HBase是一個相對較複雜的分散式系統，併發寫入的效能非常高。然而，分散式系統從結構上來講，也相對較複雜，模組繁多，各個模組之間也很容易出現一些問題，所以對像HBase這樣的大型分散式系統來說，優化系統執行，及時解決系統執行過程中出現的問題也變得至關重要。正所謂：“你”若安好，便是晴天；“你”若有恙，我便沒有星期天。

歷史現狀

HBase交接到我們團隊手上時，已經在線上執行有一大段時間了，期間也偶爾聽到過系統不穩定的、時常會出現一些問題的言論，但我們認為：一個能被大型網際網路公司廣泛採用的系統(包括Facebook，twitter，淘寶，小米等)，其在效能和可用性上是毋庸置疑的，何況像Facebook這種公司，是在經過嚴格選型後，放棄了自己開發的Cassandra系統，用HBase取而代之。既然這樣，那麼，HBase的不穩定、經常出問題一定有些其他的原因，我們所要做的，就是找出這些HBase的不穩定因素，還HBase一個“清白”。“查案”之前，先來簡單回顧一下我們接手HBase時的現狀(我們運維著好幾個HBase叢集，這裡主要介紹問題最多那個叢集的調優)：

應用反應經常會過段時間出現資料寫入緩慢，導致應用端資料堆積現象，是否可以通過增加機器數量來解決？

其實，那個時候，我們本身對HBase也不是很熟悉，對HBase的瞭解，也僅僅在做過一些測試，瞭解一些效能，對內部結構，實現原理之類的基本上都不怎麼清楚。於是剛開始幾天，各種問題，每天晚上拉著一男一起摸索，順利的時候，晚上8，9點就可以暫時搞定線上問題，更多的時候基本要到22點甚至更晚(可能那個時候流量也下去了)，通過不斷的摸索，慢慢了解HBase在使用上的一些限制，也就能逐漸解決這一系列過程中發現的問題。後面挑幾個相對比較重要，效果較為明顯的改進點，做下簡單介紹。

調優

首先根據目前17臺機器，50000+的QPS，並且觀察磁碟的I/O利用率和CPU利用率都相當低來判斷：當前的請求數量根本沒有達到系統的效能瓶頸，不需要新增機器來提高效能。如果不是硬體資源問題，那麼效能的瓶頸究竟是什麼？

Rowkey設計問題

現象

開啟HBase的Web端，發現HBase下面各個RegionServer的請求數量非常不均勻，第一個想到的就是HBase的熱點問題，

上面是HBase下某張表的region請求分佈情況，從中我們明顯可以看到，部分region的請求數量為0，而部分的請求數量可以上百萬，這是一個典型的熱點問題。

原因

HBase出現熱點問題的主要原因無非就是rowkey設計的合理性，像上面這種問題，如果rowkey設計得不好，很容易出現，比如：用時間戳生成rowkey，由於時間戳在一段時間內都是連續的，導致在不同的時間段，訪問都集中在幾個RegionServer上，從而造成熱點問題。

解決

知道了問題的原因，對症下藥即可，聯絡應用修改rowkey規則，使rowkey資料隨機均勻分佈

建議

對於HBase來說，rowkey的範圍劃定了RegionServer，每一段rowkey區間對應一個RegionServer，我們要保證每段時間內的rowkey訪問都是均勻的，所以我們在設計的時候，儘量要以hash或者md5等開頭來組織rowkey

Region重分佈

現象

HBase的叢集是在不斷擴充套件的，分散式系統的最大好處除了效能外，不停服橫向擴充套件也是其中之一，擴充套件過程中有一個問題：每次擴充套件的機器的配置是不一樣的，一般，後面新加入的機器效能會比老的機器好，但是後面加入的機器經常被分配很少的region，這樣就造成了資源分佈不均勻，隨之而來的就是效能上的損失

每臺RegionServer上的請求極為不均勻，多的好幾千，少的只有幾十

原因

資源分配不均勻，造成部分機器壓力較大，部分機器負載較低，並且部分Region過大過熱，導致請求相對較集中。

解決

遷移部分老的RegionServer上的region到新加入的機器上，使每個RegionServer的負載均勻。通過split切分部分較大region，均勻分佈熱點region到各個RegionServer上。

對比前後兩張截圖我們可以看到，Region總數量從1336增加到了1426，而增加的這90個region就是通過split切分大的region得到的。而對region重新分佈後，整個HBase的效能有了大幅度提高。

建議

Region遷移的時候不能簡單開啟自動balance，因為balance主要的問題是不會根據表來進行balance，HBase的自動balance只會根據每個RegionServer上的Region數量來進行balance，所以自動balance可能會造成同張表的region會被集中遷移到同一個臺RegionServer上，這樣就達不到分散式的效果。

基本上，新增RegionServer後的region調整，可以手工進行，儘量使表的Region都平均分配到各個RegionServer上，另外一點，新增的RegionServer機器，配置最好與前面的一致，否則資源無法更好利用。

對於過大，過熱的region，可以通過切分的方法生成多個小region後均勻分佈(注意：region切分會觸發major compact操作，會帶來較大的I/O請求，請務必在業務低峰期進行)

HDFS寫入超時

現象

HBase寫入緩慢，檢視HBase日誌，經常有慢日誌如下：

WARN org.apache.Hadoop.ipc.HBaseServer- (responseTooSlow): {“processingtimems”:36096, “call”:”multi([email protected]), rpc version=1, client version=29, methodsFingerPrint=1891768260″, “client”:”xxxx.xxx.xxx.xxxx:44367″, “starttimems”:1440239670790, “queuetimems”:42081, “class”:”HRegionServer”, “responsesize”:0, “method”:”multi”}

並且伴有HDFS建立block異常如下：

INFO  org.apache.hadoop.hdfs.DFSClient – Exception in createBlockOutputStream

org.apache.hadoop.hdfs.protocol.HdfsProtoUtil.vintPrefixed(HdfsProtoUtil.Java:171)

org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.createBlockOutputStream(DFSOutputStream.java:1105)

org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.nextBlockOutputStream(DFSOutputStream.java:1039)

org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.run(DFSOutputStream.java:487)

一般地，HBase客戶端的寫入到RegionServer下某個region的memstore後就返回，除了網路外，其他都是記憶體操作，應該不會有長達30多秒的延遲，外加HDFS層丟擲的異常，我們懷疑很可能跟底層資料儲存有關。

原因

定位到可能是HDFS層出現了問題，那就先從底層開始排查，發現該臺機器上10塊盤的空間利用率都已經達到100%。按理說，作為一個成熟的分散式檔案系統，對於部分資料盤滿的情況，應該有其應對措施。的確，HDFS本身可以設定資料盤預留空間，如果部分資料盤的預留空間小於該值時，HDFS會自動把資料寫入到另外的空盤上面，那麼我們這個又是什麼情況？

最終通過多方面的溝通確認，發現了主要原因：我們這批機器，在上線前SA已經經過處理，每塊盤預設預留100G空間，所以當通過df命令檢視盤使用率為100%時，其實盤還有100G的預留空間，而HDFS層面我們配置的預留空間是50G，那麼問題就來了：HDFS認為盤還有100G空間，並且多於50G的預留，所以資料可以寫入本地盤，但是系統層面卻禁止了該寫入操作，從而導致資料寫入異常。

解決

解決的方法可以讓SA釋放些空間出來便於資料寫入。當然，最直接有效的就是把HDFS的預留空間調整至100G以上，我們也正是這樣做的，通過調整後，異常不再出現，HBase層面的slow log也沒有再出現。同時我們也開啟了HDFS層面的balance，使資料自動在各個伺服器之間保持平衡。

建議

磁碟滿了導致的問題很難預料，HDFS可能會導致部分資料寫入異常，MySQL可能會出現直接宕機等等，所以最好的辦法就是：不要使盤的利用率達到100%。

網路拓撲

現象

通過rowkey調整，HDFS資料balance等操作後，HBase的確穩定了許多，在很長一段時間都沒有出現寫入緩慢問題，整體的效能也上漲了很多。但時常會隔一段時間出現些slow log，雖然對整體的效能影響不大，但效能上的抖動還是很明顯。

原因

由於該問題不經常出現，對系統的診斷帶來不小的麻煩，排查了HBase層和HDFS層，幾乎一無所獲，因為在大多數情況下，系統的吞吐量都是正常的。通過指令碼收集RegionServer所在伺服器的系統資源資訊，也看不出問題所在，最後懷疑到系統的物理拓撲上，HBase叢集的最大特點是資料量巨大，在做一些操作時，很容易把物理機的千兆網絡卡都吃滿，這樣如果網路拓撲結構存在問題，HBase的所有機器沒有部署在同一個交換機上，上層交換機的進出口流量也有可能存在瓶頸。網路測試還是挺簡單的，直接ping就可以，我們得到以下結果：共17臺機器，只有其中一臺的延遲存在問題

同一個區域網內的機器，延遲達到了毫秒級別，這個延遲是比較致命的，因為分散式儲存系統HDFS本身對網路有要求，HDFS預設3副本存在不同的機器上，如果其中某臺機器的網路存在問題，這樣就會影響到該機器上儲存副本的寫入，拖慢整個HDFS的寫入速度。

解決

網路問題，聯絡機房解決，機房的反饋也驗證了我們的想法：由於HBase的機器後面進行了擴充套件，後面加入的機器有一臺跟其他機器不在同一個交換機下，而這臺機器正是我們找出的有較大ping延時這臺，整個HBase物理結構如下：

跟機房協調，調整機器位置，使所有的HBase機器都位於同一個交換機下，問題迎刃而解。

建議

對於分散式大流量的系統，除了系統本身，物理機的部署和流量規劃也相當重要，儘量使叢集中所有的機器位於相同的交換機下(有容災需求的應用除外)，叢集較大，需要跨交換機部署時，也要充分考慮交換機的出口流量是否夠用，網路硬體上的瓶頸診斷起來相對更為困難。

JVM引數調整

解決了網路上面的不穩定因素，HBase的效能又得到進一步的提高，隨之也帶來了另外的問題。

現象

根據應用反應，HBase會階段性出現效能下降，導致應用資料寫入緩慢，造成應用端的資料堆積，這又是怎麼回事？經過一系列改善後HBase的系統較之以前有了大幅度增長，怎麼還會出現資料堆積的問題？為什麼會階段性出現？

從上圖看，HBase平均流量QPS基本能達到12w，但是每過一段時間，流量就會下降到接近零點，同時這段時間，應用會反應資料堆積。

原因

這個問題定位相對還是比較簡單，結合HBase的日誌，很容易找到問題所在：

org.apache.hadoop.hbase.util.Sleeper – We slept 41662ms instead of 3000ms, this is likely due to a long garbage collecting pause and it’s usually bad

通過上述日誌，基本上可以判定是HBase的某臺RegionServer出現GC問題，導致了服務在很長一段時間內禁止訪問。

HBase通過一系列的調整後，整個系統的吞吐量增加了好幾倍，然而JVM的堆大小沒有進行相應的調整，整個系統的記憶體需求變大，而虛擬機器又來不及回收，最終導致出現Full GC

解決

GC問題導致HBase整個系統的請求下降，通過適當調整JVM引數的方式，解決HBase RegionServer的GC問題。

建議

對於HBase來說，本身不存在單點故障，即使宕掉1,2臺RegionServer，也只是使剩下幾臺的壓力有所增加，不會導致整個叢集服務能力下降很多。但是，如果其中某臺RegionServer出現Full GC問題，那麼這臺機器上所有的訪問都會被掛起，客戶端請求一般都是batch傳送的，rowkey的隨機分佈導致部分請求會落到該臺RegionServer上，這樣該客戶端的請求就會被阻塞，導致客戶端無法正常寫資料到HBase。所以，對於HBase來說，宕機並不可怕，但長時間的Full GC是比較致命的，配置JVM引數的時候，儘量要考慮避免Full GC的出現。

後記

經過前面一系列的優化，目前Datastream的這套HBase線上環境已經相當穩定，連續執行幾個月都沒有任何HBase層面由於系統性能不穩定導致的報警，平均效能在各個時間段都比較穩定，沒有出現過大幅度的波動或者服務不可用等現象。