开源项目地址:
项目地址: https://github.com/ning1875/stree-index
什么是服务树及其核心功能
服务树效果图
可以看我之前写的文章 服务树系列(一)：什么是服务树及其核心功能
核心功能有三个
- 树级结构
- 灵活的资源查询
- 权限相关
今天仅讨论前两种的实现
树级结构实现
调研后发现有下列几种实现方式
- 左右值编码
- 区间嵌套
- 闭包表
- 物化路径
而stree-index采用的是物化路径
物化路径
原理
在创建节点时，将节点的完整路径进行记录，方案借助了unix文件目录的思想，主要时以空间换时间
+-----+-------+------------+-------------------------+
| id | level | path | node_name |
+-----+-------+------------+-------------------------+
| 84 | 3 | /1/18/84 | ads-schedule |
| 213 | 3 | /1/212/213 | share |
| 317 | 3 | /1/212/317 | ssr |
| 320 | 3 | /1/212/320 | prod |
| 475 | 3 | /1/212/475 | share-server-plus |
| 366 | 3 | /1/365/366 | minivideo |
| 368 | 3 | /1/365/368 | userinfo |
+-----+-------+------------+-------------------------+实现说明
- 接口代码在
E:\go_path\src\stree-index\pkg\web\controller\node-path\path_controller.go中 - level 字段代表层级 eg: a.b.c 对应的level分别为2.3.4
- path 路径 path最后的字段为其id值，上一级为其父节点id值
- node_name 叶子节点name
+-----------+--------------+------+-----+---------+----------------+
| Field | Type | Null | Key | Default | Extra |
+-----------+--------------+------+-----+---------+----------------+
| id | int(11) | NO | PRI | NULL | auto_increment |
| level | tinyint(4) | NO | MUL | NULL | |
| path | varchar(200) | YES | | NULL | |
| node_name | varchar(200) | YES | | NULL | |
+-----------+--------------+------+-----+---------+----------------+
增加节点
- 只需要判断传入的g.p.a各层级是否存在并添加即可
- 为了避免过多查询，我这里使用getall后变更。TODO 改为事务型
删除节点 大体同增加
查询节点
需要分两种情况
- 查询下一级子节点 即 根据获取g下gp列表
def get_gp():
"""
:return: 返回请求的子节点
t = ['hawkeye', 'stree', 'gateway']
"""
data = {"node": "sgt", "level": 2, "max_dep": 1}
tree_uri = '{}/query/node-path'.format(base_url)
res = requests.get(tree_uri, params=data)
print(res.json())- 查询所有子孙节点
def get_node():
"""
:return: 返回请求的子节点
t = ['sgt.hawkeye.m3coordinator',
'sgt.hawkeye.etcd',
'sgt.hawkeye.collecter',
'sgt.hawkeye.rule-eval',
'sgt.hawkeye.query',
'sgt.hawkeye.m3db',
'sgt.stree.index',
]
"""
data = {"node": "sgt", "level": 2}
tree_uri = '{}/node-path'.format(base_url)
res = requests.get(tree_uri, params=data)
print(res.json())
核心查询
如何满足灵活且高效的查询
常规思路拼 sql查询
比如:查询 G.P.A=a.hawkeye.etcd的ecs资源
拼出的sql类似
select * from ecs where group="a" and product="hawkeye" and app="etcd"同时mysql也满足下面5中查询条件
- eq 等于 : key=value
- not_eq 不等于 : key!=value
- reg 正则匹配 : key=~value
- not_reg 正则非匹配 : key!~value
- 对比 : key> value弊端
- 需要拼接的sql中每个条件是table 的字段
- 当然经常变动的字段可以存json字段使用
tags->'$."stree-project"'='hawkeye' - 性能问题：单表字段过多导致的查询问题
- 不能直接给出分布情况，只能再叠加count
更好的方法是使用倒排索引缓存记录
什么是倒排索引
简单来说根据id查询记录叫索引，反过来根据tag匹配查找id就是倒排索引
具体实现
- 核心结构MemPostings是一个双层map ，把tag=value 的记录按照tag作为第一层map的key， value作为内层map的key 内存map值为对应id set
type MemPostings struct {
mtx sync.RWMutex
m map[string]map[string][]uint64
ordered bool
}- 同时为了
反向匹配和统计需求需要维护 values 和symbols
type HeadIndexReader struct {
postings *index.MemPostings
values map[string]stringset
symbols map[string]struct{}
symMtx sync.RWMutex
}- 将db的记录每条记录按照tag和id的对应关系构建索引
- 最内层set存储的是db 记录的主键id
- 这样就能够根据一组标签查询到主键id再去db中获取全量信息即可
- 这样查询速度是最快的
- db中所有的字段出timestamp外都可以用来构建索引，而后能所有的字段都可以被用作查询条件
举例
req_data = {
'resource_type': 'elb',
'use_index': True,
'labels': [
# 查询 group 不等于CBS，name ，正则匹配.*0dff.*，stree-app等于collecter的elb资源列表
{'key': 'group', 'value': 'CBS', 'type': 2},
{'key': 'name', 'value': '.*0dff.*', 'type': 3},
{'key': 'stree-app', 'value': 'collecter', 'type': 1}]
}按key查询分布情况的实现
- 匹配过程和上述一致
- 再用构建一个堆就可以得到分布情况
举例：根据kv组合查询 某一个key的分布情况
eg: 查询 G.P.A=SGT.hawkeye.m3db 的ecs资源按cluster标签分布情况def query_dis():
"""
:return:
返回的是条件查询后按照目标label的分布情况
dis = {
'group': [
{'name': 'business', 'value': 9},
{'name': 'inf', 'value': 9},
{'name': 'middleware', 'value': 9},
{'name': 'bigdata', 'value': 9}
]
}
"""
req_data = {
'resource_type': 'ecs',
'use_index': True,
'labels': [
# 查询 G.P.A=SGT.hawkeye.m3db 的ecs资源按cluster标签分布情况
{'key': 'group', 'value': 'SGT', 'type': 1},
{'key': 'stree-project', 'value': 'hawkeye', 'type': 1},
{'key': 'stree-app', 'value': 'm3db', 'type': 1}],
'target_label': 'cluster'
}
query_uri = "{}/query/resource-distribution".format(base_url)
res = requests.post(query_uri, json=req_data)
print(res.json())
使用
创建表
根据scripts/db_schema.sql 建表
资源数据表
- ecs 云服务器
- elb 云负载均衡器
- rds 云关系型数据库
- dcs 云缓存
- 对应表名为
service_tree_ecs service_tree_elb service_tree_rds service_tree_dcs
ecs 云服务器规格表 service_tree_cloud_instance_type
树结构path表
灌入数据
- 资源数据可以由同步得来，自行实现即可
各个资源表中数据tags字段为json类型，切必须包含stree-index.yml的服务树tag
# g.p.a模型key对应table中json字段名称 tree_info: name_g: group name_p: stree-project name_a: stree-app
- ecs 云服务器规格表 可以由
scripts/instance_type_insert.sh灌入，其中包含华为和aws的大部分规格数据
安装stree-index
git clone https://github.com/ning1875/stree-index.git
cd dynamic-sharding/pkg/ && go build -o stree-index main.go补充stree-index.yml 中db，redis等信息
启动服务
./stree-index --config.file=stree-index.ymlstree-index会自动根据资源表中服务树tag构建服务树
查询path表应该有数据
select * from service_tree_path_tree limit 20;使用stree-index
查询接口数据结构
{
"resource_type":"ecs",
"use_index":true,
"labels":[
{
"key":"group",
"value":"sgt",
"type":1
}],
'target_label': 'cluster' # 查询分布时才需要
}查询资源返回数据结构
{
'code': 0,
'current_page': 2, # 当前分页
'page_size': 10, # 每页limit
'page_count': 0, # 页数
'total_count': 0, # 总数
'result': [] # 为符合查询条件的资源列表
}查询数据分页参数，传在path里面
- page_size 代表每页数量，默认10
- current_page 代表当前分页num，默认1
- get_all 等于1时代表不分页获取符合条件的全部数据，默认0
查询资源类型:对应字段 resource_type
目前支持的类型如下
- ecs 云服务器
- elb 云负载均衡器
- rds 云关系型数据库
- dcs 云缓存
查询条件支持:对应字段 labels中的type字段
- 1：eq 等于 : key=value
- 2：not_eq 不等于 : key!=value
- 3：reg 正则匹配 : key=~value
- 4：not_reg 正则非匹配 : key!~value
- 对比 : key> value
查询条件自由组合
labels可传入多个key和value组合，可自由组合不同kv查询
运维stree-index
监控
stree-index 会打点，使用prometheus采集查看即可
- job_name: stree
honor_labels: true
honor_timestamps: true
scrape_interval: 60s
scrape_timeout: 4s
metrics_path: /metrics
scheme: http
static_configs:
- targets:
- $stree-index:9393
有疑问加站长微信联系（非本文作者）
