百万级高并发mongodb集群性能数十倍提升优化实践(下篇)
关于作者
前滴滴出行技术专家，现任OPPO文档数据库mongodb负责人，负责oppo千万级峰值TPS/十万亿级数据量文档数据库mongodb研发和运维工作，一直专注于分布式缓存、高性能服务端、数据库、中间件等相关研发。后续持续分享《MongoDB内核源码设计、性能优化、最佳运维实践》，Github账号地址:https://github.com/y123456yz
1.前言
温馨提示：在进行本下篇优化文章阅读前，可以提前了解下《百万级高并发mongodb集群性能数十倍提升优化实践(上篇)》()的问题背景及优化方法，这样可以更好的了解和学习本篇性能优化下篇的内容。
上篇地址：https://blog.51cto.com/14951246/2540109
2.背景
线上某集群峰值TPS超过100万/秒左右(主要为写流量，读流量很低，读写流量做了主从读写分离，读流量走从节点，qps数百上千)，峰值tps几乎已经到达集群上限，同时平均时延也超过100ms，随着读写流量的进一步增加，时延抖动严重影响业务可用性。该集群采用mongodb天然的分片模式架构，数据均衡的分布于各个分片中，添加片键启用分片功能后实现完美的负载均衡。集群每个节点流量监控如下图所示:
从上图可以看出集群流量比较大，峰值已经突破120万/秒，其中delete过期删除的流量不算在总流量里面(delete由主触发删除，但是主上面不会显示，只会在从节点拉取oplog的时候显示)。如果算上主节点的delete流量，总tps超过150万/秒。
在《百万级高并发mongodb集群性能数十倍提升优化实践(上篇)》中，我们通过业务优化、mongodb服务层配置优化、wiredtiger存储引擎层优化及硬件IO优化后，客户端总体时延从几百ms迟控制到了2-5ms左右，总体性能有了很大的提升，但是当有超大流量写冲击的时候，会有几十ms时延抖动，几个不同接口的时延如下图所示：
3.硬件问题回顾及遗留问题
在《上篇》文章中，我们通过定位nvme ssd硬件的IO问题后，和厂商一起分析后发现IO问题是因为操作系统版本不对引起，于是开始对线上的主从mongod实例的服务器硬件进行升级，升级后开始替换线上该集群的实例。具体操作过程如下:
1.为了验证IO升级后的机器，我们替换一个分片的从节点为升级后的服务器(IO问题得以解决，IO能力从之前的500M/s写入达到了近2G/s，我们称IO升级后的服务器为高IO服务器，未升级的服务器为低IO服务器)，替换后通过iostat可以看到该从节点的IO 100%问题得到了很大程度的缓解，不会出现持续性IO跌0问题。
2.第一步上面的服务器跑了一周后，我们确定升级后的高IO服务器运行稳定，为了谨慎起见，我们虽然确定该高IO服务器在从节点运行没有问题，但是我们需要进一步在主节点验证是否文档，于是我们做了一次主从切换，该高IO服务器变为主节点运行，也就是集群中某个分片的主节点为高IO服务器，但是从节点还是低IO服务器。
3.当高IO服务器在某个分片的主节点跑了数周后，我们确定高IO服务器在主节点运行正常，于是我们得下结论: 升级后的服务器运行稳定。
4.确定高IO服务器没问题后，我们开始批量替换mongod实例到该服务器。为了保险起见，毕竟只验证了一台高IO服务器在主从运行都没问题，于是我们考虑只把整个集群的主节点替换为高IO服务器(因为当时我认为客户端都是用的默认配置，数据写到主节点就会返回OK，虽然从节点IO慢，但是还是可以追上oplog速度的，这样客户端时延就会很好的得到控制)。
为了谨慎保险起见，通过上面的硬件替换升级过程，我们只替换了所有分片的主节点，提后前后架构发生了变化，原有集群硬件架构如下图所示：
所有分片主节点硬件升级后的架构图如下图所示：
从上图可知，新的集群架构，主从节点服务器IO能力有比较大的差距。最开始我认为业务方默认没有设置WriteConncern，也就是默认写入到Primary就向客户端发送确认，因此不会影响业务写入。
所有分片主节点升级为高IO服务器后，多个业务接口的时间访问延迟降到了平均2-4ms左右，但是在超大流量冲击的时候，还是有几十ms的尖刺，我选取一个接口的时延为例，如下图所示：
从上图可以看出，特别是在大流量冲击的时间点，尖刺越明显。
4.主节点硬件升级后优化
4.1 readConcern配置优化
在上一节，我们替换了分片的所有主节点为高IO服务器，从节点还是以前未升级的低IO服务器。由于业务方默认没有设置WriteConncern，因此我认为客户端写到主成功就会返回客户端OK，即使从服务器性能差也不会影响客户端写主。
在升级主服务器后，我继续优化存储引擎把eviction_dirty_trigger：25%调整到了30%。
由于在超大流量的高并发冲击，会从平峰期的几十万TPS瞬间飙升到百万级别，而且该毛刺几乎每天都会出现两三次，比较容易复现。于是提前部署好mongostat监控所有实例，同时在每个服务器上用Iostat监控实时的IO状况，同时编写脚本实时采集db.serverstatus()、db.printSlaveReplicationInfo()、db.printReplicationInfo()等集群重要信息。
当某个时间点监控出现毛刺后，于是开始分析mongostat，我们发现一个问题，即使在平峰期，脏数据比例也会持续增长到阀值(30%)，我们知道当脏数据比例超过eviction_dirty_trigger：30%阀值，用户线程就会进行evict淘汰，这样用户线程就会阻塞直到腾出内存空间，因此淘汰刷盘过程很慢。分析平峰期毛刺时间点对应的mongostat监控，发现如下情况:
从上图可以看出，集群TPS才40-50万左右的时候某个分片的主节点出现了脏数据达到eviction_dirty_trigger：30%阀值，于是整个集群访问时延就会瞬间增加，原因是一个分片的用户线程需要刷盘，导致这个分片的访问时延上升(实际上其他分片的访问时延还是正常的)，最终把整体平均时延拉上去了。
为什么普通平峰期也会有抖动？这很明显不科学。
于是获取出问题的主节点的一些监控信息，得出以下结论：
1.IO正常，IO不是瓶颈。
2.分析抖动的时候的系统top负载，负载正常。
3.该分片的TPS才4万左右，显然没到到分片峰值。
4.db.printSlaveReplicationInfo()看到主从延迟较高。
当客户端时延监控发现时间延迟尖刺后，我们发现主节点所有现象一切正常，系统负载、IO、TPS等都没有到达瓶颈，但是有一个唯一的异常，就是主从同步延迟持续性增加，如下图所示：
同时对应低IO服务器的从节点上面的io状况如下图:
从节点的IO性能一塌乌涂，这也正式主从延迟增加的根源。
从上图可以看出在时延尖刺的同样时间点，主从延迟超大。于是怀疑时延尖刺可能和从节点拉取Oplog速度有关系，于是把整个mongostat、iostat、top、db.printSlaveReplicationInfo()、db.serverstatus()等监控持续跑了两天，记录下了两天内的一些核心系统和mongo监控指标。
两天后，对着客户端时延尖刺时间点分析对应监控数据，发现一个共同的现象，尖刺出现时间点和脏数据eviction_dirty_trigger超过阀值时间点一致，同时主从延迟在这个时间点都有很大的延迟。
到这里，我越来越怀疑问题和从节点拉取oplog速度有关。之前认为业务方默认没有设置WriteConncern，也就是默认写入到Primary就向客户端发送确认，可能应答客户端前还有其他流程会影响写入。于是查看mongodb-3.6的Production Notes，从中发现了如下信息：
 从Production Notes可以看出，mongodb-3.6默认启用了 read concern "majority"功能，于是怀疑抖动可能和该功能有关。为了避免藏独，mongodb增加了该功能，启用该功能后，mongodb为了确保带有带有参数readConcern("Majority")的客户端读取到的数据确实是同步到大多数实例的数据，因此mongodb必须在内存中借助snapshot 及主从通信来维护更多的版本信息，这就增加了wiredtiger存储引擎对内存的需求。由于从节点是低IO服务器，很容易造成阻塞，这样拉取oplog的速度就会跟不上进度，造成主节点消耗大量的内存来维护快照信息，这样就会导致大量的内存消耗，最终导致脏数据瞬间剧增，很快达到eviction_dirty_trigger阀值，业务也因此抖动。
说一个小插曲，因为mongodb-3.6默认开启enableMajorityReadConcern功能，我们在这个过程中出现过一次严重的集群故障，业务流量有段时间突然暴涨，造成时延持续性达到几千ms，现象如下:
该问题的根源也是因为enableMajorityReadConcern功能引起，由于从节点严重落后主节点，导致主节点为了维护各种snapshot快照，消耗大量内存，同时从节点和主节点的oplog延后，导致主节点维护了更多的内存版本，脏数据比例持续性增长，直到从节点追上oplog。由于我们的业务不需要readConcert功能，因此我们考虑禁用该功能(配置文件增加配置replication.enableMajorityReadConcern=false)。
鉴于篇幅，enableMajorityReadConcern及主从硬件IO能力不足引起的严重业务故障，本篇不做详细的分析，后期会写一篇专门的《百万计高并发mongodb集群性能优化采坑记》中做分享，除了ReadConcern采坑，还有其他好几个核心采坑点，敬请关注。此外，后续会专门写一篇ReadConcern的原理及代码实现分析文章，敬请关注。
4.2 替换从节点服务器为升级后的高IO服务器
除了通过replication.enableMajorityReadConcern=false在配置文件中禁用ReadConcern Majority功能，我们继续把所有分片的从节点由之前的低IO服务器替换为升级后的高IO服务器，升级后所有主从硬件资源性能完全一样，升级后集群分片架构如下图所示：
通过禁用功能，并统一主从服务器硬件资源后，查看有抖动的一个接口的时间延迟，如下图所示：
从上图可以看出，通过MajorityReadConcern功能并且替把所有从节点的低IO服务器做系统升级后，业务时间延迟抖动的峰值进一步降低了，从之前第3节中的峰值80ms降低到了现在的峰值40ms左右。
此外，4.1节提到的脏数据持续性突破eviction_dirty_trigger阀值引起客户端时延飙涨到几千ms的问题得以彻底解决。
4.3 继续优化调整存储引起参数
通过前面的条优化，我们发现有一个业务接口还是偶尔有40ms时延尖刺，分析发现主要是eviction_dirty_trigger达到了我们配置的阀值，业务线程开始淘汰page cache，这样就造成业务线程很慢，最终导致平均时延尖刺。
为了进一步减缓时延尖刺，我们继续在之前基础上对存储引擎调优，调整后配置如下：
eviction_target: 75%
eviction_trigger：97%
eviction_dirty_target: %3
eviction_dirty_trigger：30%
evict.threads_min：12
evict.threads_max：18
checkpoint=(wait=20,log_size=1GB)
经过此轮的存储引擎调优后，该业务的核心接口时延进一步好转，时延尖刺相比之前有了进一步的改善，时延最大尖刺时间从前面的40ms降低到了30ms，同时尖刺出现的频率明显降低了，如下图所示:
从此图可以看出，在个别时间点还是有一次时延尖刺，对照该尖刺的时间点分析提前部署好的mongostat和iostat监控，得到如下信息：
从上图可以看出，在峰值TPS百万级别的时候，部分节点evict淘汰速率已经跟不上写入速度，因此出现了用户线程刷盘的情况。
但是，很奇怪的是，在这个时间点分析对应机器的系统负载、io状况、内存状况等，发现系统负载、比较正常，但是对应服务器IO偏高，如下图所示：
同时分析对应服务器对应时间点的慢日志，我们发现尖刺出现时间的的慢日志统计如下：
分析非时延尖刺时间点，对应慢日志统计如下:
分析两个时间点慢日志可以看出，慢日志出现的条数和时间延迟尖刺出现的时间点一致，也就是IO负载很高的时候。
通过上面的分析可以看出，当IO比较高(util超过50%)的时候，慢日志和时延都会增加，他们之间成正比关系。
5.总结
通过软件层面(mongodb服务配置、业务优化、存储引擎优化)及硬件优化(升级操作系统)后，该大流量集群的核心接口时延从最初的平均成百上千ms降低到了现在的平均1-2ms，性能提升比较可观，整体时延性能提升数十倍。
优化前主要接口时延：
在不增加物理机器的基础上，经过一系列的优化措施，最终业务方主要接口时延控制到了几ms，如下图所示：
