这是由社区用户——繁凡撰写的一篇他的实际分享,次要解说如何进行 Nebula 性能测试以及数据导入局部的性能调优。下文中呈现的“我”代指用户繁凡。
0. 概要
之前在做 Nebula 的调研工作,而后又针对应用上做了性能测试,期间屡次求教了 Nebula 的官网人员,在这里对官网人员表示感谢,大佬辛苦了!
我把本人测试的过程整顿一下,心愿对大家有一点启发,如果大家有更好的意见,请不吝赐教!
1. 部署 Nebula 集群
首先筹备了 4 台实体机:1、2、3、4,每台配置,CPU:96C,内存:512G,磁盘:SSD。机子调配:
- 1:meta,storage
- 2:storage
- 3:storage
- 4:graphd
装置过程就不再详述了,应用的是 rpm 的形式。其余插件:nebula-import-2.0,nebula-bench-2.0,下载源码编译即可,装置在 4 节点。
2. 导入数据
本次导入的数据数据结构为 7 种点类型、15 种边类型,数据量并不大,构造也很简略,数据量总计 3400w,不过要提前解决成这么多个点边表。
先创立 space,设置 vid=100,replica_factor=3,partition_num=100。
nebula-importer 数据导入优化
应用 nebula-importer 进行导入,间接开干,速度只有 3w/s 的样子,这也太慢了吧。查看 import 的文档,整个应用的参数也就只有concurrency
,channelBufferSize
,batchsize
先调整一下试试吧,轻易改了改,成果并不显著, 发帖求教大佬了。详见论坛帖子 nebula-import 2.0 导入速度太慢,求教完之后,播种很大,先改 yaml 参数
concurrency:96 # cpu 核数
channelBufferSize:20000
batchsize:2500
速度差不多 7-8w 了,嗯,看起来的确快了很多,再搞大点,graphd 间接崩掉了,看来还是不能过大,所以这几个参数要尽量大然而不能过大。
而后再确认下磁盘和网络,居然用的是机械磁盘和千 M 网络。。。改成 SSD 的,而后再切换成 万 M 网络,速度间接再晋升一倍多,大略 17w/s,看起来硬件还是很重要。
而后我再想会不会跟数据有关系,留神到 vid 和 partition_num,vid 挺长的想着设置短一点然而没方法改,因为的确有这么长的,而后是 partition_num,看了下官网阐明,磁盘的 2-10 倍,改为了 15,的确有影响,速度达到了 25w/s。到这里也算比较满意了,可能再批改还会有晋升,不过曾经满足要求了先告一段落吧。
小结
- concurrency 设置为 CPU 核数,channelBufferSize 和 batchsize 尽可能大,然而不能超过集群的负载。
- 硬件要用 SSD 和万 M 网络
- space 的分区 partition_num 要正当,不能太多
- 猜想 vid 长度,属性数量,graphd 的个数都有影响,但还未尝试
3. 压力测试
依据业务上应用的指标,选取了一个进行测试。
指标如下:
match (v:email)-[:emailid]->(mid:id)<-[:phoneid]-(phone:phone)-[:phoneid]->(ids:id) where id(v)=="replace" with v, count(distinct phone) as pnum,count(distinct mid) as midnum,count(distinct ids) as idsnum , sum(ids.isblack) as black where pnum > 2 and midnum>5 and midnum < 100 and idsnum > 5 and idsnum < 300 and black > 0 return v.value1, true as result
该语句为一个三度扩散 + 条件判断,集中数据波及点的数量大略在 200-400 之间。
官网的 nebula-bench 须要做一点批改,关上 jmter 的 go_step.jmx 配置文件,批改 ThreadGroup.num_threads
为 CPU 核数,而后是其余的参数,如 loop,ngql 依据理论状况设置,ngql 里边的变量要用 replace 代替。
因为测试数据为较为集中的数据,该局部测试后果为 700/s, 将数据扩充至全副节点,则达到 6000+/s。并发看起来还是能够的,查问速度也 ok,最高 300ms。
因为我这里是单节点,所以想减少 1 台 graphd 进行测试,看并发是否进步,而后间接启动了一个 graphd 过程,再测试后果发现没有进步。
而后刚好看到公布了 2.0.1,所以从新搭建了集群,从新导入数据,应用 3 台 graphd,性能间接翻三倍,集中数据达到 2100+/s,全副节点则达到将近 2w。所以很奇怪,详见论坛帖子 nebula-bench 2.0 减少 graph 节点,并发上不去。
猜想可能是因为减少 graphd 之后没有 blance 或者 compact,有空能够尝试一下。
另外因为没有应用一些监控组件,只用了 Linux 的命令查看,所以也没有失去太确切的机器状态信息。
小结
- 测试之前,保障集群的负载平衡,做好 compact
- 适当调整 storage 的配置,增大可用线程数以及缓存的内存大小
- 并发跟数据有很大关系的,单纯多少没有意义,须要联合本人的数据分布状况来看。
4. 配置
下边间接贴一下我批改的参数,meta,graphd 都采纳默认配置,也没有特地要批改的,只贴一下 storage,并进行阐明。
rocksdb_block_cache=102400 # 官网倡议 1/3 内存,我这里设置 100G
num_io_threads=48 # 可用线程数,设置为 cpu 核数一半
min_vertices_per_bucket=100 # 一个桶最小的点数量
vertex_cache_bucket_exp=8 # 桶的总数是 2 的 8 次方
wal_buffer_size=16777216 # 16 M
write_buffer_size:268435456 # 256 M
这里的参数是依据浏览各个贴子以及去官网代码查找的,并不一定特地精确,也是摸索来的,其余的参数没有特地批改。有很多的参数没有裸露进去,官网不倡议轻易批改,所以须要理解的话要去 GitHub 的源码里边查看。
结尾
总体来说,本次测试算不上特地业余,然而针对具体业务场景的测试,Nebula 也体现了很好的后果。具体参数的调整,也没有钻研特地透彻,须要之后在应用中钻研,如果大家有调优的好想法还请畅所欲言。
交换图数据库技术?报名参加 Nebula 交流会,NUC·2021 报名传送门,咱们在北京等你来交换~~