HBase性能调优(二)

HBase性能调优(二)_第1张图片

感谢点赞和关注 ,每天进步一点点!加油!


版权声明:本文为CSDN博主「开着拖拉机回家」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

Hbase性能调优(二)_开着拖拉机回家的博客-CSDN博客

Hbase性能调优(一)_开着拖拉机回家的博客-CSDN博客

目录

一、通用优化

二、Linux优化

三、HBase优化

1、修改zookeeper配置: zookeeper.session.timeout

2、修改HBase配置:hbase.regionserver.handler.count

3、修改HBase配置: hbase.hregion.max.filesize

4、修改HBase配置: hbase.regionserver.global.memstore.upperLimit

5、修改HBase配置: hfile.block.cache.size

6、修改HBase配置: hbase.hstore.blockingStoreFiles

7、修改HBase配置: hbase.hregion.memstore.block.multiplier

8、修改HBase配置: hbase.hregion.memstore.mslab.enabled

9、优化DataNode允许的最大文件打开数

10、优化延迟高的数据操作的等待时间

11、优化数据的写入效率(map输出是否压缩)

12、优化DataNode存储

13、优化hbase客户端缓存


一、通用优化


1、NameNode的元数据备份使用SSD、定时备份 NameNode 上的元数据,每小时或者每天备份,如果数据极其重要,可以5~10分钟备份一次。备份可以通过定时任务复制元数据目录即可。

2、为NameNode指定多个元数据目录,使用dfs.name.dir或者dfs.namenode.name.dir指定。一个指定本地磁盘,一个指定网络磁盘。这样可以提供元数据的冗余和健壮性,以免发生故障。

3、设置dfs.namenode.name.dir.restore为true,允许尝试恢复之前失败的dfs.namenode.name.dir目录,在创建checkpoint时做此尝试,如果设置了多个磁盘,建议允许。

5、NameNode节点必须配置为RAID1(镜像盘)结构。

6、保持NameNode日志目录有足够的空间,这些日志有助于帮助你发现问题。

7、因为Hadoop是IO密集型框架,所以尽量提升存储的速度和吞吐量(类似位宽)。


二、Linux优化


1、开启文件系统的预读缓存可以提高读取速度

sudo blockdev --setra 32768 /dev/sda
(尖叫提示:ra是readahead的缩写)

2、关闭进程睡眠池

# 临时关闭
sudo sysctl -w vm.swappiness=0
    
# 永久关闭
cat /etc/sysctl.conf  
vm.swappiness = 0

查看是否生效

3、调整ulimit上限,默认值为比较小的数字

ulimit -n 查看允许最大进程数
ulimit -u 查看允许打开最大文件数

修改:
sudo vi /etc/security/limits.conf 修改打开文件数限制
末尾添加:
*                soft    nofile          1024000
*                hard    nofile          1024000
Hive             -       nofile          1024000
hive             -       nproc           1024000

sudo vi /etc/security/limits.d/20-nproc.conf 修改用户打开进程数限制
修改为:
#*          soft    nproc     4096
#root       soft    nproc     unlimited
*          soft    nproc     40960
root       soft    nproc     unlimited

三、HBase优化


1、修改zookeeper配置: zookeeper.session.timeout

zookeeper.session.timeout=180000ms(默认值3分钟)

说明:RegionServer与Zookeeper间的连接超时时间。当超时时间到后,RegionServer会被Zookeeper从RS集群清单中移除,Hmaster收到移除通知后,会对这台server负责的regions重新balance,让其他存活的RegionServer接管。

调优方法

这个timeout决定了RegionServer是否能够及时的failover。设置成1分钟或更低,可以减少因等待超时而被延长的failover时间。

但是,对于一些Online应用,RegionServer从宕机到恢复时间本身就很短的(比如:网络闪断,crash等故障),如果调低timeout时间,反而得不偿失。因为当RegionServer被正式从RS集群中移除时,HMaster就开始做balance了(让其他RS根据故障机器记录的WAL日志进行恢复)。当故障的RS在人工介入恢复后,这个balance动作是毫无意义的,反而会使负载不均匀,给RS带来更多负担。特别是那些固定分配Regions的场景。

HBase性能调优(二)_第2张图片

2、修改HBase配置:hbase.regionserver.handler.count

hbase.regionserver.handler.count=10(默认值)
说明:RegionServer的请求处理IO线程数

调优方法:

这个调优参数与内存息息相关。

较少的IO线程,适用于处理单次请求内存消耗较高的BIG PUT场景(大容量单次PUT或者设置较大cache的scan,均属于BIG put)或RegionServer的内存比较紧张的场景。

较多的IO线程,适用于单次请求内存消耗低,TPS要求非常高的场景。设置该值的时候,以监控内存为主要参考。

注意:如果RegionServer的region数量很少,大量的请求都落在一个Region上,因快速充满memstore触发flush导致的读写锁会影响全局TPS,不是IO线程数越高越好。

HBase性能调优(二)_第3张图片

3、修改HBase配置: hbase.hregion.max.filesize

hbase.hregion.max.filesize=10G(默认值)
说明:在当前RegionServer上单个Region的最大存储空间,单个Region超过该值时,这个Region会被自动split成更小的region.

说明: 默认值10737418240(10GB),如果需要运行HBase的MR任务,可以减小此值,因为一个region对应一个map任务,如果单个region过大,会导致map任务执行时间过长。该值的意思就是,如果HFile的大小达到这个数值,则这个region会被切分为两个Hfile。

调优方法:

小region对split和 compaction 友好,因为split或compact小region里的storefile速度很快,内存占用低。缺点是split和compact会很频繁。尤其是当小region特别多的时候会不断的split,compaction。会导致集群响应时间波动很大,region数量太多不仅给管理上带来麻烦,甚至会引发一些Hbase的bug。一般512M以下的都算为小region.

大region,则不太适合经常split和compaction,因为做一次compact和split会产生较长时间的停顿,对应用的读写性能冲击非常大。此外,大region意味着较大的storefile。当对大region做Compaction时,对内存也是一个挑战。

当然,大Region也有用武之地。如果你的应用场景中,某个时间点的访问量较低,那么在此时做compact和split,既可以顺利完成split和compaction,又能保证绝大多数时间平稳的读写性能。

既然split和compaction如此影响性能,如何减小这种影响?

compaction是无法避免的,split倒可以从手动变为自动。

只要通过将这个参数值调大到某个很难达到的值,比如100G,就可以间接禁用自动split(RegionServer不会对未到达100G的region做split)。再配合RegionSplitter这个工具,在需要split时,手动split。

手动split在灵活性和稳定性上比起自动split要高很多,相反,管理成本增加不多,比较推荐online实时系统使用。平稳的读写性能。

内存方面,小region在设置memstore的大小值上比较灵活,大region则过大过小都不行,过大会导致flush时app的IO wait增高,过小则因store file过多影响读性能。

Ambari-HDP HBase 默认 StoreFile 最大为 10G.

HBase性能调优(二)_第4张图片

过多的 小Region 会频繁的触发minor Compaction 。

HBase性能调优(二)_第5张图片

4、修改HBase配置: hbase.regionserver.global.memstore.upperLimit

hbase.regionserver.global.memstore.upperLimit/lowerLimit
默认值:0.4


upperLimit说明:hbase.hregion.memstore.flush.size这个参数的作用是单个Region内所有memstore大小总和,超过该指定值时,会flush该region的所有memstore。RegionServerd的flush是通过将请求添加一个队列,模拟生产消费模式来异步处理的。那这里就有一个问题,当队列来不及消费,产生大量积压请求时,可能会导致内存陡增,最坏的情况是触发OOM(程序申请内存过大,虚拟机无法满足我们,然后自杀)。

这个参数的作用是防止内存占用过大,当ReionServer内所有region的memstore所占用内存总和达到heap的40%时,Hbase会强制block所有的更新并flush这些region以释放所有memstore占用的内存。

lowerLimit说明:lowelimit在所有Region的memstore所占用内存达到Heap的40%时,不flush所有的memstore。它会找一个memstore内存占用最大的region,做个别flush,此时写更新还是会被block。lowerLimit算是一个在所有region强制flush导致性能降低前的补救措施。在日志中,表现为“** Flush thread woke up with memory above low water.”

调优方法:

这是一个Heap内存保护参数,默认值已经能使用大多数场景。

参数调整会影响读写,如果写的压力大导致经常超过这个阈值,则调小读缓存hfile.block.cache.size增大该阀值,或者Heap余量较多时,不修改读缓存大小。
如果在高压情况下,也没超过这个阀值,那么建议你适当调小这个阀值再做压测,确保触发次数不要太多,然后还有较多Heap余量的时候,调大hfile.block.cache.size提高读性能。
还有一种可能性是hbase.hregion.memstore.flush.size保持不变,但RS维护了过多的region,要知道 region数量直接影响占用内存的大小。

5、修改HBase配置: hfile.block.cache.size


  hfile.block.cache.size
  0.4

说明:stofile的读缓存占用Heap的大小百分比。该值直接影响数据读的性能。

调优方法:

当然是越大越好,如果写比读少很多,开到0.4-0.5也没问题,如果读写均衡,设置为0.3左右。如果写比读多,果断使用默认就行。设置这个值的时候,同时要参考“hbase.regionserver.global.memstore.upperLimit”,该值是memstore占heap的最大百分比,两个参数一个影响读,一个影响写。如果两个值加起来超过0.8-0.9时,会有OOM风险。

Hbase上RegionServer的内存分为两个部分,一部分作为Memstore,主要用来写;另外一部分作为BlockCache,主要用于读。

写请求会先写入Memstore,RegionServer会给每个Region提供一个Memstore,当Memstore满64M,会启动flush刷新到磁盘。当Memstore的总大小超过限制时(heapsize * hbase.regionserver.global.memstore.upperLimit * 0.9),会强行启动flush进程,从最大的Memstore开始flush直到低于限制。

读请求先到Memstore中查数据,查不到就到BlockCache中查,再查不到就会到磁盘上读,并把读的结果方法BlockCache。由于BlockCache采用的是LRU策略(内存管理的一种页面置换算法,对于在内存中但又不用的数据块(内存块)),因此BlockCache达到上限(heapsize * hfile.block.cache.size * 0.85)后,会启动淘汰机制,淘汰掉最老的一批数据。

一个RegionServer上有一个BlocakCache和N个Memstore,它们的大小之和不能大于等于heapsize * 0.8(heapsize可以在hbase-env.sh下查看),否则HBase不能启动。默认BlockCache为0.2,而Memstore为0.4。对于注重读响应时间的系统,可以将 BlockCache设大些,比如设置BlockCache=0.4,Memstore=0.39,以加大缓存的命中率。

6、修改HBase配置: hbase.hstore.blockingStoreFiles

hbase.hstore.blockingStoreFiles    = 10 (默认值)
hbase.hstore.blockingStoreFiles is now 10.

说明:在flush时,当一个region中的Store(Coulmn Family)内有超过10个storefile时,则block所有的写请求进行compaction,以减少storefile数量。
调优方法:block写请求会严重影响当前regionServer的响应时间,但过多的storefile也会影响读性能。从实际应用来看,为了获取较平滑的响应时间,可将值设为无限大。如果能容忍响应时间出现较大的波峰波谷,那么默认或根据自身场景调整即可。

HBase性能调优(二)_第6张图片

ColumnFamily:d 合并完成

HBase性能调优(二)_第7张图片

7、修改HBase配置: hbase.hregion.memstore.block.multiplier

hbase.hregion.memstore.block.multiplier   =  4 (默认值)

说明:当一个region里的memstore占用内存大小超过hbase.hregion.memstore.flush.size 四倍的大小时,写操作阻塞,进行flush 并释放内存。虽然我们设置了region所占用的memstores总内存大小,比如128M,但想象一下,在最后127.9M的时候,put了一个400M的数据,此时memstore的大小会瞬间暴涨到超过预期的hbase.hregion.memstore.flush.size的几倍。这个参数的作用的当memstore的大小增至超过hbase.hregion.memstore.flush.size 4倍时,阻塞写请求,遏制风险进一步扩大。

调优方法:

这个参数的默认值还是比较靠谱的。如果你预估你的正常应用场景(不包括异常)不会出现突发写或写的量可控,那么保持默认值即可。如果正常情况下,你的写请求量就会经常暴长到正常的几倍,那么你应该调大这个倍数并调整其他参数值,比如hfile.block.cache.size和hbase.regionserver.global.memstore.upperLimit/lowerLimit,(但是这两个值的和最好不要超过0.8-0.9)以预留更多内存,防止HBase server OOM。

8、修改HBase配置: hbase.hregion.memstore.mslab.enabled

hbase.hregion.memstore.mslab.enabled = true (默认值)

说明:减少因内存碎片导致的Full GC,提供整体性能。

调优方法:

Arena Allocation,是一种GC优化技术,它可以有效地减少因内存碎片导致的Full GC,从而提高系统的整体性能。本文介绍Arena Allocation的原理及其在Hbase中的应用-MSLAB。

开启MSLAB:

// 开启MSALB
hbase.hregion.memstore.mslab.enabled=true // 开启MSALB
    
// 内存分配单元 chunk的大小,越大内存连续性越好,但内存平均利用率会降低
hbase.hregion.memstore.mslab.chunksize=2m

// 通过MSLAB分配的对象不能超过256K,否则直接在Heap上分
hbase.hregion.memstore.mslab.max.allocation=256K

9、优化DataNode允许的最大文件打开数

属性:dfs.datanode.max.transfer.threads

文件:hdfs-site.xml

解释:HBase一般都会同一时间操作大量的文件,根据集群的数量和规模以及数据动作,设置为4096或者更高。默认值:4096

<-- DataNode 进行文件传输时的最大线程数 -->

        dfs.datanode.max.transfer.threads
        16384

Ambari-web 默认值:

HBase性能调优(二)_第8张图片

10、优化延迟高的数据操作的等待时间

属性:dfs.image.transfer.timeout

文件:hdfs-site.xml

解释:如果对于某一次数据操作来讲,延迟非常高,socket需要等待更长的时间,建议把该值设置为更大的值(默认60000毫秒),以确保socket不会被timeout掉。

11、优化数据的写入效率(map输出是否压缩)

属性:

mapreduce.map.output.compress
mapreduce.map.output.compress.codec

文件:mapred-site.xml

解释:开启这两个数据可以大大提高文件的写入效率,减少写入时间。第一个属性值修改为true,第二个属性值修改为:org.apache.hadoop.io.compress.GzipCodec

map输出是否进行压缩,如果压缩就会多耗cpu,但是减少传输时间,如果不压缩,就需要较多的传输带宽。配合 mapreduce.map.output.compress.codec使用,默认是 org.apache.hadoop.io.compress.DefaultCodec,可以根据需要设定数据压缩方式。

12、优化DataNode存储

属性:dfs.datanode.failed.volumes.tolerated

文件:hdfs-site.xml

解释:默认为0,意思是当DataNode中有一个磁盘出现故障,则会认为该DataNode shutdown了。如果修改为1,则一个磁盘出现故障时,数据会被复制到其他正常的DataNode上,当前的DataNode继续工作。

<-- DataNode 决定停止数据节点提供服务允许卷的出错次数,0 则表示任务卷出错都要停止数据节点 -->

        dfs.datanode.failed.volumes.tolerated
        0
        true

13、优化hbase客户端缓存

属性:hbase.client.write.buffer

文件:hbase-site.xml

解释: 默认值2097152bytes(2M) , 用于指定HBase客户端缓存,增大该值可以减少RPC调用次数,但是会消耗更多内存,反之则反之。一般我们需要设定一定的缓存大小,以达到减少RPC次数的目的。


参考:https://blog.csdn.net/yueyedeai/article/details/14648111

链接:Hbase性能调优(一)_开着拖拉机回家的博客-CSDN博客

你可能感兴趣的:(Hbase,hbase,hbase-site.xml,优化)