运营大规模HDFS集群必看：系统升级后，怎么性能反而恶化了？！

2019 年 5 月 13 日 DBAplus社群

本文以唯品会HDFS实际应用场景和问题导向触发，介绍了优化方案的局限性，分享了这些局限性的解决和实施经验。这对于技术运营较大规模的HDFS集群有一定借鉴意义。

一、性能挑战

HDFS是一个分布式系统，只要有足够的资源，可以扩容上千个节点支持100PB以上的集群。

我们发现Hadoop集群升级（2.5.0-cdh5.3.2-->2.6.0-cdh5.13.1）以后，NameNode RPC（remote procedure call）queue time在持续的在间隔一周左右性能恶化，在极端环境下出现一个RPC查询需要等待好几分钟的情况，Hive作业出现大量的同一类型错误失败：

Error in org.apache.Hadoop.Hive.ql.exec.mr.MapRedTask. Unable to close file because the last block does not have enough number of replicas.

重启集群以后问题可以得到缓解，但是这个问题需要从根本上考虑如何解决。

二、性能优化

RPC变慢的根源在于HDFS的NameNode吞吐量和性能瓶颈。NameNode存在最大吞吐量限制，每一次写的请求都会产生排他性“写锁”，强制其他任何操作必须在队列里等待它完成。

NameNode的RPC queue time指标可以显示表达这个系统当前状态。对此我们主要从代码和业务两方面进行优化。

三、Datanode延迟块汇报

1、Datanode的块汇报

当datanode上新写完一个块，默认会立即汇报给namenode。在一个大规模Hadoop集群上，每时每刻都在写数据，datanode上随时都会有写完数据块然后汇报给namenode的情况。

因此namenode会频繁处理datanode这种快汇报请求，会频繁地持有锁，其实非常影响其他rpc的处理和响应时间。

2、优化方案

通过延迟快汇报配置可以减少datanode写完块后的块汇报次数，提高namenode处理rpc的响应时间和处理速度。

配置：

<name>dfs.blockreport.incremental.intervalMsec</name>

</property>

目前我们HDFS集群上此参数配置为300毫秒，就是当datanode新写一个块的时候，不是立即汇报给namenode，而是要等待300毫秒，在此时间段内新写的块一次性汇报给namenode。

四、删除块个数可配置

由于HDFS的单一锁设计，NN对于大目录删除行为并没有表现出很好的执行效果，严重时甚至会出现长时间block其它应用的正常请求处理。

Hadoop新版本引入新结构FoldedTreeSet来存储DN的块数据，但是它并不利于update操作，因此删除问题在升级后的版本中体现更为明显了。

我们也在社区上提了相关issue：https://issues.apache.org/jira/browse/HDFS-13671

后续我们在研究HDFS删除块的行为中，发现NN在每次batch删除块的时候，是以固定size按照batch方式定期删除收集到的块信息。在每次batch间隙，其它请求就有机会得到NN锁的机会。

于是我们考虑到一个改进手段，即是否能让batch size变得更加灵活可配置化，以此来控制给其它请求得到NN锁处理的概率。

基于这个思路，我们新建了以下配置项，并改动了相关代码逻辑。

<name>dfs.namenode.block.deletion.increment</name>

The number of block deletion increment.

This setting will control the block increment deletion rate to

ensure that other waiters on the lock can get in.

</description>

</property>

此优化也已经被我们贡献到Hadoop社区，相关JIRA链接：https://issues.apache.org/jira/browse/HDFS-13831（点击阅读原文即可进入页面）

五、HDFS Federation

1、独立集群模式弊端

在日常HDFS集群维护过程中，我们发现HDFS集群独立运行模式存在着许多弊端：

独立集群模式运维成本高，上下线机器每次都要制定分配所属集群。
多独立集群模式无非良好均衡资源和请求，经常发现A集群平时负载要远远高于B集群，这本质上是资源共享利用的问题。
单集群模式性能瓶颈问题。

综上，我们对现有大集群独立运行模式进行了Federation改造。Federation改造的关键前提是不同namespace的Cluster ID必须保持一致，否则DN在上报过程中会抛出异常而注册失败。

鉴于我们内部集群在初始搭建时指定了统一的Cluster ID，所以并没有在前期再对Cluster ID做额外人工转换工作。

2、Federation问题解决

在Federation过程中，我们主要遇到了3个问题：

不同集群拓扑结构不一致导致DN注册上报错误，错误如下：

2019-01-29 14:12:10,821 ERROR [Thread-30] org.apache.Hadoop.HDFS.server.datanode.DataNode: Initialization failed for Block pool BP-1508644862-xx.xx.xx.xx-1493781183457 (Datanode Uuid b8a47300-9fd9-4226-93a1-6649341b3b2c) service to xx.xx.xx.xx:8022 Failed to add /default-rack/xx.xx.xx.xx:50010: You cannot have a rack and a non-rack node at the same level of the network topology.

at org.apache.Hadoop.net.NetworkTopology.add(NetworkTopology.java:414)

at org.apache.Hadoop.HDFS.server.blockmanagement.DatanodeManager.registerDatanode(DatanodeManager.java:987)

at org.apache.Hadoop.HDFS.server.namenode.FSNamesystem.registerDatanode(FSNamesystem.java:5264)

at org.apache.Hadoop.HDFS.server.namenode.NameNodeRpcServer.registerDatanode(NameNodeRpcServer.java:1291)

at org.apache.Hadoop.HDFS.protocolPB.DatanodeProtocolServerSideTranslatorPB.registerDatanode(DatanodeProtocolServerSideTranslatorPB.java:100)

at org.apache.Hadoop.HDFS.protocol.proto.DatanodeProtocolProtos$DatanodeProtocolService$2.callBlockingMethod(DatanodeProtocolProtos.java:29184)

上述错误产生的根本原因是DN在Federation注册时在不同的namespace拥有不同level层级。后面经过原因排查，是由于我们没有完全同步好2个集群rack-awareness的脚本映射关系，由配置项net.topology.script.file.name所配置。

后续在DN Federation上报过程中，我们又遇到了因为本地du命令不准确导致DN capacity容量double的异常，继而导致DN无非正常进行写数据块行为。

因为DN在上报自身capacity容量时，需要依赖于本地系统du命令来计算实际使用空间大小。

后面我们对系统du命令进行了校准修复，最后DN能正常Federation上报注册。

如今，我们已经完全打通2个独立大集群，同时加入第三套NN，来做新的namespace存储，在未来会对数据进行业务划分，将数据均衡打散在不同namespace下，充分利用每个namespace下NN的处理能力。

另外一个问题是在Federation完成后发现的。

因为Federation过程是将已有独立大集群模式改造成Federation模式，而不是直接搭建新Federation集群模式，我们发现NN元数据膨胀地比较厉害，即使block的元数据没有发生多大变化，但是实质上DN和block的映射是会得到膨胀的，因此后期马上对NN的JVM参数进行了相关调整。

我们原有主集群的运行模式如下，两个独立大集群运作模式：

经Federation改造完成的结构如下，最终效果是所有datanode向全部三套NN汇报：

六、客户端监控以及temp目录分流，Hive本身降低HDFS请求

1、HDFS客户端监控

客户端监控主要是从HDFS的客户端角度出发，监控HDFS的rename、create等部分rpc操作或者write这种涉及datanode操作的操作时长。这是补充HDFS服务端rpc监控的手段之一。

出发点是，有时服务端这边的监控比较正常，但是从任务（Hive，spark或者presto）角度来看，发现一些move或者load等操作依旧花费很长时间。这意味着服务端监控仅能够体现服务端处理性能，并不能很好地衡量整个集群向外提供服务的性能。

上图是rename的平均时长，考量的是一个文件被rename后的平均时长。

上图write的平均时长，考量一个只有少量数据的文件被创建时的平均时长，通过这个指标可以评估当前namenode的8022端口以及datanode性能。

2、temp目录分流

从上面分析bip以及bip03的文件操作以及rpc情况来看，可以得出如下两个结论：

占用rpc大头的是 /mr/staging, /tmp/Hive/HDFS/, /bip/developer/vipdm，其次还有/tmp/Hive/.Hive-staging，/mr/intermediate_done，/bip
切换defaultFs，明显影响到/mr/staging, /tmp/Hive/HDFS/，/mr/intermediate_done，也非常明显影响了rpc。
如此，对temp目录进行分流将会很大程度影响集群的rpc情况。

解决方案如下：

在Hive引擎层面（或者在调度层面也ok），平衡切换defaultFs，确保临时目录均衡地分布在bip或者bip03上面。
采用第三个集群，将/mr/staging, /tmp/Hive/HDFS/， /mr/intermediate_done 迁移到上面，简而言之，就是把defaultFs设置成第三个集群(最好可以通过Federation进行分流，这样不会太大影响数据的本地性)。
使用双报，通过自动化的方式平衡bip以及bip03的压力。

3、Hive本身降低rpc请求

Hive有很多地方都调用了HDFS的rpc接口，并发出大量rpc请求。如果能够从Hive的rpc客户方降低rpc请求，也能够很大程度缓解HDFS的压力。

Hive的insert、create等操作产生的临时数据，需要统一放到非表下，这样能够大量减少在最后rename的操作。
因为暂时用不上HDFS的Encryption，所以多次的Encryption检测显然非常浪费性能，可以设置参数选择性关闭。

七、小文件治理

小文件问题在大规模HDFS集群中是经常会遇到的问题。小文件过多引发的各种性能瓶颈在一定程度上影响了集群稳定性。我们采取了以下措施进行优化改善。

1、改进措施

HDFS Federation

相当于横向扩展namenode的处理能力，增加namenode数量来共同分担元数据管理的压力。但这并不十全十美，只是暂时隐藏了小文件多的问题。

合并小文件

这个方案说起来简单，却也并不容易。

针对Hive相关任务，针对由历史任务产生大量小文件的作业，首先使用CombineHiveInputFormat，将多个小文件作为一个整体split，从而减少map数量，然后配置mapred.min.split.size.per.node和mapred.max.split.size增加map处理的文件大小。

这个方案我们已经做成可配置化，用定时任务合并用户历史作业产生的数据。

其次orcfile格式的Hive表，推荐使用CONCATENATE语义，orcfile的合并是stripe级别，节省了解压和格式化数据的开销，增加效率。

经过一段时间的努力小文件数量得到有效改善，如下图所示：