战斗民族开源 | ClickHouse万亿数据双中心的设计与实践

来源:百分点分享 作者:赵群/大数据技术与架构整理 点击右侧关注，大数据开发领域最强公众号！ 点击右侧关注，暴走大数据！


By  大数据技术与架构

场景描述： Clickhouse是一个用于联机分析处理（OLAP）的列式数据库管理系统。

传统数据库在数据大小比较小，索引大小适合内存，数据缓存命中率足够高的情形下能正常提供服务。但残酷的是，这种理想情形最终会随着业务的增长走到尽头，查询会变得越来越慢。你可能通过增加更多的内存，订购更快的磁盘等等来解决问题（纵向扩展），但这只是拖延解决本质问题。如果你的需求是解决怎样快速查询出结果，那么ClickHouse也许可以解决你的问题。

关键词：Clickhouse OLAP

 

场景与挑战

数据存储：

数据量：2000亿+/日 

高峰：500WRow/s

延时：<30秒 熔断/限流 

2地双中心 查询/分析透明访问

查询：

1TB常规查询<10s  

1TB聚合查询(排序/分组）<5m 

综上所述，业务场景：

• OLAP引擎评估

• 超大规模的单表查询/分析

• 有一定的并发要求

• 实时性要求

期望OLAP引擎：

• PB级的数据存储 

• 高性能的查询/分析能力

• 低延时写入及吞吐能力

• 数据压缩

• 跨中心能力

 

Clickhouse的2地双中心设计

• ClickHouse跨中心透明访问。性能影响：1/4 ～1/3

• 禁止分布式写。 

• 经过设计Replication是有稳定保障的 

• Nginx负载均衡，路由分发，安全加固 

• 日志采集、展现、分析

Clickhouse磁盘的Raid选择：

• Raid5增加磁盘数据可靠性和读取能力

• 热备盘减少运维压力

• 控制写入，保障查询性能

    相关测试分析表明： 

• 横向扩展对查询性能几乎无影响 

• 可以基于单节点/分区评估查询性能

• 数据预热对查询有数量级提升 

• 针对缓存更换条件同样生效

 

Clickhouse的写入稳定性设计

• 平衡好合并速度和Part数量的关系，一定是需要相对均衡的

• Part数量，实际代表着提交频率，一定是稳定，且经过估算的 

• ClickHouse的查询和写入共同受限于Query数限制，需要分配好配额 

• 禁止直接写入分布式表

• 时间窗口保障持续稳定提交频率。(保障对ClickHouse写入的稳定)

• SparkStreaming 微批处理(控制处理上限)，利用反压机制，实现处理能力动态平衡

• Spark on Yarn 资源可控。

• 以写入ClickHouse为例，目前一个Executor处理在30000/s 左右。

• 假设我们需要一个满足300W/s的处理能力。在源读取没有瓶颈的情况下，可以 Executor数 : 300 /3 = 100(个)

 

Clickhouse的查询优化

• 限制单条查询内存使用量和单节点查询内存使用量，预防节点Down机。

• Query数量限制异常:控制好配额/连接池。

• 集群的Query日志，找出慢查询。我们直接通过Nginx收集了原始日志。

• 针对热数据进行查询预热。

其他参数优化：

欢迎点赞+收藏+转发朋友圈素质三连

文章不错？点个【在看】吧！ ?

标签：万亿,写入,OLAP,查询,开源,ClickHouse,数据,Clickhouse
来源： https://blog.51cto.com/u_9928699/2898098