etcd：增加30%的写入性能

本文最终的解决方式很简单，就是将现有卷升级为支持更高IOPS的卷，但解决问题的过程值得推荐。

我们的团队看管着大约30套自建的Kubernetes集群，最近需要针对etcd集群进行性能分析。

每个etcd集群有5个成员，实例型号为m6i.xlarge，最大支持6000 IOPS。每个成员有3个卷：

root卷
write-ahead-log的卷
数据库卷

每个卷的型号为 gp2，大小为300gb，最大支持900 IOPS：

测试写性能

首先(在单独的实例上执行)执行etcdctl check perf命令，模拟etcd集群的负载，并打印结果。可以通过--load参数来模拟不同大小的集群负载，支持参数为：s(small), m(medium), l(large), xl(xLarge)。

当load为s时，测试是通过的。

但当load为l时，测试失败。可以看到，集群可执行6.6K/s的写操作，可以认为我们的集群介于中等集群和大型集群之间。

下面是使用iostat展示的磁盘状态，其中nvme1n1是etcd的write-ahead-log卷，其IO使用率已经达到100%，导致etcd的线程等待IO。

下面使用fio来查看fdatasync的延迟(见附录)：

fio --rw=write --ioengine=sync --fdatasync=1 --directory=benchmark --size=22m --bs=2300 --name=sandbox

...

Jobs: 1 (f=1): [W(1)][100.0%][w=1594KiB/s][w=709 IOPS][eta 00m:00s]

...

  fsync/fdatasync/sync_file_range:

    sync (usec): min=476, max=10320, avg=1422.54, stdev=727.83

    sync percentiles (usec):

     |  1.00th=[  523],  5.00th=[  545], 10.00th=[  570], 20.00th=[  603],

     | 30.00th=[  660], 40.00th=[  775], 50.00th=[ 1811], 60.00th=[ 1909],

     | 70.00th=[ 1975], 80.00th=[ 2057], 90.00th=[ 2180], 95.00th=[ 2278],

     | 99.00th=[ 2671], 99.50th=[ 2933], 99.90th=[ 4621], 99.95th=[ 5538],

     | 99.99th=[ 7767]

...

Disk stats (read/write):

  nvme1n1: ios=0/21315, merge=0/11364, ticks=0/13865, in_queue=13865, util=99.40%

可以看到fdatasync延迟的99th百分比为 2671 usec (或 2.7ms)，说明集群足够快(etcd官方建议最小10ms)。从上面的输出还可以看到报告的IOPS为709，相比gp2 EBS 卷宣称的900 IOPS来说并不算低。

升级为GP3

下面将卷升级为GP3(支持最小3000 IOPS)。

Jobs: 1 (f=1): [W(1)][100.0%][w=2482KiB/s][w=1105 IOPS][eta 00m:00s]

...

   iops        : min=  912, max= 1140, avg=1040.11, stdev=57.90, samples=19

...

  fsync/fdatasync/sync_file_range:

    sync (usec): min=327, max=5087, avg=700.24, stdev=240.46

    sync percentiles (usec):

     |  1.00th=[  392],  5.00th=[  429], 10.00th=[  457], 20.00th=[  506],

     | 30.00th=[  553], 40.00th=[  603], 50.00th=[  652], 60.00th=[  709],

     | 70.00th=[  734], 80.00th=[  857], 90.00th=[ 1045], 95.00th=[ 1172],

     | 99.00th=[ 1450], 99.50th=[ 1549], 99.90th=[ 1844], 99.95th=[ 1975],

     | 99.99th=[ 3556]

...

Disk stats (read/write):

  nvme2n1: ios=5628/10328, merge=0/29, ticks=2535/7153, in_queue=9688, util=99.09%

可以看到IOPS变为了1105，但远低于预期，通过查看磁盘的使用率，发现瓶颈仍然是EBS卷。

鉴于实例类型支持的最大IOPS为6000，我决定冒险一试，看看结果如何：

Jobs: 1 (f=1): [W(1)][100.0%][w=2535KiB/s][w=1129 IOPS][eta 00m:00s]

...

  fsync/fdatasync/sync_file_range:

    sync (usec): min=370, max=3924, avg=611.54, stdev=126.78

    sync percentiles (usec):

     |  1.00th=[  420],  5.00th=[  453], 10.00th=[  474], 20.00th=[  506],

     | 30.00th=[  537], 40.00th=[  562], 50.00th=[  594], 60.00th=[  635],

     | 70.00th=[  676], 80.00th=[  717], 90.00th=[  734], 95.00th=[  807],

     | 99.00th=[  963], 99.50th=[ 1057], 99.90th=[ 1254], 99.95th=[ 1336],

     | 99.99th=[ 2900]

...

可以看到的确遇到了瓶颈，当IOPS规格从900变为3000时，实际IOPS增加了30%，但IOPS规格从3000变为6000时却没有什么变化。

IOPS到哪里去了？

操作系统通常会缓存写操作，当写操作结束之后，数据仍然存在缓存中，需要等待刷新到磁盘。

数据库则不同，它需要知道数据写入的时间和地点。假设一个执行EFTPOS(电子钱包转帐)交易的数据库被突然重启，仅仅知道数据被"最终"写入是不够的。

AWS在其文档中提到：

事务敏感的应用对I/O延迟比较敏感，适合使用SSD卷。可以通过保持低队列长度和合适的IOPS数量来保持高IOPS，同时降低延迟。持续增加卷的IOPS会导致I/O延迟的增加。

吞吐量敏感的应用则对I/O延迟增加不那么敏感，适合使用HDD卷。可以通过在执行大量顺序I/O时保持高队列长度来保证HDD卷的高吞吐量。

etcd在每个事务之后都会使用一个fdatasync系统调用，这也是为什么在fio命令中指定—fdatasync=1的原因。

fsync()会将文件描述符fd引用的所有(被修改的)核心数据刷新到磁盘设备(或其他永久存储设备)，这样就可以检索到这些信息(即便系统崩溃或重启)。该调用在设备返回前会被阻塞，此外，它还会刷新文件的元数据(参见stat(2))

fdatasync() 类似 fsync()，但不会刷新修改后的元数据(除非需要该元数据才能正确处理后续的数据检索)。例如，修改st_atime或st_mtime并不会刷新，因为它们不会影响后续数据的读取，但对文件大小(st_size)的修改，则需要刷新元数据。

可以看到这种处理方式对性能的性能比较大。

下表展示了各个卷类型的最大性能：

附录

使用Fio来测试Etcd的存储性能

etcd集群的性能严重依赖存储的性能，为了理解相关的存储性能，etcd暴露了一些Prometheus指标，其中一个为wal_fsync_duration_seconds，etcd建议当99%的指标值均小于10ms时说明存储足够快。可以使用fio来验证etcd的处理速度，在下面命令中，test-data为测试的挂载点目录：
fio --rw=write --ioengine=sync --fdatasync=1 --directory=test-data --size=22m --bs=2300 --name=mytest
在命令输出中，只需关注fdatasync的99th百分比是否小于10ms，在本场景中，为2180微秒，说明存储足够快：
fsync/fdatasync/sync_file_range:

  sync (usec): min=534, max=15766, avg=1273.08, stdev=1084.70

  sync percentiles (usec):

   | 1.00th=[ 553], 5.00th=[ 578], 10.00th=[ 594], 20.00th=[ 627],

   | 30.00th=[ 709], 40.00th=[ 750], 50.00th=[ 783], 60.00th=[ 1549],

   | 70.00th=[ 1729], 80.00th=[ 1991], 90.00th=[ 2180], 95.00th=[ 2278],

   | 99.00th=[ 2376], 99.50th=[ 9634], 99.90th=[15795], 99.95th=[15795],

   | 99.99th=[15795]
注意：

可以根据特定的场景条件--size和--bs

在本例中，fio是唯一的I/O，但在实际场景中，除了和wal_fsync_duration_seconds相关联的写入之外，很可能还会有其他写入存储的操作，因此，如果从fio观察到的99th百分比略低于10ms时，可能并不是因为存储不够快。

fio的版本不能低于3.5，老版本不支持fdatasync

Etcd WALs

数据库通常都会使用WAL，etcd也不例外。etcd会将针对key-value存储的特定操作(在apply前)写入WAL中，当一个成员崩溃并重启，就可以通过WAL恢复事务处理。

因此，在客户端添加或更新key-value存储前，etcd都会将操作记录到WAL，在进一步处理前，etcd必须100%保证WAL表项被持久化。由于存在缓存，因此仅仅使用write系统调用是不够的。为了保证数据能够写入持久化存储，需要在write之后执行fdatasync系统调用(这也是etcd实际的做法)。

使用fio访问存储

为了获得有意义的结果，需要保证fio生成的写入负载和etcd写入WAL文件的方式类似。因此fio也必须采用顺序写入文件的方式，并在执行write系统调用之后再执行fdatasync系统调用。为了达到顺序写的目的，需要指定--rw=write，为了保证fio使用的是write系统调用，而不是其他系统调用(如 pwrite)，需要使用--ioengine=sync，最后，为了保证每个write调用之后都执行fdatasync，需要指定--fdatasync=1，另外两个参数--size和--bs需要根据实际情况进行调整。