...
参照之前开发该功能时的测试记录,在 768 G 内存的机器上测试 multi-raft-factor 参数的作用,当内存不紧张 GC 不频繁时,性能提升十分明显。具体可以参考此文档。
补充实验 1 :
思路:
- 降低负载,增大空闲内存。检验 multi-raft-factor 不同值时的性能对比。
配置变化:
- sensorNum 大小从 8000 降低为 800,读写内存分配为 4:1:1:4。
结论:
- 当 GC 不频繁时,multi-raft-factor 增大后性能略有下降。可以证明开启 multi-raft-factor 不会导致明显的性能下降,在误差范围内性能基本一致。然而,与之前的测试结论不符,通过 timer 发现基本没有抢锁的耗时,通过测试该机器发现节点间的带宽为 300MB/s ,之前测出性能大幅提升的节点间的带宽为 12.5GB/s,因而猜测当网络很慢时,raftLogManager 的锁不会成为瓶颈。
multi-raft-factor = 1
multi-raft-factor = 3
补充实验 2:
思路:
回到之前高速网络的机器上,检验 multi-raft-factor 不同值时的性能对比。
配置:
两节点两副本,1 benchmark 60 并发 20 存储组。
结论:
- multi-raft-factor 增大后性能性能依然小幅度下降。
- 通过 timer 判断可能是客户端压力不够。
multi-raft-factor = 1
multi-raft-factor = 3
补充实验 3:
提高客户端压力,检验 multi-raft-factor 不同值时的性能对比。
配置:
两节点两副本,multi-raft-factor 分别为 1 和 20。1 benchmark,每个 benchmark 400 并发 40 存储组,共 6400 个 device,每个 device 一个 sensor,batchsize = 100。
结论:
- multi-raft-factor 增大之后性能小幅上升。
multi-raft-factor = 1
multi-raft-factor = 20
总结:
当前的 multi-raft 功能在高并发情况下不一定能够带来稳定的提升,主要原因是 Raft 的内存控制工作还不够完善,默认参数可能会导致内存紧张 GC 频繁。
...