本文由雲+社區發表 作者:騰訊雲資料庫團隊 隨著國內服務共用化的熱潮普及,共用單車,共用雨傘,共用充電寶等各種服務如雨後春筍,隨之而來的LBS服務定位問題成為了後端服務的一個挑戰。MongoDB對LBS查詢的支持較為友好,也是各大LBS服務商的首選資料庫。騰訊雲MongoDB團隊在運營中發現,原生M ...
本文由雲+社區發表
作者:騰訊雲資料庫團隊
隨著國內服務共用化的熱潮普及,共用單車,共用雨傘,共用充電寶等各種服務如雨後春筍,隨之而來的LBS服務定位問題成為了後端服務的一個挑戰。MongoDB對LBS查詢的支持較為友好,也是各大LBS服務商的首選資料庫。騰訊雲MongoDB團隊在運營中發現,原生MongoDB在LBS服務場景下有較大的性能瓶頸,經騰訊雲團隊專業的定位分析與優化後,雲MongoDB在LBS服務的綜合性能上,有10倍以上的提升。 騰訊雲MongoDB提供的優異綜合性能,為國內各大LBS服務商,例如摩拜單車等,提供了強有力的保障。
LBS業務特點
以共用單車服務為例,LBS業務具有2個特點,分別是時間周期性和坐標分佈不均勻。
一.時間周期性
高峰期與低谷期的QPS量相差明顯,並且高峰期和低峰期的時間點相對固定。
二.坐標分佈不均勻
坐地鐵的上班族,如果留意可能會發現,在上班早高峰時,地鐵周圍擺滿了共用單車,而下班 時段,地鐵周圍的共用單車數量非常少。如下圖,經緯度(121,31.44)附近集中了99%以上 的坐標。此外,一些特殊事件也會造成點的分佈不均勻,例如深圳灣公園在特殊家假日涌入大量的客戶,同時這個地域也會投放大量的單車。部分地域單車量非常集中,而其他地域就非常稀疏。
MongoDB的LBS服務原理
MongoDB中使用2d_index 或2d_sphere_index來創建地理位置索引(geoIndex),兩者差別不大,下麵我們以2d_index為例來介紹。
一.2D索引的創建與使用
db.coll.createIndex({"lag":"2d"}, {"bits":int}))
通過上述命令來創建一個2d索引,索引的精度通過bits來指定,bits越大,索引的精度就越高。更大的bits帶來的插入的overhead可以忽略不計
db.runCommand({
geoNear: tableName,
maxDistance: 0.0001567855942887398,
distanceMultiplier: 6378137.0,
num: 30,
near: [ 113.8679388183982, 22.58905429302385 ],
spherical: true|false})
通過上述命令來查詢一個索引,其中spherical:true|false 表示應該如何理解創建的2d索引,false表示將索引理解為平面2d索引,true表示將索引理解為球面經緯度索引。這一點比較有意思,一個2d索引可以表達兩種含義,而不同的含義是在查詢時被理解的,而不是在索引創建時。
二.2D索引的理論 MongoDB 使用GeoHash的技術來構建2d索引(見wiki geohash 文字鏈 https://en.wikipedia.org/wiki/Geohash )。MongoDB使用平面四叉樹劃分的方式來生成GeoHashId,每條記錄有一個GeoHashId,通過GeoHashId->RecordId的索引映射方式存儲在Btree中
很顯然的,一個2bits的精度能把平面分為4個grid,一個4bits的精度能把平面分為16個grid。 2d索引的預設精度是長寬各為26,索引把地球分為(2^26)(2^26)塊,每一塊的邊長估算為2PI6371000/(1<<
26) = 0.57 米 mongodb的官網上說的60cm的精度就是這麼估算出來的 By default, a 2d index on legacy coordinate pairs uses 26 bits of precision, which isroughly equivalent to 2 feet or 60 centimeters of precision using the default range of-180 to 180
三.2D索引在Mongodb中的存儲
上面我們講到Mongodb使用平面四叉樹的方式計算Geohash。事實上,平面四叉樹僅存在於運算的過程中,在實際存儲中並不會被使用到。
插入 對於一個經緯度坐標[x,y],MongoDb計算出該坐標在2d平面內的grid編號,該編號為是一個52bit的int64類型,該類型被用作btree的key,因此實際數據是按照 {GeoHashId->RecordValue}的方式被插入到btree中的。
查詢 對於geo2D索引的查詢,常用的有geoNear和geoWithin兩種。geoNear查找距離某個點最近的N個點的坐標並返回,該需求可以說是構成了LBS服務的基礎(陌陌,滴滴,摩拜),geoWithin是查詢一個多邊形內的所有點並返回。我們著重介紹使用最廣泛的geoNear查詢。
geoNear的查詢過程,查詢語句如下
db.runCommand(
{
geoNear: "places", //table Name
near: [ -73.9667, 40.78 ] , // central point
spherical: true, // treat the index as a spherical index
query: { category: "public" } // filters
maxDistance: 0.0001531 // distance in about one kilometer
}
geoNear可以理解為一個從起始點開始的不斷向外擴散的環形搜索過程。如下圖所示: 由於圓自身的性質,外環的任意點到圓心的距離一定大於內環任意點到圓心的距離,所以以圓 環進行擴張迭代的好處是: 1)減少需要排序比較的點的個數 2)能夠儘早發現滿足條件的點從而返回,避免不必要的搜索 MongoDB在實現的細節中,如果內環搜索到的點數過少,圓環每次擴張的步長會倍增
MongoDB LBS服務遇到的問題
部分大客戶在使用MongoDB的geoNear功能查找附近的對象時,經常會發生慢查詢較多的問題,早高峰壓力是低谷時段的10-20倍,坐標不均勻的情況慢查詢嚴重,瀕臨雪崩。初步分析發現,這些查詢掃描了過多的點集。 如下圖,查找500米範圍內,距離最近的10條記錄,花費了500ms,掃描了24000+的記錄。類似的慢查詢占據了高峰期5%左右的查詢量
測試環境復現與定位 排查資料庫的性能問題,主要從鎖等待,IO等待,CPU消耗三封面分析。上面的截圖掃描了過多的記錄,直覺上是CPU或者IO消耗性的瓶頸。為了嚴謹起見,我們在測試環境復現後,發現慢日誌中無明顯的timeAcquiringMicroseconds項排除了MongoDB執行層面的鎖競爭問題,並選用較大記憶體的機器使得數據常駐記憶體,發現上述用例依舊需要200ms以上的執行時間。10核的CPU資源針對截圖中的case,只能支持50QPS。
為何掃描集如此大 上面我們說過,MongoDB搜索距離最近的點的過程是一個環形擴張的過程,如果內環滿足條件的點不夠多,每次的擴張半徑都會倍增。因此在遇到內環點稀少,外環有密集點的場景時,容易陷入BadCase。如下圖,我們希望找到離中心點距離最近的三個點。由於圓環擴張太快,外環做了很多的無用掃描與排序。 這樣的用例很符合實際場景,早高峰車輛聚集在地鐵周圍,你從家出發一路向地鐵,邊走邊找,共用單車軟體上動態搜索距你最近的10輛車,附近只有三兩輛,於是擴大搜索半徑到地鐵周圍,將地鐵周圍的所有幾千輛車都掃描計算一遍,返回距離你最近的其餘的七八輛
問題的解決
問題我們已經知道了,我們對此的優化方式是控制每一圈的搜索量,為此我們為geoNear命令增加了兩個參數,將其傳入NearStage中。hintCorrectNum可以控制結果品質的下限,返回的前N個一定是最靠近中心點的N個點。hintScan用以控制掃描集的大小的上限。
hintScan: 已經掃描的點集大小大於hintScan後,做模糊處理。 hintCorrectNum:已經返回的結果數大於hintCorrectNum後,做模糊處理。
該優化本質上是通過犧牲品質來儘快返回結果。對於國內大部分LBS服務來說,完全的嚴格最近並不是必要的。且可以通過控制參數獲得嚴格最近的效果。在搜索過程中,密集的點落到一個環內,本身距離相差也不會不大。該優化在上線後,將部分大客戶的MongoDB性能上限從單機1000QPS提升了10倍到10000QPS以上。
和Redis3.2的對比
Redis3.2也加入了地理位置查詢的功能,我們也將開源Redis和雲資料庫MongoDB進行對比。 Redis使用方式:GEORADIUS appname 120.993965 31.449034 500 m count 30 asc。在密集數據集場景下,使用騰訊雲MongoDB和開源的Redis進行了性能對比。下圖是在密集數據集上,在24核CPU機器上,MongoDB單實例與Redis單實例的測試對比。需要註意的是Redis本身是單線程的記憶體緩存資料庫。MongoDB是多線程的高可用持久化的資料庫,兩者的使用場景有較大不同。
總結
MongoDB原生的geoNear介面是國內各大LBS應用的主流選擇。原生MongoDB在點集稠密的情況下,geoNear介面效率會急劇下降,單機甚至不到1000QPS。騰訊雲MongoDB團隊對此進行了持續的優化,在不影響效果的前提下,geoNear的效率有10倍以上的提升,為我們的客戶如摩拜提供了強力的支持,同時相比Redis3.2也有較大的性能優勢。
此文已由騰訊雲+社區在各渠道發佈
獲取更多新鮮技術乾貨,可以關註我們騰訊雲技術社區-雲加社區官方號及知乎機構號