天池中间件大赛 - 单机百万消息队列存储实现分享

Posted 占小狼的博客

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了天池中间件大赛 - 单机百万消息队列存储实现分享相关的知识,希望对你有一定的参考价值。

这次天池中间件性能大赛初赛和复赛的成绩都正好是第五名,本次整理了复赛《单机百万消息队列的存储设计》的思路方案分享给大家,实现方案上也是决赛队伍中相对比较特别的。

赛题回顾

  • 实现一个进程内的队列引擎,单机可支持100万队列以上

  • 实现消息put、get接口。

  • 在规定时间内完成数据发送、索引校检、数据消费三个阶段评测。

评测逻辑

  • 各个阶段线程数在20~30左右。

  • 发送阶段:消息大小在50字节左右,消息条数在20亿条左右,也即发送总数据在100G左右。

  • 索引校验阶段:会对所有队列的索引进行随机校验;平均每个队列会校验1~2次。

  • 顺序消费阶段:挑选20%的队列进行全部读取和校验;

  • 发送阶段最大耗时不能超过1800s;索引校验阶段和顺序消费阶段加在一起,最大耗时也不能超过1800s;超时会被判断为评测失败。

评测环境

  • 测试环境为4c8g的ECS虚拟机。

  • 带一块300G左右大小的SSD磁盘。SSD性能大致如下:iops 1w左右;块读写能力(一次读写4K以上)在200MB/s左右。

赛题分析

对于单机几百的大队列来说业务已有成熟的方案,Kafka和RocketMQ。

方案 几百个大队列
Kafka 每个队列一个文件(独立存储)
RocketMQ 所有队列共用一个文件(混合存储)

若直接采用现有的方案,在百万量级的小队列场景都有极大的弊端。

方案 百万队列场景弊端
Kafka独立存储 单个小队列数据量少,批量化程度完全取决于内存大小,落盘时间长,写数据容易触发IOPS瓶颈
RocketMQ混合存储 随机读严重,一个块中连续数据很低,读速度很慢,消费速度完全受限于IOPS

为了兼顾读写速度,我们最终采用了折中的设计方案:多个队列merge,共享一个块存储。

设计核心思想

  • 设计上要支持边写边读

  • 多个队列需要合并处理

  • 单个队列的数据存储部分连续

  • 索引稀疏,尽可能常驻内存

架构设计

天池中间件大赛 - 单机百万消息队列存储实现分享

架构图中Bucket Manager和Group Manager分别对百万队列进行分桶以及合并管理,然后左右两边是分别是写模块和读模块,数据写入包括队列merge处理,消息块落盘。读模块包括索引管理和读缓存。(见左图)

bucket、group、queue的关系:对消息队列进行bucket处理,每个bucket包含多个group,group是我们进行队列merge的最小单元,每个group管理固定数量的队列。(见右图)

存储设计

天池中间件大赛 - 单机百万消息队列存储实现分享
  • 对百万队列进行分桶处理。

  • 每个Bucket中分为多个Group,每个Group为一个读写单位,对队列进行merge,同时更新索引和数据文件。

  • 单个Group里对M个队列进行合并,超过16k或者压缩超过16K(可配置)进行索引更新和落盘。

  • 索引部分针对每个Block块建立一个L2二级索引,然后每16个L2建立一个L1一级索引。

  • 数据文件采用混合存储,对Block块顺序存储。

接下来对整个存储每个阶段的细节进行展开分析,包括队列合并、索引管理和数据落盘。

MQ Merge

1. 百万队列数据Bucket Hash分桶

天池中间件大赛 - 单机百万消息队列存储实现分享

2. Bucket视角

天池中间件大赛 - 单机百万消息队列存储实现分享
  • 每个Bucket分配多个Group

  • Group是管理多个队列的最小单位

3. Group分配过程

天池中间件大赛 - 单机百万消息队列存储实现分享
  • 每个bucket持有一把锁,顺序为队列分配group,这里我们假设merge的数量为4个队列。

  • 数据的达到是随机的,根据队列的先后顺序加入当前Group。

  • 当Group达到M个后便形成一个固定分组。相同队列会在Group内进行合并,新的队列数据将继续分配Group接收。

4. Group视角的数据写入

天池中间件大赛 - 单机百万消息队列存储实现分享
  • 每个Group会分配Memtable的Block块用于实时写入。

  • 当Block达到16k(可配置)时以队列为单位进行数据排序,保证单个队列数据连续。

  • 字节对齐,Memtable变为不可变的Immemtable准备落盘。

  • 开辟新的Block接收数据写入。

索引管理

1. L2二级索引

L2二级索引与数据存储的位置息息相关,见下图。为每个排序后的Block块建立一个L2索引,L2索引的结构分为文件偏移(file offset),数据压缩大小(size),原始大小(raw size),因为我们是多个队列merge,然后接下来是每个队列相对于起始位置的delta offset以及消息数量。

天池中间件大赛 - 单机百万消息队列存储实现分享

2. L1一级索引

为了加快查询速度,在L2基础上建立L1一级索引,每16个L2建立一个L1,L1按照时间先后顺序存放。L1和L2的组织关系如下:

天池中间件大赛 - 单机百万消息队列存储实现分享

L1索引的结构非常简单,file id对应消息存储的文件id,以及16个Block块中每个队列消息的起始序列号seq num。例如MQ1从序列号1000开始,MQ2从序列号2000开始等等。

天池中间件大赛 - 单机百万消息队列存储实现分享

3. Index Query

如何根据索引定位需要查找的数据?

对L1先进行二分查找,定位到上下界范围,然后对范围内的所有L2进行顺序遍历。

天池中间件大赛 - 单机百万消息队列存储实现分享

Data Flush

1. 同步Flush

当blcok超过指定大小后,根据桶的hashcode再进行一次mask操作将group中的队列数据同步写入到m个文件中。

同步刷盘主要尝试了两种方案:Nio和Dio。Dio大约性能比Nio提升约5%。CPP使用DIO是非常方便的,然而作为Java Coder你也许是第一次听说DIO,在Java中并没有提供直接使用DIO的接口,可以通过JNA的方式调用。

天池中间件大赛 - 单机百万消息队列存储实现分享

这里就遇到一个问题,同样配置的阿里云机器测试随机数据同步写入性能是非常高的,但是线上的评测数据都是58字节,数据过于规整导致同一时间落盘的概率很大,出现了大量的锁竞争。所以这里做了一个小的改进:按概率随机4K、8K、16K进行落盘,写性能虽有一定提升,但是效果也是不太理想,于是采用了第二种思路异步刷盘。

2. 异步Flush

采用RingBuffer接收block块,使用AIO对多个block块进行Batch刷盘,减少IO Copy的次数。异步刷盘写性能有了显著的提升。

天池中间件大赛 - 单机百万消息队列存储实现分享

以下是异步Flush的核心代码:

while (gWriterThread) {
    if (taskQueue->pop(task)) {
        writer->mWriting.store(true);
        do {
            // 使用异步IO
            aiocb *pAiocb = aiocb_list[aio_size++];
            memset(pAiocb, 0, sizeof(aiocb));
            pAiocb->aio_lio_opcode = LIO_WRITE;
            pAiocb->aio_buf = task.mWriteCache.mCache;
            pAiocb->aio_nbytes = task.mWriteCache.mSize;
            pAiocb->aio_offset = task.mWriteCache.mStartOffset;
            pAiocb->aio_fildes = task.mBlockFile->mFd;
            pAiocb->aio_sigevent.sigev_value.sival_ptr = task.mBlockFile;
            task.mBlockFile->mWriting = true;

            if (aio_size >= MAX_AIO_TASK_COUNT) {
                break;
            }
        } while (taskQueue->pop(task));

        if (aio_size > 0) {
            if (0 != lio_listio(LIO_WAIT, aiocb_list, aio_size, NULL)) {
                aos_fatal_log("aio error %d %s.", errno, strerror(errno));
            }

            for (int i = 0; i < aio_size; ++i) {
                ((BlockFile *) aiocb_list[i]->aio_sigevent.sigev_value.sival_ptr)->mWriting = false;
                free((void *) aiocb_list[i]->aio_buf);
            }
            aio_size = 0;
        }
    } else {
        ++waitCount;
        sched_yield();
        if (waitCount > 100000) {
            usleep(10000);
        }
    }
}

读缓存设计

数据读取流程

  • 根据队列Hash定位Bucket桶。

  • 二分查找定位L1索引和L2索引。

  • 在一定时机会执行预读取操作。

  • 数据先从缓存中做查找,缓存命中直接返回,失效则回源到SSD。

整个流程主要有两个优化点:预读取和读缓存。

天池中间件大赛 - 单机百万消息队列存储实现分享

预读取优化

1. 记录上一次读取(消费)的offset

主要有两个作用:

  • 加快查询数据的速度。

  • 用于判断预读取时机。

2. 预读取时机

顺序消费且已经消费到当前block尾,则进行预读取操作。如何判断顺序消费?判断上次消费的结束位置是否与这次消费的起始位置相等。

if (msgCount >= destCount) {
    if (mLastGetSequeneNum == offsetCount &&
        beginIndex + 1 < mL2IndexCount &&
        beginOffsetCount + blockIndex.mMsgDeltaIndexCount <= offsetCount + msgCount + msgCount) {
        MessageBlockIndex &nextIndex = mL2IndexArray[beginIndex + 1];
        // 预读取
#ifdef __linux__
        readahead(pManager->GetFd(hash), nextIndex.mFileOffset, PER_BLOCK_SIZE);
#endif
    }
    mLastGetSequeneNum = offsetCount + msgCount;
    return msgCount;
}

Read Cache

关于read cache做了一些精巧的小设计,保证足够简单高效。

  • 分桶(部分隔离),一定程度缓解缓存饿死现象。

  • 数组 + 自旋锁 + 原子变量实现了一个循环分配缓存块的方案。

  • 双向指针绑定高效定位缓存节点。

1. Read Cache全貌

Read Cache一共分为N=64(可配)个Bucket,每个Bucket中包含M=3200(可配)个缓存块,大概总计20w左右的缓存块,每个是4k,大约占用800M的内存空间。

天池中间件大赛 - 单机百万消息队列存储实现分享

2. 核心数据结构

天池中间件大赛 - 单机百万消息队列存储实现分享

关于缓存的核心数据结构,我们并没有从队列的角度出发,而是针对L2索引和缓存块进行了绑定,这里设计了一个双向指针。判断缓存是否有效的核心思路:check双向指针是否相等。

CacheItem cachedItem = (CacheItem *) index->mCache;
cachedItem->mIndexPtr == (void *) index;

3. 算法实现

3.1 Bucket分桶

  • 获取L2 Index。

  • 根据Manager Hash % N,找到对应的缓存Bucket。

  • L2还没有对应缓存块,需要进行缓存块分配。

天池中间件大赛 - 单机百万消息队列存储实现分享

3.2 Alloc Cache Block

  • 原子变量进行自加操作,同时对M=3200块取模, count.fetch_add(1) % M = index

  • 分配下标为index的Cache Block。

  • 然后将对应的缓存块和我们的队列的L2索引进行双向指针绑定,同时对缓存块数据进行数据填充。

天池中间件大赛 - 单机百万消息队列存储实现分享

3.3 Cache Hit

  • index->mCache == index->mCache->index,双向指针相等,缓存命中,然后做数据读取。

3.4 Cache Page Replace

  • MQ1绑定的缓存块已经被MQ2替换。

  • index->mCache != index->mCache->index,双向指针已经不相等,缓存失效。需要为MQ1分配新的缓存块。

天池中间件大赛 - 单机百万消息队列存储实现分享
天池中间件大赛 - 单机百万消息队列存储实现分享

4. Read Cache & LRU & PageCache 对比

开始我们尝试了两种读缓存方案:最简单的LRU缓存和直接使用PageCache读取。PageCache所实现的其实是高级版的LRU缓存。在顺序读的场景下,我们自己实现的读缓存(Cycle Cache Allocate,暂简称为CCA)与LRU、PageCache的优劣分析对比如下:

  • LRU针对每次操作进行调整,CCA针对缓存块需要分配时进行替换。

  • LRU从队列角度建立映射表,CCA针对索引和缓存块双向指针绑定。

  • CCA中自旋锁是针对每个缓存块加锁,锁粒度更小。LRU需要对整个链表加锁。

  • 达到同等命中率的情况下,CCA比Page Cache节省至少1~2倍的内存。

总结

创新点

  • 针对百万小队列,实际硬件资源,兼顾读写性能,提出多队列Merge,保证队列局部连续的存储方式。

  • 针对队列相对无关性及MQ连续读取的场景,设计实现了O(1)的Read Cache,只需要约800M内存即可支持20W队列的高效率的读取,命中率高达85%。

  • 支持多队列Merge的索引存储方案,资源利用率低,约300~400MB索引即可支撑百万队列、100GB数据量高并发读写。

工程价值:

  • 通用性、随机性、健壮性较好,支持对任意队列进行merge。

  • 较少出现单队列消息太少而导致block块未刷盘的情况,块的填充会比较均匀。

  • 不必等待单个队列满而进行批量刷盘,减少内存占用,更多的内存可支持更多的队列。

  • 可以读写同步进行,常驻内存的索引结构也适合落盘,应对机器重启、持久化等场景。





更多精彩问题,欢迎加入知识星球

490+小伙伴正在讨论




《》

《》

《》

《》

《》

《》

《》

《》

以上是关于天池中间件大赛 - 单机百万消息队列存储实现分享的主要内容,如果未能解决你的问题,请参考以下文章

天池中间件大赛Golang版Service Mesh思路分享

阿里天池中间件大赛百万队列存储设计总结复赛

来自95后的天池中间件大赛总结

天池中间件大赛 Dubbo Mesh 优化总结(QPS 从 1000 到 6850)

RocketMQ 消息队列单机部署及使用

天池供应链大赛来了!