改进 Elastic Agent 和 Beats 中的事件队列

作者：Fae Charlton, Alexandros Sapranidis

内部改进如何降低 Elastic 8.13 中的内存使用。

在 8.12 版本中，我们引入了性能预设 —— 一种更简单的方法，用于调整 Elastic Agent 和 Beats 以适应各种场景。这提高了常见环境的性能，而过去通常需要进行详细调整。

从 8.13 版本开始，我们专注于改进我们的内部库，以更好地支持这些预设。其结果是我们的内部事件队列进行了重写，为所有 Beats 带来了降低的内存使用。

在我们的内部基准测试套件中，Filebeat 8.13 在所有预设上显示出大约 20% 的内存减少。在这篇文章中，我们将探讨如何实现这一点。

Beats 事件队列

由 Elastic Agent 和 Beats 接收的事件在发送到输出端时会存储在一个队列中。队列的配置对于需要多少内存来存储这些事件有很大影响。在 8.13 版本之前，这种配置涉及一些容易被误解的参数，这些参数常常是配置错误的常见来源。

我们来回顾一下这些调优参数及其作用。

bulk_max_size 和 flush.min_events

当输出 worker 准备好发送数据时，它会从内部队列请求一批事件。这个请求的大小由 bulk_max_size 控制，这是一个重要的输出调优参数。如果 bulk_max_size 是 100，那么队列将尝试提供 100 个事件给输出 worker 发送。

队列还有一个 flush.timeout 参数。当这个参数为零时，队列会立即返回事件，即使它没有足够的事件。在我们的示例中，如果请求了 100 个事件但队列中只有 50 个，那么输出 worker 将获得 50 个事件。但是当 flush timeout 为正值时，队列会等待达到指定的超时时间以收集更多事件。

但是，请注意：假设我们设置了一个 5 秒的 flush timeout 并请求 100 个事件。你可能会期望，如果队列有 100 个事件，它将立即返回这 100 个事件，否则它将延迟多达 5 秒以达到 100 个事件。从 8.13 版本开始，你会是正确的。但是旧的队列并不是这样的！队列不是等待填充一个输出请求 —— 它等待填充一个内部队列缓冲区，这个缓冲区的大小可能完全不同。

内部队列缓冲区的大小由 flush.min_events 控制，这是一个看起来非常类似于 bulk_max_size 的参数，经常被误解，但是它可能会产生非常不同的影响。

这些问题可能导致以下一些性能问题：

示例 1：增加内存使用量

bulk_max_size: 50
flush.timeout: 10s
flush.min_events: 1500

最大的问题是内存使用。在 8.13 版本之前，队列一次管理一个完整的缓冲区的内存。在此示例配置中，一个完整的事件缓冲区可以提供 30 个输出批次，每个批次 50 个事件。这意味着我们需要完全处理 30 个批次，才能释放最初那一个批次的内存！

示例 2：增加延迟

bulk_max_size: 100
flush.timeout: 5s
flush.min_events: 200

假设输出请求 100 个事件。队列中有 100 个事件，但在填满 200 个事件的完整缓冲区之前，它不会返回任何事件。如果不再有更多事件进来，它将等待整整 5 秒才返回任何事件，尽管请求本可以立即得到满足。

这一直是一个陷阱，但在 8.12 版本中，我们将默认的 flush.timeout 从 1 秒增加到 10 秒时，这个问题变得更加严重。对大多数用户来说，这提高了性能，因为大批量事件的处理更有效率。但是，那些将输出的 bulk_max_size 设置得较低的用户看到了增加的延迟，尽管理论上有足够的事件可以立即开始处理。

示例 3：事件批次变小

bulk_max_size: 100
flush.timeout: 1s
flush.min_events: 150

我们有一个队列，里面有 300 个事件，输出每次请求 100 个事件。理论上，我们应该能够将 300 个事件作为三批每批 100 个事件发送，但队列的缓冲区大小为 150 个事件，队列一次只从一个缓冲区返回事件。因此，实际上发生的是每个缓冲区被分成两批 —— 一批 100 个事件和一批 50 个事件。

对于大多数配置来说，即使队列中还有更多事件，输出工作者偶尔也会得到比其请求的少的事件。这不足以造成巨大差异，但略微降低了效率，如果我们每次都能返回正确数量的事件，那将会更好。

我们对此做了什么

我们最终重写了队列，完全删除了内部缓冲区的链条。相反，我们现在使用一个固定的单一缓冲区，根据需要在末尾循环。事件也从这个共享缓冲区中复制出来，以组装输出批次。现在，flush.timeout 的工作方式与大多数人预期的完全一致：如果请求的事件可用，队列将立即返回请求的数量的事件，否则它将等待达到指定的超时时间来填充请求（但仅限于当前请求，而不是某些更大的内部限制！）。

这次重构需要做出一个妥协，即原始队列试图避免的 —— 事件批次不再是内存中的单个连续序列。但作为交换，我们得到了巨大的好处：

示例一中的内存问题已经消失。一旦输出确认了一批事件已经被处理，队列就可以释放它的内存，不管它相对于其他事件批次的位置如何。
示例二中的延迟问题已经消失。如果队列有足够的事件，它将返回它们。它们在事件序列中的位置已经不重要了。
示例三中的批处理大小问题已经消失。由于事件不再需要来自一个连续的缓冲区，我们不需要根据内部内存边界来分割批次。

flush.min_events 现在是一个遗留参数，为了向后兼容性，它指定了事件批次大小的全局最大值。如果你使用的是性能预设（performance preset），则可以完全忽略此参数，但现在建议自定义队列配置将其设置为一个大值，并使用 bulk_max_size 来控制批次大小。只要 flush.min_events 足够大，再也没有改变它的性能优势了。