Druid调优指南(三)- MiddleManager

【翻译自https://druid.apache.org/docs/latest/operations/basic-cluster-tuning.html

MiddleManager是一个轻量级的任务控制器/管理器,用于启动任务进程,执行摄入任务。

MiddleManager heap sizing(堆大小调整)

MiddleManager节点本身不需要较多的资源,通常设置 ~128M即可。

SSD storage

MiddleManager中的存储推荐使用SSDs,因为MiddlerManager启动的任务需要处理存储在磁盘中的segment数据。

Task Count

MiddleManager中能够启动的tasks的数量根据 druid.worker.capacity 来设置。

所需worker的数量依赖需要运行多少并发的摄入任务。在给定的机器上能够启动的worker的数量取决于每个worker分配的资源大小和可用的系统资源。

可以通过部署较多的MiddleManager机器来增加任务的容量。

Task configurations

下面的部分描述由MiddleManager启动的任务的配置。任务能被查询和执行摄入工作,因此相对于MM需要较多的资源。

Task heap sizing

对于Tasks,设置堆为1GB是足够的。

Lookups

Task processing threads and buffers(处理线程和缓存)

通常来说,处理线程设置为1或者2是足够的,因为相对于历史节点,任务持有较少的可查询数据。

druid.indexer.fork.property.druid.processing.numThreads:设置为 1 或者 2

druid.indexer.fork.property.druid.processing.numMergeBuffers: 设置为 2

druid.indexer.fork.property.druid.processing.buffer.sizeBytes:可以设置为 100MB

Direct memory sizing (直接内存大小)

上面描述的处理和合并缓冲区是直接内存缓冲区。

当任务处理查询时,必须要打开一组segments进行读取。这个过程需要一些直接内存空间。

摄入任务也需要合并部分摄入结果,这个过程也需要直接内存空间。

预估直接内存使用的公式如下:

(druid.processing.numThreads + druid.processing.numMergeBuffers +1)* druid.processing.buffer.sizeBytes

+1 因子是一个模糊估计,用于解释segment解压缓冲区和字典合并缓冲区。

Connection pool sizeing(连接池大小)

druid.server.http.numThreads 应该稍微高于 集群中所有Brokers设置的druid.broker.http.numConnections之和。

每个任务能够接收50个查询和10个非查询是一个合理的开端。

Total memory usage(总内存使用量)

按照下面的指引来预估任务的总内存使用量:

Heap: 1GB + (2 * total size of lookup maps)

Direct Memory:(druid.processing.numThreads + druid.processing.numMergeBuffers + 1)* druid.processing.buffer.sizeBytes

(MiddleManger + Tasks) 总的内存使用量:

MM heap size + druid.worker.capacity * (single task memory usage)

Configuration guidelines for specific ingestion types(对于具体的摄入类型的配置指引)

Kafka/Kinesis ingestion

如果使用 Kafka Indexing Service 或者 Kinesis Indexing Service,所需任务的数量将取决于分区的数量和taskCount/replica的设置。

除了这些要求外,在集群中分配较多的任务槽是一个好主意,这样就可以为其他任务(如压缩任务)提供空闲的任务槽。

Hadoop ingestion

如果仅使用 hadoop批量摄入,则可以降低为每个任务分配的资源数量。批量摄入任务不需要应答查询,且摄入工作由hadoop 集群执行,因此任务不需要较多的资源。

Parallel native ingesion

如果使用 parallel native batch ingestion,分配较多可用的任务槽是一个好主意,并且这将允许更大的摄取并发。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,457评论 5 459
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,837评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,696评论 0 319
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,183评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,057评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,105评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,520评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,211评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,482评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,574评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,353评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,213评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,576评论 3 298
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,897评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,174评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,489评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,683评论 2 335