2019 年 1 月到 2019 年 7 月，滴滴 ElasticSearch 團隊(Arius)將維護國內的 30 多個 ES 集群，2000 多個 ES 節點，4PB 的數據，從 2.3.3 跨大版本無縫升級到 6.6.1。

[[322032]]
圖片來自 Pexels

在對用戶查詢寫入基本零影響和改動的前提下，解決了 ES 跨大版本協議不兼容、Mapping 不兼容等業內難題，整個過程對絕大部分用戶完全透明。

團隊同學經過 7 個月的奮斗，完成 ES 版本升級的過程中，也完成了滴滴 ElasticSearch 平臺的架構升級。

取得了單機查詢性能提升 40%，整體集群 CPU 下降 10%，寫入 TPS 提升 30%，歸還物理機近 400 臺，成本節約 80W /月、0 故障的成績，并在引擎上向社區貢獻了 4 個 PR，一位同學升級為 ES Contributor。

如此大規模的跨大版本升級，在 ES 業內也很少見，從開始準備到實際執行，遇到了很多困難，踩了一些坑，期間也有很多我們的思考。

為此我們準備本期的總結和分享，主要從以下幾個方面展開：

• 背景：推石頭的西西弗斯
• 困難：拔劍四顧心茫然
• 思考：天生我材必有用
• 實戰：百戰沙場碎鐵衣
• 收益：長風破浪會有時
• 展望：直掛云帆濟滄海

背景：推石頭的西西弗斯

滴滴 ElasticSearch 團隊從 2016 年開始建設 ElasticSearch 平臺，在 2016 年 6 月份的時候開始對外提供服務，當時選擇了 ElasticSearch 最新的 2.3 版本。

如今三年過去了，ElasticSearch 生態經歷了飛速的增長，Elastic 公司完成了上市，ElasticSearch 在 db-engines 的分數從 88 上漲到 148，排名從 11 名上升到第 7 名。

這期間 ES 發布了 3 個大版本，幾十個中版本，而最近 ElasticSearch 已經發布了 7.x 版本。

在這三年中滴滴 Elasticsearch 平臺基于 ElasticSearch 推出了日志檢索、MySQL 實時數據庫快照、分布式文檔數據庫、搜索引擎等四大服務，四大業務均快速發展。

目前滴滴 ElasticSearch 平臺服務了集團里面 1200 個應用，其中：訂單、客服、金融、把脈、新政等業務核心實時場景也運行在 Elasticsearch 之上，運維 ES 集群 30+，寫入 TPS 峰值到達 1500W，查詢 QPS 達到 2W。

業務的快速發展既是滴滴 ElasticSearch 團隊工作的肯定，但隨之而來也有巨大的挑戰和壓力，其中版本過低是未來 ElasticSearch 平臺發展最大制約因素，其中主要有以下幾點。

①社區不再維護老版本：ElasticSearch 2.3.3 版本過于陳舊，ES 社區早已不再進行維護，在 2.x 上遇到的問題社區不解決，提交的 issue 也不處理，提交代碼也不被接收。

基于 2.3.3 我們也解決了很多 ES 自身的問題，如：Master 更新元數據超時導致內存泄露、TCP 協議字段溢出等。

由于無法和社區互動，團隊同學的價值也得不到社區的認可，長此以往只會和 ES 生態越來越遠，我們在 ES 技術圈中的聲音也會越來越弱。

②新版本特性很難被使用：最近 3 年是 ES 生態大發展的 3 年，ES 自身在功能、性能上都有非常大提升。

如：默認使用 BM25 評分算法，效果更佳;lucene docvalues 稀疏區域改進，更節約磁盤空間;新增 Frozen indices 能力，可以顯著降低 ES 內存開銷。

很多特性也非常適合 ElasticSearch 平臺的場景，但是版本差距過大一直制約著我們，無法享受技術進步的紅利。

一邊是業務快速發展要求更豐富的功能、更強大的性能、更低的成本、更穩定的服務;一邊離最新的業內技術越來越遠，團隊價值越來越弱，逐漸淪為一支只能做業務的偽引擎團隊，整個團隊的現狀就如同推石頭的西西弗斯。

要么我們迎難而上，克服困難，一口氣把整個集群升級到最新的版本，把石頭推過山頂，再輕裝前行;要么就是繼續獨自勉力支撐，在業務和引擎的雙重壓力下蹣跚而行。

滴滴 ElasticSearch 團隊最終選擇對滴滴 ElasticSearch 平臺進行重構并將維護的所有 ES 集群升級到最新版本。

困難：拔劍四顧心茫然

理想很豐滿，現實很骨感，下決心很容易，然而實際執行很困難：

• 2.3.3 和 6.6.1 協議不兼容啊，6.6.1 都不支持 TCP 協議了，那些通過 TCP 查的用戶怎么辦，讓他們一個一個改代碼，那要改到什么時候?
• 2.3.3 和 6.6.1 有些返回的字段都不一樣了，有些查詢語法也不兼容，怎么做到對用戶的透明，還是直接強迫用戶接受改變?
• 2.3.3 和 6.6.1 lucene 文件格式都不一樣，沒辦法原地直接升級，要再搞個集群全部雙寫一遍。
• 2.3.3 和 6.6.1 的 Mapping 格式不統一，6.6.1 不支持多 type，現有的那些數據搬遷都沒辦法搬。
• 滴滴 ElasticSearch 平臺現在不支持索引多版本同時查詢，用戶查詢習慣也千奇百怪，很多帶*查詢你根本控制不了。
• 用戶那么多，使用差異很大，怎么和用戶進行溝通和宣導，怎么屏蔽用戶影響和管理用于預期?
• 就算是要搬遷升級，哪里去找那么多機器，現在還要機房裁撤，還要往外拿機器。
• 幾十個集群，幾千個節點都要部署、搭建、重啟，還要騰挪上千臺機器。慢點搞，這得搞到什么時候，快點搞，萬一出問題怎么辦?
• 就算是雙寫升級了，怎么知道中間有沒有問題，數據有沒有丟失，用戶的查詢是不是一致的，功能和性能有沒有達到預期，這個怎么驗證?
• 這么多數據，這么多人在用，這么點資源，業務穩定壓力又大，估計今年一年都搞不完。
• …………

在剛開始決定進行跨版本升級之后，我們面臨的問題就撲面而來，其中任何一條不解決，都會極大的阻礙升級的進程。

思考：天生我材必有用

在起步階段有很多問題雜糅在一起，需要理清楚每個問題的重要性、緊急程度、影響層面、相互依賴關系，通過分析歸納我們將其總結為四大問題域：

在對問題域進行歸總之后，我們討論了具體的實施方案和步驟，將其歸納以下四個可以實際推進的環節：

首先進行架構升級：解決引擎側 2.x/6.x 的不兼容問題，所有的協議、查詢語法、Mapping 等不兼容處理在平臺側進行處理。

同時我們開發了一個 ES java SDK 用來解決 6.x 不支持 TCP 接口的問題，使用方式和原有的 es java client 完全一致，用戶只要修改 pom 即可。

具體包括：Arius 平臺多版本支持、Gateway 的多版本兼容、用戶 SDK 開發、AMS 數據采集等，具體見后續詳細說明。

其次解決運維問題：解決運維操作過程中多集群搭建、部署、重啟的管控問題，提升操作的便利性，提升升級的操作效率，具體見后續詳細說明。

再次解決資源問題：解決搬遷升級所需要的大量機器資源問題，為大量集群升級做充足準備，同時還要滿足機房裁撤歸還機器的要求。

具體包括：索引存儲周期優化、冷熱數據分離、Mapping 優化、fastIndex 等，具體見后續詳細說明。

最后開始實際推進：在做好前期的所有準備工作之后，開始實際推進升級過程。具體包括：性能壓測、資源評估、批量雙寫、查詢回放，其中還有一些意想不到的采坑和填坑的過程，具體見后續詳細說明。

實戰：白沙戰場碎鐵衣

在理清了整個升級過程中的各個環節的依賴關系、資源消耗、瓶頸點之后，針對架構、資源、實操等三個方面的問題，我們都設計了對應的解決方案，主要如下：

架構

①滴滴 ElasticSearch 平臺 ES 多版本支持的架構改造

首先我們在滴滴 ElasticSearch 平臺上完成了 ES 多版本支持的架構升級，其中重點有：

• Arius Gateway 對跨版本查詢差異的兼容，以及多集群下索引跨高低版本集群訪問，使得在升級過程中對用戶查詢結果透明。
• Elasticsearch-didi-interanl-client SDK 開發，對用戶屏蔽 ES TCP/HTTP 查詢差異，解決 ES 6.x 版本不支持 TCP 接口的問題，原有 2.x 的用戶只要修改一行 pom 就可以切換到高版本訪問。
• 滴滴 ElasticSearch 平臺架構梳理以及 Arius admin 多版本支持。

②基于彈性云的 ES 多集群管控方案

目前滴滴 ElasticSearch 團隊運維 30 多個 ES 集群，5000+ 的 ES 節點，集群規模大，場景復雜，運維管控成本比較高。

為此我們設計開發了 ECM(ElasticSearch Cluster Manager)系統用于 ES 集群的部署、重啟、擴容、配置管控等一系列操作。

并且我們 80% 的 ES 節點運行在彈性云上，結合彈性云靈活高效的特點，使得我們在進行搬遷升級的過程更加高效。

③ES 服務元數據體系建設

我們構建了一套 AMS(Arius MetaData Service)服務，用于采集和分析 ES 所有集群、節點、索引的各種數據。

包括：容量信息(集群、節點、模板、索引、租戶)、TPS/QPS 信息(集群、節點、模板、索引、租戶)、運行信息、查詢語句、查詢模板信息、查詢結果和命中率的分析信息等等。

在這些基礎的指標數據基礎上，我們構建了全面的 ES 運行指標系統，可以全面的了解和監控集群、節點、索引、租戶級別的運行信息。

詳盡的數據為后續的 ES 的成本優化提供了基礎，具體見 —— 基于數據驅動的 ES 分級存儲體系，分級存儲體系的構建使得我們構建了一套體系化的ES成本節約的系統。

詳盡的數據為后續升級時做查詢的流量回放對比提供了基礎，具體見——基于 ES 服務元數據的查詢流量回放對比系統，使得我們在升級過程中可以快速驗證升級結果，提升升級效率和穩定性。

同時 AMS 還對數據的可靠性負責，保證產生的數據是及時并且準確的，這樣依賴 AMS 的數據分析服務。

如：分級存儲、容量規劃、回放系統、成本賬單、集群健康檢查、索引健康分等，只用專注自身的邏輯的實現即可。

資源

在解決架構和兼容性問題之后，我們已經有信心將一個集群在線升級到新版本。

然而由于版本跨度太大無法在原集群上直接進行滾動升級，必須要進行數據雙寫的搬遷升級，這樣升級所需要的 buff 資源就成為制約整個升級進度最重要的因素，因此接下來我們把精力放在節省資源提高資源利用率上。

通過內外挖潛和技術改造，不僅支持了版本升級所需要的機器資源(高峰時 3 個集群同時升級)，最終還歸還了近 400 臺機器，節約成本 80W+ /月。

①基于數據驅動的 ES 分級存儲體系

基于 AMS 對應索引的大小、數據量、查詢量、查詢條件、查詢時間、返回結果的統計和分析，我們能精確的分析出來每個索引被使用的場景以及被查詢的方式。

如：索引的高頻查詢時間區間、索引被檢索的字段等，在數據分析基礎上我們針對每個索引進行了 Mapping 優化、存儲周期優化、冷熱數據存儲優化。

在不影響用戶使用需求的前提下，累計節省數據 1PB，搬遷冷數據 700TB，不僅保障了升級過程中有充足的 buff 機器，還歸還了近 400 臺物理機，節省成本 70W+ /月。

②ES FastIndex 離線數據導入體系

ES FastIndex 的初衷是為了解決集團標簽系統的離線導入的效率和資源問題，集團標簽系統每天有 30 多 TB 的數據需要在短時間內同步到 ES 中，否則將會影響當天的業務結果，之前方案為了滿足效率采用了大量的機器資源。

采用基于 Hadoop 的 ES fastIndex 離線數據導入系統之后，同樣的數據導入時間由原來的 8 個小時下降到 2 個小時。

機器成本由原來的 40 臺物理機 (ES 27 臺、Kafka 3 臺、Dsink 10 臺) 下降到 30 臺彈性云節點(10 臺物理機)，單單在標簽場景就節約成本 7W+ 每月。

③基于資源 Quota 管控的 ES 集群容量規劃方案

提升 ES 集群資源使用率也是滴滴 ElasticSearch 團隊一直面臨和致力于解決的問題。

滴滴 ElasticSearch 團隊維護的 ES 機器總容量將近 5PB，提升 10% 的資源使用率即可節約 500TB 的空間，或者用于歸還機器，或者用于服務新的需求。

當前 ES 集群整體磁盤使用率在 50% 左右，高峰期曾經達到 60%，日志集群磁盤使用率達到 69.5% (2019.05.01)，但是這個時候集群資源非常不均，磁盤告警也很嚴重，運維壓力非常大，偶爾還會出現丟數據的問題。

為此我們在原有的 ES 機器容量規劃算法上，加入了資源 Qutoa 管控，并深入引擎，在引擎層面完善 ES 節點的容量規劃和資源均勻，期望將 ES 集群的磁盤整體使用率再提升 10%，日均達到 60%，高峰達到 70%，并且沒有磁盤告警和穩定性問題。

實操

在前期準備工作都完成之后，集群升級就成為一個按部就班的過程，雖然期間也遇到了一些意想不到的情況，踩了一些坑，但整體的過程還是進行的比較順利。

①基于 ES 服務元數據的查詢流量回放對比系統

在前期構建的 AMS(Arius Meta Service)系統上，我們對用戶查詢條件、查詢結果進行記錄和分析。

在雙寫搬遷升級過程中，我們將用戶的查詢條件分別在高低版本的集群上進行回放，將查詢返回的結果、性能參數進行對比分析。

只有對比一致，并且性能無太大差異的情況下，我們才認為升級有效，這樣做到心中有底。

②基于 ECM 的 ES 多集群升級過程

由于需要進行雙寫搬遷升級，在實際的升級過程中，需要密集的進行集群搭建、搬遷、重啟等操作，得益于 ECM 的集群管控能力，彈性云靈活的特性，我們和運維同學密切配合才能在短時間內完成多個集群的升級工作。

③ES 新版本特性以及升級性能分析

ES 6.6.1 提供了很多新的特性，在查詢寫入性能上也有很大的提升，我們升級完成的一些案列也得到了驗證，我們會這些特性和性能提升進行一個詳細的分析并分享給大家。

④ES 版本升級采坑分析

在升級的過程中我們也踩了一些坑，如：高版本 SDK 堆外內存無限制使用導致 OOM 的問題，我們把遇到的問題都詳細記錄下來進行并分享給大家。

收獲：長風破浪會有時

經過近半年的開發和重構，在將國內集群升級到高版本的過程中，我們也在架構、產品、成本、性能、特性、自身能力上都有了很大的提升。

架構更清晰

重構之后整個滴滴 ElasticSearch 平臺的服務體系變得更清晰，主要收斂為四大塊應用：

• Gateway 負責查詢寫入請求的接入，用戶的限流、權限校驗、版本兼容在此完成。
• ECM 負責所有集群的管控，集群搭建、升級、重啟、集群級別監控和運維分析在此完成。
• AMS 負責所有集群、節點、索引的運行時信息采集與分析，保障數據質量，并支持其他數據分析應用，分級存儲、索引健康分、集群健康檢查、查詢回放等在此完成。
• Arius Admin 負責索引、權限、資源管控等核心能力。依賴 Admin 的核心能力以及 AMS 的數據采集能力，還提供了容量規劃和智能告警兩個設計良好并且可插拔的擴展服務。

四個應用完成功能抽象、依賴解耦和服務化改造，相比之前下線了 arius-watch、arius-dsl、arius-tools、arius-monitor、arius-mark 等五個小應用，重構之后整體開發效率和可運維性得到了很大的提高。

產品更易用

我們基于 ES 6.5.1 版本，完全重構了滴滴 ElasticSearch 用戶控制臺，其中將用戶的一些高頻操作，如：Mapping 設置/變更、數據清理、索引擴容縮容、索引轉讓、成本賬單等開放給用戶，提升用戶的自助操作性。

未來我們還會對滴滴 ElasticSearch 用戶控制臺中的 Kibana 升級到最新版本并進行定制化開發，提供更豐富和更強大的功能給用戶使用。

成本更低廉

之前滴滴 ElasticSearch 平臺有一套基于索引創建規則的容量規劃算法，相比完全沒有規劃，老版容量規劃算法可以將整體的集群資源使用率由 30% 提升到 50% 左右。

但是也存在著一些問題，如：資源分布不均、熱點無法快速發現、動態自適應能力低、規劃算法抽象不夠無法在索引集群生效、運維便利性差。

下圖展現了一個日志集群新老容量規劃的磁盤使用率對比，上線新的容量規劃之后，集群資源會向著兩個方向發展：

• 正在使用的資源更加聚攏，節點之間資源使用率更平均，整體的資源使用率也更高。
• 空閑資源完全釋放，基于彈性云部署，可以做到快速從集群摘除，加入后備資源池或者加入其它資源緊張的集群中。

經過一系列的存儲優化和資源使用率改造的完成，在滿足集群升級和業務需要增長的基礎上，國內 ES 的資源成本從 2019 年 2 月的 339w 下降到 2019 年 6 月的 259w，機器數也從 1658 臺下降到 1321 臺。

隨著國內集群升級逐漸全部完成，Ceph 冷存的完善，還會逐步歸還更多的機器，滴滴 ElasticSearch 平臺的使用成本也會一步一步下降，在定價上我們也會考慮進一步的進行降價。

性能更強大

新版本升級之后帶來的性能主要體現在以下兩點：

①查詢性能提升

下圖是客服訂單列表查詢語句升級前后的對比，50 分位耗時從 300ms 下降到 50ms。99 分位從 600ms 下降到 300ms。

性能提升的詳細分析見：ES 新版本特性以及升級性能分析。

②集群寫入性能提升

升級到高版本只會，ES 6.6.1 集群相對于 ES 2.3.3 集群同等資源消耗下，整個集群的寫入能力提升了 30%。

如下圖日志集群的寫入 TPS 前后對比，集群寫入能力從 240w/s 提升到320w/s。

展望：直掛云帆濟滄海

至此，滴滴 ElasticSearch 團隊已經完成了國內全部日志集群、90% 的 vip 集群的升級，整個滴滴 ElasticSearch 平臺的架構也得以重構和升級，從而在 ES 引擎層面也有了更大的發展空間。

未來我們將更加專注于引擎建設，更多的從根本上解決目前遇到的問題。未來我們將在以下幾個方向持續努力：

①更大的集群

在日志場景下嘗試突破 ES 單集群支持的最大節點數限制，提升單個集群能支持的節點數量，從目前的單集群支持的 200 個節點提升到 1000 個節點。

期待在大集群下能降低我們的集群數量提升運維效率，同時更大的集群能更方便和更靈活的提升資源使用率，解決流量突增和資源熱點問題。

②更低的成本

降低 ES 的使用成本，提升資源使用率一直是我們追求的目標，上半年我們在完成集群升級以及服務好業務的同時也完成節約成本 80w 每月，ES 整體成本下降約 25%，下半年爭取再下降成本 10%。

ES 6.6.1 提供的一些新特性如：Frozen 機制、Indexing sort 都將會進一步降低資源消耗。

③更快的迭代

ES 集群內多租戶查詢之間的相互影響一直也是滴滴 ElasticSearch 團隊面臨的一個比較難解決的問題，之前更多的是在平臺層面通過物理資源隔離，查詢審核和限流來解決，資源利用率不高和人為運維成本太大。

后續我們將構建一套 ES 自身的查詢優化器，類似 MySQL 的 Explain，可以在查詢語句級別進行性能分析和查詢優化，并在引擎層面通過索引模板級別的查詢資源隔離、一般 query 和 heavy query 的分離來保障查詢的穩定。

④更緊密的聯系

在 ES 新版的基礎上，我們將和社區保持更緊密的聯系，積極的跟進社區提供的新特性和發展方向，并引入滴滴供大家使用。

也會更積極的參與社區建設，將我們在滴滴內部遇到和解決的問題反饋給社區，貢獻更多的 PR 和產生更多的 ES Contributor。

作者：趙情融

簡介：滴滴專家工程師 2018 加入滴滴，滴滴搜索團隊負責人，全面負責滴滴搜索平臺的建設工作。曾在阿里巴巴工作多年，有豐富的平臺建設經驗。