Elasticsearch系列---聚合查询(二)

概要

近似聚合算法

上一篇我们演练的聚合算法，在Elasticsearch分布式场景下，其实是有略微区别的，简单来说我们可以把这些聚合算法分成两类，易并行算法和不易并行算法。

易并行算法

比如max，min，就是多个node或shard可以单独并行计算，并且可以随着机器数的线性增长而横向扩展，没有任何协调操作，得到的结果返回给Coordinate Node时的数据量已经非常小了，像max或min，只需返回给Coordinate Node一个Long值就行。

不易并行算法

没有上述的优势，每个node或shard返回的数据都特别大，节点越多，Coordinate Node处理压力越大，如经典的TOP N问题。

近似算法

针对易并行算法，处理节点分散，结果准确，但针对不易并行算法，ES会采取近似聚合的方式，采用cardinality或percentiles算法，这两个算法近似估计后的结果，不完全准确，误差率约为0.5%，但是速度会很快，一般会达到完全精准的算法的性能的数十倍。

三角选择原则

有点类似于CAP理论，精准、实时、大数据，只能选择其中2个

1. 精准+实时: 数据量小，随便玩
2. 精准+大数据：hadoop，批处理，非实时，可以处理海量数据，保证精准，可能会跑几个小时
3. 大数据+实时：es，不精准，近似估计，可能会有百分之几的错误率

没有什么方案是100%完美的，完美主义在这里不好使。

cartinality去重算法

cartinality可以对每个bucket中指定的field进行去重，取去重后的count，类似于count(distcint)，例如，我们统计一下每个月新发布歌单中有多少位歌手

GET /music/children/_search
{
  "size" : 0,
  "aggs" : {
      "months" : {
        "date_histogram": {
          "field": "releaseDate",
          "interval": "month"
        },
        "aggs": {
          "distinct_author_cnt" : {
              "cardinality" : {
                "field" : "author.keyword"
           }
        }
      }
    }
  }
}

cartinality优化

cartinality算法基于HyperLogLog++(HLL)算法的。HLL会先对我们的输入作哈希运算，然后根据哈希运算的结果中的bits做概率估算从而得到基数。

precision_threshold参数

权衡准确率与内存开销的参数，值的范围为[0,40000]，超过40000的数当作40000来处理。

假设precision_threshold配置为100，如果字段唯一值（歌手数量）在100以内，准确率基本上是100%，歌手数量大于100时，开始节省内存而牺牲准确度，同时也会对度量结果带入误差。

内存消耗precision_threshold * 8 byte，precision_threshold值越大，内存占用越大。

在实际应用中，100的阈值可以在唯一值为百万的情况下仍然将误差维持5%以内。

例如：

GET /music/children/_search
{
  "size" : 0,
  "aggs" : {
      "months" : {
        "date_histogram": {
          "field": "releaseDate",
          "interval": "month"
        },
        "aggs": {
          "distinct_author_cnt" : {
              "cardinality" : {
                "field" : "author.keyword",
                "precision_threshold": 100
           }
        }
      }
    }
  }
}

HLL Hash加速

默认情况下，发送一个cardinality请求的时候，会动态地对所有的field value，取hash值，HLL只需要字段内容的哈希值，我们可以在索引时就预先计算好。就能在查询时跳过哈希计算然后将哈希值从fielddata直接加载出来，即查询时变索引时的优化思路。

我们创建music索引时，把author字段预先执行hash计算，
ES 6.3.1需要先安装murmur3插件：

elasticsearch-plugin install mapper-murmur3，

安装成功有如下日志：

[root@localhost bin]# ./elasticsearch-plugin install mapper-murmur3
-> Downloading mapper-murmur3 from elastic
[=================================================] 100%   
-> Installed mapper-murmur3

请求示例：

PUT /music/
{
  "mappings": {
    "children": {
      "properties": {
        "author": {
          "type": "text",
          "fields": {
            "hash": {
              "type": "murmur3" 
            }
          }
        }
      }
    }
  }
}

使用时，我们改用author.hash，如下示例：

GET /music/children/_search
{
  "size" : 0,
  "aggs" : {
      "months" : {
        "date_histogram": {
          "field": "releaseDate",
          "interval": "month"
        },
        "aggs": {
          "distinct_author_cnt" : {
              "cardinality" : {
                "field" : "author.hash",
                "precision_threshold": 100
           }
        }
      }
    }
  }
}

这个对聚合查询可能有一点性能上的提升，但同时也在加大存储的压力，如果是针对特别大的字段，比如Content这种文本，可能有提升的价值，如果是keyword的小文本，一两个单词的那种，求hash值已经是非常快的操作，使用HLL加速的方法可能就没有多大效果。

percentilies百分比算法

Elasticsearch提供的另一个近似算法，用来找出异常数据，我们知道平均数和中位数的统计结果，会掩盖掉很多真实情况，没有多大实际意义，比如某某地区平均薪酬是xxxx元，大家都对这种报告笑而不语。

但是正态分布的方差和标准差，可以反馈出一些数据的异常，percentilies百分比算法适用于统计这样的数据。

我们另外举一个案例，比如某某音乐网站访问时延统计数据。一般有如下几个统计点：

• tp50：50%的请求的耗时最长在多长时间
• tp90：90%的请求的耗时最长在多长时间
• tp99：99%的请求的耗时最长在多长时间

1. 创建索引

PUT /musicsite
{
    "mappings": {
        "_doc": {
            "properties": {
                "latency": {
                    "type": "long"
                },
                "province": {
                    "type": "keyword"
                },
                "timestamp": {
                    "type": "date"
                }
            }
        }
    }
}

1. 灌点测试数据

POST /musicsite/_doc/_bulk
{ "index": {}}
{ "latency" : 56, "province" : "广东", "timestamp" : "2019-12-28" }
{ "index": {}}
{ "latency" : 35, "province" : "广东", "timestamp" : "2019-12-29" }
{ "index": {}}
{ "latency" : 45, "province" : "广东", "timestamp" : "2019-12-29" }
{ "index": {}}
{ "latency" : 69, "province" : "广东", "timestamp" : "2019-12-28" }
{ "index": {}}
{ "latency" : 89, "province" : "广东", "timestamp" : "2019-12-28" }
{ "index": {}}
{ "latency" : 47, "province" : "广东", "timestamp" : "2019-12-29" }
{ "index": {}}
{ "latency" : 123, "province" : "黑龙江", "timestamp" : "2019-12-28" }
{ "index": {}}
{ "latency" : 263, "province" : "黑龙江", "timestamp" : "2019-12-29" }
{ "index": {}}
{ "latency" : 142, "province" : "黑龙江", "timestamp" : "2019-12-29" }
{ "index": {}}
{ "latency" : 269, "province" : "黑龙江", "timestamp" : "2019-12-28" }
{ "index": {}}
{ "latency" : 358, "province" : "黑龙江", "timestamp" : "2019-12-28" }
{ "index": {}}
{ "latency" : 315, "province" : "黑龙江", "timestamp" : "2019-12-29" }

1. 执行百分比搜索

GET /musicsite/_doc/_search 
{
  "size": 0,
  "aggs": {
    "latency_percentiles": {
      "percentiles": {
        "field": "latency",
        "percents": [
          50,95,99
        ]
      }
    },
    "latency_avg": {
      "avg": {
        "field": "latency"
      }
    }
  }
}

响应结果如下(有删节)：

{
  "aggregations": {
    "latency_avg": {
      "value": 150.91666666666666
    },
    "latency_percentiles": {
      "values": {
        "50.0": 106,
        "95.0": 353.69999999999993,
        "99.0": 358
      }
    }
  }
}

我们可以看到TP50、TP95、TP99的统计值，并且与平均值的对比，可以发现，平均值掩盖了很多实际的问题，如果只有均值统计，那么很多问题将难以引起警觉。

如果我们把省份条件加上，再做一次聚合统计：

GET /musicsite/_doc/_search 
{
  "size" : 0,
  "aggs" : {
    "province" : {
      "terms" : {
        "field" : "province" 
      },
      "aggs" : {
        "load_times" : {
          "percentiles" : { 
            "field" : "latency",
            "percents" : [50, 95, 99] 
          }
        },
        "load_avg" : {
          "avg" : {
            "field" : "latency"
          }
        }
      }
    }
  }
}

响应结果如下(有删节)：

{
  "aggregations": {
    "group_by_province": {
      "buckets": [
        {
          "key": "广东",
          "doc_count": 6,
          "load_times": {
            "values": {
              "50.0": 51.5,
              "95.0": 89,
              "99.0": 89
            }
          },
          "load_avg": {
            "value": 56.833333333333336
          }
        },
        {
          "key": "黑龙江",
          "doc_count": 6,
          "load_times": {
            "values": {
              "50.0": 266,
              "95.0": 358,
              "99.0": 358
            }
          },
          "load_avg": {
            "value": 245
          }
        }
      ]
    }
  }
}

结果就很明显：黑龙江的访问时延明显比广东地区高了很多。那么基于这个数据分析，如果需要对网站进行提速，可以考虑在东北地区部署服务器或CDN。

percentile_ranks百分位等级

百分比算法还有一个比较重要的度量percentile_ranks，与percentiles含义是互为双向的。例如TP 50为106ms，表示50%的请求的耗时最长为106ms，而用percentile_ranks的来表示的含义：耗时106ms的请求所占的比例为50%。

例如我们的音乐网站对SLA（服务等级协议）的要求：确保所有的请求100%，延时都必须在200ms以内。

所以我们在日常的监控中，必须了解有多少请求延时是在200ms以内的，多少请求是在800ms以内的。

GET /musicsite/_doc/_search 
{
  "size" : 0,
  "aggs" : {
    "group_by_province" : {
      "terms" : {
        "field" : "province"
      },
      "aggs" : {
        "load_times" : {
          "percentile_ranks" : {
            "field" : "latency",
            "values" : [200, 800] 
          }
        }
      }
    }
  }
}

响应(有删节)：

{
  "aggregations": {
    "group_by_province": {
      "doc_count_error_upper_bound": 0,
      "sum_other_doc_count": 0,
      "buckets": [
        {
          "key": "广东",
          "doc_count": 6,
          "load_times": {
            "values": {
              "200.0": 100,
              "800.0": 100
            }
          }
        },
        {
          "key": "黑龙江",
          "doc_count": 6,
          "load_times": {
            "values": {
              "200.0": 32.73809523809524,
              "800.0": 100
            }
          }
        }
      ]
    }
  }
}

这个结果告诉我们三点信息：

1. 所有请求均在800ms内完成
2. 广东地区的访问全部在200ms内完成，SLA达标率100%
3. 黑龙江地区的访问200ms内完成的占比为32.738%，SLA达标率32.738%

percentile_ranks度量提供了与percentiles 相同的信息，但它以不同方式呈现，在系统监控中，percentile_ranks比percentiles要更常用一些。

percentiles优化

TDigest算法特性：

1. 1%或99%的数据要50%要准确，一头一尾的数据更容易表现出问题所在，人们也更关注。
2. 数值集合较小时，结果非常准确。
3. bucket里面数据量特别大时，开始进行估算，误差与数据分布和数据量相关。

用很多节点来执行百分比的计算，近似估计，有误差，节点越多，越精准

compression参数可以控制内存与准确度之间的比值，默认值是100，值越大，内存消耗越多，结果也更精确。

一个node使用32字节内存，默认情况下需要消耗100 20 32 = 64KB用于TDigest计算。

这个了解一下就行。

小结

本篇对聚合查询的一些原理做了简单的介绍，近似算法的使用场景较多，系统数据监控是其中一个案例，可以了解一下。

专注Java高并发、分布式架构，更多技术干货分享与心得，请关注公众号：Java架构社区
可以扫左边二维码添加好友，邀请你加入Java架构社区微信群共同探讨技术