扫码进入官方交流群
群内定期进行干货分享
技术交流、福利放送
字节跳动数据平台
在2021年，字节跳动DataCatalog系统进行过大规模重构，新版本的存储层基于Apache Atlas实现。迁移过程中，我们遇到了比较多的性能问题。 本文以Data Catalog系统升级过程为例，与大家讨论业务系统性能优化方面的思考，也会介绍字节跳动关于Apache Atlas相关的性能优化。
文 | 大滨 来自字节跳动数据平台开发套件团队
背景
字节跳动Data Catalog产品早期，是基于LinkedIn Wherehows进行二次改造，产品早期只支持Hive一种数据源。后续为了支持业务发展，做了很多修修补补的工作，系统的可维护性和扩展性变得不可忍受。比如为了支持数据血缘能力，引入了字节内部的图数据库veGraph，写入时，需要业务层处理MySQL、ElasticSearch和veGraph三种存储，模型也需要同时理解关系型和图两种。更多的背景可以参照之前的 文章 。
新版本保留了原有版本全量的产品能力，将存储层替换成了Apache Atlas。然而，当我们把存量数据导入到新系统时，许多接口的读写性能都有严重下降，服务器资源的使用也被拉伸到夸张的地步，比如：
-
写入一张超过3000列的Hive表元数据时，会持续将服务节点的CPU占用率提升到100%，十几分钟后触发超时
-
一张几十列的埋点表，上下游很多，打开详情展示时需要等1分钟以上
为此，我们进行了一系列的性能调优，结合Data Catlog产品的特点，调整了Apache Atlas以及底层Janusgraph的实现或配置，并对优化性能的方法论做了一些总结。
业务系统优化整体思路
在开始讨论更多细节之前，先概要介绍下我们做业务类系统优化的思路。本文中的业务系统，是相对于引擎系统的概念，特指解决某些业务场景，给用户直接暴露前端使用的Web类系统。
优化之前，首先应明确优化目标 。与引擎类系统不同，业务类系统不会追求极致的性能体验，更多是以解决实际的业务场景和问题出发，做针对性的调优，需要格外注意避免过早优化与过度优化。
准确定位到瓶颈，才能事半功倍 。一套业务系统中，可以优化的点通常有很多，从业务流程梳理到底层组件的性能提升，但是对瓶颈处优化，才是ROI最高的。
根据问题类型，挑性价比最高的解决方案 。解决一个问题，通常会有很多种不同的方案，就像条条大路通罗马，但在实际工作中，我们通常不会追求最完美的方案，而是选用性价比最高的。
优化的效果得能快速得到验证。 性能调优具有一定的不确定性，当我们做了某种优化策略后，通常不能上线观察效果，需要一种更敏捷的验证方式，才能确保及时发现策略的有效性，并及时做相应的调整。
业务系统优化细节
优化目标确定
在业务系统中做优化时，比较忌讳两件事情：
- 过早优化：在一些功能、实现、依赖系统、部署环境还没有稳定时，过早的投入优化代码或者设计，在后续系统发生变更时，可能会造成精力浪费。
- 过度优化：与引擎类系统不同，业务系统通常不需要跑分或者与其他系统产出性能对比报表，实际工作中更多的是贴合业务场景做优化。比如用户直接访问前端界面的系统，通常不需要将响应时间优化到ms以下，几十毫秒和几百毫秒，已经是满足要求的了。
优化范围选择
对于一个业务类Web服务来说，特别是重构阶段，优化范围比较容易圈定，主要是找出与之前系统相比，明显变慢的那部分API，比如可以通过以下方式收集需要优化的部分：
- 通过前端的慢查询捕捉工具或者后端的监控系统，筛选出P90大于2s的API
- 页面测试过程中，研发和测试同学陆续反馈的API
- 数据导入过程中，研发发现的写入慢的API等
详细优化指标确定
针对不同的业务功能和场景，定义尽可能细致的优化目标，以Data Catalog系统为例：
定位性能瓶颈手段
系统复杂到一定程度时，一次简单的接口调用，都可能牵扯出底层广泛的调用，在优化某个具体的API时，如何准确找出造成性能问题的瓶颈，是后续其他步骤的关键。下面的表格是我们总结的常用瓶颈排查手段。
优化策略
在找到某个接口的性能瓶颈后，下一步是着手处理。同一个问题，修复的手段可能有多种，实际工作中，我们优先考虑性价比高的，也就是实现简单且有明确效果。
快速验证
优化的过程通常需要不断的尝试，所以快速验证特别关键，直接影响优化的效率。
Data Catalog系统优化举例
在我们升级字节Data Catalog系统的过程中，广泛使用了上文中介绍的各种技巧。本章节，我们挑选一些较典型的案例，详细介绍优化的过程。
调节JanusGraph配置
实践中，我们发现以下两个参数对于JanusGraph的查询性能有比较大的影响：
-
query.batch = ture
-
query.batch-property-prefetch=true
其中，关于第二个配置项的细节，可以参照我们之前发布的 文章 。这里重点讲一下第一个配置。
JanusGraph做查询的行为，有两种方式：
针对字节内部的应用场景，元数据间的关系较多，且元数据结构复杂，大部分查询都会触发较多的节点访问，我们将query.batch设置成true时，整体的效果更好。
调整Gremlin语句，减少计算和IO
一个比较典型的应用场景，是对通过关系拉取的其他节点，根据某种属性做Count。在我们的系统中，有一个叫“BusinessDomain”的标签类型，产品上，需要获取与某个此类标签相关联的元数据类型，以及每种类型的数量，返回类似下面的结构体：
{
"guid": "XXXXXX",
"typeName": "BusinessDomain",
"attributes": {
"nameCN": "直播",
"nameEN": null,
"creator": "XXXX",
"department": "XXXX",
"description": "直播业务标签"
},
"statistics": [
{
"typeName": "ClickhouseTable",
"count": 68
},
{
"typeName": "HiveTable",
"count": 601
}
]
}
我们的初始实现转化为Gremlin语句后，如下所示，耗时2~3s：
g.V().has('__typeName', 'BusinessDomain')
.has('__qualifiedName', eq('XXXX'))
.out('r:DataStoreBusinessDomainRelationship')
.groupCount().by('__typeName')
.profile();
优化后的Gremlin如下，耗时~50ms:
g.V().has('__typeName', 'BusinessDomain')
.has('__qualifiedName', eq('XXXX'))
.out('r:DataStoreBusinessDomainRelationship')
.values('__typeName').groupCount().by()
.profile();
Atlas中根据Guid拉取数据计算逻辑调整
对于详情展示等场景，会根据Guid拉取与实体相关的数据。 我们优化了部分EntityGraphRetriever中的实现，比如：
-
mapVertexToAtlasEntity中，修改边遍历的读数据方式，调整为以点以及点上的属性过滤拉取，触发multiPreFetch优化。
-
支持根据边类型拉取数据，在应用层根据不同的场景，指定不同的边类型集合，做数据的裁剪。最典型的应用是，在详情展示页面，去掉对血缘关系的拉取。
-
限制关系拉取的深度，在我们的业务中，大部分关系只需要拉取一层，个别的需要一次性拉取两层，所以我们接口实现上，支持传入拉取关系的深度，默认一层。
配合其他的修改，对于被广泛引用的埋点表，读取的耗时从~1min下降为1s以内。
对大量节点依次获取信息加并行处理
在血缘相关接口中，有个场景是需要根据血缘关系，拉取某个元数据的上下游N层元数据，新拉取出的元数据，需要额外再查询一次，做属性的扩充。
我们采用增加并行的方式优化，简单来说：
-
设置一个Core线程较少，但Max线程数较多的线程池：需要拉取全量上下游的情况是少数，大部分情况下几个Core线程就够用，对于少数情况，再启用额外的线程。
-
在批量拉取某一层的元数据后，将每个新拉取的元数据顶点加入到一个线程中，在线程中单独做属性扩充
-
等待所有的线程返回
对于关系较多的元数据，优化效果可以从分钟级到秒级。
对于写入瓶颈的优化
字节的数仓中有部分大宽表，列数超过3000。对于这类元数据，初始的版本几乎没法成功写入，耗时也经常超过15 min，CPU的利用率会飙升到100%。
定位写入的瓶颈
我们将线上的一台机器从LoadBalance中移除，并构造了一个拥有超过3000个列的元数据写入请求，使用Arthas的itemer做Profile，得到下图：
从上图可知，总体70%左右的时间，花费在createOrUpdate中引用的addProperty函数。
耗时分析
- JanusGraph在写入一个property的时候，会先找到跟这个property相关的组合索引，然后从中筛选出Coordinality为“Single”的索引
- 在写入之前，会check这些为Single的索引是否已经含有了当前要写入的propertyValue
- 组合索引在JanusGraph中的存储格式为：
4. Atlas默认创建的“guid”属性被标记为globalUnique，他所对应的组合索引是__guid。
- 对于其他在类型定义文件中被声明为“Unique”的属性，比如我们业务语义上全局唯一的“qualifiedName”，Atlas会理解为“perTypeUnique”，对于这个Property本身，如果也需要建索引，会建出一个coordinity是set的完全索引，为“propertyName+typeName”生成一个唯一的完全索引
- 在调用“addProperty”时，会首先根据属性的类型定义，查找“Unique”的索引。针对“globalUnique”的属性，比如“guid”，返回的是“__guid”；针对“perTypeUnique”的属性，比如“qualifiedName”，返回的是“propertyName+typeName”的组合索引。
- 针对唯一索引，会尝试检查“Unique”属性是否已经存在了。方法是拼接一个查询语句，然后到图里查询
8. 在我们的设计中，写入表的场景，每一列都有被标记为唯一的“guid”和“qualifiedName”，“guid”会作为全局唯一来查询对应的完全索引，“qualifiedName”会作为“perTypeUnique”的查询“propertyName+typeName”的组合完全索引，且整个过程是顺序的，因此当写入列很多、属性很多、关系很多时，总体上比较耗时。
优化思路
- 对于“guid”，其实在创建时已经根据“guid”的生成规则保证了全局唯一性，几乎不可能有冲突，所以我们可以考虑去掉写入时对“guid”的唯一性检查，节省了一半时间。
- 对于“qualifiedName”，根据业务的生成规则，也是“globalUnique”的，与“perTypeUnique”的性能差别几乎是一倍：
优化实现效果
- 去除Atlas中对于“guid”的唯一性的检查。
- 添加“Global_Unqiue”配置项，在类型定义时使用，在初始化时对“__qualifiedName”建立全局唯一索引。
- 配合其他优化手段，对于超多属性与关系的Entity写入，耗时可以降低为分钟级。
总结
-
业务类系统的性能优化，通常会以解决某个具体的业务场景为目标，从接口入手，逐层解决
-
性能优化基本遵循思路：发现问题->定位问题->解决问题->验证效果->总结提升
-
优先考虑“巧”办法，“土”办法，比如加机器改参数，不为了追求高大上而走弯路
产品介绍
火山引擎大数据研发治理套件DataLeap
一站式数据中台套件，帮助用户快速完成数据集成、开发、运维、治理、资产、安全等全套数据中台建设，帮助数据团队有效的降低工作成本和数据维护成本、挖掘数据价值、为企业决策提供数据支撑。 后台回复数字“2”了解产品
扫码进入官方交流群
群内定期进行干货分享
技术交流、福利放送
字节跳动数据平台
点击 阅读原文
进入官网
， 了解DataLeap更多产品信息
