RaftKeeper v2.1.0版本发布，性能大幅提升!

RaftKeeper是一款高新能分布式共识服务，完全兼容Zookeeper但性能更出色，更多关于RaftKeeer参考Github，我们将RaftKeeper大规模应用到ClickHouse场景中，用于解决ZooKeeper的性能瓶颈问题，同时RaftKeeper也可以用于其它大数据组件比如HBase。

v2.1.0作为v2.0.0后的重要版本，引入了一系列新特性，包括异步创建snapshot。该版本的最大亮点在于性能优化：写请求性能提升11%，读写混合场景更是大幅提升了118% 。本文将从工程细节的角度深入解析新版本的改进与优化。

一、性能优化效果

在性能测试中，我们使用了raftkeeper-bench工具，测试环境为三个节点组成的集群，每个节点配置为16核CPU、32GB内存和100GB存储空间。测试对象包括RaftKeeper v2.1.0、RaftKeeper v2.0.4和ZooKeeper 3.7.1，均采用默认配置。

测试分为两组：

第一组测试纯create操作的性能，create操作的value大小为100字节。结果显示，RaftKeeper v2.1.0相较于v2.0.4性能提升了11%，相较于ZooKeeper性能提升了143%。

第二组请求比例为create-1%、set-8%、get-45%、list-45%、delete-1%。其中，list请求结果包含100个子节点，每个子节点大小为50字节；get、set、create请求的节点value大小为100字节。结果显示，RaftKeeper v2.1.0相较于v2.0.4性能提升了118%，相较于ZooKeeper性能提升了198%。

rk2.1.0版本在测试中avgRT和TP99指标均优于rk2.0.4，具体可以参考测试报告。

二、性能优化

接下来从工程细节的角度，介绍一些v2.1.0的优化点。

1. 响应并行序列化

RaftKeeper被我们广泛应用到ClickHouse中，下图是一个规模较大的RaftKeeper集群的火焰图，通过火焰图发现ResponseThread线程消耗不少CPU时间片，其中大概三分之一时间片用于序列化响应。

ResponseThread负责序列化响应并且转发给IO线程，它是一个单线程，串行执行序列化会增大延迟。我们可以把响应的序列化交给IO线程来做，以并发的方式提高吞吐。

同时可以看到sdallocx_default函数占用了不少时间片，该函数是jemelloc释放内存的函数，函数对于时间片的消耗没有问题，但是该操作在基于mutex的同步队列中执行会增加锁的时间。

/// responses_queue是一个基于mutex的同步队列，在tryPop方法中释放response_for_session会增加lock的时间
responses_queue.tryPop(response_for_session, std::min(max_wait, static_cast<UInt64>(1000)))

解决的方式是在tryPop方法前先释放response_for_session的内存空间。

下面的表格展示了优化前后的性能指标，测试共有四组每组使用不同的并发度，其中响应大小为50bytes，当并发度为10的时候，TPS增加31%，AvgRT降低32%。

2. 优化List请求

依然是同一个RaftKeeper集群，通过火焰图发现，List请求处理几乎消耗了request-processor线程所有的CPU时间片。在RaftKeeper的执行链路中request-processor负责处理用户的请求，它是一个单线程，所以比较容易成为瓶颈点。

通过火焰图可以发现两个瓶颈点：1.为字符串分配内存空间；2.插入vector。

List请求返回的结果是一个std::vector动态数组，其内存layout如下图所示，每个成员是一个字符串，每个字符串需要分配一块动态内存用于保存数据，所以当字符串多的时候需要大量的动态内存分配。

一个很直观的优化思路，可以设计一个compact strings，数据采用紧凑的方式存储，在以下的设计中，采用两个连续内存空间，一个用于存储数据，一个用于存储offset，具体参考：CompactStrings实现。

优化后从火焰图方面看List请求处理在CPU的占比从5.46%下降到3.37%，进行List请求的benchmark测试，TPS从45.8w/s 增长到 61.9w/s，同时TP99更低。

优化前：
read requests 14826483, write requests 0, Read RPS: 458433, Read MiB/s: 2441.74, TP99 1.515 msec

优化后：
read requests 14172371, write requests 0, Read RPS: 619388, Read MiB/s: 3156.67, TP99 0.381 msec.

3. 优化无用的系统调用

系统调用会引起用户态和内核态的上下文切换，往往系统调用函数会有比较大的开销，我们通过bpftrace对RaftKeeper进行了profile

BPFTRACE_MAX_PROBES=1024 bpftrace -p 4179376 -e ' 
tracepoint:syscalls:sys_enter_* { @start[tid] = nsecs; }
tracepoint:syscalls:sys_exit_* /@start[tid]/ {
    @time[probe] = sum(nsecs - @start[tid]);
    delete(@start[tid]);
    @cc[probe] = sum(1);
}

interval:s:10{ exit(); }
'

发现大量的getsockname和getsockopt系统调用占用了不少开销。

Execution count:
@cc[tracepoint:syscalls:sys_exit_getsockname]: 2878146
@cc[tracepoint:syscalls:sys_exit_getsockopt]: 2821796

Execution time (ns):
@time[tracepoint:syscalls:sys_exit_getsockopt]: 3161677518
@time[tracepoint:syscalls:sys_exit_getsockname]: 2647505715

这些系统调用本不该存在，经过排查发现是在打印日志的时候错误的进行了调用。

const auto socket_name = sock.isStream() ? sock.address().toString() : sock.peerAddress().toString();
LOG_TRACE(log, "Dispatch event {} for {} ", notification.name(), socket_name);

4. 线程池优化

下图是一次benchmark（读写4:6的比例）RaftKeeper的火焰图，进行性能瓶颈分析发现，发现request-processor线程的CPU时间片大部分时间(超过60%)消耗在条件变量等待的调用。

在RaftKeeper的主执行链路中request-processor线程负责处理用户请求，它的主要流程可以简单抽象为：1. 对于写请求，单线程处理；2. 对于读请求，通过线程池并发处理，然后调用request_thread->wait()阻塞等待所有读取请求完成。

/// 1. process read-request by a thread pool
for (RunnerId runner_id = 0; runner_id < runner_count; runner_id++)
{
    request_thread->trySchedule(
    [this, runner_id]
    {
        moveRequestToPendingQueue(runner_id);
        processReadRequests(runner_id);
    });
}

/// 2. wait read request processing
request_thread->wait();   

/// 3. process write-request in single thread
processCommittedRequest(committed_request_size);

增加监控指标分别统计读和写请求的执行时间发现，在读请求和写请求数量几乎相同的情况下，读请求的处理延时是写请求的3倍。

因为每个请求的处理时间很短，到这里可以推测出，线程池任务调度的时间不可忽视，所以出现了性能下降。解决方式是去掉线程池，单线程处理读请求，以下benchmark是优化前后benchmark结果，TPS提升13%。

优化前：
thread_size,tps,avgRT(microsecond),TP90(microsecond),TP99(microsecond),TP999(microsecond),failRate
200,84416,2407.0,3800.0,4500.0,8300.0,0.0

优化后：
thread_size,tps,avgRT(microsecond),TP90(microsecond),TP99(microsecond),TP999(microsecond),failRate
200,108950,1846.0,3100.0,4000.0,5600.0,0.0

三、Snapshot优化

1. 异步snapshot

在RaftKeeper整个请求处理链路中，创建snapshot是在主链路中进行处理的，当数据量大的时候会长时间阻塞用户请求，造成请求超时、leader切换等引起服务不可用的问题，在我们线上场景中对于6000w的数据做snapshot需要180s。

为了解决以上问题，新版本中支持了异步snapshot，当需要创建snapshot的时候首先将整个DataTree拷贝一份，这一步在主线程中处理，然后在后台将拷贝的DataTree序列化到磁盘中。

采用这用方式6000w的数据做snaphot对用户的阻塞时间从180s降低到了4.5s，但是这种方案也有一些负面效果，需要额外消耗大于50%的内存。

为了进一步降低对用户的阻塞时间，对DataTree拷贝进行了进一步优化。DataTree拷贝其实是一个计算密集型的任务，所以可以采用向量化的方式，同时会遍历hashmap可以适当进行prefetch。

inline void memcopy(char * __restrict dst, const char * __restrict src, size_t n)
{
    auto aligned_n = n / 16 * 16;
    auto left = n - aligned_n;
    while (aligned_n > 0)
    {
        _mm_storeu_si128(reinterpret_cast<__m128i *>(dst), _mm_loadu_si128(reinterpret_cast<const __m128i *>(src)));

        dst += 16;
        src += 16;
        aligned_n -= 16;
        __asm__ __volatile__("" : : : "memory");
    }
    ::memcpy(dst, src, left);
}

上面的拷贝函数基于SSE指令集，优化后DataTree拷贝时间从4.5s降低到3.5s。

2. Snapshot加载速度优化

RaftKeeper老版本中，启动服务之后snapshot加载速度比较慢，线上一个作为ClickHouse metadata存储的Raftkeeper有6kw的数据，在NVMe磁盘的服务器上加载snapshot需要180s，导致服务启动速度很慢。

加载snapshot主要分两步，第一步读取磁盘上的数据，反序列化成节点；第二步遍历DataTree并构建父子关系，其中第一步是并行的，第二步是单线程的。

由于第二步是单线程执行，可以改成并行的方式，并行化改造的基础是DataTree是一个二层HashMap结构，改造后每个线程负责固定的bucket，这样避免了并发问题。具体流程为首先从磁盘读取数据并按照bucket的粒度存储节点和父子关系，然后填充DataTree并构建父子关系。

优化后加载snapshot时间从180s降低到99s，之后又通过锁优化、snapshot格式优化、减少数据拷贝等手段将时间降低到22s。

四、上线效果

我们选取线上一个对ZooKeeper请求量大的ClickHouse集群，在ClickHouse测的监控指标看QPS大概为17w/s，其中绝大部分为List请求。依次将其从ZooKeeper升级到RaftKeeper v2.0.4和v2.1.0，观察监控指标

可以看到RaftKeeper v2.0.4的表现不及ZooKeeper（主要原因是该场景下绝大部分请求是list，v2.0.4对于list请求性能较差），但是v2.1.0有比较大幅的优势。