码迷,mamicode.com
首页 > 其他好文 > 详细

互联网级监控平台之内存存储的设计和优化

时间:2017-08-25 01:06:53      阅读:148      评论:0      收藏:0      [点我收藏+]

标签:getc   else   ice   deque   static   monit   output   曲线   service   

上两篇文章我们介绍了时序数据库Influxdb在互联网级监控系统下的应用:

互联网级监控系统必备-时序数据库之Influxdb技术

互联网级监控系统必备-时序数据库之Influxdb集群及踩过的坑

在我们监控平台V1.0和V2.0版本的演进过程中,设计上,我们在监控引擎端引入了内存存储的理念,即监控数据内存槽。

为什么需要一个内存存储来做监控数据的内存槽,它的应用场景是什么?

一. 从实际应用场景出发

   首先,我们看一个实际的监控图表:配置中心服务的TPM

技术分享

      横轴是时间,纵轴是数值。每分钟一个点,当然也可以每10s一个点,一段时间区间内所有的点,连接成一条曲线,如图所示:一段时间内配置中心服务的TPM实时监控图表。

      在我们的服务容器中,每次服务调用我们都会上报一次监控数据,即服务的耗时和相关的容器数据、纬度数据等。

      由点及线,我们看每个点背后的数据:上图中,21:05:59:996这个时间点配置中心服务的TPM是10K,即这一分钟内发生了1W次调用,上报了1W个监控数据

我们统计了每 1 Minute内服务的调用次数,类似的我们还可以统计每30s, 10s, 1s的调用次数。无论1 Minute,30s,20s,1s,这都代表了一个Time Window:时间窗口。

有了这些上报的监控数据,我们就可以在一个Time Window范围内进行监控数据的采样、分析。监控数据采样主要是在各个纬度下取这个Time Window下所有监控数据的最大值、最小值、个数、合计值、平均

值、最新值、第一个值等,示例中的TPM则是取的一分钟内的监控数据的个数,同样的,如果取平均值,即代表了服务的平均响应时间。采样后的数据写入Influxdb就可以展现了。

  因此,在监控引擎内部需要一个内存结构来存储每个Time Window的监控数据,用于后续的监控数据采样和分析。

  目前,我们的监控平台有2000+的监控项,这么大的监控体量,每天上报2TB的监控数据,折合每分钟1.42GB监控数据。这个内存存储结构应该如何设计?如何保证监控的准确性、实时性、有序性和并发性?

二.  言归正传,用演进的角度看监控内存存储结构的设计

1. 监控数据结构优化

  海量的监控数据实时地从各个服务器上报到监控引擎中。首先我们要保证监控数据尽可能的小:这样才能传输的更快、更多。

  •   不需要的数据不要上报
  •   采用ProtoBuf序列化,尽可能的降低数据序列化带来的性能消耗,保证序列化后的数据的体量要小

2. 连续的内存还是分布的内存 

  监控引擎接收到上报的监控数据后,首先要将数据缓存到内存中,这时有两种选择:一直连续写?分布并行写? 孰优孰劣?

  一直连续写:内存相对来说是连续的,但这是暂时的,当数据到达一定数量后,很多集合要Double扩容,内存瞬间的压力会很大!同时,数据写入是并发的,要保证线程安全,防止写入失败!

       分布并行写:以空间换时间,同时降低了并行写入产生的锁争用问题,同时可以避免内存Double、频繁扩容的问题,唯一的劣势就是,内存占用多一点,需要实现内存的分布式管理

       监控数据必须快速、及时的得到处理,实时性要求很高,同时,内存的成本基本可控,因此,我们选择了分布并行写的策略!

3. 内存存储的Sharding设计

  在内存存储的设计上,我们借鉴了数据库Sharding的思路。为什么要做Sharding?假如将所有的监控数据都存储在一个内存集合中,每一类监控项在采样时,都要访问这个内存集合,线程争用很大,

必须加锁控制,此时会产生类似数据库阻塞的“内存线程阻塞”。因此:

      按监控项做垂直拆分:每个监控项拥有自己单独的内存存储空间。内存的Sharding Key就是监控项。这样的设计,提升了内存操作的并行度,同时减少了锁争用。采样的各个线程操作各自的内存,只有线

程内存的计算处理,采样线程间没有交叉争用。一个监控项一个内存存储后,数据写入和采样数据读取依然有线程争用问题!数据在实时不断的写入,同时采样线程在实时指定Time Window的数据进行采样。

继续优化改进。

  按时间做水平拆分:每一个监控项一个内存存储,同时再按分钟进行水平拆分,每分钟又是一个单独的子存储。即一个内存槽下60个槽点。每分钟一个槽点

  此时,监控数据接收时,首先根据监控数据对应的监控项,定位到对应的内存槽,第二步根据监控数据上的时间,定位到具体分钟槽点。数据写入的速度又提升了。同时,采样线程读取指定Time Window

下的数据时,可以快速根据时间纬度,找到指定的槽点。读取的速度也提升了!

4. 内存中读写分离设计

  将内存中监控数据的读写分开,降低数据的读写争用。

  数据写线程:实时并行写入各个内存槽和槽点中(监控项和时间纬度)

       采样读线程:读取指定监控项对应的Time Window下的数据。

  监控数据采样有个前提:例如要对上一分钟的数据进行采样,首先要保证上一分钟的数据尽可能的全部到位,这样数据才会准确。因此有个延迟时间的问题,例如5s延迟,21:57:05时,我们认为21:56的数

据已经全部到位。这样的话,我们就可以采用一个较小的延迟时间,来保证数据的准确性的同时,降低数据读写的争用。

  通过设置了一个合理的延迟时间(5s),21:57:05时:

  采样读线程:读取21:56对应槽点下的数据进行采样分析

       数据写线程:将监控数据写入21:57对应的内存槽点中。

       读写分开,内存争用非常少,性能和并行度再一次提升!!

5. 多线程优化

  基于线程池,线程内的执行逻辑尽可能的快,使用完后立即放回线程池中。防止线程占用带来的线程暴涨问题!

三. 代码分享

1. 监控数据本地存储

 1  public class MonitorLocalStore
 2     {
 3         private Dictionary<int, Queue<MonitorData>> cache;
 4 
 5         private static object syncObj = new object();
 6 
 7         //监控元数据ID
 8         private string metaDataID;
 9 
10         public DateTime CreateTime;
11         /// <summary>
12         /// 构造函数
13         /// </summary>
14         /// <param name="metaDataID">监控元数据ID</param>
15         public MonitorLocalStore(string metaDataID)
16         {
17             this.metaDataID = metaDataID;
18             cache = new Dictionary<int, Queue<MonitorData>>();
19             for (int i = 0; i < 60; i++)
20             {
21                 cache.Add(i, new Queue<MonitorData>());
22             }
23             CreateTime = DateTime.Now;
24         }
25 
26         public void Add(MonitorData value)
27         {
28             if (!cache.ContainsKey(value.Time.Minute))
29             {
30                 throw new Exception("Cannot find Time slot: " + value.Time.ToString() + ", Current slots: " + string.Join(",", cache.Keys));
31             }
32             cache[value.Time.Minute].Enqueue(value);
33         }
34 
35         public void Add(IEnumerable<MonitorData> valueSet)
36         {
37             Parallel.ForEach(valueSet, (i) =>
38                     {
39                         cache[i.Time.Minute].Enqueue(i);
40                     }
41                 );
42         }
43 
44         public List<MonitorData> Get(params int[] scope)
45         {
46             var valueSet = new List<MonitorData>();
47             foreach (var item in scope)
48             {
49                 while (cache[item].Count > 0)
50                 {
51                     MonitorData data = cache[item].Dequeue();
52                     if (data != null)
53                     {
54                         valueSet.Add(data);
55                     }
56                 }
57                 //valueSet.AddRange(cache[item]);    
58                 cache.Remove(item);
59                 cache.Add(item, new Queue<MonitorData>());
60             }
61 
62             return valueSet;
63         }
64 
65         /// <summary>
66         /// 获取本地缓存的总容量
67         /// </summary>
68         /// <returns>本地缓存的总容量</returns>
69         public long GetCapcity()
70         {
71             var length = 0;
72             foreach (var item in cache)
73             {
74                 length += item.Value.Count;
75             }
76 
77             return length;
78         }
79 
80         public void Ecvit(params int[] scope)
81         {
82             lock (syncObj)
83             {
84                 foreach (var item in scope)
85                 {
86                     cache[item] = new Queue<MonitorData>();
87                 }
88             }
89         }
90 
91         public Dictionary<int, Queue<MonitorData>> GetCache()
92         {
93             return cache;
94         }
95     }

2. 监控存储分布式管理

 1   class MonitorLocalStoreManager
 2     {
 3         private static object syncObj = new object();
 4         private ConcurrentDictionary<string, MonitorLocalStore> storeDic;
 5         private List<string> metaDataList;
 6 
 7         /// <summary>
 8         /// 输出方法委托
 9         /// </summary>
10         public Action<string> Output { get; set; }
11         /// <summary>
12         /// 构造函数
13         /// </summary>
14         private MonitorLocalStoreManager()
15         {
16             storeDic = new ConcurrentDictionary<string, MonitorLocalStore>();
17         }
18 
19         //监控数据本地存储管理器实例
20         private static MonitorLocalStoreManager instance;
21 
22         /// <summary>
23         /// 获取监控数据本地存储管理器实例
24         /// </summary>
25         /// <returns>监控数据本地存储管理器实例</returns>
26         public static MonitorLocalStoreManager GetInstance()
27         {
28             if (instance == null)
29             {
30                 lock (syncObj)
31                 {
32                     if (instance == null)
33                     {
34                         instance = new MonitorLocalStoreManager();
35                     }
36                 }
37             }
38 
39             return instance;
40         }
41 
42         /// <summary>
43         /// 加载监控元数据存储
44         /// </summary>
45         /// <param name="metaDataList">监控元数据列表</param>
46         internal void LoadMetaDataStore(List<string> metaDataList)
47         {
48             this.metaDataList = metaDataList;
49             foreach (var metaDataID in metaDataList)
50             {
51                 GetOrCreateStore(metaDataID);
52             }
53         }
54 
55         /// <summary>
56         /// 根据监控元数据ID获取本机缓存Store
57         /// </summary>
58         /// <param name="metaDataID">监控元数据ID</param>
59         /// <returns>本机缓存Store</returns>
60         public MonitorLocalStore GetOrCreateStore(string metaDataID)
61         {
62             MonitorLocalStore store = null;
63             if (!storeDic.ContainsKey(metaDataID))
64             {
65                 lock (syncObj)
66                 {
67                     if (!storeDic.ContainsKey(metaDataID))
68                     {
69                         if (!metaDataList.Contains(metaDataID))
70                         {
71                             LocalErrorLogService.Write("Find New MetaData:" + metaDataID);
72                         }
73                         store = new MonitorLocalStore(metaDataID);
74                         storeDic.TryAdd(metaDataID, store);
75                     }
76                 }
77             }
78             else
79             {
80                 storeDic.TryGetValue(metaDataID, out store);
81             }
82 
83             return store;
84         }
85 
86         internal ConcurrentDictionary<string, MonitorLocalStore> GetStore()
87         {
88             return storeDic;
89         }
90

总结:

监控引擎使用了内存存储来接收缓存上报上来的监控数据。

使用场景:监控数据实时写入,大批量写入,定时采样归集。

技术挑战:快速写入、多线程读写安全、内存快速分配和释放,防止内存暴涨带来的Full GC和高CPU。

设计上的一些好的经验:

  • 内存存储采用Sharding分区,每个监控项一个内存槽,每个内存槽分为60个槽点:以空间换时间,同时避免大内存分配。
  • 多线程写入时,以监控项作为分区键,路由定位到指定的内存槽,以监控数据上的时间(分钟)作为二次分区键,存储到指定内存槽的槽点。实现多线程并行写入,最大程度上避免了多线程写入时的锁争用。
  • 读写线程分离,读线程设置一个最佳的延迟时间(5~10s),读取内存槽点的已就绪的数据,此时数据没有写入,毫秒级读取,近乎实时的监控数据采样。

 

周国庆

2017/8/24

互联网级监控平台之内存存储的设计和优化

标签:getc   else   ice   deque   static   monit   output   曲线   service   

原文地址:http://www.cnblogs.com/tianqing/p/7425696.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!