Elasticsearch实战-磁盘IO被打满

背景

事情是这样的。一天下午4点42分左右。业务反馈我开发的服务在测试环境出现问题，返回资源数据是0。查日志发现是ES访问超时。相当于数据库挂了。持续了20多分钟自己恢复。
咨询了ES团队，最终得到下面的答复：

当前集群现状:
1）当前集群数据IO最高的索引为XXX，数据量很小(100mb)
2)但是读写都很大(读>1000QPS,写>1000QPS) ，使用的是线下环境的机器
3)索引分了10个片，4个副本问题
分析:
1)线下环境的机器之前了解到测试环境硬盘性能本来就很差,这个需要业务SRE一块来确定
2)查询的时候，会一次性查询10个片，这样可能会查10台机器的数据，很容易出现木桶效应，造成集群的性能下降
3)写入的时候，虽然是做了10个分片，看起来能加大写能力，但是机器数少，导致结果是每台机器分布了5个分片，等效于只做了2个分片，完全没有扩大写的能力
建议:
1)升级硬件，换成SSD
2)分片改成2个，这样读能力比以前肯定有提升，写能力等价
3)数据量很小，建议直接换成Redis

我自己做了调查。测试环境ES有十台VM（非本地ESB磁盘）作为服务器。其中一台IO被打满。其他机器负载、IO都很低。对于这个问题，ES团队给出的答复是：

ES的服务负载均衡、发现机制是自己写的，一般不会出现问题，
Client仅仅对官方的客户端做了简单的封装，
当然最好是可以对官方的客户端进行改造，
但是我们现在的人力明显不行，只能继续沿用老的客户端使用；
我们预计在10月份左右会出一个自研的客户端，
会尽量避免出现一台机器导致部分查询出现问题，
但是也避免不了，
ES内部的服务发现机制，我们改变不了，除非改ES

调查

1.需要换成本地磁盘，测试环境也是我们的正式环境。是否能直接替换成物理机？多少台合适？怎么可以平滑替换？

没有必要换成物理机。因为ES内存最多能用32G。内存多出来的是浪费用不上，有物理机也是隔成VM来用。

原来10台VM是足够的，只需要同等数量替换。

有机器替换功能。替换时原理是先申请机器部署。然后点击机器替换。会一台台的将分片赶到新机器上。一台下完自动下线老机器。

2.我们测试环境有10台服务器，10个分片，4个副本，写/读QPS大概是7：6。究竟几个分片几个索引更合理？

因为每个分片和副本是同步写。写比例大，副本多会对性能有很大影响。分片替换需要重建索引，很难平滑。所以只将副本数减少为一个分片1个。

3.程序方面有没有可以优化的？

在ES上层增加tair缓存。在进行数据更新操作时是单个数据读取。采用tair有更好的事务性，并减少了对ES的压力。ES只处理复杂查询请求。