?作者 ｜ 開發套件團隊
摘要
字節的 DataCatalog 系統，在 2021 年進行過大規模重構，新版本的存儲層基于 Apache Atlas 實現。遷移過程中，我們遇到了比較多的性能問題。本文以 Data Catalog 系統升級過程為例，與大家討論業務系統性能優化方面的思考，也會介紹我們關于 Apache Atlas 相關的性能優化。
背景
字節跳動 Data Catalog 產品早期，是基于 LinkedIn Wherehows 進行二次改造，產品早期只支持 Hive 一種數據源。后續為了支持業務發展，做了很多修修補補的工作，系統的可維護性和擴展性變得不可忍受。比如為了支持數據血緣能力，引入了字節內部的圖數據庫 veGraph，寫入時，需要業務層處理 MySQL、ElasticSearch 和 veGraph 三種存儲，模型也需要同時理解關系型和圖兩種。更多的背景可以參照之前的文章。
新版本保留了原有版本全量的產品能力，將存儲層替換成了 Apache Atlas。然而，當我們把存量數據導入到新系統時，許多接口的讀寫性能都有嚴重下降，服務器資源的使用也被拉伸到夸張的地步，比如：
- 寫入一張超過 3000 列的 Hive 表元數據時，會持續將服務節點的 CPU 占用率提升到 100%，十幾分鐘后觸發超時
- 一張幾十列的埋點表，上下游很多，打開詳情展示時需要等 1 分鐘以上
為此，我們進行了一系列的性能調優，結合 Data Catlog 產品的特點，調整了 Apache Atlas 以及底層 Janusgraph 的實現或配置，并對優化性能的方法論做了一些總結。
業務系統優化的整體思路
在開始討論更多細節之前，先概要介紹下我們做業務類系統優化的思路。本文中的業務系統，是相對于引擎系統的概念，特指解決某些業務場景，給用戶直接暴露前端使用的 Web 類系統。
優化之前，首先應明確優化目標。與引擎類系統不同，業務類系統不會追求極致的性能體驗，更多是以解決實際的業務場景和問題出發，做針對性的調優，需要格外注意避免過早優化與過度優化。
準確定位到瓶頸，才能事半功倍。一套業務系統中，可以優化的點通常有很多，從業務流程梳理到底層組件的性能提升，但是對瓶頸處優化，才是 ROI 最高的。
根據問題類型，挑性價比最高的解決方案。解決一個問題，通常會有很多種不同的方案，就像條條大路通羅馬，但在實際工作中，我們通常不會追求最完美的方案，而是選用性價比最高的。
優化的效果得能快速得到驗證。性能調優具有一定的不確定性，當我們做了某種優化策略后，通常不能上線觀察效果，需要一種更敏捷的驗證方式，才能確保及時發現策略的有效性，并及時做相應的調整。
業務系統優化的細節
優化目標的確定
在業務系統中做優化時，比較忌諱兩件事情：
- 過早優化：在一些功能、實現、依賴系統、部署環境還沒有穩定時，過早的投入優化代碼或者設計，在后續系統發生變更時，可能會造成精力浪費。
- 過度優化：與引擎類系統不同，業務系統通常不需要跑分或者與其他系統產出性能對比報表，實際工作中更多的是貼合業務場景做優化。比如用戶直接訪問前端界面的系統，通常不需要將響應時間優化到 ms 以下，幾十毫秒和幾百毫秒，已經是滿足要求的了。
優化范圍選擇
對于一個業務類 Web 服務來說，特別是重構階段，優化范圍比較容易圈定，主要是找出與之前系統相比，明顯變慢的那部分 API，比如可以通過以下方式收集需要優化的部分：
- 通過前端的慢查詢捕捉工具或者后端的監控系統，篩選出 P90 大于 2s 的 API
- 頁面測試過程中，研發和測試同學陸續反饋的 API
- 數據導入過程中，研發發現的寫入慢的 API 等
優化目標確立
針對不同的業務功能和場景，定義盡可能細致的優化目標，以 Data Catalog 系統為例：
定位性能瓶頸手段
系統復雜到一定程度時，一次簡單的接口調用，都可能牽扯出底層廣泛的調用，在優化某個具體的 API 時，如何準確找出造成性能問題的瓶頸，是后續其他步驟的關鍵。下面的表格是我們總結的常用瓶頸排查手段。
優化策略
在找到某個接口的性能瓶頸后，下一步是著手處理。同一個問題，修復的手段可能有多種，實際工作中，我們優先考慮性價比高的，也就是實現簡單且有明確效果。
快速驗證
優化的過程通常需要不斷的嘗試，所以快速驗證特別關鍵，直接影響優化的效率。
Data Catalog 系統優化舉例
在我們升級字節 Data Catalog 系統的過程中，廣泛使用了上文中介紹的各種技巧。本章節，我們挑選一些較典型的案例，詳細介紹優化的過程。
調節 JanusGraph 配置
實踐中，我們發現以下兩個參數對于 JanusGraph 的查詢性能有比較大的影響：
- query.batch = ture
- query.batch-property-prefetch=true
其中，關于第二個配置項的細節，可以參照我們之前發布的文章。這里重點講一下第一個配置。
JanusGraph 做查詢的行為，有兩種方式：
針對字節內部的應用場景，元數據間的關系較多，且元數據結構復雜，大部分查詢都會觸發較多的節點訪問，我們將 query.batch 設置成 true 時，整體的效果更好。
調整 Gremlin 語句減少計算和 IO
一個比較典型的應用場景，是對通過關系拉取的其他節點，根據某種屬性做 Count。在我們的系統中，有一個叫“BusinessDomain”的標簽類型，產品上，需要獲取與某個此類標簽相關聯的元數據類型，以及每種類型的數量，返回類似下面的結構體：
{
"guid": "XXXXXX",
"typeName": "BusinessDomain",
"attributes": {
"nameCN": "直播",
"nameEN": null,
"creator": "XXXX",
"department": "XXXX",
"description": "直播業務標簽"
},
"statistics": [
{
"typeName": "ClickhouseTable",
"count": 68
},
{
"typeName": "HiveTable",
"count": 601
}
]
}我們的初始實現轉化為 Gremlin 語句后，如下所示，耗時 2~3s：
g.V().has('__typeName', 'BusinessDomain')
.has('__qualifiedName', eq('XXXX'))
.out('r:DataStoreBusinessDomainRelationship')
.groupCount().by('__typeName')
.profile();優化后的 Gremlin 如下，耗時~50ms:
g.V().has('__typeName', 'BusinessDomain')
.has('__qualifiedName', eq('XXXX'))
.out('r:DataStoreBusinessDomainRelationship')
.values('__typeName').groupCount().by()
.profile();Atlas 中根據 Guid 拉取數據計算邏輯調整
對于詳情展示等場景，會根據 Guid 拉取與實體相關的數據。我們優化了部分 EntityGraphRetriever 中的實現，比如：
- mapVertexToAtlasEntity 中，修改邊遍歷的讀數據方式，調整為以點以及點上的屬性過濾拉取，觸發 multiPreFetch 優化。
- 支持根據邊類型拉取數據，在應用層根據不同的場景，指定不同的邊類型集合，做數據的裁剪。最典型的應用是，在詳情展示頁面，去掉對血緣關系的拉取。
- 限制關系拉取的深度，在我們的業務中，大部分關系只需要拉取一層，個別的需要一次性拉取兩層，所以我們接口實現上，支持傳入拉取關系的深度，默認一層。
配合其他的修改，對于被廣泛引用的埋點表，讀取的耗時從~1min 下降為 1s 以內。
對大量節點依次獲取信息加并行處理
在血緣相關接口中，有個場景是需要根據血緣關系，拉取某個元數據的上下游 N 層元數據，新拉取出的元數據，需要額外再查詢一次，做屬性的擴充。
我們采用增加并行的方式優化，簡單來說：
- 設置一個 Core 線程較少，但 Max 線程數較多的線程池：需要拉取全量上下游的情況是少數，大部分情況下幾個 Core 線程就夠用，對于少數情況，再啟用額外的線程。
- 在批量拉取某一層的元數據后，將每個新拉取的元數據頂點加入到一個線程中，在線程中單獨做屬性擴充
- 等待所有的線程返回
對于關系較多的元數據，優化效果可以從分鐘級到秒級。
對于寫入瓶頸的優化
字節的數倉中有部分大寬表，列數超過 3000。對于這類元數據，初始的版本幾乎沒法成功寫入，耗時也經常超過 15 min，CPU 的利用率會飆升到 100%。
定位寫入的瓶頸
我們將線上的一臺機器從 LoadBalance 中移除，并構造了一個擁有超過 3000 個列的元數據寫入請求，使用 Arthas 的 itemer 做 Profile，得到下圖：
從上圖可知，總體 70%左右的時間，花費在 createOrUpdate 中引用的 addProperty 函數。
耗時分析
- JanusGraph 在寫入一個 property 的時候，會先找到跟這個 property 相關的組合索引，然后從中篩選出 Coordinality 為“Single”的索引
- 在寫入之前，會 check 這些為 Single 的索引是否已經含有了當前要寫入的 propertyValue
- 組合索引在 JanusGraph 中的存儲格式為：
- Atlas 默認創建的“guid”屬性被標記為 globalUnique，他所對應的組合索引是__guid。
- 對于其他在類型定義文件中被聲明為“Unique”的屬性，比如我們業務語義上全局唯一的“qualifiedName”，Atlas 會理解為“perTypeUnique”，對于這個 Property 本身，如果也需要建索引，會建出一個 coordinity 是 set 的完全索引，為“propertyName+typeName”生成一個唯一的完全索引
- 在調用“addProperty”時，會首先根據屬性的類型定義，查找“Unique”的索引。針對“globalUnique”的屬性，比如“guid”，返回的是“__guid”；針對“perTypeUnique”的屬性，比如“qualifiedName”，返回的是“propertyName+typeName”的組合索引。
- 針對唯一索引，會嘗試檢查“Unique”屬性是否已經存在了。方法是拼接一個查詢語句，然后到圖里查詢
- 在我們的設計中，寫入表的場景，每一列都有被標記為唯一的“guid”和“qualifiedName”，“guid”會作為全局唯一來查詢對應的完全索引，“qualifiedName”會作為“perTypeUnique”的查詢“propertyName+typeName”的組合完全索引，且整個過程是順序的，因此當寫入列很多、屬性很多、關系很多時，總體上比較耗時。
優化思路
- 對于“guid”，其實在創建時已經根據“guid”的生成規則保證了全局唯一性，幾乎不可能有沖突，所以我們可以考慮去掉寫入時對“guid”的唯一性檢查，節省了一半時間。
- 對于“qualifiedName”，根據業務的生成規則，也是“globalUnique”的，與“perTypeUnique”的性能差別幾乎是一倍：
優化實現效果
- 去除 Atlas 中對于“guid”的唯一性的檢查。
- 添加“Global_Unqiue”配置項，在類型定義時使用，在初始化時對“__qualifiedName”建立全局唯一索引。
- 配合其他優化手段，對于超多屬性與關系的 Entity 寫入，耗時可以降低為分鐘級。
總結
- 業務類系統的性能優化，通常會以解決某個具體的業務場景為目標，從接口入手，逐層解決
- 性能優化基本遵循思路：發現問題->定位問題->解決問題->驗證效果->總結提升
- 優先考慮“巧”辦法，“土”辦法，比如加機器改參數，不為了追求高大上而走彎路
