Elasticsearch 基础架构
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 — 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。
节点角色划分及资源使用情况
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。
存储资源
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：RAID 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）。
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。
内存资源
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
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。
计算资源
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。
网络资源
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。
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。
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。
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。
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）
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。
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
Elasticsearch 索引化流程
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。
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。
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。
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％。
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。
完整示例
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。
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 = 向上取整（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。
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：
总分片数 = 索引个数 X 主分片数 * （副本分片数 +1）X 保留间隔总数据节点个数 = 向上取整（总分片数 / (20 X 每个节点内存大小））
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）
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：
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，具体方法见前面章节。
参考阅读
发表评论