剖析 Elasticsearch 集群系列第二篇分布式的三个 C、translog 和 Lucene 段

最近在学习ES，发现《剖析 Elasticsearch 集群系列》文章写得挺好，转载过来记录下。

原文：https://www.infoq.cn/article/anatomy-of-an-elasticsearch-cluster-part02/

剖析 Elasticsearch 集群系列涵盖了当今最流行的分布式搜索引擎 Elasticsearch 的底层架构和原型实例。

本文是这个系列的第二篇，我们将讨论 Elasticsearch 如何处理分布式的三个 C((共识 (consensus)、并发 (concurrency) 和一致 (consistency)) 的问题、Elasticsearch 分片的内部概念，比如 translog(预写日志，WAL(Write Ahead Log))，以及 Lucene 中的段。

在本系列的前一篇中，我们讨论了 Elasticsearch 的底层存储模型及 CRUD（创建、读取、更新和删除）操作的工作原理。在本文中，我将分享 Elasticsearch 是如何应对分布式系统中的一些基本挑战的，以及分片的内部概念。这其中包括了一些操作方面的事情，Insight Data 的工程师们已经在使用 Elasticsearch 构建的数据平台之上成功地实践并真正理解。我将在本文中主要讲述：

共识——裂脑问题及法定票数的重要性

共识是分布式系统的一项基本挑战。它要求系统中的所有进程/ 节点必须对给定数据的值/ 状态达成共识。已经有很多共识算法诸如 Raft 、 Paxos 等，从数学上的证明了是行得通的。但是，Elasticsearch 却实现了自己的共识系统 (zen discovery)，Elasticsearch 之父 Shay Banon 在这篇文章中解释了其中的原因。zen discovery 模块包含两个部分：

Ping: 执行节点使用 ping 来发现彼此
单播 (Unicast): 该模块包含一个主机名列表，用以控制哪些节点需要 ping 通

Elasticsearch 是端对端的系统，其中的所有节点彼此相连，有一个 master 节点保持活跃，它会更新和控制集群内的状态和操作。建立一个新的 Elasticsearch 集群要经过一次选举，选举是 ping 过程的一部分，在所有符合条件的节点中选取一个 master，其他节点将加入这个 master 节点。ping 间隔参数ping_interval的默认值是 1 秒，ping 超时参数ping_timeout的默认值是 3 秒。因为节点要加入，它们会发送一个请求给 master 节点，加入超时参数join_timeout的默认值是ping_timeout值的 20 倍。如果 master 出现问题，那么群集中的其他节点开始重新 ping 以启动另一次选举。这个 ping 的过程还可以帮助一个节点在忽然失去 master 时，通过其他节点发现 master。

注意：默认情况下，client 节点和 data 节点不参与这个选举过程。可以在elasticsearch.yml配置文件中，通过设置discovery.zen.master_election.filter_client属性和discovery.zen.master_election.filter_data属性为false来改变这种默认行为。

故障检测的原理是这样的，master 节点会 ping 所有其他节点，以检查它们是否还活着；然后所有节点 ping 回去，告诉 master 他们还活着。

如果使用默认的设置，Elasticsearch 有可能遭到裂脑问题的困扰。在网络分区的情况下，一个节点可以认为 master 死了，然后选自己作为 master，这就导致了一个集群内出现多个 master。这可能会导致数据丢失，也可能无法正确合并数据。可以按照如下公式，根据有资格参加选举的节点数，设置法定票数属性的值，来避免爆裂的发生。

discovery.zen.minimum_master_nodes = int(# of master eligible nodes/2)+1

åæElasticsearchéç¾¤ç³»åç¬¬äºç¯ åå¸å¼çä¸ä¸ªCãtranslogåLuceneæ®µ

这个属性要求法定票数的节点加入新当选的 master 节点，来完成并获得新 master 节点接受的 master 身份。对于确保群集稳定性和在群集大小变化时动态地更新，这个属性是非常重要的。图 a 和 b 演示了在网络分区的情况下，设置或不设置minimum_master_nodes属性时，分别发生的现象。

注意：对于一个生产集群来说，建议使用 3 个节点专门做 master，这 3 个节点将不服务于任何客户端请求，而且在任何给定时间内总是只有 1 个活跃。

我们已经搞清楚了 Elasticsearch 中共识的处理，现在让我们来看看它是如何处理并发的。

并发

Elasticsearch 是一个分布式系统，支持并发请求。当创建 / 更新 / 删除请求到达主分片时，它也会被平行地发送到分片副本上。但是，这些请求到达的顺序可能是乱序的。在这种情况下，Elasticsearch 使用乐观并发控制，来确保文档的较新版本不会被旧版本覆盖。

每个被索引的文档都拥有一个版本号，版本号在每次文档变更时递增并应用到文档中。这些版本号用来确保有序接受变更。为了确保在我们的应用中更新不会导致数据丢失，Elasticsearch 的 API 允许我们指定文件的当前版本号，以使变更被接受。如果在请求中指定的版本号比分片上存在的版本号旧，请求失败，这意味着文档已经被另一个进程更新了。如何处理失败的请求，可以在应用层面来控制。Elasticsearch 还提供了其他的锁选项，可以通过这篇来阅读。

当我们发送并发请求到 Elasticsearch 后，接下来面对的问题是——如何保证这些请求的读写一致？现在，还无法清楚回答，Elasticsearch 应落在 CAP 三角形的哪条边上，我不打算在这篇文章里解决这个素来已久的争辩。

正在上传…重新上传取消

但是，我们要一起看下如何使用 Elasticsearch 实现写读一致。

一致——确保读写一致

对于写操作而言，Elasticsearch 支持的一致性级别，与大多数其他的数据库不同，允许预检查，来查看有多少允许写入的可用分片。可选的值有quorum、one和all。默认的设置为quorum，也就是说只有当大多数分片可用时才允许写操作。即使大多数分片可用，还是会因为某种原因发生写入副本失败，在这种情况下，副本被认为故障，分片将在一个不同的节点上重建。

对于读操作而言，新的文档只有在刷新时间间隔之后，才能被搜索到。为了确保搜索请求的返回结果包含文档的最新版本，可设置 replication 为sync(默认)，这将使操作在主分片和副本碎片都完成后才返回写请求。在这种情况下，搜索请求从任何分片得到的返回结果都包含的是文档的最新版本。即使我们的应用为了更高的索引率而设置了replication=async，我们依然可以为搜索请求设置参数_preference为primary。这样，搜索请求将查询主分片，并确保结果中的文档是最新版本。

我们已经了解了 Elasticsearch 如何处理共识、并发和一致，让我们来看看分片内部的一些主要概念，正是这些特点让 Elasticsearch 成为一个分布式搜索引擎。

Translog(预写日志)

因为关系数据库的发展，预写日志 (WAL) 或者事务日志 (translog) 的概念早已遍及数据库领域。在发生故障的时候，translog 能确保数据的完整性。translog 的基本原理是，变更必须在数据实际的改变提交到磁盘上之前，被记录下来并提交。

当新的文档被索引或者旧的文档被更新时，Lucene 索引将发生变更，这些变更将被提交到磁盘以持久化。这是一个很昂贵的操作，如果在每个请求之后都被执行。因此，这个操作在多个变更持久化到磁盘时被执行一次。正如我们在上一篇文章中描述的那样，Lucene 提交的冲洗 (flush) 操作默认每 30 分钟执行一次或者当 translog 变得太大 (默认 512MB) 时执行。在这样的情况下，有可能失去 2 个 Lucene 提交之间的所有变更。为了避免这种问题，Elasticsearch 采用了 translog。所有索引 / 删除 / 更新操作被写入到 translog，在每个索引 / 删除 / 更新操作执行之后（默认情况下是每 5 秒），translog 会被同步以确保变更被持久化。translog 被同步到主分片和副本之后，客户端才会收到写请求的确认。

在两次 Lucene 提交之间发生硬件故障的情况下，可以通过重放 translog 来恢复自最后一次 Lucene 提交前的任何丢失的变更，所有的变更将会被索引所接受。

注意：建议在重启 Elasticsearch 实例之前显式地执行冲洗 translog，这样启动会更快，因为要重放的 translog 被清空。POST /_all/_flush命令可用于冲洗集群中的所有索引。

使用 translog 的冲洗操作，在文件系统缓存中的段被提交到磁盘，使索引中的变更持久化。现在让我们来看看 Lucene 的段。

Lucene 的段

Lucene 索引是由多个段组成，段本身是一个功能齐全的倒排索引。段是不可变的，允许 Lucene 将新的文档增量地添加到索引中，而不用从头重建索引。对于每一个搜索请求而言，索引中的所有段都会被搜索，并且每个段会消耗 CPU 的时钟周、文件句柄和内存。这意味着段的数量越多，搜索性能会越低。

为了解决这个问题，Elasticsearch 会合并小段到一个较大的段（如下图所示），提交新的合并段到磁盘，并删除那些旧的小段。

åæElasticsearchéç¾¤ç³»åç¬¬äºç¯ åå¸å¼çä¸ä¸ªCãtranslogåLuceneæ®µ

这会在后台自动执行而不中断索引或者搜索。由于段合并会耗尽资源，影响搜索性能，Elasticsearch 会节制合并过程，为搜索提供足够的可用资源。

接下来有什么？

从搜索请求角度来说，一个 Elasticsearch 索引中给定分片内的所有 Lucene 段都会被搜索，但是，从 Elasticsearch 集群角度而言，获取所有匹配的文档或者深入有序结果文档是有害的。在本系列的后续文章中我们将揭晓原因，让我们来看一下接下来的主题，内容包括了一些在 Elasticsearch 中为相关性搜索结果的低延迟所做的权衡。