云MongoDB怎么優(yōu)化讓LBS服務(wù)性提升十倍

云MongoDB怎么優(yōu)化讓LBS服務(wù)性提升十倍，針對這個問題，這篇文章詳細(xì)介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

成都創(chuàng)新互聯(lián)公司是一家專注于網(wǎng)站建設(shè)、成都做網(wǎng)站與策劃設(shè)計(jì),和田縣網(wǎng)站建設(shè)哪家好?成都創(chuàng)新互聯(lián)公司做網(wǎng)站,專注于網(wǎng)站建設(shè)十多年,網(wǎng)設(shè)計(jì)領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:和田縣等地區(qū)。和田縣做網(wǎng)站價格咨詢:18980820575

隨著國內(nèi)服務(wù)共享化的熱潮普及，共享單車，共享雨傘，共享充電寶等各種服務(wù)如雨后春筍，隨之而來的LBS服務(wù)定位問題成為了后端服務(wù)的一個挑戰(zhàn)。MongoDB對LBS查詢的支持較為友好，也是各大LBS服務(wù)商的首選數(shù)據(jù)庫。騰訊云MongoDB團(tuán)隊(duì)在運(yùn)營中發(fā)現(xiàn)，原生MongoDB在LBS服務(wù)場景下有較大的性能瓶頸，經(jīng)騰訊云團(tuán)隊(duì)專業(yè)的定位分析與優(yōu)化后，云MongoDB在LBS服務(wù)的綜合性能上，有10倍以上的提升。

騰訊云MongoDB提供的優(yōu)異綜合性能，為國內(nèi)各大LBS服務(wù)商，例如摩拜單車等，提供了強(qiáng)有力的保障。

LBS業(yè)務(wù)特點(diǎn)

以共享單車服務(wù)為例，LBS業(yè)務(wù)具有2個特點(diǎn)，分別是時間周期性和坐標(biāo)分布不均勻。

一．時間周期性

高峰期與低谷期的QPS量相差明顯，并且高峰期和低峰期的時間點(diǎn)相對固定。

二.坐標(biāo)分布不均勻

坐地鐵的上班族，如果留意可能會發(fā)現(xiàn)，在上班早高峰時，地鐵周圍擺滿了共享單車，而下班 時段，地鐵周圍的共享單車數(shù)量非常少。如下圖，經(jīng)緯度（121，31.44）附近集中了99%以上 的坐標(biāo)。此外，一些特殊事件也會造成點(diǎn)的分布不均勻，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(wù)原理

MongoDB中使用2d_index 或2d_sphere_index來創(chuàng)建地理位置索引(geoIndex),兩者差別不大，下面我們以2d_index為例來介紹。

一．2D索引的創(chuàng)建與使用

db.coll.createIndex({"lag":"2d"}, {"bits":int}))通過上述命令來創(chuàng)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(jì)
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(yīng)該如何理解創(chuàng)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(jīng)緯度索引。這一點(diǎn)比較有意思，一個2d索引可以表達(dá)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(chuàng)建時。

二．2D索引的理論MongoDB 使用GeoHash的技術(shù)來構(gòu)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索引的默認(rèn)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(wǎng)上說的60cm的精度就是這么估算出來的 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(jì)算Geohash。事實(shí)上，平面四叉樹僅存在于運(yùn)算的過程中，在實(shí)際存儲中并不會被使用到。

插入對于一個經(jīng)緯度坐標(biāo)[x,y]，MongoDb計(jì)算出該坐標(biāo)在2d平面內(nèi)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(shí)際數(shù)據(jù)是按照 {GeoHashId->RecordValue}的方式被插入到btree中的。

查詢對于geo2D索引的查詢，常用的有g(shù)eoNear和geoWithin兩種。geoNear查找距離某個點(diǎn)最近的N個點(diǎn)的坐標(biāo)并返回，該需求可以說是構(gòu)成了LBS服務(wù)的基礎(chǔ)（陌陌，滴滴，摩拜），geoWithin是查詢一個多邊形內(nèi)的所有點(diǎn)并返回。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 Namenear: [ -73.9667, 40.78 ] , // central pointspherical: true, // treat the index as a spherical indexquery: { category: "public" } // filtersmaxDistance: 0.0001531 // distance in about one kilometer}

geoNear可以理解為一個從起始點(diǎn)開始的不斷向外擴(kuò)散的環(huán)形搜索過程。如下圖所示： 由于圓自身的性質(zhì)，外環(huán)的任意點(diǎn)到圓心的距離一定大于內(nèi)環(huán)任意點(diǎn)到圓心的距離，所以以圓 環(huán)進(jìn)行擴(kuò)張迭代的好處是：1）減少需要排序比較的點(diǎn)的個數(shù)2）能夠盡早發(fā)現(xiàn)滿足條件的點(diǎn)從而返回，避免不必要的搜索MongoDB在實(shí)現(xiàn)的細(xì)節(jié)中，如果內(nèi)環(huán)搜索到的點(diǎn)數(shù)過少，圓環(huán)每次擴(kuò)張的步長會倍增

MongoDB LBS服務(wù)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(jīng)常會發(fā)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(biāo)不均勻的情況慢查詢嚴(yán)重，瀕臨雪崩。初步分析發(fā)現(xiàn)，這些查詢掃描了過多的點(diǎn)集。 如下圖，查找500米范圍內(nèi)，距離最近的10條記錄，花費(fèi)了500ms，掃描了24000+的記錄。類似的慢查詢占據(jù)了高峰期5%左右的查詢量

測試環(huán)境復(fù)現(xiàn)與定位排查數(shù)據(jù)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(yán)謹(jǐn)起見，我們在測試環(huán)境復(fù)現(xiàn)后，發(fā)現(xiàn)慢日志中無明顯的timeAcquiringMicroseconds項(xiàng)排除了MongoDB執(zhí)行層面的鎖競爭問題，并選用較大內(nèi)存的機(jī)器使得數(shù)據(jù)常駐內(nèi)存，發(fā)現(xiàn)上述用例依舊需要200ms以上的執(zhí)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(diǎn)的過程是一個環(huán)形擴(kuò)張的過程，如果內(nèi)環(huán)滿足條件的點(diǎn)不夠多，每次的擴(kuò)張半徑都會倍增。因此在遇到內(nèi)環(huán)點(diǎn)稀少，外環(huán)有密集點(diǎn)的場景時，容易陷入BadCase。如下圖，我們希望找到離中心點(diǎn)距離最近的三個點(diǎn)。由于圓環(huán)擴(kuò)張?zhí)?，外環(huán)做了很多的無用掃描與排序。 這樣的用例很符合實(shí)際場景，早高峰車輛聚集在地鐵周圍，你從家出發(fā)一路向地鐵，邊走邊找，共享單車軟件上動態(tài)搜索距你最近的10輛車，附近只有三兩輛，于是擴(kuò)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(jì)算一遍，返回距離你最近的其余的七八輛

問題的解決

問題我們已經(jīng)知道了，我們對此的優(yōu)化方式是控制每一圈的搜索量，為此我們?yōu)間eoNear命令增加了兩個參數(shù)，將其傳入NearStage中。hintCorrectNum可以控制結(jié)果品質(zhì)的下限，返回的前N個一定是最靠近中心點(diǎn)的N個點(diǎn)。hintScan用以控制掃描集的大小的上限。

hintScan: 已經(jīng)掃描的點(diǎn)集大小大于hintScan后，做模糊處理。 hintCorrectNum:已經(jīng)返回的結(jié)果數(shù)大于hintCorrectNum后，做模糊處理。

該優(yōu)化本質(zhì)上是通過犧牲品質(zhì)來盡快返回結(jié)果。對于國內(nèi)大部分LBS服務(wù)來說，完全的嚴(yán)格最近并不是必要的。且可以通過控制參數(shù)獲得嚴(yán)格最近的效果。在搜索過程中，密集的點(diǎn)落到一個環(huán)內(nèi)，本身距離相差也不會不大。該優(yōu)化在上線后，將部分大客戶的MongoDB性能上限從單機(jī)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和云數(shù)據(jù)庫MongoDB進(jìn)行對比。 Redis使用方式：GEORADIUS appname 120.993965 31.449034 500 m count 30 asc。在密集數(shù)據(jù)集場景下，使用騰訊云MongoDB和開源的Redis進(jìn)行了性能對比。下圖是在密集數(shù)據(jù)集上，在24核CPU機(jī)器上，MongoDB單實(shí)例與Redis單實(shí)例的測試對比。需要注意的是Redis本身是單線程的內(nèi)存緩存數(shù)據(jù)庫。MongoDB是多線程的高可用持久化的數(shù)據(jù)庫，兩者的使用場景有較大不同。

MongoDB原生的geoNear接口是國內(nèi)各大LBS應(yīng)用的主流選擇。原生MongoDB在點(diǎn)集稠密的情況下，geoNear接口效率會急劇下降，單機(jī)甚至不到1000QPS。騰訊云MongoDB團(tuán)隊(duì)對此進(jìn)行了持續(xù)的優(yōu)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(qiáng)力的支持，同時相比Redis3.2也有較大的性能優(yōu)勢。

關(guān)于云MongoDB怎么優(yōu)化讓LBS服務(wù)性提升十倍問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道了解更多相關(guān)知識。

分享文章：云MongoDB怎么優(yōu)化讓LBS服務(wù)性提升十倍
網(wǎng)站URL：http://bm7419.com/article36/gihcsg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供外貿(mào)建站、電子商務(wù)、動態(tài)網(wǎng)站、靜態(tài)網(wǎng)站、網(wǎng)站導(dǎo)航、網(wǎng)站設(shè)計(jì)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)