STORM在线业务实践-集群空闲CPU飙高问题排查

源:http://daiwa.ninja/index.php/2015/07/18/storm-cpu-overload/ 

STORM在线业务实践-集群空闲CPU飙高问题排查

最近将公司的在线业务迁移到Storm集群上,上线后遇到低峰期CPU耗费严重的情况。在解决问题的过程中深入了解了storm的内部实现原理,并且解决了一个storm0.9-0.10版本一直存在的严重bug,目前代码已经合并到了storm新版本中,在这篇文章里会介绍这个问题出现的场景、分析思路、解决的方式和一些个人的收获。

背景

首先简单介绍一下Storm,熟悉的同学可以直接跳过这段。

Storm是Twitter开源的一个大数据处理框架,专注于流式数据的处理。Storm通过创建拓扑结构(Topology)来转换数据流。和Hadoop的作业(Job)不同,Topology会持续转换数据,除非被集群关闭。

下图是一个简单的Storm Topology结构图。

topology

可以看出Topology是由不同组件(Component)串/并联形成的有向图。数据元组(Tuple)会在Component之间通过数据流的形式进行有向传递。Component有两种

  • Spout:Tuple来源节点,持续不断的产生Tuple,形成数据流
  • Bolt:Tuple处理节点,处理收到的Tuple,如果有需要,也可以生成新的Tuple传递到其他Bolt

目前业界主要在离线或者对实时性要求不高业务中使用Storm。随着Storm版本的更迭,可靠性和实时性在逐渐增强,已经有运行在线业务的能力。因此我们尝试将一些实时性要求在百毫秒级的在线业务迁入Storm集群。

现象

  1. 某次高峰时,Storm上的一个业务拓扑频繁出现消息处理延迟。延时达到了10s甚至更高。查看高峰时的物理机指标监控,CPU、内存和IO都有很大的余量。判断是随着业务增长,服务流量逐渐增加,某个Bolt之前设置的并行度不够,导致消息堆积了。
  2. 临时增加该Bolt并行度,解决了延迟的问题,但是第二天的低峰期,服务突然报警,CPU负载过高,达到了100%。

排查

  1. 用Top看了下CPU占用,系统调用占用了70%左右。再用wtool对Storm的工作进程进行分析,找到了CPU占用最高的线程
    java.lang.Thread.State: TIMED_WAITING (parking)
            at sun.misc.Unsafe.park(Native Method)
            - parking to wait for  <0x0000000640a248f8> (a java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject)
            at java.util.concurrent.locks.LockSupport.parkNanos(LockSupport.java:215)
            at java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject.await(AbstractQueuedSynchronizer.java:2163)
            at com.lmax.disruptor.BlockingWaitStrategy.waitFor(BlockingWaitStrategy.java:87)
            at com.lmax.disruptor.ProcessingSequenceBarrier.waitFor(ProcessingSequenceBarrier.java:54)
            at backtype.storm.utils.DisruptorQueue.consumeBatchWhenAvailable(DisruptorQueue.java:97)
            at backtype.storm.disruptor$consume_batch_when_available.invoke(disruptor.clj:80)
            at backtype.storm.daemon.executor$fn__3441$fn__3453$fn__3500.invoke(executor.clj:748)
            at backtype.storm.util$async_loop$fn__464.invoke(util.clj:463)
            at clojure.lang.AFn.run(AFn.java:24)
            at java.lang.Thread.run(Thread.java:745)
    

    我们可以看到这些线程都在信号量上等待。调用的来源是disruptor$consume_batch_when_available。

  2. disruptor是Storm内部消息队列的封装。所以先了解了一下Storm内部的消息传输机制。

    Storm内部消息传输机制(图片来源Understanding the Internal Message Buffers of Storm

    Storm的工作节点称为Worker(其实就是一个JVM进程)。不同Worker之间通过Netty(旧版Storm使用ZeroMQ)进行通讯。

    每个Worker内部包含一组Executor。Strom会为拓扑中的每个Component都分配一个Executor。在实际的数据处理流程中,数据以消息的形式在Executor之间流转。Executor会循环调用绑定的Component的处理方法来处理收到的消息。

    Executor之间的消息传输使用队列作为消息管道。Storm会给每个Executor分配两个队列和两个处理线程。

    • 工作线程:读取接收队列,对消息进行处理,如果产生新的消息,会写入发送队列
    • 发送线程:读取发送队列,将消息发送其他Executor

    当Executor的发送线程发送消息时,会判断目标Executor是否在同一Worker内,如果是,则直接将消息写入目标Executor的接收队列,如果不是,则将消息写入Worker的传输队列,通过网络发送。

    Executor工作/发送线程读取队列的代码如下,这里会循环调用consume-batch-when-available读取队列中的消息,并对消息进行处理。

    (async-loop
      (fn []
        ...
        (disruptor/consume-batch-when-available receive-queue event-handler)            
        ...
        ))
    
  3. 我们再来看一下consume_batch_when_available这个函数里做了什么。
    (defn consume-batch-when-available
      [^DisruptorQueue queue handler]
      (.consumeBatchWhenAvailable queue handler))
    

    前面提到Storm使用队列作为消息管道。Storm作为流式大数据处理框架,对消息传输的性能很敏感,因此使用了高效内存队列Disruptor Queue作为消息队列。

    storm-simple

    Disruptor Queue是LMAX开源的一个无锁内存队列。内部实现如下。

    Disruptor queue(图片来源Disruptor queue Introduction

    Disruptor Queue通过Sequencer来管理队列,Sequencer内部使用RingBuffer存储消息。RingBuffer中消息的位置使用Sequence表示。队列的生产消费过程如下

    • Sequencer使用一个Cursor来保存写入位置。
    • 每个Consumer都会维护一个消费位置,并注册到Sequencer。
    • Consumer通过SequenceBarrier和Sequencer进行交互。Consumer每次消费时,SequenceBarrier会比较消费位置和Cursor来判断是否有可用消息:如果没有,会按照设定的策略等待消息;如果有,则读取消息,修改消费位置。
    • Producer在写入前会查看所有消费者的消费位置,在有可用位置时会写入消息,更新Cursor。

    查看DisruptorQueue.consumeBatchWhenAvailable实现如下

    final long nextSequence = _consumer.get() + 1;
    final long availableSequence = _barrier.waitFor(nextSequence, 10, TimeUnit.MILLISECONDS);
    if (availableSequence >= nextSequence) {
        consumeBatchToCursor(availableSequence, handler);
    }
    

    继续查看_barrier.waitFor方法

    public long waitFor(final long sequence, final long timeout, final TimeUnit units) throws AlertException, InterruptedException {
        checkAlert();
        return waitStrategy.waitFor(sequence, cursorSequence, dependentSequences, this, timeout, units);
    }
    

    Disruptor Queue为消费者提供了若干种消息等待策略

    • BlockingWaitStrategy:阻塞等待,CPU占用小,但是会切换线程,延迟较高
    • BusySpinWaitStrategy:自旋等待,CPU占用高,但是无需切换线程,延迟低
    • YieldingWaitStrategy:先自旋等待,然后使用Thread.yield()唤醒其他线程,CPU占用和延迟比较均衡
    • SleepingWaitStrategy:先自旋,然后Thread.yield(),最后调用LockSupport.parkNanos(1L),CPU占用和延迟比较均衡

    Storm的默认等待策略为BlockingWaitStrategy。BlockingWaitStrategy的waitFor函数实现如下

    if ((availableSequence = cursor.get()) < sequence) {
            lock.lock();
            try {
                ++numWaiters;
                while ((availableSequence = cursor.get()) < sequence) {
                    barrier.checkAlert();
    
                    if (!processorNotifyCondition.await(timeout, sourceUnit)) {
                        break;
                    }
                }
            }
            finally {
                --numWaiters;
                lock.unlock();
            }
    }
    

    BlockingWaitStrategy内部使用信号量来阻塞Consumer,当await超时后,Consumer线程会被自动唤醒,继续循环查询可用消息。这里的实现有个BUG,在processorNotifyCondition.await超时时应该循环查询,但是代码中实际上跳出了循环,直接返回的当前的cursor,

  4. 而DisruptorQueue.consumeBatchWhenAvailable方法中可以看到,Storm此处设置超时为10ms。推测在没有消息或者消息量较少时,Executor在消费队列时会被阻塞,由于超时时间很短,工作线程会频繁超时,再加上BlockingWaitStrategy的BUG,consumeBatchWhenAvailable会被频繁调用,导致CPU占用飙高。

    尝试将10ms修改成100ms,编译Storm后重新部署集群,使用Storm的demo拓扑,将bolt并发度调到1000,修改spout代码为10s发一条消息。经测试CPU占用大幅减少。

    再将100ms改成1s,测试CPU占用基本降为零。

  5. 但是随着调高超时,测试时并没有发现消息处理有延时。继续查看BlockingWaitStrategy代码,发现Disruptor Queu的Producer在写入消息后会唤醒等待的Consumer。

    if (0 != numWaiters)
    {
        lock.lock();
        try
        {
            processorNotifyCondition.signalAll();
        }
        finally
        {
            lock.unlock();
        }
    }
    

    这样,Storm的10ms超时就很奇怪了,没有减少消息延时,反而增加了系统负载。带着这个疑问查看代码的上下文,发现在构造DisruptorQueue对象时有这么一句注释

    ;; :block strategy requires using a timeout on waitFor (implemented in DisruptorQueue), 
            as sometimes the consumer stays blocked even when there's an item on the queue.
    (defnk disruptor-queue
        [^String queue-name buffer-size :claim-strategy :multi-threaded :wait-strategy :block]
        (DisruptorQueue. queue-name
                    ((CLAIM-STRATEGY claim-strategy) buffer-size)
                    (mk-wait-strategy wait-strategy)))
    

    Storm使用的Disruptor Queue版本为2.10.1。查看Disruptor Queue的change log,发现该版本的BlockingWaitStrategy有潜在的并发问题,可能导致某条消息在写入时没有唤醒等待的消费者。

    2.10.2 Released (21-Aug-2012)

    • Bug fix, potential race condition in BlockingWaitStrategy.
    • Bug fix set initial SequenceGroup value to -1 (Issue #27).
    • Deprecate timeout methods that will be removed in version 3.

    因此Storm使用了短超时,这样在出现并发问题时,没有被唤醒的消费方也会很快因为超时重新查询可用消息,防止出现消息延时。

    这样如果直接修改超时到1000ms,一旦出现并发问题,最坏情况下消息会延迟1000ms。在权衡性能和延时之后,我们在Storm的配置文件中增加配置项来修改超时参数。这样使用者可以自己选择保证低延时还是低CPU占用率。

  6. 就BlockingWaitStrategy的潜在并发问题咨询了Disruptor Queue的作者,得知2.10.4版本已经修复了这个并发问题(Race condition in 2.10.1 release
    )。

    将Storm依赖升级到此版本。但是对Disruptor Queue的2.10.1做了并发测试,无法复现这个并发问题,因此也无法确定2.10.4是否彻底修复。谨慎起见,在升级依赖的同时保留了之前的超时配置项,并将默认超时调整为1000ms。经测试,在集群空闲时CPU占用正常,并且压测也没有出现消息延时。

总结

  1. 关于集群空闲CPU反而飙高的问题,已经向Storm社区提交PR并且已被接受[STORM-935] Update Disruptor queue version to 2.10.4。在线业务流量通常起伏很大,如果被这个问题困扰,可以考虑应用此patch。
  2. Storm UI中可以看到很多有用的信息,但是缺乏记录,最好对其进行二次开发(或者直接读取ZooKeeper中信息),记录每个时间段的数据,方便分析集群和拓扑运行状况。

Posted in Tech

posted @ 2016-04-05 00:34  唐僧吃肉  阅读(1454)  评论(1编辑  收藏  举报