如何解决看起来不可能的工程问题?

jopen 9年前

 

Scalyr 是一个基于云的服务器日志监控工具。其官方博客曾发表过一篇 文章 ,描述如何使用 蛮力方法 实现数十GB日志数据的秒级查询。在对所有日志进行实时探索性分析时,那是个行之有效的方法,但无法实现Scalyr某些功能(如仪表板、预警)所需要 的、TB级数据的秒级查询。近日,前谷歌员工、Scalyr创建者Steve Newman撰文介绍了他们如何遵循如下两个原则解决该问题:

  • 常用的用户行为对应简单的服务器行为;不常用的用户行为则可以对应复杂的服务器行为
  • 寻找一种可以简化关键操作的数据结构

Steve指出,重定义可以让一个看似不可能的挑战变得容易处理,而这两个原则有助于寻找一种合适的重定义方法。

“不可能”的问题

Scalyr提供了许多服务器监控和分析工具。为了支撑这些工具,他们将每项功能都实现为一个通用数据集上的一组查询。有些功能需要多个查询。例如,仪表 板可以包含任意数量的图表,每个图表又包含多条曲线,而每条曲线对应一个复杂的日志查询。假如一个自定义的仪表板容包含十二个图表,每个图表4条曲线,用 户选择了一个时间跨度为一周的仪表板视图,而他们每天生成的日志量为50GB,那么,就需要在350GB的数据上执行48个查询。没有哪个蛮力算法可以在 零点几秒内提供查询结果。同样,预警功能也会产生大量的查询。Scalyr的 日志预警 可以触发非常复杂的条件,比如,过去10分钟内99%的Web前端响应时间超过800毫秒。单个用户可能有成百上千的预警,它们每分钟就需要计算一次。而通常,预警查询对延迟很敏感,需要在几毫秒内响应。

重定义问题

综上所述,仪表板和预警都会产生大量的查询,但都不能接受太长的查询执行时间。所幸,它们有一个共同点:查询事先已知,查询很常用,而新查询很少。按照上文提出的原则,他们需要一种可以简化仪表板和预警查询的数据结构,哪怕创建查询变得复杂也可以接受。

Scalyr支持多种输出结果,包括文本、数值、直方图和键/值数据。不过,仪表板和预警查询总是生成一个数组。每个查询定义了一个时间上的数值 函数,可能是“每秒产生的错误信息”、“服务器X上的空闲磁盘空间”等。执行查询就意味着使用函数求值,计算结果为数值序列,每个数值对应一个特定的时间 区间。

他们通过预计算来简化函数求值过程。他们采用的数据结构非常简单:每个查询对应一个数组。查询每隔30秒执行一次,并输出一个数值。他们将那个数组称为“ 时间序列 (timeseries)”。例如,用户仪表板上有一张图表,上面显示了Web服务器池产生5xx错误的速率。为此,他们创建了一个时间序列,每30秒记录一个错误数:

如何解决看起来不可能的工程问题?

这样,他们就可以快速生成任意时段的图表(为了生成更长时段的图表,他们还以逐步增大的时间间隔存储一些冗余数组)。

时间序列维护

当有日志消息到达时,他们需要对每个相关时间序列进行增量更新。例如,如果一个新的Web访问消息包含有介于500-599之间的状态码,那么他 们就需要增加对应特定时间间隔的“5xx错误”时间序列的计数器。这里有个问题,就是针对一个新消息,如何确定哪些时间序列需要更新。由于仪表板和预警查 询通常使用相同的字段进行过滤,如主机名、指标名,所以他们使用这些字段构建了一棵决策树,通过它快速确定与日志消息匹配的候选时间序列列表。

Steve举了一个例子。假如有十二个时间序列,遵循下面的消息选择标准:

host="frontend1" && metric="memfree"  host="frontend1" && metric="diskfree"  host="frontend2" && metric="memfree"  host="frontend2" && metric=diskfree"  host="backend1" && metric=memfree"  host="backend1" && metric=diskfree"  host="backend2" && metric="memfree"  host="backend2" && metric="diskfree"  pool="webapp" && status >= 400 && status <= 499  pool="webapp" && status >= 500 && status <= 599  pool="api" && status >= 400 && status <= 499  pool="api" && status >= 500 && status <= 599

这些时间序列可以组织成下面这样一棵决策树:

如何解决看起来不可能的工程问题?

如果收到了下面这样一条消息:

host=frontend1  metric=memfree  value=194207

则该消息会从决策树的根节点开始匹配,首先会进入 host=“frontend1”host=[any] 节点。从 host=“frontend1” 向下,可以进入 metric=“memfree” 节点,并匹配到该节点下的时间序列( host="frontend1" && metric="memfree" );从 host=[any] 节点向下,未能找到匹配的分支,不再向下匹配。就是说,在这种情况下,只需要检查时间序列 host="frontend1" && metric="memfree" 是否需要更新。而对于消息 host=frontend1, metric=memfree, pool=webapp ,则需要检查3个时间序列。

决策树生成算法

决策树生成采用了一个简单的贪婪算法:

  1. 找出所有用于 == 检验并在至少一个时间序列中出现的字段名(比如,上例子中的 hostmetricpool )。
  2. 根据每个字段名划分时间序列。如果一个时间序列无法匹配该字段值域中的某个值,那么就将其划分到[any]组。计算每个组中时间序列的数量,并找出最大的组。在上例中, host 字段产生了4个大小为2的组和一个大小为4的组([any]组)。因此,最大组的大小为4。
  3. 创建一棵树,其根字段要能够使最大组最小化。在上例中,如果以 hostmetric 字段为根节点,则最大组的大小均为4;如果以 pool 字段为根节点,则最大组为[any],大小为8。因此,可以使用 hostmetric 的其中一个作为根节点,而不使用 pool
  4. 在每棵子树上递归执行步骤3。

在Steve举的一个例子中,与蛮力算法相比,该算法带来了33倍的性能提升。在实际的生产环境中,它对性能的提升更明显。

另外,Steve还列举了一些具体的实现细节,此处不再一一赘述。感兴趣的读者可以查看 原文