如何解决看起来不可能的工程问题？

蛮力算法 重定义 决策树 贪婪算法

摘要

近日，Scalyr创建者Steve Newman撰文介绍了他们如何遵循如下两个原则实现TB级数据的秒级查询：常用的用户行为对应简单的服务器行为；寻找一种可以简化关键操作的数据结构。Steve指出，重定义可以让一个看似不可能的挑战变得容易处理，而这两个原则有助于寻找一种合适的重定义方法。

正文

Scalyr是一个基于云的服务器日志监控工具。其官方博客曾发表过一篇文章，描述如何使用蛮力方法实现数十GB日志数据的秒级查询。在对所有日志进行实时探索性分析时，那是个行之有效的方法，但无法实现Scalyr某些功能（如仪表板、预警）所需要的、TB级数据的秒级查询。近日，前谷歌员工、Scalyr创建者Steve Newman撰文介绍了他们如何遵循如下两个原则解决该问题：

• 常用的用户行为对应简单的服务器行为；不常用的用户行为则可以对应复杂的服务器行为。
• 寻找一种可以简化关键操作的数据结构。

Steve指出，重定义可以让一个看似不可能的挑战变得容易处理，而这两个原则有助于寻找一种合适的重定义方法。

“不可能”的问题

Scalyr提供了许多服务器监控和分析工具。为了支撑这些工具，他们将每项功能都实现为一个通用数据集上的一组查询。有些功能需要多个查询。例如，仪表板可以包含任意数量的图表，每个图表又包含多条曲线，而每条曲线对应一个复杂的日志查询。假如一个自定义的仪表板容包含十二个图表，每个图表4条曲线，用户选择了一个时间跨度为一周的仪表板视图，而他们每天生成的日志量为50GB，那么，就需要在350GB的数据上执行48个查询。没有哪个蛮力算法可以在零点几秒内提供查询结果。同样，预警功能也会产生大量的查询。Scalyr的日志预警可以触发非常复杂的条件，比如，过去10分钟内99%的Web前端响应时间超过800毫秒。单个用户可能有成百上千的预警，它们每分钟就需要计算一次。而通常，预警查询对延迟很敏感，需要在几毫秒内响应。

重定义问题

综上所述，仪表板和预警都会产生大量的查询，但都不能接受太长的查询执行时间。所幸，它们有一个共同点：查询事先已知，查询很常用，而新查询很少。按照上文提出的原则，他们需要一种可以简化仪表板和预警查询的数据结构，哪怕创建查询变得复杂也可以接受。

Scalyr支持多种输出结果，包括文本、数值、直方图和键/值数据。不过，仪表板和预警查询总是生成一个数组。每个查询定义了一个时间上的数值函数，可能是“每秒产生的错误信息”、“服务器X上的空闲磁盘空间”等。执行查询就意味着使用函数求值，计算结果为数值序列，每个数值对应一个特定的时间区间。

他们通过预计算来简化函数求值过程。他们采用的数据结构非常简单：每个查询对应一个数组。查询每隔30秒执行一次，并输出一个数值。他们将那个数组称为“时间序列（timeseries）”。例如，用户仪表板上有一张图表，上面显示了Web服务器池产生5xx错误的速率。为此，他们创建了一个时间序列，每30秒记录一个错误数：

这样，他们就可以快速生成任意时段的图表（为了生成更长时段的图表，他们还以逐步增大的时间间隔存储一些冗余数组）。

时间序列维护

当有日志消息到达时，他们需要对每个相关时间序列进行增量更新。例如，如果一个新的Web访问消息包含有介于500-599之间的状态码，那么他们就需要增加对应特定时间间隔的“5xx错误”时间序列的计数器。这里有个问题，就是针对一个新消息，如何确定哪些时间序列需要更新。由于仪表板和预警查询通常使用相同的字段进行过滤，如主机名、指标名，所以他们使用这些字段构建了一棵决策树，通过它快速确定与日志消息匹配的候选时间序列列表。

Steve举了一个例子。假如有十二个时间序列，遵循下面的消息选择标准：

host="frontend1" && metric="memfree"
host="frontend1" && metric="diskfree"
host="frontend2" && metric="memfree"
host="frontend2" && metric=diskfree"
host="backend1" && metric=memfree"
host="backend1" && metric=diskfree"
host="backend2" && metric="memfree"
host="backend2" && metric="diskfree"
pool="webapp" && status >= 400 && status <= 499
pool="webapp" && status >= 500 && status <= 599
pool="api" && status >= 400 && status <= 499
pool="api" && status >= 500 && status <= 599

这些时间序列可以组织成下面这样一棵决策树：

如果收到了下面这样一条消息：

host=frontend1
metric=memfree
value=194207

则该消息会从决策树的根节点开始匹配，首先会进入host=“frontend1”和host=[any]节点。从host=“frontend1”向下，可以进入metric=“memfree”节点，并匹配到该节点下的时间序列（host="frontend1" && metric="memfree"）；从host=[any]节点向下，未能找到匹配的分支，不再向下匹配。就是说，在这种情况下，只需要检查时间序列host="frontend1" && metric="memfree"是否需要更新。而对于消息host=frontend1, metric=memfree, pool=webapp，则需要检查3个时间序列。

决策树生成算法

决策树生成采用了一个简单的贪婪算法：

1. 找出所有用于==检验并在至少一个时间序列中出现的字段名（比如，上例子中的host、metric和pool）。
2. 根据每个字段名划分时间序列。如果一个时间序列无法匹配该字段值域中的某个值，那么就将其划分到[any]组。计算每个组中时间序列的数量，并找出最大的组。在上例中，host字段产生了4个大小为2的组和一个大小为4的组（[any]组）。因此，最大组的大小为4。
3. 创建一棵树，其根字段要能够使最大组最小化。在上例中，如果以host和metric字段为根节点，则最大组的大小均为4；如果以pool字段为根节点，则最大组为[any]，大小为8。因此，可以使用host和metric的其中一个作为根节点，而不使用pool。
4. 在每棵子树上递归执行步骤3。

在Steve举的一个例子中，与蛮力算法相比，该算法带来了33倍的性能提升。在实际的生产环境中，它对性能的提升更明显。

另外，Steve还列举了一些具体的实现细节，此处不再一一赘述。感兴趣的读者可以查看原文。