深入剖析分布式监控 CAT —— 消息文件存储

深入剖析分布式监控 CAT —— 消息文件存储

项目简介

CAT（Central Application Tracking），是基于 Java 开发的分布式实时监控系统。CAT 目前在美团点评的产品定位是应用层的统一监控组件，在中间件（RPC、数据库、缓存、MQ 等）框架中得到广泛应用，为各业务线提供系统的性能指标、健康状况、实时告警等。

CAT 目前在美团点评已经基本覆盖全部业务线，每天处理的消息总量 3200 亿+，存储消息量近 400TB，在通信、计算、存储方面都遇到了前所未有的挑战。

感兴趣的朋友欢迎 Star 开源项目 https://github.com/dianping/cat ，未来也将持续把内部一些比较好的实践推广出去。

消息模型

组织关系

消息类型

埋点示例

public void shopInfo() {
    Transaction t1 = Cat.newTransaction("URL", "/api/v1/shop");

    try {
        Transaction t2 = Cat.newTransaction("Redis", "getShop");
        String result = getCache();
        t2.complete();

        if (result != null) {
            Cat.logEvent("CacheHit", "Success");
        } else {
            Cat.logEvent("CacheHit", "Fail");
        }

        Transaction t3 = Cat.newTransaction("Rpc", "Call");
        try {
            doRpcCall();
        } catch (Exception e) {
            t3.setStatus(e);
            Cat.logError(e);
        } finally {
            t3.complete();
        }
    } catch (Exception e) {
        t1.setStatus(e);
        Cat.logError(e);
    } finally {
        t1.complete();
    }
}

private String getCache() throws InterruptedException {
    Thread.sleep(10); // mock cache duration
    return null;
}

private void doRpcCall() {
    throw new RuntimeException("rpc call timeout"); // mock rpc timeout
}

LogView 消息树

LogView 不仅可以分析核心流程的性能耗时，而且可以帮助用户快速排查和定位问题。 例如上述埋点示例对应的 LogView：

• Transation 消息是可嵌套的。
• logError 可记录异常堆栈，是一种特殊的 Event 消息。

分布式调用链路

消息流水线

如上图所示，实时报表分析是整个监控系统的核心，CAT 服务端接收客户端上报的原始 Logview，分发到不同类型的 Analyzer 线程中，每种类型的任务由一组 Analyzer 线程构成。由于原始消息的数量庞大，所以需要对数据进行加工、统计后生成丰富的报表，满足业务方排查问题以及性能分析的需求。

其中 Logview 的 Analyzer 线程是本文讨论的重点，它会收集全量的原始消息，并实时写入磁盘，类似实现一个高吞吐量的简易版消息系统。此外需要具备一定限度的随机读能力， 方便业务方定位问题发生时的“案发现场” 。

消息文件存储

CAT 针对消息写多读少的场景，设计并实现了一套文件存储。以小时为单位进行集中式存储，每个小时对应一个存储目录，存储文件分为索引文件和数据文件。用户可以根据 MessageId 快读定位到某一个消息。

消息 ID 设计

CAT 客户端会为每个消息树都会分配唯一的 MessageID，MessageID 总共分为四段，示例格式：shop.service-0a010101-431699-1000。

存储设计的重要依据点

在上文中提到了 CAT 可以提供简单的分布式链路功能，典型的场景就是 RPC 调用。例如客户端 A 调用服务端 B，客户端 A 会生成 2 个 MessageID：表示客户端 A 调用过程的 MessageId-1 和表示服务端 B 执行过程的 MessageId-2，MessageId-2 在客户端 A 发起调用的时候传递给服务端 B，MessageId-2 是 MessageId-1 的儿子节点。

文件存储 V1.0

总体概貌

V1.0 版本的文件存储设计比较简单粗暴，每个客户端 IP 节点对应分别对应一个索引文件和数据文件。

单个 IP 视角

• 每个索引内容由存储块首地址和块内偏移地址组成，共 6byte。
• 每个索引内容的序号与消息序列号一一对应，因为消息序列号是连续递增号，所以索引文件基本可以保证是顺序写。
• 为了减少磁盘IO交互和写入时间，消息采用批量 Gzip 压缩后顺序 append 至数据文件。

优缺点分析

文件存储 V2.0

V2.0 文件存储进行了重新设计，以解决 V2.0 数据文件节点过多以及随机 IO 恶化的问题。

总体概貌

V2.0 核心设计思想：

• 合并同一个应用的所有 IP 节点。
• 引入多级索引，建立 IP、Index、DataOffset 的映射关系。
• 同一个 IP 的索引数据尽可能保证顺序存储。

单个索引文件视角

索引文件存储的特点：`

• 需要根据 IP + Index 建立一级索引。
• 不同 IP 节点跳跃式存储，每次划分一段连续且固定大小的存储空间。
• 同一个 IP 节点根据 Index 在每块固定大小的存储空间内顺序存储。

最小索引单元视角

上图是索引结构的最小单元， 每个索引文件由若干个最小单元组成。每个单元分为 4 * 1024 个 Segment，第一个 Segment 作为我们的一级索引 Header，存储 IP、消息序列号与 Segment 的映射信息。剩余 4 * 1024 - 1 个 Segment 作为二级索引，存储消息的地址。一级索引和二级索引都采用 8byte 存储每个索引数据。

一级索引 Header

• 一级索引共由 4096 个 8byte 构成。

• 每个索引数据由 64 位存储，前 32 位为 IP，后 32 位为 baseIndex。

  baseIndex = index / 4096，index 为消息递增序列号。

二级索引

• 二级索引共由 4095 个 segment 构成，每个 segment 由 4096 个 8byte 构成。
• 每个索引数据由 64 位存储，前 40 位为存储块的首地址，后 24 位为解压后的块内偏移地址。

一级索引 Header 与二级索引关系

• 一级索引第一个 8byte 存储可存储魔数（图中用 -1 表示），用于标识文件有效性。
• 一级索引剩余 4095 个 8byte 分别与二级索引中每个 segment 顺序一一对应。

如何定位一个消息

1. 根据应用名定位对应的索引文件和数据文件。

2. 加载索引文件中的所有一级索引，建立 IP、baseIndex、segmentIndex 的映射表。

   从整个索引文件角度看，segmentIndex 是递增的，1 ~ 4095、4097 ~ 8291，以此类推。

3. 根据消息序列号 index 计算得出 baseIndex。
4. 通过 IP、baseIndex 查找映射表，定位 segmentIndex。
5. 计算消息所对应segment的偏移地址：segmentOffset = (index % 4096) * 8，获得索引数据。
6. 根据索引数据中块偏移地址读取压缩的数据块，解压后根据块内偏移地址读取消息的二进制数据。

总结

针对类似消息系统的数据存储，索引设计是比较重要的一环，方案并不是唯一的，需要不断推敲和完善。文件存储常用的一些性能优化手段：

• 批量、顺序写，减少磁盘交互次数。
• 4K 对齐写入。
• 数据压缩，常用的压缩算法有 Gzip、Snappy、LZ4。
• 对象池，避免内存频繁分配。

实践出真知，推荐大家学习下 Kafka 以及 RocketMQ 源码，例如 RocketMQ 中单个文件混合存储的方式、类似 HashMap 结构的 Index 文件设计以及内存映射等都是比较好的学习资源。

• Previous

  第一届天池 PolarDB 数据库性能大赛