ClickHouse与Elasticsearch压测实践-京东云开发者社区

### 1 需求分析

#### 1.1 分析压测对象

##### 1）什么是ClickHouse 和Elasticsearch
ClickHouse 是一个真正的列式数据库管理系统（DBMS)。在 ClickHouse 中，数据始终是按列存储的，包括矢量（向量或列块）执行的过程。只要有可能，操作都是基于矢量进行分派的，而不是单个的值，这被称为«矢量化查询执行»，它有利于降低实际的数据处理开销。

Elasticsearch是一个开源的分布式、RESTful 风格的搜索和数据分析引擎，它的底层是开源库Apache Lucene。 它可以被这样准确地形容：

- 一个分布式的实时文档存储，每个字段可以被索引与搜索
- 一个分布式实时分析搜索引擎
- 能胜任上百个服务节点的扩展，并支持 PB 级别的结构化或者非结构化数据

##### 2）为什么要对他们进行压测

众所周知，ClickHouse在基本场景表现非常优秀，性能优于ES，但是我们实际的业务查询中有很多是复杂的业务查询场景，甚至是大数量的查询，所以为了在双十一业务峰值来到前，确保大促活动峰值业务稳定性，针对ClickHouse 和Elasticsearch在我们实际业务场景中是否拥有优秀的抗压能力，通过这次性能压测，探测系统中的性能瓶颈点，进行针对性优化，从而提升系统性能。

#### 1.2 制定压测目标

![](//img1.jcloudcs.com/developer.jdcloud.com/a29d26c8-f871-4c5b-9c04-d3450e9d01ed20220224141547.png)

为什么会选择这个（queryOBBacklogData）接口呢？

##### 1）从复杂度来看，接口（queryOBBacklogData）查询了5次，代码如下：

```java
/**
 * 切ck-queryOBBacklogData
 * @param queryBO
 * @return
 */
public OutboundBacklogRespBO queryOBBacklogDataCKNew(OutboundBacklogQueryBO queryBO) {
    log.info(" queryOBBacklogDataCK入参：{}", JSON.toJSONString(queryBO));
    // 公共条件-卡最近十天时间
    String commonStartTime = DateUtils.getTime(DateUtil.format(new Date(), DateUtil.FORMAT_DATE), DateUtils.ELEVEN_AM, 1, -10);
    String commonEndTime = DateUtils.getTime(DateUtil.format(new Date(), DateUtil.FORMAT_DATE), DateUtils.ELEVEN_AM, 1, 1);
    // 越库信息-待越库件数&待越库任务数
    WmsObCrossDockQueryBo wmsObCrossDockQueryBo = wmsObCrossDockQueryBoBuilder(queryBO,commonStartTime, commonEndTime);
    log.info("queryOBBacklogDataCK-wmsObCrossDockQueryBo: {}", JSON.toJSONString(wmsObCrossDockQueryBo));
    CompletableFuture<OutboundBacklogRespBO> preCrossDockInfoCF = CompletableFuture.supplyAsync(
            () -> wmsObCrossDockMapper.preCrossDockInfo(wmsObCrossDockQueryBo), executor);
    // 集合任务信息-待分配订单
    WmsObAssignOrderQueryBo wmsObAssignOrderQueryBo = wmsObAssignOrderQueryBoBuilder(queryBO, commonStartTime, commonEndTime);
    log.info("queryOBBacklogDataCK-wmsObAssignOrderQueryBo: {}", JSON.toJSONString(wmsObAssignOrderQueryBo));
    CompletableFuture<Integer> preAssignOrderQtyCF = CompletableFuture.supplyAsync(
            () -> wmsObAssignOrderMapper.preAssignOrderInfo(wmsObAssignOrderQueryBo), executor);
    // 拣货信息-待拣货件数&待拣货任务数
    WmsPickTaskQueryBo wmsPickTaskQueryBo = wmsPickTaskQueryBoBuilder(queryBO, commonStartTime, commonEndTime);
    log.info("queryOBBacklogDataCK-wmsPickTaskQueryBo: {}", JSON.toJSONString(wmsPickTaskQueryBo));
    CompletableFuture<OutboundBacklogRespBO> prePickingInfoCF = CompletableFuture.supplyAsync(
            () -> wmsPickTaskMapper.pickTaskInfo(wmsPickTaskQueryBo), executor);
    // 分播信息-待分播件数&待分播任务
    WmsCheckTaskDetailQueryBo wmsCheckTaskDetailQueryBo = wmsCheckTaskDetailQueryBoBuilder(queryBO, commonStartTime, commonEndTime);
    log.info("queryOBBacklogDataCK-wmsCheckTaskDetailQueryBo: {}", JSON.toJSONString(wmsCheckTaskDetailQueryBo));
    CompletableFuture<OutboundBacklogRespBO> preSowInfoCF = CompletableFuture.supplyAsync(
            () -> wmsCheckTaskDetailMapper.checkTaskDetailInfo(wmsCheckTaskDetailQueryBo), executor);
    // 发货信息-待发货件数
    WmsOrderSkuQueryBo wmsOrderSkuQueryBo = wmsOrderSkuQueryBoBuilder(queryBO, commonStartTime, commonEndTime);
    log.info("queryOBBacklogDataCK-wmsOrderSkuQueryBo: {}", JSON.toJSONString(wmsOrderSkuQueryBo));
    CompletableFuture<Integer> preDispatchCF = CompletableFuture.supplyAsync(
            () -> wmsOrderSkuMapper.preDispatchInfo(wmsOrderSkuQueryBo), executor);
    return processResult(preCrossDockInfoCF, preAssignOrderQtyCF, prePickingInfoCF, preSowInfoCF, preDispatchCF);
}
```

##### 2）接口（queryOBBacklogData），总共查询了5个表，如下：

```sql
wms.wms_ob_cross_dock
wms.wms_ob_assign_order
wms.wms_picking_task.
wms.wms_check_task_detail
wms.wms_order_sku
```

##### 3）查询的数据量，如下：

```sql
select
   (ifnull(sum(m.shouldBeCrossedDockQty),
   0) -
        ifnull(sum(m.satisfiedCrossedDockQty),
   0)) as preCrossStockSkuQty,
   count(m.docId) as preCrossStockTaskQty
from
   wms.wms_ob_cross_dock m final
    prewhere
        m.createTime >= '2021-12-03 11:00:00'
   and m.createTime <= '2021-12-14 11:00:00'
   and m.warehouseNo = '279_1'
   and m.orderType = '10'
   and tenantCode = 'TC90230202'
where
   m.deleted = 0
   and m.deliveryDestination = '2'
   and m.shipmentOrderDeleted = 0
   and m.status = 0
```

![](//img1.jcloudcs.com/developer.jdcloud.com/866f3eab-9d92-4db6-a742-07a69726482b20220224142550.png)

从上面SQL截图可以看出，查询待越库件数&待越库任务数，共读了720817行数据

```sql
select count(distinct m.orderNo) as preAssignedOrderQty
from wms.wms_ob_assign_order m final
    prewhere
        m.createTime >= '2021-12-03 11:00:00'
        and m.createTime <= '2021-12-14 11:00:00'
        and m.warehouseNo = '361_0'
        and tenantCode = 'TC90230202'
where m.taskassignStatus = 0
  and m.deliveryDestination = 2
  and m.stopProductionFlag = 0
  and m.deleted = 0
  and m.orderType = 10
```

![](//img1.jcloudcs.com/developer.jdcloud.com/272588aa-1c8a-46f4-a581-4a5b7d26130520220224142620.png)

从上面SQL截图可以看出，查询集合任务信息-待分配订单，共读了153118行数据

```sql
select minus(toInt32(ifnull(sum(m.locateQty), toDecimal64(0, 4))),
             toInt32(ifnull(sum(m.pickedQty), toDecimal64(0, 4)))) as prePickingSkuQty,
       count(distinct m.taskNo) as prePickingTaskQty
from wms.wms_picking_task m final
    prewhere
        m.shipmentOrderCreateTime >= '2021-12-03 11:00:00'
        and m.shipmentOrderCreateTime <= '2021-12-14 11:00:00'
        and m.warehouseNo = '286_1'
        and tenantCode = 'TC90230202'
where m.pickingTaskDeleted = 0
  and m.deliveryDestination = 2
  and m.pickLocalDetailDeleted = 0
  and m.shipmentOrderDeleted = 0
  and m.orderType = 10
  and (m.operateStatus = 0 or m.operateStatus = 1)
```

![](//img1.jcloudcs.com/developer.jdcloud.com/64032c7b-75d3-4119-b994-73addbb7f6af20220224142655.png)

从上面SQL截图可以看出，查询拣货信息-待拣货件数&待拣货任务数，共读了2673536行数据

```sql
select minus(toInt32(ifnull(sum(m.locateQty), toDecimal64(0, 4))),
             toInt32(ifnull(sum(m.pickedQty), toDecimal64(0, 4)))) as prePickingSkuQty,
       count(distinct m.taskNo) as prePickingTaskQty
from wms.wms_picking_task m final
prewhere
        m.shipmentOrderCreateTime >= '2021-12-03 11:00:00'
        and m.shipmentOrderCreateTime <= '2021-12-14 11:00:00'
        and m.warehouseNo = '279_1'
        and tenantCode = 'TC90230202'
where m.pickingTaskDeleted = 0
  and m.deliveryDestination = 2
  and m.pickLocalDetailDeleted = 0
  and m.shipmentOrderDeleted = 0
  and m.orderType = 10
  and (m.operateStatus = 0 or m.operateStatus = 1)
```

![](//img1.jcloudcs.com/developer.jdcloud.com/907cd0b6-f4dd-4f26-8283-d4522e0593fe20220224142728.png)

从上面SQL截图可以看出，查询分播信息-待分播件数&待分播任务，共读了1448149行数据

```sql
select ifnull(sum(m.unTrackQty), 0) as unTrackQty
from wms.wms_order_sku m final
    prewhere
        m.shipmentOrderCreateTime >= '2021-12-03 11:00:00'
        and m.shipmentOrderCreateTime <= '2021-12-14 11:00:00'
        and m.warehouseNo = '280_1'
        and m.orderType = '10'
        and m.deliveryDestination = '2'
        and tenantCode = 'TC90230202'
where m.shipmentOrderDeleted <> '1'
  and m.ckDeliveryTaskDeleted <> '1'
  and m.ckDeliveryTaskDetailDeleted <> '1'
  and m.ckDeliveryTaskStatus in ('1','0','2')
```

![](//img1.jcloudcs.com/developer.jdcloud.com/3cb7113d-da33-4e54-9353-0f4203200e3520220224142747.png)

从上面SQL截图可以看出，查询发货信息-待发货件数，共读了99591行数据

### 2 测试环境准备

为了尽可能发挥性能压测作用，性能压测环境应当尽可能同线上环境一致，所以我们使用了和线上一样的环境

### 3 采集工具准备

##### 监控工具
1. http://origin.jd.com/ ：监控JVM，方法级别监控（提供秒级支持）
2. http://console.jex.jd.com/ ：提供异常堆栈监控，火焰图监控、线程堆栈分析
3. http://x.devops.jdcloud.com/ ：支持查看clickhouse/Elasticsearch数据库服务每个节点的cpu使用率
4. http://dashboard.fireeye.jdl.cn/ ：监测应用服务器cpu使用率、内存使用率

### 4 压测执行及结果分析

#### 4.1 编写压测脚本工具

Forcebot（http://forcebot.jd.com） 是专门为开发人员、测试人员提供的性能测试平台，通过编写脚本、配置监控、设置场景、启动任务、实时监控、日志定位、导出报告一系列操作流程来完成性能测试，灵活的脚本配置满足同步、异步、集合点等多种发压模式。

帮助文档（http://doc.jd.com/forcebot/helper/）

#### 4.2 设计压测数据

##### 4.2.1 前期压测中名词解释

- DBCP：数据库连接池，是 apache 上的一个Java连接池项目。DBCP通过连接池预先同数据库建立一些连接放在内存中(即连接池中)，应用程序需要建立数据库连接时直接到从接池中申请一个连接使用，用完后由连接池回收该连接，从而达到连接复用，减少资源消耗的目的。
- maxTotal：是连接池中总连接的最大数量，默认值8
- max_thread：clickhouse中底层配置，处理SQL请求时使用的最大线程数。默认值是clickhouse服务器的核心数量。
- coordinating：协调节点数，主要作用于请求转发，请求响应处理等轻量级操作
- 数据节点：主要是存储索引数据的节点，主要对文档进行增删改查操作，聚合操作等。数据节点对cpu，内存，io要求较高， 在优化的时候需要监控数据节点的状态，当资源不够的时候，需要在集群中添加新的节点

##### 4.2.2 压测数据

clickhouse数据服务：32C*128G*6节点*2副本
应用服务器：4核8G*2
maxTotal=16

注：每次压测前，一定要观察每个数据节点的cpu使用率

![](//img1.jcloudcs.com/developer.jdcloud.com/5d139ff2-8924-4ae5-833f-4303e70def4020220224143002.png)

注：从上面压测过程中，序号6-12可以看出，并发用户数在增加，但tps没有幅度变化，检查发现bigdata dbcp数据库链接池最大线程数未配置，默认最大线程数是8，并发用户数增加至8以后，clickhouse cpu稳定在40%~50%之间不再增加，应用服务器CPU稳定在25%左右。

之后我们调整maxTotal=50，通过调整max_thread不同的值，数据库节点CPU使用率保持在50%左右，来查看相应的监测数据指标：应用服务CPU使用率、TPS、TP99、并发用户数。

![](//img1.jcloudcs.com/developer.jdcloud.com/76b265fd-4d68-4420-bc9f-e761bfa6497020220224143024.png)

clickhouse数据节点，CPU使用率：

![](//img1.jcloudcs.com/developer.jdcloud.com/b3f1d048-67dc-4614-a7db-84d85342692a20220224143039.png)

Elasticsearch数据服务：32C*128G*6节点*2副本
应用服务器：4核8G*2
Elasticsearch同样保持数据库服务CPU使用率达到（50%左右），再监控数据指标tps、tp99
调整指标如下：coordinating协调节点数、 数据节点、poolSize

指标1：coordinating=2，数据节点=4，poolSize=400

![](//img1.jcloudcs.com/developer.jdcloud.com/6a3c4760-0403-4346-b197-d4ebccfd8a0a20220224143102.png)

注：在压测的过程中发现，coordinating节点的cpu使用率达到51.69%，负载均衡的作用受限，所以协调节点需扩容2个节点

指标2：coordinating=4，数据节点=5，poolSize=800

![](//img1.jcloudcs.com/developer.jdcloud.com/5c3fc377-eec6-446e-8168-e4afaa22aeb620220224143117.png)

注：在压测的过程中，发现CPU使用率（数据库）ES数据节点在40%左右的时候，一直上不去，查看日志发现activeCount已经达到797，需要增加poolSize值

指标3：coordinating=4，数据节点=5，poolSize=1200

![](//img1.jcloudcs.com/developer.jdcloud.com/b55487df-e0fd-46e3-9208-d5a4c3ea6b5e20220224143133.png)

注：压测过程中，发现coordinating协调节点还是需要扩容，不能支持现在数据节点cpu使用率达到50%
Elasticsearch数据节点及协调节点，CPU使用率：

![](//img1.jcloudcs.com/developer.jdcloud.com/81d0993c-7314-416a-87c4-542cc5c708b420220224143152.png)

我们在压测的过程中发现一些之前在开发过程中没发现的问题，首先bdcp数bigdata应用服务器，使用的线程池最大线程数为8时，成为瓶颈，用户数增加至8以后， clickhouse的cpu稳定在40%~50%之间不在增加，应用服务器CPU稳定在25%左右，其次warehouse集群协调节点配置低，协调节点CPU使用率高，最后是clickhouse-jdbc JavaCC解析sql效率低。

#### 4.3 结果分析

##### 4.3.1 测试结论

1）clickhouse对并发有一定的支持，并不是不支持高并发，可以通过调整max_thread提高并发

- max_thread=32时，支持最大TPS 是37，相应TP99是122
- max_thread=2时，支持最大TPS 是66，相应TP99是155
- max_thread=1时，支持最大TPS 是86，相应TP99是206

2）在并发方面Elasticsearch比clickhouse支持的更好，但是相应的响应速度慢很多

- Elasticsearch：对应的TPS是192，TP99是3050
- clickhouse：对应的TPS 是86，TP99是206

综合考量，我们认为clickhouse足以支撑我们的业务诉求

##### 4.3.2 优化建议

1. 对ES协调节点进行扩容
2. bigdata应用线程池最大线程数调高至200
3. bigdata应用 dbcp线程池maxTotal设置成50
4. 读取配置文件工具类增加内存缓存

### 5 压测报告

针对双十一压测生成的压测报告：https://joyspace.jd.com/page/CJe9VgMH7M3j68JF7sch

------------

###### 自猿其说Tech-京东物流技术发展部
###### 作者：潘雪艳