項(xiàng)目背景
分享之前,先來簡(jiǎn)單介紹下該項(xiàng)目在流式日志處理鏈路中所處的位置。
流式日志網(wǎng)關(guān)的主要功能是提供 HTTP 接口,接收 CDN 邊緣節(jié)點(diǎn)上報(bào)的各類日志(訪問日志/報(bào)錯(cuò)日志/計(jì)費(fèi)日志等),將日志作預(yù)處理并分流到多個(gè)的 Kafka 集群和 Topic 中。
越來越多的客戶要求提供實(shí)時(shí)日志支持,業(yè)務(wù)量的增加讓機(jī)器資源的消耗也與日俱增,最先暴露出了流式日志處理鏈路的一大瓶頸——帶寬資源。 可以通過給集群擴(kuò)充更多的機(jī)器來提升集群總傳輸帶寬,但基于成本考量,重中之重是先優(yōu)化網(wǎng)關(guān)程序。
舊版網(wǎng)關(guān)項(xiàng)目
項(xiàng)目代號(hào) Chopper ,其基于另一個(gè)內(nèi)部 OpenResty 項(xiàng)目框架來開發(fā)的。其亮點(diǎn)功能有:支持從 Consul 、Redis 等其他外部系統(tǒng)熱加載配置及動(dòng)態(tài)生效;能夠加載 Lua 腳本實(shí)現(xiàn)靈活的日志預(yù)處理能力。 其 Kafka 生產(chǎn)者客戶端基于 doujiang24/lua-resty-kafka 實(shí)現(xiàn)。經(jīng)過實(shí)踐考驗(yàn),Chopper 的吞吐量是滿足現(xiàn)階段需求的。
存在的問題
1. 關(guān)鍵依賴庫的社區(qū)活躍度低 lua-resty-kafka 的社區(qū)活躍度較低,至今仍然處在實(shí)驗(yàn)階段;而且它用作 Kafka 生產(chǎn)者客戶端目前沒有支持消息壓縮功能,而這在其他語言實(shí)現(xiàn)的 Kafka 客戶端中都是標(biāo)準(zhǔn)的選項(xiàng)。
2. 內(nèi)存使用不節(jié)制 單實(shí)例部署配置 4 核 8 G,僅少量請(qǐng)求訪問后,內(nèi)存占用就穩(wěn)定在 2G 而沒有釋放。
3. 配置文件可維護(hù)性差 實(shí)際線上用到 Consul 作為配置中心,采用篇幅很長(zhǎng)的 JSON 格式配置文件,不利于運(yùn)維。另外在 Consul 修改配置沒有回退功能,是一個(gè)高風(fēng)險(xiǎn)操作。 好在目前日志網(wǎng)關(guān)的功能并不復(fù)雜,所以我們決定重構(gòu)它。
新項(xiàng)目啟動(dòng)
眾所周知, Go 語言擁有獨(dú)特的高并發(fā)模型、較低的上手難度和豐富的第三方生態(tài)。而且我們小組成員都有 Go 項(xiàng)目的開發(fā)經(jīng)驗(yàn),所以我們選擇使用基于 Go 語言的技術(shù)棧來重新構(gòu)建 Chopper 項(xiàng)目,所以新項(xiàng)目命名為 chopper-go 。
需求梳理及概要設(shè)計(jì)
重新構(gòu)建一個(gè)線上項(xiàng)目的基本原則是,功能上要完全兼容,最好能夠?qū)崿F(xiàn)線上服務(wù)的無縫升級(jí)替換。
原版核心模塊的設(shè)計(jì)
Chopper 的核心功能是將接收到的 HTTP 請(qǐng)求分流到特定 Kafka 集群及其 Topic 中。
一、HTTP 接口部分
只開放了唯一一個(gè)對(duì)外的 API ,功能很簡(jiǎn)單:
請(qǐng)求方式:POST 請(qǐng)求路徑:/log/repo/{repo_name}請(qǐng)求體: 多行日志,滿足 JSONL 格式(即每行一條 JSON ,多行按換行符 分隔)。相應(yīng)狀態(tài)碼:- 200:投遞成功。- 5xx:投遞失敗需要重試。參數(shù)解釋: - repo_name: 對(duì)應(yīng) repo 配置名稱。
二、業(yè)務(wù)配置部分
每一類業(yè)務(wù)抽象為一個(gè) repo 配置。Repo 配置由三部分構(gòu)成:constraint、processor、kafka。 constraint 是一個(gè)對(duì)象,可以配置對(duì)日志字段的一些約束條件,不滿足條件的日志會(huì)被丟棄。 processor 是一個(gè)列表,可以組合多個(gè)處理模塊,程序?qū)错樞蛞来螌?duì)請(qǐng)求中的每條日志進(jìn)行處理。實(shí)現(xiàn)了如下幾種 processor 類型:
decoder , 配置原始數(shù)據(jù)按哪種格式反序列化到 Lua table ,但只實(shí)現(xiàn)了 JSON decoder。
splitter,配置分隔日志字段的字符。
assigner,配置一組字段名映射關(guān)系,需要與 spliter 配合。
executer, 配置額外的 lua 腳本名稱,通過動(dòng)態(tài)加載其他 lua 腳本實(shí)現(xiàn)更靈活的處理邏輯。
kafka 是一個(gè)對(duì)象,可以配置當(dāng)前業(yè)務(wù)相關(guān)聯(lián)的 Kafka 集群名,默認(rèn)投遞的 Topic ,以及生產(chǎn)者客戶端的工作模式(同步或者異步)。 新版本的改動(dòng) HTTP 接口沿用原先的設(shè)計(jì),在業(yè)務(wù)配置部分做了一些改動(dòng):
processor 改名為 executers ,實(shí)現(xiàn)幾個(gè)通用功能的日志處理模塊,方便組合使用。
kafka 配置中關(guān)聯(lián)的不再是集群名,而是 Kafka 生產(chǎn)者客戶端的配置標(biāo)簽。
原先保存 kafka 集群連接配置信息的配置塊,改為保存 kafka 生產(chǎn)者客戶端的配置塊,統(tǒng)一在一個(gè)配置塊區(qū)域初始化所有用到的 kafka 生產(chǎn)者客戶端。
一點(diǎn)妥協(xié)(做減法)
為了縮短新項(xiàng)目的開發(fā)周期,對(duì)原始項(xiàng)目的一些不太重要的特性我們做了一些取舍。
取消動(dòng)態(tài)腳本功能
Go 是靜態(tài)語言沒有 Lua 動(dòng)態(tài)語言那么靈活,要加載執(zhí)行動(dòng)態(tài)腳本有一定的實(shí)現(xiàn)難度,且日志處理性能沒有保障。 線上只有極少數(shù)業(yè)務(wù)在 processor 中配置了 executor,且這些 executor 的 Lua 腳本實(shí)現(xiàn)相近,完全可以抽取出通用的代碼。
不支持外部配置中心
為了讓發(fā)布和回退有記錄可回溯,從 Consul 等配置中心熱加載服務(wù)配置的功能我們也去掉了。利用好容器平臺(tái)的金絲雀發(fā)布功能,就能將服務(wù)更新的影響降到最低。
不支持復(fù)雜的路由重寫
OpenResty 項(xiàng)目?jī)?nèi)置 Nginx 可以利用 Nginx 強(qiáng)大的配置實(shí)現(xiàn)豐富的路由 rewrite 功能,就具體使用場(chǎng)景而言,我們只需要簡(jiǎn)單的路由映射即可。況且更復(fù)雜的需求也可以由上一級(jí)網(wǎng)關(guān)完成。
選擇合適的開源庫
Web 框架的選擇
最終我們選擇了 Gin 。原因是用得多比較熟,而且文檔看著舒服。
Kafka 生產(chǎn)者客戶端的選擇
社區(qū)中熱度最高的幾款 Go Kafka 客戶端庫:
segmentio/kafka-go
Shopify/sarama
confluentinc/confluent-kafka-go
實(shí)際上三款客戶端庫我們?cè)跉v史項(xiàng)目中都使用過,其中 kafka-go 的 API 是三者中最簡(jiǎn)潔易用的,我們的多個(gè)消費(fèi)端程序都是基于它實(shí)現(xiàn)的。
但是在 chopper-go 中僅需要用到生產(chǎn)者客戶端,我們沒有選擇 kafka-go 。
那是因?yàn)槲覀冏隽艘恍┗鶞?zhǔn)測(cè)試,發(fā)現(xiàn) kafka-go 的生產(chǎn)者客戶端存在性能風(fēng)險(xiǎn):?jiǎn)⒂?async 模式時(shí)盡管消息發(fā)送特別快,但是內(nèi)存占用也增長(zhǎng)特別快。
最終我們選擇 sarama ,一方面是性能很穩(wěn)定,另一方面是它開放的 API 較多,但是用起來確實(shí)有點(diǎn)費(fèi)勁。
測(cè)試框架的選擇
程序的可靠性,一定需要測(cè)試來保證。除了編寫小模塊中編寫單元從測(cè)試,我們對(duì)整個(gè)日志網(wǎng)關(guān)服務(wù)還要做集成測(cè)試。集成測(cè)試涉及到一些外部服務(wù)依賴,此項(xiàng)目中主要的外部依賴是 Kafka 和 Zookeeper 。
利用 Docker 可以很方便的拉起測(cè)試環(huán)境,我們注意到了兩款可以用來在 Go test 中編寫集成測(cè)試的庫:
ory/dockertest
testcontainers/testcontainers-go
使用下來,我們最終選擇了 testcontainers-go,簡(jiǎn)單介紹下原因: 在編寫集成測(cè)試時(shí),我們需要有個(gè)等待機(jī)制來確保依賴服務(wù)的容器是否準(zhǔn)備就緒,并以此控制測(cè)試流程,以及測(cè)試結(jié)束后需要把測(cè)試開啟的臨時(shí)容器都清理干凈。 testcontainers-go 的設(shè)計(jì)要優(yōu)于 dockertest 。
testcontainers-go 提供一個(gè) wait 子包,可以配置多種等待策略來確保依賴服務(wù)就緒,以及測(cè)試結(jié)束時(shí)它會(huì)調(diào)用一個(gè)特殊的名為 Ryuk 的容器來確保測(cè)試容器都被關(guān)閉。
相對(duì)而言,dockertest 要簡(jiǎn)陋不少。 需要注意的是,在 CI 環(huán)境運(yùn)行集成測(cè)試都需要確保 ci-runner 支持 DinD ,否則運(yùn)行 go test 會(huì)失敗。
項(xiàng)目開發(fā)
項(xiàng)目開發(fā)過程中基本按照需求來實(shí)現(xiàn)沒有太多難點(diǎn)。這里分享踩到的幾個(gè)坑。
循環(huán)中變量的引用問題
在測(cè)試中發(fā)現(xiàn),Kafka 生產(chǎn)者沒有按期望把消息投遞到指定的 Kafka 集群。 經(jīng)過排查到如下代碼:
func New(cfg Config) (*Manager, error) { var newProducers = make(NewProducerFuncs) for name, kCfg := range cfg.Mapping { newProducers[name] = func() (kafka.Producer, error) { return kafka.New(kCfg) } } // 略 }其作用是將配置每個(gè) Kafka 生產(chǎn)者配置先保存為一個(gè)函數(shù)閉包,待后續(xù)初始化 repo 的時(shí)候再初始化生產(chǎn)者客戶端。
經(jīng)驗(yàn)豐富的同學(xué)可以發(fā)現(xiàn),for 循環(huán)的 kCfg 變量其實(shí)是指向迭代對(duì)象的地址,整個(gè)循環(huán)下來所有的函數(shù)閉包中用到的 kCfg 都指向 cfg.Mapping 的最后一個(gè)迭代值。 解決辦法很簡(jiǎn)單,先做一遍變量拷貝即可:
func New(cfg Config) (*Manager, error) { var newProducers = make(NewProducerFuncs) for name, kCfg := range cfg.Mapping { newProducers[name] = func() (kafka.Producer, error) { return kafka.New(kCfg) } } // 略 }
Sarama 客戶端的一點(diǎn)坑
對(duì)于重要的日志數(shù)據(jù),我們希望在 HTTP 請(qǐng)求返回時(shí)明確反饋是否成功寫入 Kafka 。那么最好將 Kafka 生產(chǎn)者客戶端配置為同步模式。
而同步模式的生產(chǎn)者要提高吞吐量,批量發(fā)送是必不可少的。 批量發(fā)送的配置位于 sarama.Config.Producer.Flush
cfg := sarama.NewConfig() // 單次請(qǐng)求中消息數(shù)量的絕對(duì)上限 cfg.Producer.Flush.MaxMessages = batchMaxMsgs // 能夠觸發(fā)請(qǐng)求發(fā)出的消息數(shù)量閾值 cfg.Producer.Flush.Messages = batchMsgs // 能夠觸發(fā)請(qǐng)求發(fā)出的消息字節(jié)大小閾值 cfg.Producer.Flush.Bytes = batchBytes // 批量請(qǐng)求的觸發(fā)間隔時(shí)間 cfg.Producer.Flush.Frequency = batchTimeout實(shí)踐中發(fā)現(xiàn),如果配置了 Flush.Bytes 而沒有配置Flush.Frequency 就存在問題。如果消息大小始終未達(dá)閾值就不會(huì)觸發(fā)批量請(qǐng)求,故 HTTP 請(qǐng)求就會(huì)阻塞直到客戶端請(qǐng)求超時(shí)。 所以在配置參數(shù)的讀取上,我們把這兩個(gè)配置項(xiàng)做了關(guān)聯(lián),只有配置了 Flush.Frequency 才能讓 Flush.Bytes 的配置生效。
項(xiàng)目上線
容器平臺(tái)上的灰度技巧
原本圖方便我們的路由轉(zhuǎn)發(fā)規(guī)則配置的是全部路由直接轉(zhuǎn)給同一組 Chopper 實(shí)例。 前面介紹了,每一個(gè)業(yè)務(wù)對(duì)應(yīng)一個(gè) repo,也就對(duì)應(yīng)一個(gè)獨(dú)立的請(qǐng)求路徑。如果要灰度新的服務(wù),需要對(duì)不同業(yè)務(wù)單獨(dú)灰度,所以我們需要將不同業(yè)務(wù)的流量去分開。
好在容器平臺(tái)的 k8s-ingress 使用的是 APISIX 作為接入網(wǎng)關(guān),其路由匹配的優(yōu)先級(jí)是:絕對(duì)匹配 > 前綴匹配。 只需要針對(duì)特定業(yè)務(wù)增加一條絕對(duì)匹配規(guī)則,就可以分離出特定業(yè)務(wù)的流量。
舉個(gè)例子: 原本的轉(zhuǎn)發(fā)規(guī)則是:/* -> workers-0 我們新建一條轉(zhuǎn)發(fā)規(guī)則:/log/repo/cdn-access -> workers-1 workers-0 和 workers-1 兩組服務(wù)的配置完全相同。 然后我們對(duì) workers-1 這組服務(wù)灰度發(fā)布新版程序。
逐步擴(kuò)大
每灰度一條路由,我們可以從監(jiān)控 Dashboard 上觀察 HTTP 請(qǐng)求是否有異常,觀察 Kafka 對(duì)應(yīng)的 topic 的寫入速率是否有異常抖動(dòng)。
一旦觀測(cè)到異常,立即停止灰度,然后檢查程序運(yùn)行日志,修正問題后重新開始灰度。 如果無異常,則逐步擴(kuò)大灰度比例,直到完成服務(wù)更新。
總結(jié)起來就是灰度、觀測(cè)、回退、修改循環(huán)推進(jìn),確保升級(jí)對(duì)每個(gè)業(yè)務(wù)都無感知。
完成發(fā)布
對(duì)比服務(wù)端資源占用情況
舊版 chopper (4C8G x 20) 灰度比例 10% -> 50%
chopper-go (4C4G x 20) 10% -> 50%
50% -> 100%
結(jié)論:新版日志網(wǎng)關(guān)的內(nèi)存和 CPU 的資源使用都有顯著降低。
服務(wù)端程序的資源占用情況
舊版 chopper 的 Kafka 客戶端不支持消息壓縮,chopper-go 發(fā)布中就配置了 Kafka 生產(chǎn)者消息的功能。 壓縮算法選擇 lz4 ,觀察兩組消費(fèi)服務(wù)的資源實(shí)用率的變化: 消費(fèi)服務(wù)0
內(nèi)存使用率 27% -> 40%
網(wǎng)絡(luò)流入 253Mbps -> 180Mbps
消費(fèi)服務(wù)1
內(nèi)存使用率 28% -> 39%
網(wǎng)絡(luò)流入 380Mbps -> 267Mbps
結(jié)論:開啟消息壓縮功能后,消費(fèi)實(shí)例的內(nèi)存使用率普遍有增長(zhǎng),但內(nèi)網(wǎng)傳輸帶寬占用降低約 30% 。
更新計(jì)劃
重構(gòu)后的流式日志網(wǎng)關(guān),尚有許多可優(yōu)化空間,例如:
采用更節(jié)省帶寬的日志傳輸格式;
進(jìn)一步細(xì)化 Kafka topic 的分流粒度;
日志消息處理階段多級(jí)處理執(zhí)行器之間增加緩存提高字段訪問速度等等。
在豐富開源生態(tài)的加持下,該項(xiàng)目的優(yōu)化迭代也將有條不紊地進(jìn)行。
審核編輯:劉清
-
CDN網(wǎng)絡(luò)
+關(guān)注
關(guān)注
0文章
11瀏覽量
6739 -
JSON
+關(guān)注
關(guān)注
0文章
113瀏覽量
6899 -
HTTP接口
+關(guān)注
關(guān)注
0文章
21瀏覽量
1734 -
go語言
+關(guān)注
關(guān)注
1文章
156瀏覽量
8996
原文標(biāo)題:使用Go重構(gòu)流式日志網(wǎng)關(guān)
文章出處:【微信號(hào):OSC開源社區(qū),微信公眾號(hào):OSC開源社區(qū)】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論