置一個Flag，然后退出線程。 每當(dāng)Producer準(zhǔn)備進(jìn)行下一個HBASE_MAX_SCAN_SIZE的掃描時候，他會先檢查該Flag。 如果被設(shè)置，他會知道對應(yīng)的Consumer線程已經(jīng)失敗并且退出。Producer也會停止掃描并且退出。 Producer遇到問題時：當(dāng)Producer掃描數(shù)據(jù)失敗時，處理方式和順利完成時候類似。都是通過往Queue上EOS來完成通知。 下次重啟時，Producer會從上次記錄的數(shù)據(jù)處理位置開始重新掃描。
4.2 數(shù)據(jù)遷移的一致性
由于目前云上版本HiTSDB為雙節(jié)點，在結(jié)點升級結(jié)束后會自動重啟HiTSDB。自動啟動腳本會自動運行數(shù)據(jù)遷移工具。 如果沒有任何預(yù)防措施，此時兩個HiTSDB節(jié)點會同時進(jìn)行數(shù)據(jù)遷移。雖然數(shù)據(jù)上不會造成任何丟失或者損壞， 但是會對HBase造成大量的寫入和讀取壓力從而嚴(yán)重影響用戶的正常的寫入和查詢性能。
為了防止這樣的事情發(fā)生，我們通過HBase的Zoo Keeper實現(xiàn)了類似FileLock鎖，我們稱為DataLock，的機(jī)制保證只有一個結(jié)點啟動數(shù)據(jù)遷移進(jìn)程。 在數(shù)據(jù)遷移進(jìn)程啟動時，他會通過類似非阻塞的tryLock()的形式在Zoo Keeper的特定路徑創(chuàng)建一個暫時的節(jié)點。 如果成功創(chuàng)建節(jié)點則代表成果獲得DataLock。如果該節(jié)點已經(jīng)存在，即被另一個HiTSDB創(chuàng)建，我們會收到KeeperException。這樣代表未獲得鎖，馬上返回失敗。 如果未成功獲得DataLock，該節(jié)點上的數(shù)據(jù)遷移進(jìn)程就會自動退出。成果獲得DataLock的節(jié)點則開始進(jìn)行數(shù)據(jù)遷移。
4.3 數(shù)據(jù)遷移中的"執(zhí)行一次"
當(dāng)所有“Salt”的數(shù)據(jù)點全部順利完成遷移之后，我們會在HBase的舊表中插入一行新數(shù)據(jù)，data_conversion_completed。 此行代表了數(shù)據(jù)遷移工程全部順利完成。同時自動腳本會每隔12個小時啟動數(shù)據(jù)遷移工具，這樣是為了防止上次數(shù)據(jù)遷移沒有全部完成。 每次啟動時，我們都會先檢查“data_conversion_completed”標(biāo)志。如果標(biāo)志存在，工具就會馬上退出。 此項操作只會進(jìn)行一次HBase的查詢，比正常的健康檢查成本還要低。所以周期性的啟動數(shù)據(jù)遷移工具并不會對HiTSDB或者HBase產(chǎn)生影響。
4.4. 數(shù)據(jù)遷移的評測
效果：上線后無故障完成100+實例數(shù)據(jù)的遷移，熱升級。
5. 查詢性能評測
Case 1: 數(shù)據(jù)采集頻率5s, 查詢命中1000條，時間窗口3600s
總結(jié)： 新的查詢聚合引擎將查詢速度提高了10倍以上。
其他
本文介紹了高性能時間序列數(shù)據(jù)庫HiTSDB引擎在商業(yè)化運營之前進(jìn)行的優(yōu)化升級，目的是提高HiTSDB引擎的穩(wěn)定性，數(shù)據(jù)寫入和查詢性能以及新功能的擴(kuò)展性。HiTSDB已經(jīng)在阿里云正式商業(yè)化運營，我們將根據(jù)用戶反饋，進(jìn)一步提高HiTSDB引擎，更好服務(wù)于HiTSDB的客戶。
【本文為51CTO專欄作者“阿里巴巴官方技術(shù)”原創(chuàng)稿件，轉(zhuǎn)載請聯(lián)系原作者】
