Indexing 索引效能優化

前言

這系列的文章主要的目的在於當我們開始使用 Elastic Stack 時，我們如何優化 Elasticsearch 的使用方式，包含 Indexing, Searching, Disk Usage, Shard Optimization 等四個主題。

進入此章節的先備知識

已經有在使用 Elasticsearch，並且了解 Elasticsearch 的基本原理與操作方式。

此章節的重點學習

Indexing 的效能優化的各種技巧與建議。

Indexing 索引效能優化

這篇文章主要提供 Indexing 的效能優化的各種技巧與建議：

調高你的 Shard 數量，與 Hot Nodes 數量相同
Indexing 大量資料時，善用 bulk request
使用 multi-thread / multi-workers 來 indexing 資料進入 Elasticsearch
調低或暫時關閉 refresh_interval
指定 Routing 的方式，減少 Thread 的數量
第一批資料 indexing 進入 Elasticsearch 之前，先不要設定 Replica
關閉 java process swapping
確保 Filesystem 有足夠的 memory cache
使用 auto-generated ids
使用更快速的儲存硬體
調高 indexing buffer 大小
使用 cross-cluster replication 的配置讓 searching 的處理不會佔用 indexing 的資源
調整 Translog 的 Flush 設定，減少 Disk I/O

以下會分別針對這些優化項目進行說明。

調高你的 Shard 數量，與 Hot Nodes 數量相同

由於 Elasticsearch 在進行資料分散的基本單位是 Shard，而 Indexing 時要能承受大量的資料寫入時，就是同時善用多台硬體資源同時處理這些 Indexing 的請求，Shard 的數量過多會有額外的 overhead，因此最佳的 Shard 數量就是能夠負責處理 Indexing 請求的 Node 的數量，若是使用 Index Lifecycle Management 的規劃方式，這個數量就會是 Hot Nodes 的數量，這樣一來能讓 Elasticseach 平均的將這些 shard 分散在這些 Nodes 身上，並且透過 routing 的機制將大量的 indexing 請求分散到這些機器身上進行處理。

Indexing 大量資料時，善用 bulk request

大量資料要 Indexing 時，使用 bulk 減少 round-trip overhead，至於 bulk request 要多大才是合適的？這個在不同的 Elasticsearch Cluster 硬體規格、不同的 Indexing 文件大小，所以還是要依照使用情境進行 Benchmark ，找到最合適的批次處理大小，另外官方有建議，bulk request 的資料量太大的話，大量的 bulk 請求同時進入 Elasticsearch 時，可能會吃光 Elasticsearch 的記憶體，所以一般不建議一個 bulk request 處理數十 MB 以上的資料。

使用 multi-thread / multi-workers 來 indexing 資料進入 Elasticsearch

使用 multi tread/worker 來處理 indexing 絕對比單一 thraed 能提高處理的效率，不過就像 bulk request 的調效一樣，這個會是依照硬體配置有不同的最佳化配置方式，所以同樣的會建議進行 Benchmark 來保確當下情境下合適的 thread 數量，並注意若是 Elasticsearch 丟出 TOO_MANY_REQUESTS (429) 的錯誤時，就已達到上線，應該要調整配置。

調低或暫時關閉 `refresh_interval`

在 Elasticsearch 的 Indexing 生命週期中，當不斷的有資料 indexing 進入 Elasticsearch 時，一開始是寫在 memory buffer 中的，而這時還無法被搜尋到 (如下圖)：

當 Elasticsearch 透過 refresh 的機制，將 In-memory buffer 的整理成 segment file，這時的狀態就是能被搜尋到的 (下圖中灰色的那塊，因為還沒進行 fsync 所以還沒被 commit)。

Elasticsearch 預設的 refresh_interval 是 1s ，也就是一秒會進行一次處理，若是大量的資料在進行 indexing 時，可以將這個值調大，或甚至先暫時關閉，以提升 indexing 的效率。

這個配置的調整，有時能將 indexing 的效能提升一倍，不過一樣是依照情境會有不一樣的效果，但基本上都能有一定的成效。

這個設定的配置在 index.refresh_interval ，可參考官方文件 - Index Module。

指定 Routing 的方式，減少 Thread 的數量

當我們在 indexing 資料進入 Elasticsearch 時，Elasticsearch 的 Routing 機制預設會讓資料平均分配在各個 Shard 身上，以下圖為例，可以想像左邊是我們的 Coordinator node，當我們有兩批資料要 bulk indexing 進入 ES，而在沒有特別指定 Routing 的機制，所以每個資料被分配到不同的 shard 身上，這個例子我們有 4 個 Shards，所以每一批的處理，都會要分配到 4 個 Shards，這時 bulk 的處理就會要 4 個 Threads 來處理各個 Shard 的工作，2 批 bulk request 也就是總共有 8 個 Threads。

如果我們指定第一批的資料只會 Routing 到 Shard 1, 2，而第二批的資料只會 Routing 到 3, 4，這樣 bullk 在處理時，就只會用到 2 個 Threads來進行這樣的操作。(如下圖)

可以看到這種例子時，Threads 數量就減少一半了，這部份的配置方式，請參考官方文件 - Routing。

第一批資料 indexing 進入 Elasticsearch 之前，先不要設定 Replica

建議如果是一次性的 Indexing 一批資料進入 Elasticsearch，先將 index.number_of_replicas 設成 0，在我們 Indexing 資料時，讓 Elasticseach 把資源用在處理 Indexing ，而不要在這個階段就去進行 Replica 的處理，等到資料都 indexing 完成之後，再把這個配置改回我們原先的預期配置，再讓 Elasticseach 進行 replication 的處理。

關閉 java process swapping

為了避免 JVM heap 被 swap 到 disk，而降低 Elasticsearch 的處理效率，這邊建議關閉 swapping，這部份請直接參考官方文件 - Disable swapping。

確保 Filesystem 有足夠的 memory cache

Elasticsearch 使用時，由於使用 Lucene 進行許多 Segment files 的處理，會需要用到大量 filesystem 的 memory buffer，因此官方的配置建議上，會建議 JVM Heap size v.s OS filesystem 各配置 50% 的記憶體大小，因此請確保 Filesystem 擁有足夠的記憶體來處理 indexing 的 request。

使用 auto-generated ids

Elasticsearch 在進行 Indexing 的處理時，會檢查文件的 id 是否已存在於目前的 shard 當中，如果是使用 Elasticsearch auto-generated ids 時，由於這個 Id 的組成有包含的時間，所以 Elasticsearch 可以確保他產生時不會與現存的資料有重覆的情況，因此可以省略這個 id checking 的機制，這樣會讓 indexing 的速度有所提升。

使用更快速的儲存硬體

Indexing 的處理是屬於 I/O bound，在官方的建議配置上，會建議基本上要使用 SSD 等級的硬碟來當成 Elasticsearch 的儲存硬體規格，而且使用 SSD 的配置，會讓整體的 C/P 值會較高。

若是因資料量太大而有成本的考量，應該進一步再使用 Index Lifecycle Management 將 Indexing 完成的資料、或是較舊的資料，轉移到較便宜的磁碟硬體狀置上。

調高 indexing buffer 大小

如果有大量的 indexing 的處理時，適時的調高 indices.memory.index_buffer_size，這個值預設是 10% 的 JVM head size，這個 index buffer 是所有 active shard 共用的，所以若是有大量 indexing 處理時，也就會互相佔用這個空間，所以確保 indexing 時影響的 shard 數量，並且配置足夠的 index buffer size。

這個配置官方的建議是一個 shard 在 512MB 之內，若是超過的話效能一般不會有太明顯的改善。

使用 cross-cluster replication 的配置讓 searching 的處理不會佔用 indexing 的資源

如果是持續不斷的大量 indexing 資料進入 Elasticsearch 中，可以考慮使用 multi-cluster 的架構，將 indexing 的處理指向一個 Elasticsearch Cluster - A，而透過 cross-cluster replication 將資料 replica 到另一個 Elasticsearch Cluster - B，所有的 search 就指向 Elasticsearch Cluster - B，讓 searching 的各種請求處理，不會佔用到 indexing 的處理資源，確保 indexing 有獨立不受影響的資源配置。

調整 Translog 的 Flush 設定，減少 Disk I/O

Elasticsearch 因為避免 process crash 時資料的遺失，會預設在每 5秒鐘 、或是 memory size 達到 512mb …等條件達到時執行 fsync，而這個處理的 Disk I/O 成本較高，因此在大量 indexing 資料時，而且這時期又允許接受系統 crash 時資料遺失的風險，可以將 index.translog.interval 和 index.translog.flush_threshold_size 的配置調高，以提升 indexing 的效率。