大圓那些事

以下是自己這1年多以來在集群應(yīng)用與運維方面所做事情的梳理與總結(jié)，內(nèi)容比較零散，大家姑且當做一篇非嚴格意義上的技術(shù)文章來閱讀。

作者: 大圓那些事 | 文章可以轉(zhuǎn)載，請以超鏈接形式標明文章原始出處和作者信息

網(wǎng)址: http://www.rzrgm.cn/panfeng412/archive/2013/06/27/cluster-use-and-maintain-experience-summary.html

本人目前很重要的一部分工作是參與或負責部門內(nèi)一些集群的維護、應(yīng)用開發(fā)以及優(yōu)化，其中包括：HBase集群、Storm集群、Hadoop集群、Super Mario集群（部門內(nèi)部開發(fā)的實時流處理系統(tǒng)）等，隨著業(yè)務(wù)的拓展，集群機器數(shù)已經(jīng)小有規(guī)模。

接下來是我對自己這1年多以來，在集群應(yīng)用與運維方面所做事情的梳理與總結(jié)。以下內(nèi)容有些零散，大家姑且當做一篇非嚴格意義上的技術(shù)文章來閱讀。

1）安裝、部署過程要盡可能自動化。

將集群搭建的步驟腳本化，可以做到批量部署多個節(jié)點、快速上線/下線一個節(jié)點。集群的節(jié)點多，或者不斷有節(jié)點上下線的話，都能省出不少的時間。

2）搭建并充分利用好集群的監(jiān)控系統(tǒng)。

首先，最重要的是集群自帶的監(jiān)控系統(tǒng)。例如，HBase的Master、Region Server監(jiān)控頁面；Hadoop的JobTracker/TaskTracker、NameNode/DataNode監(jiān)控頁面；Storm的Storm UI監(jiān)控頁面，等等。這類監(jiān)控側(cè)重集群上的作業(yè)、資源等，而且包含的信息很全，包括作業(yè)運行的異常日志等，這對于排查、定位問題是非常及時有效的。

其次，既然是集群，就需要有一個統(tǒng)一的監(jiān)控地址負責收集、展示各個節(jié)點的工作狀態(tài)，集群既不能太閑，也不能負載過高。因此，我們需要對集群內(nèi)各節(jié)點的CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)等進行監(jiān)控。Ganglia是個很不錯的工具，它的安裝配置過程簡單，采集的指標豐富，而且支持自定義，像Hadoop、HBase都對Ganglia進行了擴展。

3）為集群內(nèi)節(jié)點添加必要的運維腳本。

刪除過期的、無用的日志文件，否則磁盤占滿會導(dǎo)致節(jié)點不工作甚至發(fā)生故障，如Storm集群的Supervisor進程日志、Nimbus進程日志，Hadoop集群的各個進程日志。

為集群上的守護進程添加開機自啟動腳本，盡可能避免宕機重啟后的人工干預(yù)。例如，CDH已經(jīng)為Hadoop、Hive、HBase等添加了啟動腳本，rpm安裝后進程可在機器重啟后自啟動。

同時監(jiān)控集群上的守護進程是否存在，不存在則直接重啟。這種方式只適用于無狀態(tài)的進程，像Storm的Nimbus、Supervisor進程，Zookeeper進程等，都應(yīng)該加上這樣的監(jiān)控腳本，確保服務(wù)進程終止后可以盡快被重啟恢復(fù)。例如，通過設(shè)置crontab每分鐘檢查一次。

4）根據(jù)業(yè)務(wù)特點添加應(yīng)用層的監(jiān)控和告警。

對于業(yè)務(wù)層的計算任務(wù)，可以監(jiān)控每天產(chǎn)出數(shù)據(jù)的大小和時間，如果出現(xiàn)異常情況（如數(shù)據(jù)文件的大小驟變，計算結(jié)果產(chǎn)出延遲等）則進行報警。

對于實時計算的應(yīng)用，最重要的是數(shù)據(jù)處理是否出現(xiàn)明顯延遲（分鐘延遲、秒級延遲等），基于此，可以定義一系列的規(guī)則，觸發(fā)不同級別的報警，以便第一時間發(fā)現(xiàn)并解決問題。

5）使多個用戶能夠共享集群的計算和存儲資源。

使用集群的Quota限制不同用戶的資源配額，例如Hadoop就提供了這一機制；但是，Storm和HBase目前并沒有發(fā)現(xiàn)有什么方式可以限制。

通過多用戶隊列的方式對集群的資源進行限制與隔離。例如Hadoop為了解決多用戶爭用計算資源的情況，使用Capacity Scheduler或Fair Scheduler的方式，對不同用戶提交的作業(yè)進行排隊，可以直接部署應(yīng)用，也可以根據(jù)業(yè)務(wù)需求對其進行定制后使用，很方便。

對于Storm集群，其計算資源也是按照Slots劃分的，因此可以考慮在Storm之上加上一層資源控制模塊，記錄每個用戶最大可占用的Slots數(shù)、當前已占有的Slots數(shù)等，從而實現(xiàn)用戶的資源配額（不過目前Storm無論從集群規(guī)模還是內(nèi)部使用用戶來看，都還不算多，這一需求并不是特別迫切）。

另外，不同用戶對集群的訪問控制權(quán)限十分必要。比如，是否可以提交作業(yè)、刪除作業(yè)，查看集群各類資源等，這是保證集群安全運行的一道基本保障。

6）實時計算應(yīng)用要想辦法應(yīng)對流量峰值壓力。

真實壓測：例如為了應(yīng)對雙11當天流量壓力，模擬平時3~5倍流量進行壓測，提前發(fā)現(xiàn)解決問題，保證系統(tǒng)穩(wěn)定性。

運維開關(guān)：通過加上運維開關(guān)，避免流量峰值時刻對系統(tǒng)帶來的沖擊，例如，通過ZooKeeper對實時計算應(yīng)用加上開關(guān)，在線調(diào)整處理速度，允許一定時間的延遲，將流量平滑處理掉。

容錯機制：實時計算的場景隨流量的變化而變化，可能遇到各種突發(fā)情況，為此在做系統(tǒng)設(shè)計和實現(xiàn)時必須充分考慮各種可能出錯的情況（如數(shù)據(jù)延遲、丟數(shù)據(jù)、臟數(shù)據(jù)、網(wǎng)絡(luò)斷開等等）。

穩(wěn)定性與準確性折中：建議不要在實時計算中過于追求計算結(jié)果的準確性，為了保證系統(tǒng)的穩(wěn)定運行，可以犧牲一定的準確性，保證應(yīng)用能夠“活下去”更重要。

7）多種方式追蹤、定位、解決集群中的問題。

借助于集群的監(jiān)控系統(tǒng)，定位問題所在的具體機器。登錄到問題機器上，也可使用top、free、sar、iostat、nmon等常用命令進一步查看、確認系統(tǒng)資源使用情況、問題之處。

同時，通過查看集群上的日志（包括集群級別、業(yè)務(wù)級別），確認是否有異常日志及對應(yīng)的原因。

另外，也可通過strace、jvm工具等方式追蹤工作進程，從問題現(xiàn)場尋找原因。

8）集群運行任務(wù)的一些調(diào)優(yōu)思路。

綜合考慮系統(tǒng)資源負載：結(jié)合集群監(jiān)控，從各個節(jié)點上任務(wù)實例的運行情況（CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)），定位系統(tǒng)瓶頸后再做優(yōu)化，盡可能使得每個節(jié)點的系統(tǒng)資源得到最大利用，尤其是CPU和內(nèi)存。

任務(wù)實例并行化：可以并行化的直接采用多shard，多進程/多線程的方式；復(fù)雜的任務(wù)則可以考慮先進行拆解，然后進行并行化。

不同類型的任務(wù)：CPU密集型考慮利用多核，將CPU盡可能跑滿；內(nèi)存密集型則考慮選擇合適的數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)在內(nèi)存中壓縮（壓縮算法的選擇）、數(shù)據(jù)持久化等。

緩存Cache：選擇將頻繁使用、訪問時間開銷大的環(huán)節(jié)做成Cache；通過Cache減少網(wǎng)絡(luò)/磁盤的訪問開銷；合理控制Cache的大小；避免Cache帶來的性能顛簸，等等。