随着业务的发展，系统日益复杂，功能愈发强大，用户数量级不断增多，设备cpu、io、带宽、成本逐渐增加，当发展到某个量级时，这些因素会导致系统变得臃肿不堪，服务质量难以保障，系统稳定性变差，耗费相当的人力成本和服务器资源。这就要求我们：要有勇气和自信重构服务，提供更先进更优秀的系统。--导读
在传统单机系统的使用过程中，如果某个请求响应过慢或是出错，开发人员可以通过查看日志快速定位到具体服务。而随着业务的越来越复杂，架构由单体逐渐演变为微服务架构。特别是随着容器, Serverless等技术的广泛应用，它将庞大的单体应用拆分成多个子系统和公共的组件单元。这一理念带来了许多好处：复杂系统的拆分简化与隔离、公共模块的重用性提升与更合理的资源分配、大大提升了系统变更迭代的速度以及可扩展性。但反之，业务架构也随之变的越来越复杂，一个看似简单的业务后台可能有几百甚至几千个服务在支撑，当接口出现问题时，开发人员很难及时从错综复杂的服务调用中找到问题的根源，从而错失了止损的黄金时机，排查问题的过程也需要耗费大量的时间和人力成本。为了应对这一问题，业界诞生了许多优秀的面向Devops的诊断分析系统，包括Logging、Metric、Tracing。三者关系如图所示：
(相关资料图)
此图来源自网络
Tracing：一系列span组成的树状结构。每个span包含一次rpc请求的所有信息。从用户发出请求到收到回包，就是通过trace来串联整条链路。Metric：指标数据。是对可观测性指标的一种度量，例如请求数、qps峰值、函数调用次数、成功率、异常率、接口返回码分布等信息，可用作统计聚合。Logging：业务日志。三者互相重叠，又各自专注于自己的领域，将三者结合起来就可以快速定位问题。而已知的业界优秀开源组件有诸如：
Metric: Zabbix、Nagios、Prometheus、InfluxDB、OpenCenusLogging: ELK、Splunk、Loki、LogglyTreace: jeager、Zipkin、SkyWalking、OpenTracing随着时间的推移可能会集成更多的功能，但同时也不断地集成其他领域的特性到系统中来。而天机阁正是集三位于一体的分布式链路追踪系统，提供了海量服务下的链路追踪、故障定位、架构梳理、容量评等能力。
从数据流转角度来看，天机阁整体可以分为数据生产与消费链路，其中数据生产链路主要包括数据接入层、数据处理层、数据存储层。整体如下图所示。
数据接入层:主要负责数据采集工作，天机阁支持Http+Json、Http+Proto、Grpc等多种数据上报方式，业务可以采用对应语言的SDK进行数据上报。根据业务上报环境，可选择Kafka、虫洞等多种数据接入方式，为减少数据传输耗时，提升系统的容错能力，天机阁提供了上海、广州、深圳等多个不同区域的接入通道，数据接入时会根据Idc机器所在区域自动进行“就近接入”。数据处理层：基于Flink构建的天机阁流式计算平台。主要处理三部分数据：第一部分是Metric模调数据的计算工作，结果同步至Druid。第二部分是日志数据，基于DataStream模式对数据进行实时消费，同步至ES日志集群。第三部分是Trace数据，基于KeyedStream的分组转换模式，根据业务Traceid进行数据分区，将一条Stream流划分为逻辑上不相交的分组，把相同Traceid的数据实时汇聚到同一个窗口，再对数据进行统计聚合，生成拓扑图、调用链、调用树等数据模型，结果同步至Hbase与ES。数据存储层：ES主要用于用于建立热门Trace的倒排索引以及存储日志数据，Harbo/Druid系统用于存储模调数，Hbase用于存储调用链，拓扑图，关系链等数据。在海量流量的冲击下，日志集群与Metric集群一直比较稳定，处理耗时基本在秒级。影响较大的是Trace集群，Trace集群主要通过滚动窗口接收一个Trace请求的所有RPC 的Span信息。由于业务接入量的上涨以及不少业务的放量，Trace集群的日均处理量由3月份的40亿/day爆发式上涨到340亿/day，且集群还要经常面临业务热点push、错误埋点等场景的挑战。这些问题直接导致数据实时性开始下降，期间经常收到用户反馈数据延时大，数据丢失的问题。而系统层面，则频繁出现集群抖动、延时飙升、Checkpoint失败等现象。同时存储也面临巨大的写入压力：Hbase与ES均出现写入延时上涨、毛刺的现象，而这些因素最终导致计算集群的处理性能变弱，稳定性下降。产生消费滞后，数据堆积的问题。具体有如下四个表象：
集群抖动：集群毛刺、抖动情况增多，系统处理性能变弱，上游Kafka通道出现大量数据堆积情况，系统处理延时上升。资源倾斜：Flink算子反压严重，部分节点出现CPU过载的情况，且各算子的Checkpoint时间变长，频繁失败。存储抖动：Hbase写入延时上涨，高峰期写入延时上涨到1300ms左右，写ES平均延时上涨到2000ms，早上8~10点出现大面积写入ES被拒绝的现象，最终会导致上游集群挂掉。系统异常：某些时间点出现系统异常，同时集群处理延时飙升。本着先抗住再优化的思想，当出现上述问题时，为保证系统的可用性，我们会采取各种快速恢复策略，诸如计算资源扩容、数据降级、关闭数据可靠性等策略来提升集群的处理性能，达到快速恢复的目的。但这些策略都治标不治本，性能问题周而复始的出现。这不但浪费了大量计算集群资源，集群处理性能，吞吐，稳定性都没有实质上的提升。
针对上述四种现象，结合业务分别从接入层、存储层、计算层对系统进行了全面分析，找出了目前Trace系统存在的问题以及瓶颈，并制定了对应的优化方案：
图4.1: Trace系统架构图
如上图所示，一次RPC的请求和回包最终会合并成一个Span，而每个Span包含Traceid、Spanid，以及本次RPC调用涉及的主被调服务信息。在接入层进行数据采样上报时，会将相同Traceid的Span集合路由的到同一个数据通道中，而计算层会对不同通道的数据做隔离，不同通道采用不同的计算任务对数据进行处理。大致流程如下：首先根据Traceid高位字节进行Reducekeby，确保同一个RPC请求的数据能路由到同一个窗口，再通过窗口函数对同一个请求的数据集合进行聚合计算，实时生成拓扑图，调用链等数据模型，批量写入ES和Hbase等列式存储。在业务量少，集群相对稳定的情况下，Trace集群平均处理时长在20-40s左右，即从一次Trace数据的上报到可展示的过程大概要经过半分钟。当系统不稳定或者处理性能下降时，数据延时会上涨至小时甚至天级别，而主要导致系统不稳定的因素有两种：一是数据量的上涨给存储系统带来了较大的摄入压力，底层数据的刷盘时间越来越长。二是系统经常要面临业务方错误埋点或热点Push产生的热key、脏数据等场景的考验。具体表现为：
底层存储数据摄入能力下降: Hbase写入耗时达到1300ms ES写入耗时达到2000ms。热key造成集群资源倾斜导致集群产生毛刺、吞吐量下降等问题 。脏数据、代码bug造成服务异常，导致集群毛刺增多。集群缺乏容错能力，过载保护能力 。天机阁既是一个写密集型系统，也是一个时延敏感型系统，对数据的实时性有比较高的要求。系统的不稳定会导致消息通道大量数据堆积，数据实时性下降，最终影响用户体验，这是不能被容忍的。所以针对上述问题，我们需要对原系统进行全面的优化升级。
Elasticsearch 是一个实时的、Restful 风格的分布式搜索数据分析引擎，内部使用lucene做索引与搜索，能够解决常规和各种类型数据的存储及检索需求，此外ES还提供了大量的聚合功能可以对数据进行分析，统计，生成指标数据等。典型的应用场景有：数据分析，站内搜索，ELK，电商等，主要特点为：
高性能搜索，灵活的检索、多元化的排序策略，准实时索引。集群分布式，易扩展，平行扩缩容。数据分片主备机制，系统安全高可用。丰富的生态Kibana可视化界面。天机阁使用腾讯云的ES组件，专门用于建立热门Trace倒排索引，用户在使用天机阁进行链路追踪查询时，首先可以指定Tag或者染色Key查询到任意时刻上报的Trace元数据，天机阁会根据查询到的Trace数据绘制出完整的服务调用过程。同时在UI上可以支持瀑布、调用树的多种样式的数据展示。如下图所示：
随着进入量的上涨，ES集群内部写入峰值达到80w/s，日均文档总量达到280亿，索引占用总量达到 67T，每天新增索引量达到1000+，而每日文档新增存储总量达到10T。机器配置采用为：64个4C 16g的数据节点，平均CPU使用率在45-50%之间;最大CPU使用率在80%左右;内存使用率60%左右，而磁盘平均使用率达到了53%。数据写入整体流程为：
天机阁是基于业务Appid维度按天索引的策略，而伴随业务量的极速上涨主要暴露出来的问题为：
集群内部分片过多。分片过多的缺点主要有以下三个方面： 第一，ES每个索引的分片都是一个Lucene索引，它会占用消耗CPU、内存、文件句柄。第二：分片过多，可能导致一个节点聚集大量分片，产生资源竞争。第三：ES在计算相关度词频统计信息的时候也是基于分片维度的，如果分片过多，也会导致数据过少相关度计算过低。
2.分片大小不均匀。部分索引的分片容量超过50g，侧面反应了这些索引分片策略的不合理，最终会导致索引的查询性能变慢。
3.写入耗时过大，部分索引查询性能慢。ES写入耗时达到(1500ms-2000ms)，此外分片过大也直接影响到索引的查询性能。
索引创建过慢（1分钟），大量写入被拒绝。集群没有设置主节点，导致创建索引时，数据节点要充当临时主节点的角色，写入量较小的时候，影响不大，当写入压力过大时，会加剧数据节点的负载，影响索引的创建速度。当出现密集型索引创建时，这个问题被无限放大，索引创建同时也会伴随大量的元数据移动，更加剧了节点负载，从而导致大量数据写入被拒绝现象。而写入被拒绝最终会导致上游Flink集群剧烈抖动(写入失败抛出大量异常），以致于索引创建高峰期经常出现2-3小时的集群不可用状态。5.系统出现大量异常日志.ES服务器异常，主要分为两类，一类是：数据解析异常，另一类是：Fields_limit异常。
索引的容量管理与维护困难。主要是解决大规模以及日益增长数据场景下，集群的自动化容量管理与生命周期管理的问题。优化点1：优化集群内部分片过多、分片不合理、节点负载不均等问题。
其中主要涉及了二个问题：
如何确定索引单个分片大小？-> 小于40G如何确定集群中分片数量？ -> 节点堆内存*节点数*200 = 2万左右上述问题可以阅读ES官方文档和腾讯云ES文档得到全面的答案，这里不再赘述，总而言之，查询和写入的性能与索引的大小是正相关的，要保证高性能，一定要限制索引的大小，而索引的大小取决于分片与段的大小，分片过小，可能导致段过小，进而导致开销增加，分片过大可能导致分片频繁Merge，产生大量IO操作，影响写入性能。通过阅读相关文档，我提炼了以下三条原则：
分片大小控制50G以内，最好是20-40G，以均衡查询和写入性能。每个节点可以存储的分片数量与可用堆内存成正比，一条很好的经验法则：“确保每个节点配置的每G堆内存，分片数在20个以下”。分片数为节点数整数倍,确保分片能在节点之间均衡分布。当然最好的方法是根据自身业务场景来确定分片大小，看业务是注重读还是注重写以及对数据实时性、可靠性的要求。天机阁的索引设计模式是非常灵活的，属于典型的时序类型用例索引，以时间为轴，按天索引，数据只增加，不更新。在这种场景下，搜索都不是第一要素，查询的QPS很低。原先的分片针对策略针对容量过低的索引统一采用5个分片都默认配置，少数超过500g的大索引才会重新调整分片策略，而随着近期接入业务的不断增多以及索引进入量的暴涨，集群内部出现了许多容量大小不一，且分布范围较广的索引。老的配置方式显然已经不太合理，既会导致分片数急剧增长，也影响索引的读写性能。所以结合业务重新评估了集群中各个索引的容量大小，采用分级索引模版的分片控制策略，根据接入业务每天的容量变化，实现业务定制化的自适应分片。
索引模版 | 容量范围 | 分片策略 | 索引占用量 |
|---|---|---|---|
template-01 | 0-40G | 单分片 | 55% |
template-02 | 40-100G | 4分片 | 20% |
template-03 | 100-200G | 8分片 | 15% |
template-04 | 200-400G | 12 | 8% |
template-n | ... | ... | ... |
一般而言：当用户遇到性能问题时，原因通常都可回溯至数据的索引方式以及集群中的分片数量。对于涉及多租户和用到时序型索引的用例，这一点尤为突出。
优化点2：优化写入性能。
减少集群副本分片数，过多副本导致ES内部写扩大。ES集群主用于构建热门Trace索引用于定位问题，业务特性是写入量大而数据敏感度不高。所以我们可以采用经济实惠的配置，去掉过多副本，维护单副本保证数据冗余已经足够，另外对于部分超大索引，我们也会采用0副本的策略。索引设计方面，id自动生成（舍弃幂等），去掉打分机制，去掉DocValues策略，嵌套对象类型调整为Object对象类型。此处优化的目的是通过减少索引字段，降低Indexing Thread线程的IO压力 == 经过多次调整选择了最佳参数。根据ES官方提供的优化手段进行调整，包括Refresh，Flush时间，Index_buffer_size等。上述优化，其实是对ES集群一种性能的取舍，牺牲数据可靠性以及搜索实时性来换取极致的写入性能，但其实ES只是存储热门数据，天机阁有专门的Hbase集群对全量数据进行备份，详细记录上报日志流水，保证数据的可靠性。
客户端API升级，将之前ES原生的批量API升级为Transport API，策略为当数据缓存到5M(灵活调整)大小时，进行批量写入（经过性能测试）。优化点3：优化索引创建方式
触发试创建索引改为预创建索引模式。申请专用主节点用于索引创建工作。优化点4：优化ES服务器异常
调整字段映射模式，Dynamic-Mapping动态映射可能导致字段映射出现问题，这里修改为手动映射。调整Limit Feild限制，修改ES索引字段上限。业务层加入数据清洗算子，过滤脏数据以及埋点错误导致Tag过多的Span，保护存储。1.cpu使用率：CPU使用率45% => 23%，内部写入量从60万/s => 40万/s。
2.磁盘使用率：53%=>40%。
3.写入拒绝率：索引写入拒绝率降为0。
4.集群宕机问题被修复:
5.查询耗时：大索引跨天级别查询在500ms左右。
6.分片数量：7万 => 3万，减少了50%，同时索引存储量优化了20%。
7.写入耗时：从2000ms =>900ms左右。
经过一期的优化ES写入性能有了明显提升，但还存在一些痛点，包括：
写入延时还是过大，没有达到预期效果。分片数3万+还是过多，同时索引创建时间仍然过长（1分钟）。索引容量管理以及生命周期管理困难。我们希望构建一个优雅的索引自动化运维管理系统，而这个系统主要解决两个问题：
自动化索引生命周期管理：创建索引生命周期管理，并定义不同阶段的索引策略，以此来实现ES索引自动化优化与生命周期管理而不需要引入第三方服务。自动化索引容量管理：当集群索引超过设定容量大小时，可以自动进行滚动，生成新的索引，而上游业务不需要感知。ES在索引管理这一块一直在进行迭代优化，诸如Rollover、日期索引、Curator等都是对索引管理的一种策略，但是这些方式都不够自动化，直到ES6.7以后，官方推出了ILM（index lifestyle management)索引生命周期管理策略，能同控制多个索引的生命流转，配合索引模板、别名、Rollover能实现自动化索引生命周期与容量的管理闭环。
ILM策略主要有四个阶段：
Hot阶段：可读，可写，索引会被频繁查询。Warm： 可读，不可写，此时可对数据进行归档，采用Shrink与Forcemerge，减少索引副本与主分片数，并强制进行Segment合 并，能够减少数据内存与磁盘的使用。Cold：不可写入，很久没被更新，查询慢。可对索引进行冻结操作，此时集群将对索引进行落盘操作，业务需要指定特定的参数才能查询到数据。Delete：删除操作。将触发索引删除事件。天机阁使用ILM 策略配合分级索引模板可以比较优雅的实现索引的自动化管理过程。ILM 策略主要分为四个阶段：热、温、冷和删除。对于定义好的各个阶段的相应策略，ILM 会始终会顺序执行。我们只需要根据索引每个阶段的数据特性定义合适的管理方式，诸如：索引滚动更新用于管理每个索引的大小；强制合并操作可用于优化索引；冻结操作可用于减少集群的存储压力。
天机阁通过Flink Stream读取Kafka数据实时写入ES，峰值QPS接近35w，每天新增索引超过1000+。在这么大数据量上进行操作是一件很麻烦的事。我们希望ES能够自动化对分片超过100g的索引进行滚动更新，超过3天后的索引进行自动归档，并自动删除7天前的索引，同时对外以提供索引别名方式进行读写操作。这个场景可以通过ILM配置来实现，具体策略是：对于一些小于40G的索引，在Warm阶段执行Shrink策略压缩成单分片，并设定写入低峰期执行Forcemerge操作合并集群中小的段,Cold阶段可以执行Allocate操作来减少副本数，而针对集群内部1%的大索引，可以执行Freeze操作来释放部分存储空间。具体策略如下表所示：
ILM可以高效的进行索引生命周期与容量自动化管理，使用起来也很简单。但是还是有不少要注意的地方。
切换策略后索引不会马上生效，旧数据仍然写入旧索引，只有触发Rollover生成新索引，新策略才会生效。每个阶段的生效时间是以Hot阶段触发Rollover为起始时间的基础上再加业务配置时间。如果不想使用Rollover，可以直接进行关闭，也可以实现只对索引进行生命周期的管理操作。腾讯云ES最好采用 白金版 + 6.8以上版本。后续优化：ILM + 冷热架构,ILM 可支持为时序索引实现热温冷架构从而节约一些成本。
1.写入耗时：2500万/min写入量 2000ms- >320ms。
分片数量：7.2万 -> 2万 分片数量减少 70%。3.索引存储总量：67T -> 48T 节约存储 30%。
4.创建索引速度：分钟级 -> 秒级。
HBase是一种构建在HDFS之上面向列的分布式数据库，能支持海量数据的存储。主要具备如下特点：
高可靠、高可用、可伸缩。基于Zookeper的协调服务保证系统高可用性，基于Wal与Replication机制，保证数据的可靠性。海量存储：保证读性能的前提下，单表可支持百亿级别行、百万级别列。面向列：数据按照列来构建索引聚，数据即索引，只访问查询涉及的列时，可以大量降低系统的I/O。高性能：底层索引设计基于LSM数据结构，使得HBase具备非常高的写入性能。同时缓存机制使得HBase具备一定的随机读写性能。天机阁主要采用公司内部的Hbase组件，主要用于存储Trace元数据、关系链、拓扑图等数据模型，其中Trace元数据的存储以Traceid作为Rowkey、调用树以(时间戳_appid_svr_ifc)做为rowkey、关系链以（时间戳_appid, 时间戳_svr) 作为rowkey。通过Hbase 客户端的批量 API并发写入同一张表中，写入流程如下图所示：
目前天机阁Hbase写入峰值在30w/s，机器配置为16台 Ts60，每天数据写入总量在15-20t左右，单机写入峰值在2万/s 。我们分别从CPU、磁盘、IO、内存等角度查看了各个机器使用状况，主要归纳为以下三个问题：
1.调用链容易产生超级Trace，造成大Key、热Key等问题：通过对线上数据的监控，一般Rowkey写入的ValueKey平均大小在300-700字节左右，但是部分业务存在热点Push或者框架埋点错误等问题，会产生1M-2M的超级Trace ，这种case对Hbase的影响是巨大的，会频繁触发Hbase Memstore Flush、Hlog文件写入切换以及底层Storefile文件的Compaction等操作，从而造成写入性能急剧下降，同时也会影响到表中其他业务的吞吐量。
2.关系链、调用树存在写热点问题：热点问题会造成节点请求不均衡，导致部分节点负载过高。Hbase表是以Rowkey进行排序，再把Key拆分成若干个Region，分散到不同机器上，如果拆分合理，各个机器Region分布均匀，那负载就是均衡的，如果拆分不合理，就会造成写入过于集中，部分机器负载过高。
图7.4: 热点请求路由到同一台机器上
3.表设计耦合过重：关系链、拓扑图、调用链等数据都存储在同一张表中产生了大表问题， 同时调用链容易产生大Key问题，大key的写入会造成该表所在的节点吞吐量大大降低，从而影响到了表中的其他业务，诸如拓扑图数据的写入性能。
1.预分区 + Hash散列+ 分桶：Hbase本身是热点存储.在创建表时只会存在一个没有Start-key End-key边界的Region，当数据写入时，Region会不断增加，Split成2个Region，产生Midkey。在此过程中，数据只往一个Region上写,会有写热点问题，而大量数据写入导致的频繁Split也会消耗IO资源。针对这个问题，业界通用的解决方案是对数据进行预分区，同时合理设计Rowkey来保证数据均匀到各个Region。天机阁Key的设计考虑了随机数、时间戳、机器IP、Tid等多个因子来保证Rowkey生成的随机性，再根据Rowkey的特点以及数据容量增长预期,合理划分了整个分区的范围，保证数据能均匀到各个分区。此外，也采用分桶的方式来缓解单个Region的压力，基本策略是在Rowkey前面加随机数，将相同Rowkey数据散列到若干桶里，在查询时候再进行并发读取，这种策略可以非常有效的处理关系链数据形成的热点问题。
随机散列与预分区二者结合起来，是业界比较常规做法。预分区一开始就预建好了一部分Region，这些Region都维护着自己的Start-End Keys，再配合上随机散列，基本能保证请求能均匀命中这些预建的Region，从而大大提高性能。
图7.6 RS 上Region数基本均匀
事实上Hbase的热点问题一直是比较棘手的，而天机阁的热点数据是比较频繁的。上述一些方案虽然能缓解热点问题，但是确增加了业务复杂度。并没有彻底根治这个问题，期待后续Hbase的迭代。
2.对重要业务进行分表，计算层进行逻辑隔离，存储层进行资源隔离。大表会存在很多问题，诸如Region过多、查询性能差、数据导出迁移困难等。所以需要对天机阁拓扑图、关系链、调用链的等业务存储进行分表，同时底层存储在物理层面进行资源隔离，将几部分数据解耦出来，不同数据路由到不同表中，写入互不影响，以此提升各个业务的写入性能。
3.业务上避免大Key写入：对超过300个Trace的数据进行降级处理。
4.采用批量异步提交API，根据需要动态修改HWal、Memstore flush等参数。
1. 解决了大量写入毛刺的问题，当天写入延时由1800ms -> 150ms。
2. 写关系链逻辑被独立出来，写入延时优化至5-15ms以内。
3. 大key过滤量。
Flink优化篇后面会进行文章整理并进行讲解，这里暂时先简单介绍一下背景、存在的问题以及优化后的效果。
首先由Flink定义的Source算子对数据通道进行实时消费, 经过FilterFunction与FlatMapFuntion算子完成对数据的清洗与格式转换工作，再根据TraceId进行ReduceKeyby，将同一个Traceid的数据路由到同一个窗口进行实时聚合计算，生成调用链与拓扑图等数据模型，写入存储。
1. 数据反压：
图8.2: Flink反压监控面板
生产环境中造成反压的情况有很多：1. 底层Sink算子摄入速度慢，会导致上游算子出现反压。2. 窗口逻辑过重，处理性能慢，也会导致上游Source算子出现反压。3. 代码有bug或者有比较耗时的操作也会造成反压现象。
反压不一定直接影响集群的可用性，但是说明集群一直处于一种亚健康的状态，有潜在的性能瓶颈。优化前天机阁所有Trace任务都是处于这样一种亚健康状态。如下图红线框所示。
2. 数据倾斜，集群资源利用率低：由于受到拓扑图逻辑的影响，同一个Trace的所有Span会路由到同一个窗口(节点)用于还原拓扑图。而当业务存在热点问题时，产生的大量超级Trace也都会路由到同一个节点，从而产生该节点过载，节点窗口处理速度减慢等问题。而大量的数据倾斜会导致集群资源无法得到充分利用，最终造成集群吞吐量下降，处理延时上升。
3. 窗口函数性能差，内存溢出：由于集群一直受到反压问题的困扰，且采用了全局窗口来处理大量的计算逻辑，导致当窗口聚合的数据量较大时，容易发生内存溢出的问题，特别是当开启Checkpoint机制时，内存溢出问题更加频繁。Chekcpoint是保证数据一致性的关键，而反压会影响到Checkpoint 时长和 State 大小，当数据处理被阻塞时，Checkpoint Barrier 流经整个数据管道的时间会变长，其中State 过大会直接导致OOM，而Checkpoint时间变长超过设定时间，最终会导致Chekpoing的失败。
1. 轻重分离：在问题分析一节中有提到过Trace系统很多突发流量不可预测，而系统需要在流量不可控的时候，实现影响面的可控，当遇上业务放量，热点Push等场景造成的流量洪峰时，能够让影响仅仅局限在局部系统，不扩散影响到整个系统。所以我们在系统设计时要考虑轻重分离。天机阁采用了一些常规的分离方法，例如接入层，计算层都是按通道分离，后续又加入了存储分离。原天机阁实时计算系统耦合了调用链与拓扑图两部分逻辑，而天机阁大部分用户对调用链系统的使用场景比较多，业务依赖性比较强。所以在这个基础上我们继续对内容进行细分，对计算逻辑进行解耦，将原系统独立拆分成拓扑图子系统与调用链子系统两部分，对逻辑较轻的调用链子系统进行重新建设，而对逻辑较重的拓扑图系统进行单独优化。其中分离出来的调用链子系统如图所示。
图8.5: 天机阁拓扑图子系统
其中主要涉及两个点的改变：
（1).修改Flink Stream模式，去调Keyby，并将KeyedStream修改为Union Stream模式，可以同时读取多个不同Kafka通道数据，合并为同一个流，这里优化的本质是修改算子的路由策略，将Hash修改为Rebanlance，通过再平衡来减轻数据倾斜的问题。
图8.6: Flink数据路由策略
（2).修改算子流程，将GlobalWindows窗口优化为增量窗口 + HbaseSinkFunction + EsSinkFunction的模式。 （3).调整各个算子并行度，采用Operators-Chain模式。尽可能的将Operator的Subtask链接一起形成Task，从而让每个Task在一个线程中执行。这样可以大量减少线程之间的切换以及数据在缓冲之间的交换，提高整体吞吐量。
2. 窗口算子优化：Flink 窗口是无限数据流处理的核心，将一个无限流的Stream拆分成有限大小的“Buckets”桶，业务可以在这些桶上做计算操作。天机阁使用KeyedStream + Globalwindow + ProcessFunction 模式来处理业务，这种模式提供了一定灵活性，可以将窗口中的所有元素缓存起来，从而获得全量数据的迭代能力，但这确带来了性能成本与资源的损耗，会占用更多的内存以及窗口耗时，也意味着无法进行增量迭代操作。所以这里直接对窗口逻辑进行解耦，简化窗口函数的逻辑同时采用中间状态更小的增量窗口函数算子，整体基于TimeWindow + ReduceFunction/AggregateFunction +SinkFuntion模式代替原先的全局窗口模式。
3. 存储优化：Flink是优化的最后一部，事实上在优化完存储后，反压现象明显减轻了许多。
4. 拓扑图子系统优化：拓扑图优化会借鉴Zipkin-Depencency，Jeager Analytics 两阶段预聚合的思路来进行优化,，后面会有专门文章详细介绍
1. 算子反压，资源倾斜问题得到解决。
2. 虫洞集群平均处理延时由30-60s 下降到1s，由分钟级优化到秒级，且集群更加稳定。
3. 集群资源利用率显著提高，目前只灰度了一个任务，节约了120VCores，预计全量后可以节约35%（300VCores）左右的资源。
目前新系统已经在生产环境，稳定运行1个月左右，数据延时也从之前分钟缩短到10s内，数据实时性大大提高，同时资源利用率的提升也节省了大量的计算资源。
Flink实时计算系统是天机阁链路追踪平台的重要组成部分，而日益增长的数据量给计算集群带来了很大的挑战。面对这些问题，我们重新梳理了整个链路架构，找到系统的瓶颈所在，并展开了一系列有效的优化措施。而在未来，我们会继续在大数据领域的探索研究工作，更进一步的打磨系统数据处理能力，提供更好的服务。
整体从计算层、存储层、架构、服务质量等几个维度对系统进行了优化，同时也加强了系统的容灾能力
自定义计数器实现热Key自动发现与降级。存储过载保护，当QPS超过压测阈值时，触发降级逻辑。通过druid 预聚合方式完善对业务的多维监控。9.2 优化后效果图
9.3 思考
性能是用户体验的基石，而性能优化的最终目标是优化用户体验，俗话说：“天下武功，唯快不破”，这句话放到性能优化上也是适用的，我们优化存储摄入速度，优化Flink的处理速度以及接入层的数据采集能力，都是为了保证数据的“快”。而优化的过程则需要我们做好打持久战的准备，既不能过早优化，也不能过度优化。最好的方式是深入理解业务，了解系统瓶颈所在，建立精细化的的监控平台，当系统出现问题时，我们就可以做到有条不紊，从应用，架构，运维等层面进行优化分析，设定一些期望的性能指标，并对每次优化措施和效果做总结思考，从而形成自己的方法论。