离线同步任务性能分析调优方法-大数据开发治理平台 DataWorks-阿里云

本文为您介绍影响数据同步速度的因素、如何通过调整同步任务的并发配置来实现同步速度最大化、作业的限速选项，以及数据同步过慢的场景。

文档概述

同步速度受同步任务本身配置、数据库、网络等多方面影响，详情请参见：数据同步速度的影响因素。
同步任务整体速度慢可能出现在同步过程的各个阶段，本文以现象入手，为您提供各个阶段运行慢的解决方案，详情请参见：数据同步慢的场景及解决方案。
在数据库性能限制的情况下，同步速度并非越快越好，考虑到速度过高可能对数据库造成过大的压力从而影响生产，数据集成支持了限速选项，您可根据业务合理配置该值。详情请参见：限制同步速度。

数据同步速度的影响因素

数据同步速度受来源与目标端数据库环境及同步任务配置等因素影响，其中源端和目的端数据库的性能、负载和网络情况主要由您自己关注并进行调优。

影响数据同步速度的因素如下：

因素	说明
来源端数据源	数据库的性能：CPU、内存、SSD硬盘、网络和硬盘等。并发数：数据源并发数越高，数据库负载越高。通常，数据库的性能越好，它可以承载的并发数越高，您可以为数据同步作业配置越多的并发数据抽取。网络：网络的带宽（吞吐量）、网速。
离线同步任务使用的调度资源组	离线同步任务将有调度资源下发至数据集成任务执行资源上执行，调度资源使用情况同样会影响整体数据集成同步效率。
离线同步任务配置	传输速度：是否设置任务同步速度上限值。并发：从源并行读取或并行写入数据存储端的最大线程数。 WAIT资源。 Bytes的设置：单个线程的Bytes=1048576，在网速比较敏感时，会出现超时现象，此时建议将Bytes设置的较小。查询语句是否建索引。
目的端数据源	性能：CPU、内存、SSD 硬盘、网络和硬盘。负载：目的数据库负载过高会影响同步任务数据写入效率。网络：网络的带宽（吞吐量）、网速。

数据同步慢的场景及解决方案

说明

离线同步任务日志详情请参见：离线同步日志分析。

数据同步慢的场景	现象	可能原因	解决方案
等待调度资源	现象1：同步任务日志显示等待gateway。现象2：实例属性页面显示等待资源时间长。	离线任务由调度资源组下发至引擎执行，因此，当离线任务调度资源组执行任务数到达上限，则需要等待资源组上执行的任务执行结束，释放资源。	您可以在运行诊断页面查看当前任务等待资源时，哪些任务占用资源。说明若使用公共调度资源组，建议迁移到独享资源组或Serverless资源组上执行。
等待执行资源	同步任务日志显示wait。	当前数据集成任务执行资源组剩余资源不够当前任务执行。例如，资源组最大支持8个并发同时执行，若当前存在3个并发为3的任务，其中2个任务同时执行，那么机器剩余的并发为2，此时另一个并发为3的任务将由于资源组剩余资源不够，导致当前任务进入等待状态，日志显示wait。	检查资源组下是否有其他任务运行占用了大量资源，您可以通过以下方案解决此类问题：说明您可以通过运行诊断页面查看当前任务等待资源时，哪些任务占用资源，及资源占用情况。不同规格的资源组可执行并发数不同，详情可参见：性能指标与计费标准。检查占用资源的任务是否卡住或者严重变慢，如果任务存在问题需要先解决此类问题或者停掉部分任务。如果任务未卡住，待占用该数据集成任务执行资源的任务执行成功，将资源释放后启动运行。您也可以找到占用该资源的任务列表及责任人，与其协调降低任务并发数。您还可以减少当前同步任务的并发数并重新提交发布任务。还支持您对任务执行资源组进行扩容。详情请参见：扩缩容操作。
同步任务运行速度过慢	同步任务日志显示run，但速度为0。此类情况任务并非未执行，如果长时间处于该状态，建议单击Detail log查看详细执行情况。若Detail log中显示WaitReaderTime参数值大，表示等待从源端返回数据时间较长。	源端切分键不合理。基于切分键进行数据切分得出的取数SQL在数据库执行慢。源端数据读取相关SQL执行时间过长（例如部分插件存在的where参数、querySql参数）场景示例：数据同步任务where条件没有索引，导致全表扫描同步变慢。任务同步时间点数据库负载高。网络问题：网络的带宽（吞吐量）、网速。说明无法保障公网环境下的数据同步速度。	语句执行较慢问题：配置前置或后置语句时：确保用于过滤数据的字段已添加索引，避免同步任务全表扫描数据。避免或减少函数等复杂处理，若有必要，可尽量在同步前在数据库进行相关操作。源数据表的数据是否太多，如果数据太多，建议拆分为多个任务。查询日志，找到执行阻塞的SQL，咨询数据库管理员解决。检查数据库对应时间点负载情况。
	同步任务日志显示run，但速度为0。此类情况任务并非未执行，如果长时间处于该状态，建议单击Detail log查看详细执行情况。若Detail log中显示WaitWriterTime参数值大，表示写入目标端时间较长。	写端插件中配置的前、后置语句执行慢（例如部分插件中存在的preSql、postSql参数中配置SQL执行慢）。任务同步时间点数据库负载高。网络问题：网络的带宽（吞吐量）、网速。说明无法保障公网环境下的数据同步速度。
	日志显示run，有速度，但同步过程速度慢。	关系型数据库任务切分键设置不合理，导致并发设置无效，单并发同步。并发设置过小。同步过程产生大量脏数据，影响同步速度。数据库性能问题。说明数据库性能越好，可承载的并发数越高，可为数据同步作业配置的并发越高。网络问题：网络的带宽（吞吐量）、网速。说明无法保障公网环境下的数据同步速度。	合理设置切分键，关于任务切分键配置，详情请参见：向导模式配置。在资源组支持的最大并发范围内，合理规划各个任务占用的并发数，并适当调大当前任务并发。向导模式下，通过界面化配置并发数，指定任务所使用的并行度。通过脚本模式配置并发数的示例如下。说明不同规格的资源组可执行并发数不同，详情可参见：性能指标与计费标准。处理脏数据。关于脏数据的定义，详情请参见：数据集成。分布式执行任务的情况下，任务并发数量的设置要求：资源组下机器个数的值需要小于等于资源组单机规格支持的最大并发数。跨云、跨区域同步数据时，建议网络打通后走内网进行同步，网络连通解决方案详情请参见：网络连通方案。检查数据库负载情况。

限制同步速度

数据集成同步任务默认不限速，任务将在所配置的并发数的限制上以最高能达到的速度进行同步。另一方面，考虑到速度过高可能对数据库造成过大的压力从而影响生产，数据集成同时提供了限速选项，您可以按照实际情况调优配置（建议选择限速之后，最高速度上限不应超过30 MB/s）。脚本模式通过如下示例代码配置限速，代表1 MB/s的传输带宽。

"setting": {
      "speed": {
         "throttle": true // 是否限流。
        "mbps": 1,　// 具体速率值。
      }
    }

throttle包括true和false：
- 当throttle设置为true时，表示限速，您必须设置mbps具体的数据值。如果没有设置mbps，程序运行将会出错或者速率异常。
- 当throttle设置为false时，表示不限速，则mbps的配置无意义。
流量度量值是数据集成本身的度量值，不代表实际网卡流量。通常，网卡流量往往是通道流量膨胀的1至2倍，实际流量膨胀取决于具体的数据存储系统传输序列化情况。
半结构化的单个文件没有切分键的概念，多个文件可以设置作业速率上限来提高同步的速度，但作业速率上限和文件的个数有关。
例如，有n个文件，作业速率上限最多设置为n MB/s：
- 如果设置n+1 MB/s，还是以n MB/s速度同步。
- 如果设置为n-1 MB/s，则以n-1 MB/s速度同步。
关系型数据库设置作业速率上限和切分键后，才能根据作业速率上限将表进行切分。关系型数据库通常只支持数值型作为切分键，但Oracle数据库支持以数值型和字符串类型作为切分键。

常见问题

离线同步常见问题。
BatchSize或maxfilesize参数控制一次性批量提交的记录数大小，该值可以减少数据同步与数据库网络交互次数，并提升吞吐量。但如果该值设置过大，会导致数据同步运行进程OOM异常。出现上述报错后，请参见：离线同步常见问题。

附录：查看实际并发

在数据同步任务的详情日志页面，查找形式为JobContainer - Job set Channel-Number to 2 channels.的日志，此处的channels即为任务实际运行的并发度。查看实际并发

附录：并发度和资源的占用关系

在独享资源组中，占用关系包括并发度和CPU、内存的占用关系：

并发度和CPU的占用关系
在独享资源组中，并发度和CPU的占用关系为1:0.5，即拥有一台4 vCPU 8 GiB规格的ECS机器，其独享资源组的并发额度为8。最多能够同时运行8个并发度为1的离线同步任务，或4个并发度为2的离线同步任务。
当新提交至独享资源组的任务所需要的并发度大于独享资源组剩余的并发度额度时，新提交的任务将等待独享资源组中正在运行的任务结束，直至剩余的并发度额度满足新提交任务的并发度需求。
说明
如果新提交任务设置的并发度超过独享资源组的最大并发额度，例如，向一台拥有4 vCPU 8 GiB规格的ECS机器的独享资源组提交一个并发度设置为10的任务，该任务将永远处于等待资源的状态。由于资源组根据任务被提交的先后顺序分配资源，后续提交的任务也将无法运行。
并发度和内存的占用关系
在独享资源组中，单个任务的并发度和内存的占用关系为Min{768+（并发数-1）*256，8029} MB。但是，您可以在任务中通过设置，覆盖其对应关系。如果是脚本模式，请在JSON结构的配置文本中，通过JSON路径$.setting.jvmOption进行设置。
您需要确保所有正在运行的任务使用内存的总和，比独享资源组中所有机器的内存总量小1 GB以上，任务才能平稳运行。如果未满足该条件，会因为Linux系统的OOM Killer机制强制停止任务的运行。
说明
如果您未使用脚本模式加大任务的内存，则只需要考虑独享资源组并发度的额度对任务提交的限制。

附录：同步速度

不同数据源的并发读写速度会有很大的差异。下文为您介绍典型数据源在独享资源组中，单并发的同步速度：

不同数据源的Writer插件对应的单并发平均速度

Writer	单并发平均速度（KB/s）
AnalyticDB for PostgreSQL	147.8
AnalyticDB for MySQL	181.3
ClickHouse	5259.3
DataHub	45.8
DRDS	93.1
Elasticsearch	74.0
FTP	565.6
GDB	17.1
HBase	2395.0
hbase20xsql	37.8
HDFS	1301.3
Hive	1960.4
HybridDB for MySQL	323.0
HybridDB for PostgreSQL	116.0
Kafka	0.9
LogHub	788.5
MongoDB	51.6
MySQL	54.9
ODPS	660.6
Oracle	66.7
OSS	3718.4
OTS	138.5
PolarDB	45.6
PostgreSQL	168.4
Redis	7846.7
SQLServer	8.3
Stream	116.1
TSDB	2.3
Vertica	272.0

不同数据源的Reader插件对应的单并发平均速度

Reader	单并发平均速度（KB/s）
AnalyticDB for PostgreSQL	220.3
AnalyticDB for MySQL	248.6
DRDS	146.4
Elasticsearch	215.8
FTP	279.4
HBase	1605.6
hbase20xsql	465.3
HDFS	2202.9
Hologres	741.0
HybridDB for MySQL	111.3
HybridDB for PostgreSQL	496.9
Kafka	3117.2
LogHub	1014.1
MongoDB	361.3
MySQL	459.5
ODPS	207.2
Oracle	133.5
OSS	665.3
OTS	229.3
OTSStream	661.7
PolarDB	238.2
PostgreSQL	165.6
RDBMS	845.6
SQLServer	143.7
Stream	85.0
Vertica	454.3