大数据查询任务的系统稳定性靠什么保证？它是一种有效的内存分配和监控机制。它是您如何加快计算速度、避免内存热点、及时响应内存不足以及最大限度地减少 OOM 错误的方法。  从数据库用户的角度来看，他们是如何遭受不良内存管理的困扰的？这是曾经困扰我们用户的事情列表：  OOM 错误导致后端进程崩溃。引用我们的一位社区成员的话：嗨，Apache Doris，当你内存不足时，可以放慢速度或让一些任务失败，但造成停机时间并不酷。 后端进程消耗了太多内存空间，但没有办法找到确切的责任或限制单个查询的内存使用量。 很难为每个查询设置合适的内存大小，因此即使有足够的内存空间，查询也有可能被取消。 高并发查询异常慢，内存热点难以定位。  HashTable创建过程中的中间数据无法刷入磁盘，所以两个大表之间的join查询经常会因为OOM而失败。 幸运的是，那些黑暗的日子已经过去了，因为我们已经自下而上地改进了我们的内存管理机制。现在准备好；事情会很密集。 内存分配 在 Apache Doris 中，我们有一个唯一的内存分配接口：   。它会在它认为合适的时候进行调整，以保持内存使用的高效性和可控性。 Allocator 此外，MemTrackers 用于跟踪分配或释放的内存大小，并且三种不同的数据结构负责运算符执行中的大内存分配（我们将立即了解它们）。  内存中的数据结构 由于不同的查询在执行时有不同的内存热点模式，Apache Doris 提供了三种不同的内存数据结构：   、  和  。它们都在分配器的统治之下。  Arena HashTable PODArray 竞技场 Arena 是一个内存池，它维护一个块列表，这些块将根据分配器的请求进行分配。块支持内存对齐。它们存在于 Arena 的整个生命周期中，并在销毁时被释放（通常是在查询完成时）。  Chunks主要用于存储Shuffle时序列化或反序列化后的数据，或者HashTables中序列化后的Key。 块的初始大小为 4096 字节。如果当前块小于请求的内存，一个新的块将被添加到列表中。 如果当前 chunk 小于 128M，新的 chunk 将其大小增加一倍；如果大于 128M，则新块最多比要求的大 128M。 不会为新请求分配旧的小块。有一个游标标记已分配块和未分配块之间的分界线。 哈希表 哈希表适用于哈希连接、聚合、集合操作和窗口函数。 PartitionedHashTable 结构支持不超过 16 个子 HashTable。它还支持HashTables的并行合并，每个子Hash Join可以独立扩展。 这些可以减少整体内存使用和缩放引起的延迟。 如果当前HashTable小于8M，则缩放4倍； 如果大于8M，则缩放2倍； 如果小于2G，会在50%满的时候缩放； 如果大于2G，会在75%满的时候缩放。 新创建的哈希表将根据它将拥有的数据量进行预先缩放。我们还针对不同的场景提供了不同类型的 HashTable。例如，对于聚合，您可以应用 PHmap。   POD阵列 PODArray，顾名思义，就是POD的动态数组。它与 区别在于 PODArray 不初始化元素。它支持内存对齐和 的一些接口。 std::vector std::vector 它按 2 倍缩放。在析构中，不是为每个元素调用析构函数，而是释放整个 PODArray 的内存。 PODArray 主要用于按列保存字符串，适用于很多函数计算和表达式过滤。 内存接口 Allocator作为唯一协调Arena、PODArray和HashTable的接口，对大于64M的请求执行内存映射（MMAP）分配。 小于4K的会直接通过malloc/free从系统中分配；而介于两者之间的将通过通用缓存 ChunkAllocator 加速，根据我们的基准测试结果，这会带来 10% 的性能提升。  ChunkAllocator 会尝试以无锁的方式从当前核心的 FreeList 中获取指定大小的块；如果不存在这样的块，它将以基于锁的方式从其他内核尝试；如果仍然失败，它将向系统请求指定的内存大小并将其封装成一个块。 在体验了两者之后，我们选择了 Jemalloc 而不是 TCMalloc。我们在高并发测试中尝试了 TCMalloc，发现 CentralFreeList 中的 Spin Lock 占用了总查询时间的 40%。 禁用“积极的内存回收”让事情变得更好，但这带来了更多的内存使用，所以我们不得不使用一个单独的线程来定期回收缓存。另一方面，Jemalloc 在高并发查询中性能更高、更稳定。 在针对其他场景进行微调后，它提供了与 TCMalloc 相同的性能，但消耗的内存更少。 内存重用 内存复用在 Apache Doris 的执行层广泛执行。例如，数据块将在整个查询执行过程中重复使用。在Shuffle过程中，Sender端会有两个block，它们交替工作，一个接收数据，一个在RPC传输。  Doris 在读取一个 tablet 时，会复用 predicate 列，实现循环读取，过滤，将过滤后的数据复制到上块，然后清空。 在向Aggregate Key表中摄取数据时，一旦缓存数据的MemTable达到一定大小，就会进行预聚合，然后写入更多的数据。 在数据扫描中也执行内存重用。在扫描开始之前，一些空闲块（取决于扫描器和线程的数量）将被分配给扫描任务。 每次扫描器调度时，都会将其中一个空闲块传递给存储层进行数据读取。 数据读取完成后，块会被放入生产者队列，供上层算子在后续计算中消费。一旦上层操作员从块中复制了计算数据，该块将返回到空闲块中以进行下一次扫描器调度。 预分配空闲块的线程也将负责在数据扫描后释放它们，因此不会有额外的开销。空闲块的数量在某种程度上决定了数据扫描的并发性。 记忆追踪 Apache Doris 在分析内存热点的同时，使用 MemTrackers 跟踪内存的分配和释放。 MemTrackers记录了每个数据查询、数据摄取、数据压缩任务，以及每个全局对象（如Cache和TabletMeta）的内存大小。 它支持手动计数和 MemHook 自动跟踪。用户可以在网页上查看 Doris 后台的实时内存使用情况。  MemTracker 的结构 Apache Doris 1.2.0之前的MemTracker系统是一个层级树状结构，由process_mem_tracker、query_pool_mem_tracker、query_mem_tracker、instance_mem_tracker、ExecNode_mem_tracker等组成。 两个相邻层的 MemTracker 是父子关系。因此，子 MemTracker 中的任何计算错误都会向上累积，并导致更大范围的不可信。  在 Apache Doris 1.2.0 及更新版本中，我们简化了 MemTracker 的结构。 MemTrackers只根据作用分为两种：  和其他。 MemTracker Limiter  MemTracker Limiter，监控内存使用情况，在每个query/ingestion/compaction任务和全局对象中都是唯一的；而其他的MemTrackers则是追踪查询执行中的内存热点，例如Join/Aggregation/Sort/Window函数中的HashTables和序列化中的中间数据，以了解不同算子的内存使用情况或为内存控制提供参考数据刷新。  MemTracker Limiter 与其他MemTracker 的父子关系仅体现在快照打印中。您可以将这种关系视为符号链接。它们不会同时被消费，一个的生命周期不会影响另一个的生命周期。 这使开发人员更容易理解和使用它们。  MemTrackers（包括MemTracker Limiter等）被放入一组Map中。它们允许用户打印整体 MemTracker 类型快照、Query/Load/Compaction 任务快照，并找出内存使用最多或内存过度使用最多的 Query/Load。   MemTracker 的工作原理 为了计算某次执行的内存使用情况，在当前线程的Thread Local中的一个栈中添加了一个MemTracker。 MemHook通过重新加载Jemalloc或TCMalloc中的malloc/free/realloc，获取实际分配或释放的内存大小，记录在当前线程的Thread Local中。 执行完成后，相关的 MemTracker 将从堆栈中删除。堆栈底部是 MemTracker，它记录了整个查询/加载执行过程中的内存使用情况。 现在，让我用一个简化的查询执行过程来解释一下。 一个Doris后端节点启动后，所有线程的内存使用情况都会记录在Process MemTracker中。 当一个查询被提交时，一个 将被添加到片段执行线程中的Thread Local Storage(TLS) Stack中。 Query MemTracker 一旦一个 ScanNode 被调度，一个 将被添加到片段执行线程中的 Thread Local Storage(TLS) Stack。然后，在此线程中分配或释放的任何内存都将记录到 Query MemTracker 和 ScanNode MemTracker 中。 ScanNode MemTracker 一个Scanner被调度后，一个Query MemTracker和一个 会被添加到Scanner线程的TLS Stack中。 Scanner MemTracker 扫描完成后，扫描程序线程 TLS 堆栈中的所有 MemTracker 都将被删除。当ScanNode调度完成后，ScanNode MemTracker将从片段执行线程中移除。然后类似地，当一个聚合节点被调度时，一个 会被添加到分片执行线程TLS Stack中，并在调度完成后被移除。 AggregationNode MemTracker 如果查询完成，则Query MemTracker将从片段执行线程TLS Stack中移除。此时，这个栈应该是空的。然后，从QueryProfile中，可以查看整个查询执行过程中以及每个阶段（扫描、聚合等）的内存使用峰值。  如何使用 MemTracker  Doris 后端网页演示实时内存使用情况，分为：Query/Load/Compaction/Global。显示当前内存消耗和峰值消耗。   Global类型包括Cache和TabletMeta的MemTrackers。  从Query types中可以看到当前query的当前内存消耗和峰值消耗以及涉及到的operators（从labels可以看出它们之间的关系）。历史查询的内存统计可以查看 Doris FE 审计日志或 BE INFO 日志。  内存限制 随着 Doris 后端广泛实施内存跟踪，我们离消除 OOM、导致后端停机和大规模查询失败的原因又近了一步。下一步是优化查询和进程的内存限制，以控制内存使用。 查询的内存限制 用户可以对每个查询设置内存限制。如果在执行期间超过该限制，查询将被取消。但是从1.2版本开始，我们允许了Memory Overcommit，这是一种更加灵活的内存限制控制。 如果有足够的内存资源，查询可以消耗超过限制的内存而不被取消，因此用户不必额外关注内存使用情况；如果没有，查询将等待直到分配新的内存空间，只有当新释放的内存不足以进行查询时，查询才会被取消。 而在 Apache Doris 2.0 中，我们已经实现了查询的异常安全。这意味着任何内存分配不足都会立即导致查询被取消，这样就省去了后续步骤检查“取消”状态的麻烦。 进程内存限制 Doris 后端会定期从系统中获取进程的物理内存和当前可用内存大小。同时，它收集所有 Query/Load/Compaction 任务的 MemTracker 快照。 如果后端进程超出内存限制或内存不足，Doris 会通过清除 Cache 并取消一些查询或数据摄取任务来释放一些内存空间。这些将由单独的 GC 线程定期执行。  如果消耗的进程内存超过 SoftMemLimit（默认为系统总内存的 81%），或者可用系统内存低于 Warning Water Mark（小于 3.2GB），将触发  。 Minor GC 此时查询执行会在内存分配步骤暂停，数据摄取任务中的缓存数据会被强制刷新，部分Data Page Cache和过时的Segment Cache会被释放。 如果新释放的内存未覆盖进程内存的 10%，启用 Memory Overcommit 后，Doris 将开始取消最大“overcommitter”的查询，直到达到 10% 目标或取消所有查询。 然后，Doris 会缩短系统内存检查间隔和 GC 间隔。有更多内存可用后，查询将继续。 如果消耗的进程内存超出 MemLimit（默认为系统总内存的 90%），或者可用系统内存低于 Low Water Mark（小于 1.6GB），将触发  。 Full GC 这时，数据摄取任务会停止，所有的Data Page Cache和其他大部分Cache都会被释放。 如果经过所有这些步骤，新释放的内存没有覆盖进程内存的 20%，Doris 将查看所有 MemTrackers，找到最耗内存的查询和摄取任务，并一一取消。 只有达到 20% 的目标后，系统内存检查间隔和 GC 间隔才会延长，并继续执行查询和摄取任务。 （一次垃圾收集操作通常需要数百微秒到几十毫秒。） 影响和结果 经过内存分配、内存跟踪、内存限制等方面的优化，我们大幅提升了Apache Doris作为实时分析数仓平台的稳定性和高并发性能。后台OOM crash现在已经是少见的场景了。 即使出现OOM，用户也可以根据日志定位问题根源，然后进行修复。此外，通过对查询和数据摄取更灵活的内存限制，用户无需在内存空间充足的情况下花费额外的精力来维护内存。 在下一阶段，我们计划确保在内存过量使用时完成查询，这意味着由于内存不足而不得不取消的查询更少。 我们将这个目标分解为具体的工作方向：异常安全、资源组间的内存隔离、中间数据的flush机制。 如果您想见见我们的开发人员， 。 可以在这里找到我们

Join the Apache Doris community on Slack

Read My Stories

該音頻是用故事的原始語言製作的！

太長; 讀書

Make resilience your competitive advantage

告别 OOM 崩溃

About Author

註釋

標籤

这篇文章刊登在

Related Stories

使用这 18 种开发工具来提高你的工作效率 🚀🔥

成功云迁移的完整指南：策略和最佳实践

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

使用这 18 种开发工具来提高你的工作效率 🚀🔥

成功云迁移的完整指南：策略和最佳实践

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps