Go 在百万亿级搜索引擎中的应用

Poseidon 系统是由 360 开源的日志搜索平台，目前已经用到了生产环节中，可以在数百万亿条、数百 PB 大小的日志数据中快速分析和检索特定字符串。因为 Golang 得天独厚的支持并发编程，Poseidon 的核心搜索引擎、发报器、查询代理是用 Golang 开发的，在核心引擎查询、多天查询、多天数据异步下载中大量使用了 goroutine+channel 。

大家上午好，我是郭军，很高兴今天在这里和大家交流。我今天演讲题目，Golang 在百万亿搜索引擎中的应用。Poseidon在希腊意思是海神，在这里是海量数据集的主宰者。

之前我的工作一直面向海量用户，去年年中我接触大数据以及海量数据这样的场景，在今天的演讲中，主要会涉及以下几方面内容：

• 设计目标 

• Go 应用场景与遭遇的挑战 

• 怎样应对? 

• 开源的改变

• 总结 

设计目标

首先说一下为什么要做这个系统。这是一个安全公司，APT （高危威胁持续性事件）。在追查APT事件的时候，我们通常会找一个样本在某一样时间之内到底做了什么事情。在海量日志中找这些信息的话，运气好不堵塞的时候，大约两、三小时可以跑出来，如果运气不好，跑的任务太多堵塞的话就要修复，可能一天两天才能出来数据，显然这样的效率是不高的。

我们的设计目标，我们总的数据量保留三年的历史数据，一共有一百万亿条，大小有 100 PB。秒级交互式搜索响应，从前端发起请求到某一天数据，我们会在几秒钟之内给你返回。我们之前设定秒级60秒返回就可以，实际上做完之后测试的结果都在3秒到5秒之内，90%请求在10秒之内。每天要支持两千亿数据量灌入，原始数据仅存一份，对现有 MR 任务无侵略。ES 原始数据不止存一份，会再存一份，我们这么大数据量来说，再存副本的话，维护成本以及代价是非常大的。ES 支持不了百万亿级数据量，现在业界做到一千亿，我们只做到300多G。然后自定义的分词策略，我们每一个业务的日志格式都不一样，分词策略需要特别灵活；然后故障转移节点负载均衡，自动恢复，支持原始日志的批量下载。

图1

图1是我们总体流程，这个图比较复杂，我们之前有同事分享过这个架构。如果今天再分享架构可能时间会不够，图2是它的一个非常简单的粗略图。

图2

Go 应用场景与遭遇的挑战 

首先原始日志。在转化的时候我们把每 128 行原始日志抽取出来作为一个文档，多个文档联结在一起形成一个文件。这里会有人问为什么选择 128 行，我们每天日志量是700亿，按照每一行一个文档我们有700 亿文档。一行日志一个文档，700 亿文档占用空间太大；700 亿数据会膨胀。选择 128 行是因为：第一，700 亿除 128 ，大约是 5.46 亿左右，在一定范围内可以承受；第二，因为我们的ID都是数字形式，以发号器形式发出来的，我们压缩数字的时候，肯定要采取各种各样的压缩办法，我们在这个地方用的插分，对于128 数字的压缩是比较好的。压缩 128 行日志对比压缩1行日志高很多。我们每天原始日志，我说的业务每天原始日志有 60 ，压缩之后我们能打成 10 左右，这是每天的数据。我们在输出的时候，这个是原始的日志，最后就要到原始日志里面找，最后就要构建数据。因为我们要存入进去的时候，刚刚我说的一句话，很多人不明白，多个连接起来形成一个文件。有一个非常大的优势，里面的数据我放到另外一个文件里面，我一直叠加，最后这个文件可以被解压。换一种方式来说，把文件都输出到一个文件里面，作为这一个文件，我从这个文件里面取出某一段来，我就可以解压出来，这是一个非常大的特性。因为我需要读一段日志，我肯定要知道这个我从哪个地方读到哪个地方，我要知道我读的压缩文件，解压出来就是128行日志。我们把整个原数据放到这里面，去建索引以及原数据，大体就是这样一个流程。首先看一下离线引擎，客户端请求日志，包括 PC 卫士、网络以及浏览器等等，这块相当于传统搜索引擎的爬虫。下面会具体讲到，离线生成 DocGz 、DocGzmeta ，然后构建原数据。在线引擎，web 我们做简单的页面开发，到 proxy 集群，再发到 searcher 集群，然后走到 readHDFS ，readHDFS这个服务是用 Java开发，用 Java 开发有很多坑，但是又不得不用，因为java仍然是操作hadoop最合适的语言。

来说一下数据结构。我们用 ProtrBuffer 描述核心数据结构。每一个 ID 下面分为两段，那个 docID 就是我这个文档的编号；第二是 rowIndex，每个里面都会对应多行日志，我这里面对应 128 行里面哪一行日志，就是这个做的定位。我们用 map 的形式描述出来，这个是由 DocID 形成的列表，每一个里面会对应多个DocIDList。map 和 string 里面，我要先找到 map ，然后再把数据拿出来。如图3所示。

图3

说一下搜索引擎的核心技术。首先倒排索引，倒排索引有一个趋势，DocidList 非常长。我们一个分词会先计算出来 hashid ，知道 hashid 之后要查询的时候我们要做一个平台，给出要查询哪一个业务，比如我要查网络等等这些，我们以业务的简写拼接上hashid，然后要查询的时间，查询哪一天的数据，我们引擎不是实时，因为数据量太大做不了实时，只能做到今天查昨天。然后解析 invertedindex 拿到对应的文档信息在里面，找到这个位置之后，把我们所有的需要的原数据抽出来，然后解压。我们就知道某一个分词对应着 DocidList 是哪一个，根据 DocidList 去查要查的 map 信息在哪个地方，获取之后再拼一个路径，把原始数据拿出来。拿出原始数据之后，一个文件里面会有 128 行日志，这 128 行日志Doc里面rowindx 找到文档在哪一行，做过滤就可以了。用非常简单的话来总结一下，因为 Docid 比较长，我们存一个位置，我们的 DocidList 每一个 Docid 对应的文档也比较多，我们读原始文档的时候，也会存一个位置，在计算机领域中，各种难以解决的问题都可以添加一个间接的中间层来解决这个问题。如图4所示。这句话在我们系统中有了很好的尝试，不仅是这一块。

图4

再来说一下 idgeneratror 。按照每天业务 27700 亿来算，分词以后是 100 亿，每一个分词对应 277 行日志，这是平均数，每天 Docid 有 27700 亿个。按照每个 4 字节来计算，光是 Docid 数字将近 11TB。在这里进行了处理，采用分段区间获取降低 qps，每天的 id 重新从 0 开始分配。我们每天 Docid 倒排索引量在2.4T。每天 27700 亿我们做起来也稍微有点发怵，我们想了一个办法，我们业务名加时间作为 key，每天id 从零开始重新分配，这样就可以保证我每天的量不至于太高，而且分出来的 Docid 不用太大，如果太大的话，可能数据就会比较膨胀。我现在建了索引是哪个业务，什么时间段，哪一天的，我这次要请求哪一个区段，如果说我请求了 1 到 100 个这个区段，在 idgeneratro 会提前预留出 1 到 100 这个空隙。

Proxy/Searcher详细设计。Searcher核心引擎就是走四级索引里面做的事情，其中包括过滤和模糊查询等等，这些不是主干业务我没有说。从里面拿出map数据，然后再取原始数据，取完数据以后，我们有很多原始数据非常大，大约有几十兆左右，如果放在处理器前端，前面会直接卡死，我们会把原始数据比较大的业务，在页面上面给大家展示，点击查看原始数据这么一个链接，点了以后再过来请求一遍，这是一个非常简单的架构。如图5所示。

图5

Searcher并发模型。因为读 四级索引的时候，读 Docid 的过程一模一样，所以我在这里用读 Docid 举例子，比如我拿到 DocidList 的数据，我会给每一个 Docid 分配一个 Goroutine ，拼接出来 doc path ，读取原始日志，然后做过滤，最后返回给前端。如图6所示。

图6

怎样应用

第一个瓶颈。我们团队的基础组件全是 c++，我们团队核心业务，以及在线引擎、核心引擎都是c++ 来做的。我们用到 gdb 进行调试，进程过多，用 c++ 组件一开始想偷懒，然后编辑进C，再放到 Go 里面去。每一个读取 Docid 中，每一个文件都会去读，我们的运用程序经常就挂，当时也没有原因，最后我们才看到执行 CGO 的时候，我们收到一个信号，就是 signal exit，然后我们进行GDB调试，说是进程太多，因为CGO在执行的时候会新建一个M。

• 解决方案：用Go重新实现一遍，将组件作为http服务，Go Client调用，做集中式处理。

第二个瓶颈。在系统中，我们大量使用 Goroutine，子写程 panic 在主写程不能被处理掉。

• 解决方案：我们在通道类型里面为struct，封装正常数据和error，在主协程取取出数据，统一做处理。

经验小结。

1. 即使精通很多语言，最好不要混用，要非常谨慎引入其他语言的解决方案。

2. 不要完全相信recover，它不能恢复runtime的一些panic。

看一下我们的Proxy多天并发查询设计。如图7所示。要做多天查询有两种方案。第一种方案把多天查询加上，这样使我们核心查询引擎变得非常臃肿，我们还是那句话，加一个中间层。把多天变成单天，然后在Proxy 拿到所有的单天数据，就形成了多天查询。

图7

我们还有另外一个项目，请求Poseidon的数据，我们想到两种解决方案，第一种解决方案，你在自己第三方系统里面做缓存，要不我们做缓存，我们是这样取舍。如果第三方系统里面做缓存，所有的查询，缓存只能在第三方系统里面用。如果在我们这里缓存，他们发了请求到我们这来，其他所有第三方里面都有可能能用上。我们是这样做的，首先请求 Searcher 拿到当天的数据，比如查一个月的数据，请求 Searcher 单天的数据，如果每一个Goroutine 去查一天，每一个 Goroutine 拿到 Searcher 单天数据之后，把它解出来，看一下是不是错误数据。如果是错误数据的话，直接给客户端把这条数据返回错误，并不是给客户端整个错误，因为只是这一天某一条数据有错误。而不至于我们在查询 30 天数据的时候，里面只要某一天某一条数据有错误，就直接返回给用户，我这个系统不可用。如果不是错误数据，会根据请求参数，请求参数有很多。除了这些之外，还有查询的时间，根据这个来做一个Cace Key，然后打回给前端。

我们遇到一个问题，每一个用户会把整个索引流程都跑一遍，也就是说用户会给我们实时测试。在同一个时间之内，同一份数据在缓存时间之内不会走完整个 readhdfs 流程。build index 程序化，我们会有监控，如果程序化我们会知道，程序挂了会报警感知，但是数据错误却是未知，我们现在还没有做到这种监控。但是这个数据错误是未知的，我们修复索引就会花费大量时间，去重新写日志，跑 Docid，还要解决漏洞。

我们的解决方案，第一个减少缓存时间，在可容忍错误数据时间之内，用户查询能及时发现问题，恢复一天两天数据还可以，不至于缓存 30 天或者一、两个月，到最后错误数据会越来越多。第二个解决方案，参考 NSQ，利用 for+select 的不确定性来分馏，随机流量到 chanel 和 hdfs 做热测试。缺点，就是开发成本相对第一种方案来说有点高。这块要注意，开发成本并不是非常高，因为 select 而只能从 chanel 拿数据。

第二个经验小结。不要选择非常高大上的一些技术，或者说一些我们所说的黑科技，简单、有效、够用能解决问题完全可以。利用 Goroutine 设计并发程序很方便，但是并发运行模型一定要 hold 住。我们之前Gopher 群里面发过一个博客，里面发了很多动态图，一些 Go 的 Goroutine 和 channel 如何并发，动态图画的非常炫。我们在写自己业务的时候，我们看了 Goroutine 以及 Goroutine 和 channel 怎么联动，我们自己有概念。我要表达观点的时候，我一时也找不到非常恰当的名词来描述，我不知道这个名词之前有没有，或者有没有其他的意义。

Proxy多天异步下载。如图8所示。前端发起请求，要选择下载多少天，下载多少数据，服务端接受到请求之后，马上给客户端返回，我已经收到了，把这个消息写到channel。刚开始我们已经说过在readHDFS是是用JAVA写的，Goroutine太多，底层挂掉。两个Searcher到HDFS的时候，一个分词对应上百个Docid，可能对应着上百个文件，因为每一个Docid不一定在一个文件里面。在Searcher里面的时候，看起来进来一个请求，实际上往后会越来越大，到最后可能就是指数级的增长，像我们滚雪球一样。

图8

首先JAVA做了简单的连接池，然后有熔断机制，如果超出一定的连接数，直接返回error。像我们很早之前的时候，保险丝，家里面的电率大的时候，保险丝是用铅丝做的，铅丝会熔化掉。

再说一下GC的变化。首先我说一下GC在我们整个系统中，从来都不是瓶颈。在这里说的几点，是我们升级之后简单做的测试，在这里和大家交流一下。如果有其他做测试比我们更细的同学，可以交流一下。

Go 1.7。我们之前用的 1.5，升级到 1.7 之后，我们的 GC 下降到了三分之一。

nginx 代理问题，之前我做分享的时候，有同学问我在 Go 前端要不要加nginx代理。我之前做的系统面向海量用户，我们只把 GoServer 打包成二进制的可执行包，请求打到 lvs 的80 端口然后再转发到 GoServer 8080，非常简单。在这个项目我们用了 nginx，我们有用它的理由。

访问控制和负载均衡。负载均衡我们可以用 LVS 做，我们这个项目的场景，使用的人非常少。第一我们是一个内部项目，权限问题，我们所在前端端口只能让开放的一些机器来访问，除了我们自己的前端器会访问以外，其实还有其他的一些团队，会过来直接写脚本请求我们的数据。我们nginx里面直接用了这两个，这样我不需要在Go里面做，前面就可以直接用nginx做了简单的负载均衡。要不要nginx，完全取决于自己业务的场景。因为在这个场景中，加了nginx也只是给运维稍微增加了负担，但是ip限制和负载均衡不需要重新开发了，之前没有用因为它没有在里面起到任何作用，而且之前是对外的服务，不需要有任何的限制，任何人都可以过来请求。

开源的改变

我们考虑开源。在去年11月份的时候，我们开源了系统，系统有66%代码是用Golang写的。我们有两个问题需要解决，第一个问题第三方依赖的问题，我们开源主体方案没有用到我们自己的内部依赖包，这些第三方的组件，我们应该如何维护它，我当时和很多人交流过，这种方式也比较多，但是他们各有各的优点和缺点，几乎没有一个非常完美的方案，能解决到依赖里面再套依赖，以及多层依赖关系，至少我没有找到，既然没有的话，就选择最大众化，最简单的方案，用这个方式来解决。

在我们整个服务里面，我们自己开发了几个服务，一共有五个。我们当时考虑过，如果让用户部署五个服务，即使我们写好了脚本，部署起来在每个用户端操作系统不同，CPU位数不同等等，都会出各种各样的问题。排查起问题来，不知道排查哪一个服务，对于我们这些开发者来说，我们排查问题的时候，也会根据日志一个服务一个服务去找。我们考虑到，我们把所有的服务打成一个ALL in One一个包。在实际交流试用中，我们了解到有很多人没有选择All in One而选择这五个服务独立部署。

我们开源有五个月，有很多人想让我们把模糊查询以及过滤开源出来。模糊查询我们做的非常简单，我们用了一个数据库，有并发能力。我们先把我们需要模糊查询的分词给分出来，放到数据库里面，在数据库里面我就可以操作，我们平常用到的模糊查询关键词，也就是几十亿左右，几十亿的量做一个操作，那简直太简单了，查到之后就知道关键词，拿到关键词之后，接下来的方案就是一个用多个关键词查询多天的场景，用多个关键词和单个关键词是一样的。多个关键词去查询和用多天查询是一样的，每个关键词分一个Goroutine去查询，就可以解决问题了。

总结回顾

首先Go的开发体验比较好，性能比较高，服务很稳定，我们除了线上有一次事故之后，好像就再也没有过。我们线上是用自己写的做监控，如果它挂掉就会自动拉起来，当然这是一种比较low的方式，因为它可能没有挂，但是它的确死掉了。可以满足大部分的需求场景，GO语言程序开发需要在代码可读性和性能之间做平衡取舍，应用程序并发模型需要在控制之内。我们有很多人在群里面问连接池以及对象池，连接池我们不说，因为很多客户端都会实现连接池这个功能，我们考虑对象池。对象池优点的确很大，因为它可以复用对象减轻压力，这是最核心的功能。复用对象解决了gc压力，但还有一个代码可读性的问题，引进对象池，对象池和业务没有关系，你要看对象池怎么做，代码可读性会非常差。还要说的是，对象池这种解决方案，在Go1.2的时候，用起来很爽，但是目前为止1.4到1.7的时候，对象池这种方案已经远远用不到了，因为gc已经不是那么明显。除非在非常极端的情况下，我们可能会用到这种非常极端的方式解决问题，但是我想大部分的公司都不太会遇到这种问题。我们知道Go在开发安卓，我们现在用的最多就是它和c++以及c的配合然后在用CGO引入到GO，谨慎与其他语言合用，即使对语言都非常熟，你也并不知道他们两个结合起来说不定引发一个问题，可能是你永远解决不了的问题。要合理引进第三方解决方案，在运维成本和系统维护成本要做平衡。