摘要：通過機制將多個合并成一個以控制每個內的的數目在一定范圍內，當然還有其他的作用，比如數據本地化率，多版本數據的合并，數據刪除標記的清理等等，本文不做展開。

HBase 是一個基于 Google BigTable 論文設計的高可靠性、高性能、可伸縮的分布式存儲系統。 網上關于 HBase 的文章很多，官方文檔介紹的也比較詳細，本篇文章不介紹HBase基本的細節。

本文從 HBase 寫鏈路開始分析，然后針對少量隨機讀和海量隨機寫入場景入手，全方面量化分析各種資源的開銷, 從而做到以下兩點：

在給定業務量級的情況下，預先評估好集群的合理規模

在 HBase 的眾多參數中，選擇合理的配置組合

HBase 的寫入鏈路基于 LSM（Log-Structured Merge-Tree), 基本思想是把用戶的隨機寫入轉化為兩部分寫入：

Memstore 內存中的 Map, 保存隨機的隨機寫入，待 memstore 達到一定量的時候會異步執行 flush 操作，在 HDFS 中生成 HFile 中。 同時會按照寫入順序，把數據寫入一份到 HDFS 的 WAL（Write Ahead Log）中，用來保證數據的可靠性，即在異常（宕機，進程異常退出）的場景下，能夠恢復 Memstore 中還沒來得及持久化成 HFile 的數據.

上一節中，介紹了 HBase 的寫路徑，其中 HFile 是 HBase 數據持久化的最終形態, 本節將介紹 HBase 如何生成 HFile 和管理 HFile。關于 HFile， 主要涉及到兩個核心操作：

Flushing

Compaction

上一節中提到，HBase 的寫入最先會放入內存中，提供實時的查詢，當 Memstore 中數據達到一定量的閾值（128MB），會通過 Flush 操作生成 HFile 持久化到 HDFS 中，隨著用戶的寫入，生成的 HFile 數目會逐步增多，這會影響用戶的讀操作，同時也會系統占用（HDFS 層 block 的數目， regionserver 服務器的文件描述符占用）， region split 操作，region reopen 操作也會受到不同程度影響。
HBase 通過 Compaction 機制將多個 HFile 合并成一個 HFile 以控制每個 Region 內的 HFile 的數目在一定范圍內， 當然 Compaction 還有其他的作用，比如數據本地化率，多版本數據的合并，數據刪除標記的清理等等，本文不做展開。

另外還有一點需要知道的是，HBase 中 Flush 操作和 Compaction 操作和讀寫鏈路是由獨立線程完成的，互不干擾。

為了簡化計算，本節針對事件類數據寫吞吐型場景，對 HBase 系統中的開銷做定量的分析，做以下假設：

數據寫入的 Rowkey 是打散的，不存在寫熱點

數據寫入量及總量是可評估的，會對數據做預先分區，定量分析基于 region 分布穩定的情況下

假設隨機讀的數目很小，小到可以忽略 IO 開銷，且對讀 RT 不敏感

數據沒有更新，沒有刪除操作，有生命周期TTL設置

HBase 寫入鏈路中不存在隨機磁盤，所以隨機 IOPS 不會成為瓶頸

一般大數據機型的多個 SATA 盤的順序寫吞吐大于萬兆網卡

忽略掉RPC帶來的額外的帶寬消耗

單條數據大小 -> s （bytes）

峰值寫 TPS -> T

HFile 副本數→ R1 （一般為3）

WAL 副本數 → R2 (一般為3)

WAL 數據壓縮比 → Cwal (一般是1)

HFile 壓縮比 → C (采用 DIFF + LZO， 日志場景壓縮比一般為 0.2左右)

FlushSize → F (這里跟 regionserver 的 memstore 內存容量，region 數目，寫入是否平均和 flushsize 的配置有關，簡化分析，認為內存是足夠的 128MB)

hbase.hstore.compaction.min → CT （默認是 3， 一般情況下，決定了歸并系數，即每次 compaction 參與的文件數目，在不存在 compaction 積壓的情況下， 實際運行時也是在 3 左右）

數據生命周期 → TTL (決定數據量的大小，一般寫吞吐場景，日志會有一定的保存周期, 單位天)

單機數據量水位 → D ( 單位 T，這里指 HDFS 上存放 HFile 數據的數據量平均分擔到每臺機器上)

MajorCompaction 周期 → M( hbase.hregion.majorcompaction 決定，默認 20 天)

以上 11 個參數，是本次量化分析中需要使用到的變量，系統資源方面主要量化以下兩個指標：

磁盤開銷

網絡開銷

這里只考慮磁盤空間方面的占用，相關的變量有：

單條數據大小 s

峰值寫入 TPS

HFile 副本數 R1

HFile 壓縮比 c

數據生命周期 TTL

HFile的磁盤容量量化公式

V = TTL  86400  T  s  C * R1

假設 s = 1000, TTL = 365， T = 200000, C = 0.2 , R1 = 3 的情況下，HFile 磁盤空間需求是：

  V = 30 * 86400 * 200000 * 1000 * 0.2 * 3  
    = 311040000000000.0 bytes
    = 282T 

在這里我們忽略了其他占用比較小的磁盤開銷，比如：

WAL的磁盤開銷，在沒有 Replication，寫入平均的情況下，WAL 的日志量約定于 (hbase.master.logcleaner.ttl /1000) s TPS + totalMemstoreSize

Compaction 臨時文件，Split 父 Region 文件等臨時文件

Snapshot 文件

等等

HBase中會造成巨大網絡開銷的主要由一下三部分組成，他們是相互獨立，異步進行的，這里做個比方，HBase 這三個操作和人吃飯很像，這里做個類比

回歸正題，下面按照發生順序，從三個角度分別分析：

寫路徑

Flush

Compaction

寫路徑的網絡開銷，主要是寫 WAL 日志方面, 相關的變量有：

單條數據大小 s

峰值寫入 TPS

WAL 副本數 R2

WAL 壓縮比 Cwal

寫路徑中，產生的網絡流量分為兩部分，一部分是寫 WAL 產生的流量，一部分是外部用戶 RPC 寫入的流量， In 流量和 Out 流量計算公式為：

NInWrite = T  s   Cwal  (R2 - 1)  + （T  s )
NOutWrite = T  s   Cwal * (R2 - 1)

假設 T = 20W，s = 1000, Cwal = 1.0, R2 = 3

      NInwrite = 200000 * 1000  * 1 * (3-1) + 200000 * 1000

               = 600000000 bytes/s

               = 572MB/s

     NOutwrite = 200000 * 1000* 1 * (3-1)

               = 400000000 bytes/s

               = 381MB/s

Flush 的網絡開銷，主要是生成 HFile 后，將 HFile 寫入到 HDFS 的過程，相關的變量有：

單條數據大小 s

峰值寫入 T

HFIle 副本數 R1

HFile 壓縮比 C

Flush 產生的 In 流量和 Out 流量計算公式為：

NInWrite = s  T  (R1 - 1) * C
NOutWrite = s  T  (R1 - 1) * C

假設 T = 20W， S = 1000， R1 = 3， C = 0.2

  NInwrite  = 200000 * 1000 * (3 - 1) * 0.2 

            = 80000000.0 bytes/s

            =76.3MB/s

 NOutwrite  = 200000 * 1000 * (3 - 1) * 0.2 

            = 120000000.0 bytes/s

            =76.3MB/s

Compaction 比較復雜，在有預分區不考慮 Split 的情況下分為兩類：

Major Compaction

Minor Compaction

兩者是獨立的，下面將分別針對兩種 Compaction 做分析，最后取和：

4.3.3.1 Major Compaction

Major Compaction 的定義是由全部 HFile 參與的 Compaction， 一般在發生在 Split 后發生，或者到達系統的 MajorCompaction 周期， 默認的 MajorCompaction 周期為 20 天，這里我們暫時忽略 Split 造成的 MajorCompaction 流量. 最終 Major Compaction 開銷相關的變量是:

單機數據量水位 D

HFIle 副本數 R1

MajorCompaction 周期 → M (默認 20 天)

這里假設數據是有本地化的，所以 MajorCompaction 的讀過程，走 ShortCircuit，不計算網絡開銷，并且寫 HFile 的第一副本是本地流量，也不做流量計算，所以 MajorCompaction 的網絡流量計算公式是：

NInMajor = D * (R1 - 1) / M
NOutMajor = D * (R1 - 1) / M

假設 D = 10T, R1 = 3, M = 20

    NInMajor =  10 * 1024 * 1024 * 1024 * 1024 * (3 - 1) / (20 * 86400)

             = 12725829bytes/s 

             = 12MB/s

   NOutMajor =  10 * 1024 * 1024 * 1024 * 1024 * (3 - 1) / (20 * 86400)

             = 12725829bytes /s 

             = 12MB/s

4.3.3.2 Minor Compaction

量化之前，先問一個問題，每條數據在第一次 flush 成為 HFile 之后，會經過多少次 Minor Compaction?

要回答這個問題之前，要先了解現在 HBase 默認的 compaction 的文件選取策略，這里不展開，只做簡單分析，MinorCompaction 選擇的文件對象數目，一般處于 hbase.hstore.compaction.min（默認 3）和 hbase.hstore.compaction.max（默認 10）之間, 總文件大小小于 hbase.hstore.compaction.max.size（默認 Max）， 如果文件的 Size 小于 hbase.hstore.compaction.min.size（默認是 flushsize）， 則一定會被選中； 并且被選中的文件size的差距不會過大, 這個由參數 hbase.hstore.compaction.ratio 和 hbase.hstore.compaction.ratio.offpeak 控制，這里不做展開.

所以，在 Compaction 沒有積壓的情況下，每次 compaction 選中的文件數目會等于 hbase.hstore.compaction.min 并且文件 size 應該相同量級， 對穩定的表，對每條數據來說，經過的 compaction 次數越多，其文件會越大. 其中每條數據參與 Minor Compaction 的最大次數可以用公式 math.log( 32000 / 25.6, 3) = 6 得到

這里用到的兩個變量是：

FlushSize 默認是 128 MB

HFile 壓縮比例，假設是 0.2

所以剛剛 Flush 生成的 HFile 的大小在 25.6MB 左右，當集齊三個 25.6MB 的 HFile 后，會觸發第一次 Minor Compaction， 生成一個 76.8MB 左右的 HFile

對于一般情況，單個 Region 的文件 Size 我們會根據容量預分區好，并且控制單個 Region 的 HFile 的總大小 在 32G 以內，對于一個 Memstore
128MB, HFile 壓縮比 0.2， 單個 Region 32G 的表，上表中各個 Size 的 HFile 數目不會超過 2 個(否則就滿足了觸發 Minor Compaction 的條件)

32G = 18.6G + 6.2G + 6.2G + 690MB + 230MB + 76.8MB + 76.8MB

到這里，我們知道每條寫入的數據，從寫入到 TTL 過期，經過 Minor Compaction 的次數是可以計算出來的。 所以只要計算出每次 Compaction 的網絡開銷，就可以計算出，HBase 通過 Minor Compaction 消化每條數據，所占用的總的開銷是多少，這里用到的變量有：

單條數據大小 s

峰值寫入 T

HFIle 副本數 R1

HFile 壓縮比 C

計算公式如下：

NInMinor = S  T  （R1-1）  C  總次數
NOutMinor = S  T  （R1-1）  C  總次數

假設 S = 1000, T = 20W， R1 = 3, C = 0.2， 總次數 = 6

    NInminor = 1000 * 200000 * (3 - 1) * 0.2 * 6

             = 480000000.0bytes/s

             = 457.8MB/s 

   NOutminor = 1000 * 200000 * (3 - 1) * 0.2 * 6

             = 480000000.0bytes/s

             = 457.8MB/s 

在用戶寫入 TPS 20W, 單條數據大小 1000 bytes的場景下，整體網絡吞吐為：

NIntotal   = NInwrite + NInflush + NInmajor + NInminor

           = 572MB/s + 76.3MB/s  + 12MB/s + 457.8MB/s

           = 1118.1MB/s

NOuttotal  = NOutwrite + NOutflush + NOutmajor + NOutminor

           = 381MB/s + 76.3MB/s  + 12MB/s + 457.8MB/s

           = 927.1MB

當然這是理想情況下的最小開銷，有很多種情況，可以導致實際網絡開銷超過這個理論值, 以下情況都會導致實際流量的升高：

預分區不足或者業務量增長，導致 Region 發生 Split， Split 會導致額外的 Compaction 操作

分區寫入不平均，導致少量 region 不是因為到達了 flushsize 而進行 flush，導致 flush 下來的文件 Size 偏小

HFile 因為 balance 等原因導致本地化率低，也會導致 compaciton 產生更多的網卡開銷

預分區數目過多，導致全局 memstore 水位高，memstore 沒辦法到達 flushsize 進行 flush，從而全局都 flush 出比較小的文件

等等

有了這個量化分析后，我們能做什么優化呢？ 這里不深入展開，簡單說幾點已經在有贊生產環境得到驗證具有實效的優化點：

業務接入初期，協助業務做 Rowkey 的設計，避免寫入熱點

增加 hbase.hstore.compaction.min，增加每次 Compaction參加的文件數，相當于減少了每條數據整個生命周期經歷過的 Compaction 次數

根據業務穩態的規模，做好預分區，盡量減少 Split 造成的額外開銷

對于讀 RT 不敏感的業務，可以設置 hbase.hstore.compaction.max.size 為 4g，盡可能減少過大的文件做 Compaction，因為大文件做 compaction 的 ROI 實在太低

對于沒有多版本并且有 TTL 的數據，可以關閉系統的 MajorCompaction 周期，數據過期采用文件整體過期的方式，消除 MajorCompaction 的系統開銷

對于吞吐大的場景，用戶在寫入數據的時候就對數據做壓縮，減小寫路徑造成的網絡開銷，畢竟 WAL 是不能壓縮的（壓縮功能形同虛設）

調整 Memstore 的內存比例，保證單機上每個 Region 盡可能的分配到 Flushsize 大小的內存，盡可能的 flush 大文件，從而減少后續 Compaction 開銷

到這里，HBase 的寫吞吐場景的資源定量分析和優化的介紹就算結束了，本文基于 HBase1.2.6 版本。 對很多 HBase 的細節沒有做展開說明，有些地方因為作者認知有限，難免紕漏，歡迎各位同行指出。

最后打個小廣告，有贊大數據團隊基礎設施團隊，主要負責有贊的數據平臺（DP), 實時計算(Storm, Spark Streaming, Flink)，離線計算(HDFS,YARN,HIVE, SPARK SQL)，在線存儲（HBase），實時 OLAP(Druid) 等數個技術產品，歡迎感興趣的小伙伴聯系 hefei@youzan.com

參考文獻

Google BigTable

HBase 官方網站