一、引言
Druid 的查询需要有实时和历史部分的 Segment，历史部分的 Segment 由 Historical 节点加载，所以加载的效率直接影响了查询的 RT（不考虑缓存）。查询通常需要指定一个时间范围[StartTime, EndTime]，该时间范围的内所有 Segment 需要由 Historical 加载，最差的情况是所有 Segment 不幸都储存在一个节点上，加载无疑会很慢；最好的情况是 Segment 均匀分布在所有的节点上，并行加载提高效率。所以 Segment 在 Historical 集群中分布就变得极为重要，Druid 通过 Coordinator 的 Balance 策略协调 Segment 在集群中的分布。
本文将分析 Druid 的 Balance 策略、源码及其代价计算函数，本文使用 Druid 的版本是 0.12.0。
二、Balance 方法解析
2.1 Balance 相关的配置
Druid 目前有三种 Balance 算法: cachingCost, diskNormalized, Cost, 其中 cachingCost 是基于缓存的，diskNormalized 则是基于磁盘的 Balance 策略，本文不对前两种展开篇幅分析， Druid Coordinator 中开启 cost balance 的配置如下：
druid.coordinator.startDelay=PT30Sdruid.coordinator.period=PT30S 调度的时间druid.coordinator.balancer.strategy=cost 默认
动态配置：maxSegmentsToMove = 5 ##每次Balance最多移动多少个Segment
复制代码
2.2 Cost 算法概述
Cost 是 Druid 在 0.9.1 开始引入的，在 0.9.1 之前使用的 Balance 算法会存在 Segment 不能快速均衡，分布不均匀的情况，Cost 算法的核心思想是：当在做均衡的时候，随机选择一个 Segment（假设 Segment A ）， 依次计算 Segment A 和 Historical 节点上的所有 Segment 的 Cost，选取 Cost 值最小的节点，然后到该节点上重新加载 Segment。
2.3 源码和流程图分析
以下会省略一些不必要的代码
DruidCoordinatorBalancer 类
@Overridepublic DruidCoordinatorRuntimeParams run(DruidCoordinatorRuntimeParams params){ final CoordinatorStats stats = new CoordinatorStats(); // 不同tier层的分开Balance params.getDruidCluster().getHistoricals().forEach((String tier, NavigableSet<ServerHolder> servers) -> { balanceTier(params, tier, servers, stats); }); return params.buildFromExisting().withCoordinatorStats(stats).build();}
复制代码
DruidCoordinatorBalancer 类的 balanceTier 方法，主要是均衡入口函数
private void balanceTier(DruidCoordinatorRuntimeParams params, String tier, SortedSet<ServerHolder> servers,CoordinatorStats stats){ final BalancerStrategy strategy = params.getBalancerStrategy(); final int maxSegmentsToMove = params.getCoordinatorDynamicConfig().getMaxSegmentsToMove();
currentlyMovingSegments.computeIfAbsent(tier, t -> new ConcurrentHashMap<>());
final List<ServerHolder> serverHolderList = Lists.newArrayList(servers);
//集群中只有一个 Historical 节点时不进行Balance if (serverHolderList.size() <= 1) { log.info("[%s]: One or fewer servers found. Cannot balance.", tier); return; }
int numSegments = 0; for (ServerHolder server : serverHolderList) { numSegments += server.getServer().getSegments().size(); }
if (numSegments == 0) { log.info("No segments found. Cannot balance."); return; } long unmoved = 0L; for (int iter = 0; iter < maxSegmentsToMove; iter++) { //通过随机算法选择一个候选Segment，该Segment会参与后面的Cost计算 final BalancerSegmentHolder segmentToMove = strategy.pickSegmentToMove(serverHolderList);
if (segmentToMove != null && params.getAvailableSegments().contains(segmentToMove.getSegment())) { //找Cost最小的节点，Cost计算入口 final ServerHolder holder = strategy.findNewSegmentHomeBalancer(segmentToMove.getSegment(), serverHolderList); //找到候选节点，发起一次Move Segment的任务 if (holder != null) { moveSegment(segmentToMove, holder.getServer(), params); } else { ++unmoved; } } } ......}
复制代码
Reservoir 随机算法，随机选择一个 Segment 进行 Balance。Segment 被选中的概率：
public class ReservoirSegmentSampler{
public BalancerSegmentHolder getRandomBalancerSegmentHolder(final List<ServerHolder> serverHolders) { final Random rand = new Random(); ServerHolder fromServerHolder = null; DataSegment proposalSegment = null; int numSoFar = 0;
//遍历所有List上的Historical节点 for (ServerHolder server : serverHolders) { //遍历一个Historical节点上所有的Segment for (DataSegment segment : server.getServer().getSegments().values()) { int randNum = rand.nextInt(numSoFar + 1); // w.p. 1 / (numSoFar+1), swap out the server and segment // 随机选出一个Segment，后面的会覆盖前面选中的，以最后一个被选中为止。 if (randNum == numSoFar) { fromServerHolder = server; proposalSegment = segment; } numSoFar++; } } if (fromServerHolder != null) { return new BalancerSegmentHolder(fromServerHolder.getServer(), proposalSegment); } else { return null; } }}
复制代码
继续调用到 CostBalancerStrategy 类的 findNewSegmentHomeBalancer 方法，其实就是找最合适的 Historical 节点：
@Overridepublic ServerHolder findNewSegmentHomeBalancer(DataSegment proposalSegment, List<ServerHolder> serverHolders){ return chooseBestServer(proposalSegment, serverHolders, true).rhs;}
protected Pair<Double, ServerHolder> chooseBestServer( final DataSegment proposalSegment, final Iterable<ServerHolder> serverHolders, final boolean includeCurrentServer){ Pair<Double, ServerHolder> bestServer = Pair.of(Double.POSITIVE_INFINITY, null);
List<ListenableFuture<Pair<Double, ServerHolder>>> futures = Lists.newArrayList();
for (final ServerHolder server : serverHolders) { futures.add( exec.submit( new Callable<Pair<Double, ServerHolder>>() { @Override public Pair<Double, ServerHolder> call() throws Exception { //计算Cost：候选Segment和Historical节点上所有Segment的cost和 return Pair.of(computeCost(proposalSegment, server, includeCurrentServer), server); } } ) ); }
final ListenableFuture<List<Pair<Double, ServerHolder>>> resultsFuture = Futures.allAsList(futures); final List<Pair<Double, ServerHolder>> bestServers = new ArrayList<>(); bestServers.add(bestServer); try { for (Pair<Double, ServerHolder> server : resultsFuture.get()) { if (server.lhs <= bestServers.get(0).lhs) { if (server.lhs < bestServers.get(0).lhs) { bestServers.clear(); } bestServers.add(server); } }
//Cost最小的如果有多个，随机选择一个 bestServer = bestServers.get(ThreadLocalRandom.current().nextInt(bestServers.size())); } catch (Exception e) { log.makeAlert(e, "Cost Balancer Multithread strategy wasn't able to complete cost computation.").emit(); } return bestServer;}
protected double computeCost(final DataSegment proposalSegment, final ServerHolder server,final boolean includeCurrentServer){ final long proposalSegmentSize = proposalSegment.getSize();
// (optional) Don't include server if it is already serving segment if (!includeCurrentServer && server.isServingSegment(proposalSegment)) { return Double.POSITIVE_INFINITY; }
// Don't calculate cost if the server doesn't have enough space or is loading the segment if (proposalSegmentSize > server.getAvailableSize() || server.isLoadingSegment(proposalSegment)) { return Double.POSITIVE_INFINITY; }
// 初始cost为0 double cost = 0d;
//计算Cost：候选Segment和Historical节点上所有Segment的totalCost cost += computeJointSegmentsCost( proposalSegment, Iterables.filter( server.getServer().getSegments().values(), Predicates.not(Predicates.equalTo(proposalSegment)) ) );
// 需要加上和即将被加载的Segment之间的cost cost += computeJointSegmentsCost(proposalSegment, server.getPeon().getSegmentsToLoad());
// 需要减掉和即将被加载的 Segment 之间的 cost cost -= computeJointSegmentsCost (proposalSegment, server.getPeon().getSegmentsMarkedToDrop());
return cost;}
复制代码
开始计算：
static double computeJointSegmentsCost(final DataSegment segment, final Iterable<DataSegment> segmentSet){ double totalCost = 0; // 此处需要注意，当新增的Historical节点第一次上线的时候，segmentSet应该是空，所以totalCost=0最小 // 新增节点总会很快的被均衡 for (DataSegment s : segmentSet) { totalCost += computeJointSegmentsCost(segment, s); } return totalCost;}
复制代码
进行一些处理：1）Segment 的 Interval 毫秒转换成 hour；2)先计算了带 lambda 的 x1, y0, y1 的值。
public static double computeJointSegmentsCost(final DataSegment segmentA, final DataSegment segmentB){ final Interval intervalA = segmentA.getInterval(); final Interval intervalB = segmentB.getInterval();
final double t0 = intervalA.getStartMillis(); final double t1 = (intervalA.getEndMillis() - t0) / MILLIS_FACTOR; //x1 final double start = (intervalB.getStartMillis() - t0) / MILLIS_FACTOR; //y0 final double end = (intervalB.getEndMillis() - t0) / MILLIS_FACTOR; //y1
// constant cost-multiplier for segments of the same datsource final double multiplier = segmentA.getDataSource().equals(segmentB.getDataSource()) ? 2.0 : 1.0;
return INV_LAMBDA_SQUARE * intervalCost(t1, start, end) * multiplier;}
复制代码
真正计算 cost 函数的值
public static double intervalCost(double x1, double y0, double y1){ if (x1 == 0 || y1 == y0) { return 0; }
// 保证Segment A开始时间小于B的开始时间 if (y0 < 0) { // swap X and Y double tmp = x1; x1 = y1 - y0; y1 = tmp - y0; y0 = -y0; }
if (y0 < x1) { // Segment A和B 时间有重叠的情况，这个分支暂时不分析 ....... } else { // 此处就是计算A和B两个Segment之间的cost，代价计算函数：See https://github.com/druid-io/druid/pull/2972 final double exy0 = FastMath.exp(x1 - y0); final double exy1 = FastMath.exp(x1 - y1); final double ey0 = FastMath.exp(0f - y0); final double ey1 = FastMath.exp(0f - y1);
return (ey1 - ey0) - (exy1 - exy0); }}
复制代码
2.4 代价计算函数分析
现在我们有 2 个 Segment， A 和 B，需要计算他们之间的代价，假设 A 的 start 和 end 时间都是小于 B 的。
2.4.1 Cost 函数介绍
Cost 函数的提出请参考 Druid PR2972（https://github.com/druid-io/druid/pull/2972）：
其中 λ=24.0log2e 是 Cost 函数的半衰期
为了弄清楚这个 Cost 函数以及影响 Cost 值的因素？我们先使用一些常用的参数配置：
假设 1：Segment A 的 Interval 是 1 小时，即 Aend−Astart=1∗Hour, 得到:
$x_1 = \frac{(A_{end}-A_{start})log_e2}{24Hour} = \frac{log_e2}{24}$
假设 2：Segment B 的 Interval 也是 1 小时, 得到:
假设 3：Segment B 和 A start 时间相差了 t 个小时，得到:
$y_0 = \frac{tHourlog_e2}{24*Hour} = \frac{t}{24}*log_e2$
在实际的代码中，λ 的计算已经放到了 x0x1y0y1 中
2.4.2 计算 Cost 函数
Cost(A,B)=(ex1−y0−ex1−y1)−(e−y0−e−y1)![]()
根据假设 2，得到：
继续简化，得到：
根据假设 1，得到：
根据假设 3，得到:
继续简化，得到：
2.4.5 小结
根据上诉 cost 函数化简的结果，当 Segment A 和 B 的 Interval 都是 1 小时的情况下：Segment A 和 B 时间相距越大 Cost 越小，它们就越可能共存在同一个 Historical 节点。这也和本文开始时候提出的时间相邻的 Segment 存储在不同的节点上让查询更快相呼应。
三、总结
Druid 的 balance 机制，主要解决 segments 数据在 history 节点的分布问题，这里的优化主要针对于查询做优化，一般情况下，用户的某一次查询针对的是一个时间范围内的多个 Segment 数据， cost 算法的核心思想是，尽可能打散 Segment 数据分布，这样在一次查询设计多个连续时间 Segment 数据的时候能够利用多台 history server 的并行处理能力，分散系统开销，缩短查询 RT.
评论