得物 Zookeeper SLA 也可以 99.99%

一、背景

ZooKeeper（ZK）是一个诞生于2007年的分布式应用程序协调服务。尽管出于一些特殊的历史原因，许多业务场景仍然不得不依赖它。比如，Kafka、任务调度等。特别是在 Flink 混合部署 ETCD 解耦时，业务方曾要求绝对的稳定性，并强烈建议不要使用自建的 ZooKeeper。出于对稳定性的考量，采用了阿里的 MSE-ZK。自从 2022 年 9 月份开始使用至今，我们没有遇到任何稳定性问题，SLA 的可靠性确实达到了 99.99%。

在 2023 年，部分业务使用了自建的 ZooKeeper（ZK）集群，然后使用过程中 ZK 出现了几次波动，随后得物 SRE 开始接管部分自建集群，并进行了几轮稳定性加固的尝试。接管过程中我们发现ZooKeeper在运行一段时间后，内存占用率会不断增加，容易导致内存耗尽（OOM）的问题。我们对这一现象非常好奇，因此也参与了解决这个问题的探索过程。

二、探索分析

确定方向

在排查问题时，我们非常幸运地发现了一个测试环境的故障现场，该集群中的两个节点恰好处于OOM的边缘状态。

有了故障现场，那么一般情况下距离成功终点只剩下50%。

内存偏高，按以往的经验来看，要么是非堆，要么是堆内有问题。从火焰图和jstat 都能证实：是堆内的问题。

如图所示：说明 JVM 堆内存在某种资源占用了大量的内存，并且FGC都无法释放。

内存分析

为了探究 JVM 堆中内存占用分布，我们立即做了一个JVM堆Dump。分析发现 JVM 内存被 childWatches 和 dataWatches 大量占用。

dataWatches：跟踪 znode 节点数据的变化。

childWatches：跟踪 znode 节点结构(tree)的变化。

childWatches和dataWatches同源于WatcherManager。

经过资料排查，我们发现 WatcherManager 主要负责管理 Watcher。ZooKeeper（ZK）客户端首先将 Watcher 注册到 ZooKeeper 服务器上，然后由 ZooKeeper 服务器使用 WatcherManager 来管理所有的 Watcher。当某个 Znode 的数据发生变更时，WatchManager 将触发相应的 Watcher，并通过与订阅该 Znode 的 ZooKeeper 客户端的 socket 进行通信。随后，客户端的 Watch 管理器将触发相关的 Watcher 回调，以执行相应的处理逻辑，从而完成整个数据发布/订阅流程。

进一步分析WatchManager，成员变量 Watch2Path、WatchTables 内存占比高达 (18.88+9.47)/31.82 = 90%。

而 WatchTables、Watch2Path 存储的是 ZNode 与 Watcher 正反映射关系，存储结构图所示：

WatchTables【正向查询表】

HashMap<ZNode, HashSet<Watcher>>

场景：某个ZNode发生变化，订阅该ZNode的Watcher会收到通知。

逻辑：用该ZNode，通过 WatchTables 找到对应的所有 Watcher 列表，然后逐个发通知。

Watch2Paths【逆向查询表】

HashMap<Watcher, HashSet>

场景：统计某个 Watcher 到底订阅了哪些ZNode

逻辑：用该Watcher，通过 Watch2Paths 找到对应的所有 ZNode 列表

Watcher 本质是 NIOServerCnxn，可以理解成一个连接会话。

如果ZNode、和 Watcher 的数量都比较多，并且客户端订阅 ZNode 也比较多，甚至全量订阅。这两张Hash表记录的关系就会呈指数增长，最终会是一个天量！

当全订阅时，如图演示：

当 ZNode数量：3，Watcher 数量：2 WatchTables 和 Watch2Paths 会各有 6 条关系

当 ZNode数量：4，Watcher 数量：3 WatchTables 和 Watch2Paths 会各有 12 条关系

通过监控我们发现，异常的ZK-Node。ZNode数量大概有20W，Watcher数量是5000。而Watcher与ZNode的关系条数达到了1亿。

如果存储每条关系的需要1个 HashMap&Node(32Byte)，由于是两个关系表，double一下。那么其它都不要计算，光是这个"壳"，就需要 2*10000^2*32/1024^3 = 5.9GB 的无效内存开销。

分析到这里，大家应该明白了。为什么我们的ZK内存总是在走“钢丝”，经常OOM。

意外发现

既然已经确定了问题的原因，接下来我们应该考虑如何解决它。

通过上面的分析可以得知，我们需要避免客户端出现对所有 ZNode 进行全面订阅的情况。然而，实际情况是，许多业务代码确实存在这样的逻辑，从 ZTree 的根节点开始遍历所有 ZNode，并对它们进行全面订阅。

我们或许能够说服一部分业务方进行改进，但无法强制约束所有业务方的使用方式。因此，我们解决这个问题的思路在于监控和预防。然而，遗憾的是，ZK 本身并不支持这样的功能，这就需要对 ZK 源码进行修改。

通过对源码的跟踪和分析，我们发现问题的根源又指向了 WatchManager，并且我们仔细研究了这个类的逻辑细节。经过深入理解后，我们发现这段代码的质量似乎像是由应届毕业生编写的，存在大量线程和锁的不恰当使用问题。通过查看 Git 记录，我们发现这个问题可以追溯到 2007 年。然而，令人振奋的是，在这一段时间内，出现了 WatchManagerOptimized（2018），通过搜索 ZK 社区的资料，我们发现了 [ZOOKEEPER-1177]，即在 2011 年，ZK 社区就已经意识到了大量 Watch 导致的内存占用问题，并最终在 2018 年提供了解决方案。正是这个WatchManagerOptimized 的功劳，看来ZK社区早就进行了优化。

有趣的是，ZK默认情况下并未启用这个类，即使在最新的 3.9.X 版本中，默认仍然使用 WatchManager。也许是因为 ZK 年代久远，渐渐地人们对其关注度降低了。通过询问阿里的同事，我们确认了 MSE-ZK 也启用了 WatchManagerOptimized，这进一步证实了我们关注的方向是正确的。因此，我们认为有必要深入挖掘一下这个类的潜力。

优化探索

锁的优化

在默认版本中，使用的 HashSet 是线程不安全的。在这个版本中，相关操作方法如 addWatch、removeWatcher 和 triggerWatch 都是通过在方法上添加了 synchronized 重型锁来实现的。而在优化版中，我们采用了 ConcurrentHashMap 和 ReadWriteLock 的组合，以更精细化地使用锁机制。这样一来，在添加 Watch 和触发 Watch 的过程中能够实现更高效的操作。

存储优化

这是我们关注的重点。从 WatchManager 的分析可以看出，使用 WatchTables 和 Watch2Paths 存储效率并不高。如果 ZNode 的订阅关系较多，将会额外消耗大量无效的内存。

令我们感到惊喜的是，WatchManagerOptimized 在这里使用了“黑科技” -> 位图。

利用位图将关系存储进行了大量的压缩，实现了降维优化。

Java BitSet 主要特点：

空间高效：BitSet 使用位数组存储数据，比标准的布尔数组需要更少的空间。
处理快速：进行位操作（如 AND、OR、XOR、翻转）通常比相应的布尔逻辑操作更快。
动态扩展：BitSet 的大小可以根据需要动态增长，以容纳更多的位。

BitSet 使用一个 long[] words 来存储数据，long 类型占 8 字节，64位。数组中每个元素可以存储 64 个数据，数组中数据的存储顺序从左到右，从低位到高位。

比如下图中的 BitSet 的 words 容量为 4，words[0]从低位到高位分别表示数据 0~63是否存在，words[1] 的低位到高位分别表示数据 64~127 是否存在，以此类推。其中 words[1] = 8，对应的二进制第 8 位为 1，说明此时 BitSet 中存储了一个数据 {67}。

WatchManagerOptimized 使用 BitMap来存储所有的 Watcher。这样即便是存在1W的 Watcher。位图的内存消耗也只有8Byte*1W/64/1024=1.2KB。如果换成 HashSet ，则至少需要 32Byte*10000/1024=305KB，存储效率相差近300倍。

WatchManager.java:private final Map<String, Set<Watcher>> watchTable = new HashMap<>();private final Map<Watcher, Set<String>> watch2Paths = new HashMap<>();

WatchManagerOptimized.java:private final ConcurrentHashMap<String, BitHashSet> pathWatches = new ConcurrentHashMap<String, BitHashSet>();private final BitMap<Watcher> watcherBitIdMap = new BitMap<Watcher>();

ZNode到 Watcher 的映射存储，由 Map<string, set> 换成了 ConcurrentHashMap<string, BitHashSet>。也就是说不再存储 Set，而是用位图来存储位图索引值。

我们用 1W的ZNode，1W的Watcher，极端点走全订阅（所有的Watcher订阅所有的ZNode），做存储效率PK：

可以看到 11.7MB PK 5.9GB，内存的存储效率相差：516倍。

逻辑优化

添加监视器：两个版本都能够在常数时间内完成操作，但是优化版通过使用ConcurrentHashMap提供了更好的并发性能。

删除监视器：默认版可能需要遍历整个监视器集合来找到并删除监视器，导致时间复杂度为O(n)。而优化版利用BitSet和ConcurrentHashMap，在大多数情况下能够快速定位和删除监视器，O(1)。

触发监视器：默认版的复杂度较高，因为它需要对每个路径上的每个监视器进行操作。优化版通过更高效的数据结构和减少锁的使用范围，优化了触发监视器的性能。

三、性能压测

JMH 微基准测试

zookeeper 3.6.4 源码编译， JMH micor 压测 WatchBench。

pathCount：表示测试中使用的ZNode路径数目。

watchManagerClass：表示测试中使用的 WatchManager 实现类。

watcherCount：表示测试中使用的观察者（Watcher）数目。

Mode：表示测试的模式，这里是 avgt，表示平均运行时间。

Cnt：表示测试运行的次数。

Score：表示测试的得分，即平均运行时间。

Error：表示得分的误差范围。

Units：表示得分的单位，这里是毫秒/操作（ms/op）。

ZNode与Watcher 100 万条订阅关系，默认版本使用 50MB，优化版只需要 0.2MB，而且不会线性增加。
添加Watch，优化版（0.406 ms/op）比默认版（2.669 ms/op）提升 6.5 倍。
大量触发Watch ，优化版（17.833 ms/op）比默认版（84.455 ms/op）提升 5 倍。

性能压测

接下来我们在一台机器(32C 60G) 搭建一套 3节点 zookeeper 3.6.4 使用优化版与默认版进行容量压测对比。

场景一：20W znode 短路径

Znode 短路径: /demo/znode1

场景二：20W znode 长路径

Znode 长路径: /sentinel-cluster/dev/xx-admin-interfaces/lock/_c_bb0832d5-67a5-48ab-8fe0-040b9ddea-lock/12

Watch 内存占用跟 ZNode 的 Path 长度有关。
Watch 的数量在默认版是线性上涨，在优化版中表现非常好，这对内存占用优化来说改善非常明显。

灰度测试

基于前面的基准测试和容量测试，优化版在大量 Watch 场景内存优化明显，接下来我们开始对测试环境的 ZK 集群进行灰度升级测试观察。

第一套 zookeeper 集群 & 收益

默认版

优化版

效果收益：

election_time (选举耗时)：降低 60%
fsync_time (事务同步耗时)：降低 75%
内存占用：降低 91%

第二套 zookeeper 集群 & 收益

效果收益：

内存：变更前 JVM Attach 响应无法响应，采集数据失败。
election_time（选举耗时）：降低 64%。
max_latency（读延迟）：降低 53%。
proposal_latency（选举处理提案延迟）：1400000 ms --> 43 ms。
propagation_latency（数据的传播延迟）：1400000 ms --> 43 ms。

第三套 zookeeper 集群 & 收益

默认版

优化版

效果收益：

内存：节省 89%
election_time（选举耗时）：降低42%
max_latency（读延迟）：降低 95%
proposal_latency（选举处理提案延迟）：679999 ms --> 0.3 ms
propagation_latency（数据的传播延迟）：928000 ms--> 5 ms

四、总结

通过之前的基准测试、性能压测以及灰度测试，我们发现了 Zookeeper 的 WatchManagerOptimized。这项优化不仅节省了内存，还通过锁的优化显著提高了节点之间的选举和数据同步等指标，从而增强了 Zookeeper 的一致性。我们还与阿里MSE的同学进行了深度交流，各自在极端场景模拟压测，并达成了一致的看法：WatchManagerOptimized 对 Zookeeper 的稳定性提升显著。总体而言，这项优化使得 Zookeeper 的 SLA 提升了一个数量级。

ZooKeeper有许多配置选项，但大部分情况下不需要调整。为提升系统稳定性，我们建议进行以下配置优化：

将 dataDir（数据目录）和 dataLogDir（事务日志目录）分别挂载到不同的磁盘上，并使用高性能的块存储。
对于 ZooKeeper 3.8 版本，建议使用 JDK 17 并启用 ZGC 垃圾回收器；而对于 3.5 和 3.6 版本，可使用 JDK 8 并启用 G1 垃圾回收器。针对这些版本，只需要简单配置 -Xms 和 -Xmx 即可。
将 SnapshotCount 参数默认值 100,000 调整为 500,000，这样可以在高频率 ZNode 变动时显著降低磁盘压力。
使用优化版的 Watch 管理器 WatchManagerOptimized。

Ref：

https://issues.apache.org/jira/browse/ZOOKEEPER-1177

https://github.com/apache/zookeeper/pull/590

*文/Bruce

本文属得物技术原创，更多精彩文章请看：得物技术官网

未经得物技术许可严禁转载，否则依法追究法律责任！