跳到主要内容

SkyWalking 存储性能调优

介绍​

SkyWalking作为一款分布式系统的应用性能监控工具，其存储性能直接影响监控数据的查询效率和系统稳定性。本章将介绍如何通过调整存储配置、选择合适的存储策略以及优化查询方式，提升SkyWalking的存储性能。

备注

存储性能调优的核心目标是：减少磁盘I/O、降低查询延迟、提高数据压缩率。

存储配置优化​

1. 存储后端选择​

SkyWalking支持多种存储后端，包括Elasticsearch、H2、MySQL等。生产环境推荐使用Elasticsearch（ES），因其具备优秀的分布式能力和查询性能。

配置示例（application.yml）：​

yaml
storage:
  selector: ${SW_STORAGE:elasticsearch}
  elasticsearch:
    nameSpace: ${SW_NAMESPACE:""}
    clusterNodes: ${SW_STORAGE_ES_CLUSTER_NODES:localhost:9200}
    protocol: ${SW_STORAGE_ES_HTTP_PROTOCOL:"http"}
提示

对于高负载场景，建议部署独立的Elasticsearch集群，并启用分片和副本机制。

2. 索引分片与滚动策略​

Elasticsearch的性能与索引分片（Shard）数量密切相关。SkyWalking默认按天滚动索引，可通过以下配置调整：

yaml
elasticsearch:
  indexShardsNumber: ${SW_STORAGE_ES_INDEX_SHARDS_NUMBER:2}  # 分片数
  indexReplicasNumber: ${SW_STORAGE_ES_INDEX_REPLICAS_NUMBER:1}  # 副本数
  dayStep: ${SW_STORAGE_DAY_STEP:1}  # 索引滚动周期（天）
警告

分片数过多会增加集群开销，过少会导致查询瓶颈。建议根据数据量调整（例如：每日数据量超过10GB时，分片数设置为3-5）。

数据降采样与TTL​

1. 降采样（Downsampling）​

降采样是通过聚合历史数据减少存储占用的有效手段。SkyWalking支持以下降采样策略：

  • 原始数据：保留7天
  • 小时粒度数据：保留30天
  • 天粒度数据：保留90天

配置示例：

yaml
recordDataTTL: ${SW_RECORD_DATA_TTL:7}  # 原始数据保留天数
metricsDataTTL: ${SW_METRICS_DATA_TTL:30}  # 小时粒度数据保留天数

2. TTL（Time-To-Live）​

通过定期清理过期数据减少存储压力：

yaml
elasticsearch:
  logicSharding: ${SW_STORAGE_ES_LOGIC_SHARDING:false}  # 是否启用逻辑分片
  segmentDayStep: ${SW_STORAGE_ES_SEGMENT_DAY_STEP:7}  # 分段清理周期

实际案例​

案例：电商平台性能调优​

问题：某电商平台SkyWalking存储占用快速增长，查询延迟超过5秒。

解决方案：

  1. 将Elasticsearch分片数从1调整为3，副本数设为1。
  2. 启用降采样，仅保留3天原始数据。
  3. 配置每日自动清理90天前的历史数据。

效果：

  • 存储空间减少60%
  • 平均查询延迟降至1秒内

总结​

优化方向关键措施预期效果
存储后端使用Elasticsearch集群提升查询并发能力
分片与副本合理设置分片数（如3-5）均衡负载，避免热点
数据生命周期启用降采样和TTL减少存储占用

附加资源​

  1. Elasticsearch性能调优指南
  2. SkyWalking官方文档 - 存储配置

练习​

  1. 修改本地SkyWalking的application.yml，将索引分片数设置为2并观察启动日志。
  2. 使用Elasticsearch的_cat/indices?v接口查看索引分片分布。