亚洲宅男精品一区在线观看,久久亚洲国产视频,亚洲国产精品婷婷久久

使用NamedParameterJdbcTemplate遇到无法使用的坑

DLevin — Wed, 11 Nov 2015 10:46:00 GMT

最�q�一直在捣鼓HBase的项目，之前写了一些代码从数据库加载数据到HBase�Q�所有的代码都跑得好好地�Q�然而今天尝试着换了一个数据库�Q�就跑不通了。通过数据工具�Q�可以发现连接没有问题，而且有部分逻辑很顺利通过了，然而有一些就是卡��M��Q�通过jstack打印出来的信息可以找到这��L��堆栈�Q?/span>

"runner{object-loader#292}-objecthandler" #323 prio=5 os_prio=0 tid=0x00002aaadc5ec800 nid=0x7f62 in Object.wait() [0x0000000056ce4000]
   java.lang.Thread.State: WAITING (on object monitor)
        at java.lang.Object.wait(Native Method)
        at java.lang.Object.wait(Object.java:502)
        at org.apache.commons.pool.impl.GenericObjectPool.borrowObject(GenericObjectPool.java:1104)
        - locked <0x00000007736013e8> (a org.apache.commons.pool.impl.GenericObjectPool$Latch)
        at org.apache.commons.dbcp.PoolingDataSource.getConnection(PoolingDataSource.java:106)
        at org.apache.commons.dbcp.BasicDataSource.getConnection(BasicDataSource.java:1044)
        at org.springframework.jdbc.datasource.DataSourceUtils.doGetConnection(DataSourceUtils.java:111)
        at org.springframework.jdbc.datasource.DataSourceUtils.getConnection(DataSourceUtils.java:77)

所以开始我怀疑是�q�接的问题，从网上也扑ֈ�了一个类型的现象�Q�有人怀疑是DBPC的一个bug��D��死锁�Q�http://stackoverflow.com/questions/5714511/deadlock-issue-in-dbcp-deployed-on-tomcat�Q�所以我升��了DBCP版本1.4�Q�然而和�q��h一��L��l�果�Q�升�U�DBCP版本�q�没有解决问题。简单的看DBCP的代码，都开始怀疑是不是因�ؓ没有Spring JdbcTemplate没有正确的把Connection�q�回回去引�v泄漏了，然而也有点感觉不太可能�Q�因��D�代码在其他数据库都跑得好好圎ͼ�但是我们的数据库版本都是一致的�Q�然而其他配�|�上也被假设一致了�Q�被忽略的一个重要的点）�?br />
后来开始调配置�Q�减��连接数�Q�减��线�E�数�Q�经�q�各�U�组合，发现当把DB�ȝ��batch降到1的时候就可以work了，非常诡异的一个问题。从数据工具中查刎ͼ�如果用batch�Q�得到的SQL�?

SELECT , FROM where iid in (@p0, @p1)如果是batch�?的话�Q?br />

SELECT , FROM

where iid in (@p0)�q�段SQL语句是这么��生的�Q?br />

DataSource dataSource = ....
this.jdbc = new NamedParameterJdbcTemplate(dataSource);
...

MapSqlParameterSource parameters = new MapSqlParameterSource();

parameters.addValue("params", paramsMap.keySet());

jdbc.query("SELECT FROM

where in (:params)";, parameters, new ResultSetExtractor() {
....
})
如果是一个batch的话�Q�在jstack堆栈中可以看到它一直在�{�数据库的返回结果：

"runner{object-loader#16}-objecthandler" #47 prio=5 os_prio=0 tid=0x0000000006ddd800 nid=0x2694 runnable [0x0000000045434000]
   java.lang.Thread.State: RUNNABLE
        at java.net.SocketInputStream.socketRead0(Native Method)
        at java.net.SocketInputStream.socketRead(SocketInputStream.java:116)
        at java.net.SocketInputStream.read(SocketInputStream.java:170)
        at java.net.SocketInputStream.read(SocketInputStream.java:141)
        at com.sybase.jdbc3.timedio.RawDbio.reallyRead(Unknown Source)
        at com.sybase.jdbc3.timedio.Dbio.doRead(Unknown Source)
        at com.sybase.jdbc3.timedio.InStreamMgr.a(Unknown Source)
        at com.sybase.jdbc3.timedio.InStreamMgr.doRead(Unknown Source)
        at com.sybase.jdbc3.tds.TdsProtocolContext.getChunk(Unknown Source)

�q�也解释了第一个堆栈一直停在borrowObject(getConnection)的阶�D�，因�ؓ之前所有的Connection都在数据库堵住没有返回，所以这个线�E�再拿Connection的时候超�q�了我设�|�的最大Connection敎ͼ�所以就�{�着拿不到Connection�?br />
在后来查了一下不同数据库的JDBC Driver信息(sp_version):

jConnect (TM) for JDBC(TM)/7.07 ESD #4 (Build 26793)/P/EBF20302/JDK 1.6.0/jdbcmain/OPT/Thu Jul 5 22:08:44 PDT 2012
jConnect (TM) for JDBC(TM)/1000/Wed Mar 11 05:01:24 2015 PDT

也就是说�q�种用法是因为旧的JDBC Driver对NamedParameterJdbcTemplate不完善引��L��Q�这个坑�׃��我一整天的时间。。。�?img src ="http://www.tkk7.com/DLevin/aggbug/428149.html" width = "1" height = "1" />

DLevin 2015-11-11 18:46 发表评论

SSTable详解

DLevin — Thu, 24 Sep 2015 17:35:00 GMT

前记

几年前在读Google的BigTable论文的时候，当时�q�没有理解论文里面表辄��思想�Q�因而囫囵吞枣，�q�没有注意到SSTable的概��c��再后来开始关注HBase的设计和源码后，开始对BigTable传递的思想慢慢的清晰�v来，但是因�ؓ事情太多�Q�没有安排出旉��重读BigTable的论文。在��目里，我因��己在学HBase�Q�开始主推HBase�Q�而另一个同事则因�ؓ对Cassandra比较感冒�Q�因而他主要��x��Cassandra的设计，不过我们两个人偶��都会讨��Z��下技术、设计的各种观点和心得，然后他偶然的说了一句：Cassandra和HBase都采用SSTable格式存储�Q�然后我本能的问了一句：什么是SSTable�Q�他�q�没有回�{�，可能也不是那么几句能说清楚的�Q�或者他自己也没有尝试的去问�q�自��p��个问题。然而这个问题本�w�却一直困扰着我，因而趁着现在有一些时间深入学习HBase和Cassandra相关设计的时候先把这个问题弄清楚了�?br />

SSTable的定�?/h2>要解释这个术语的真正含义�Q�最好的�Ҏ��是从它的出处找�{�案�Q�所以重新翻开BigTable的论文。在�q�篇论文中，最初对SSTable是这么描�q�的�Q�第三页末和�W�四��初�Q�：
SSTable

The Google SSTable file format is used internally to store Bigtable data. An SSTable provides a persistent, ordered immutable map from keys to values, where both keys and values are arbitrary byte strings. Operations are provided to look up the value associated with a specified key, and to iterate over all key/value pairs in a specified key range. Internally, each SSTable contains a sequence of blocks (typically each block is 64KB in size, but this is configurable). A block index (stored at the end of the SSTable) is used to locate blocks; the index is loaded into memory when the SSTable is opened. A lookup can be performed with a single disk seek: we first find the appropriate block by performing a binary search in the in-memory index, and then reading the appropriate block from disk. Optionally, an SSTable can be completely mapped into memory, which allows us to perform lookups and scans without touching disk.

��单的非直译：
SSTable是Bigtable内部用于数据的文件格式，它的格式为文件本�w�就是一个排序的、不可变的、持久的Key/Value对Map�Q�其中Key和value都可以是��L��的byte字符丌Ӏ��用Key来查找Value�Q�或通过�l�定Key范围遍历所有的Key/Value寏V��每个SSTable包含一�p�d��的Block�Q�一般Block大小�?4KB�Q�但是它是可配置的）�Q�在SSTable的末��是Block索引�Q�用于定位Block�Q�这些烦引在SSTable打开时被加蝲到内存中�Q�在查找旉��先从内存中的索引二分查找扑ֈ�Block�Q�然后一�ơ磁盘寻道即可读取到相应的Block。还有一�U�方案是��这个SSTable加蝲到内存中�Q�从而在查找和扫描中不需要读取磁盘�?/span>

�q�个貌似��是HFile�W�一个版本的格式么，贴张图感受一下：

在HBase使用�q�程中，对这个版本的HFile遇到以下一些问题（参�?a >�q�里�Q�：
1. 解析时内存��用量比较高�?br />2. Bloom Filter和Block索引会变的很大，而媄响启动性能。具体的�Q�Bloom Filter可以增长�?00MB每个HFile�Q�而Block索引可以增长�?00MB�Q�如果一个HRegionServer中有20个HRegion�Q�则他们分别能增长到2GB�?GB的大��。HRegion需要在打开�Ӟ��需要加载所有的Block索引到内存中�Q�因而媄响启动性能�Q�而在�W�一�ơRequest�Ӟ��需要将整个Bloom Filter加蝲到内存中�Q�再开始查找，因而Bloom Filter太大会媄响第一�ơ请求的延迟�?br />而HFile在版�?中对�q�些问题做了一些优化，具体会在HFile解析时详�l�说明�?br />
SSTable作�ؓ存储使用
�l�箋BigTable的论文往下走�Q�在5.3 Tablet Serving��节中这样写道（�W?��）�Q?br />
Tablet Serving

Updates are committed to a commit log that stores redo records. Of these updates, the recently committed ones are stored in memory in a sorted buffer called a memtable; the older updates are stored in a sequence of SSTables. To recover a tablet, a tablet server reads its metadata from the METADATA table. This metadata contains the list of SSTables that comprise a tablet and a set of a redo points, which are pointers into any commit logs that may contain data for the tablet. The server reads the indices of the SSTables into memory and reconstructs the memtable by applying all of the updates that have committed since the redo points.
When a write operation arrives at a tablet server, the server checks that it is well-formed, and that the sender is authorized to perform the mutation. Authorization is performed by reading the list of permitted writers from a Chubby file (which is almost always a hit in the Chubby client cache). A valid mutation is written to the commit log. Group commit is used to improve the throughput of lots of small mutations [13, 16]. After the write has been committed, its contents are inserted into the memtable.

When a read operation arrives at a tablet server, it is similarly checked for well-formedness and proper authorization. A valid read operation is executed on a merged view of the sequence of SSTables and the memtable. Since the SSTables and the memtable are lexicographically sorted data structures, the merged view can be formed efficiently.

Incoming read and write operations can continue while tablets are split and merged.

�W�一�D�和�W�三�D늮�单描�q�ͼ�非翻译：
在新数据写入�Ӟ��q�个操作首先提交到日志中作�ؓredo�U�录�Q�最�q�的数据存储在内存的排序�~�存memtable中；旧的数据存储在一�p�d��的SSTable 中。在recover中，tablet server从METADATA表中��d��metadata�Q�metadata包含了组成Tablet的所有SSTable�Q�纪录了�q�些SSTable的元数据信息�Q�如SSTable的位�|�、StartKey、EndKey�{�）以及一�p�d��日志中的redo炏V��Tablet Server��d��SSTable的烦引到内存�Q��ƈreplay�q�些redo点之后的更新来重构memtable�?br />在读�Ӟ��完成格式、授权等��查后�Q�读会同时读取SSTable、memtable�Q�HBase中还包含了BlockCache中的数据�Q��ƈ合�ƈ他们的结果，�׃��SSTable和memtable都是字典序排列，因而合�q�操作可以很高效完成�?br />
SSTable在Compaction�q�程中的使用
在BigTable论文5.4 Compaction��节中是�q�样说的�Q?br />
Compaction

As write operations execute, the size of the memtable increases. When the memtable size reaches a threshold, the memtable is frozen, a new memtable is created, and the frozen memtable is converted to an SSTable and written to GFS. This minor compaction process has two goals: it shrinks the memory usage of the tablet server, and it reduces the amount of data that has to be read from the commit log during recovery if this server dies. Incoming read and write operations can continue while compactions occur.

Every minor compaction creates a new SSTable. If this behavior continued unchecked, read operations might need to merge updates from an arbitrary number of SSTables. Instead, we bound the number of such files by periodically executing a merging compaction in the background. A merging compaction reads the contents of a few SSTables and the memtable, and writes out a new SSTable. The input SSTables and memtable can be discarded as soon as the compaction has finished.

A merging compaction that rewrites all SSTables into exactly one SSTable is called a major compaction. SSTables produced by non-major compactions can contain special deletion entries that suppress deleted data in older SSTables that are still live. A major compaction, on the other hand, produces an SSTable that contains no deletion information or deleted data. Bigtable cycles through all of its tablets and regularly applies major compactions to them. These major compactions allow Bigtable to reclaim resources used by deleted data, and also allow it to ensure that deleted data disappears from the system in a timely fashion, which is important for services that store sensitive data.

随着memtable大小增加��C��个阀��|��q�个memtable会被��M��而创��Z��个新的memtable以供使用�Q�而旧的memtable会�{换成一个SSTable而写道GFS中，�q�个�q�程叫做minor compaction。这个minor compaction可以减少内存使用量，�q�可以减��日志大��，因�ؓ持久化后的数据可以从日志中删除�?/span>在minor compaction�q�程中，可以�l�箋处理��d��h��?br />每次minor compaction会生成新的SSTable文�g�Q�如果SSTable文�g数量增加�Q�则会媄响读的性能�Q�因而每�ơ读都需要读取所有SSTable文�g�Q�然后合�q�结果，因而对SSTable文�g个数需要有上限�Q��ƈ且时不时的需要在后台做merging compaction�Q�这个merging compaction��d��一些SSTable文�g和memtable的内容，�q�将他们合�ƈ写入一个新的SSTable中。当�q�个�q�程完成后，�q�些源SSTable和memtable��可以被删除了�?br />如果一个merging compaction是合�q�所有SSTable��C��个SSTable�Q�则�q�个�q�程�U�做major compaction。一�ơmajor compaction会将mark成删除的信息、数据删除，而其他两�ơcompaction则会保留�q�些信息、数据（mark的�Ş式）。Bigtable会时不时的扫描所有的Tablet�Q��ƈ对它们做major compaction。这个major compaction可以��需要删除的数据真正的删除从而节省空��_��q�保持系�l�一致性�?/span>
SSTable的locality和In Memory
在Bigtable中，它的本地性是由Locality group来定义的�Q�即多个column family可以�l�合��C��个locality group中，在同一个Tablet中，使用单独的SSTable存储�q�些在同一个locality group的column family。HBase把这个模型简化了�Q�即每个column family在每个HRegion都��用单独的HFile存储�Q�HFile没有locality group的概念，或者一个column family��是一个locality group�?/span>

在Bigtable中，�q�可以支持在locality group�U�别讄��是否��所有这个locality group的数据加载到内存中，在HBase中通过column family定义时设�|�。这个内存加载采用�g时加载，主要应用于一些小的column family�Q��ƈ且经常被用到的，从而提升读的性能�Q�因而这样就不需要再从磁盘中��d��了�?/span>
SSTable压羃
Bigtable的压�~�是��Z��locality group�U�别�Q?br />
Compression

Clients can control whether or not the SSTables for a locality group are compressed, and if so, which compression format is used. The user-specified compression format is applied to each SSTable block (whose size is controllable via a locality group specific tuning parameter). Although we lose some space by compressing each block separately, we benefit in that small portions of an SSTable can be read without decompressing the entire file. Many clients use a two-pass custom compression scheme. The first pass uses Bentley and McIlroy’s scheme [6], which compresses long common strings across a large window. The second pass uses a fast compression algorithm that looks for repetitions in a small 16 KB window of the data. Both compression passes are very fast—they encode at 100–200 MB/s, and decode at 400–1000 MB/s on modern machines.
Bigtable的压�~�以SSTable中的一个Block为单位，虽然每个Block为压�~�单位损�׃��些空��_��但是采用�q�种方式�Q�我们可以以Block为单位读取、解压、分析，而不是每�ơ以一�?#8220;�?#8221;的SSTable为单位读取、解压、分析�?/span>
SSTable的读�~�存
��Z��提升�ȝ��性能�Q�Bigtable采用两层�~�存机制�Q?br />
Caching for read performance

To improve read performance, tablet servers use two levels of caching. The Scan Cache is a higher-level cache that caches the key-value pairs returned by the SSTable interface to the tablet server code. The Block Cache is a lower-level cache that caches SSTables blocks that were read from GFS. The Scan Cache is most useful for applications that tend to read the same data repeatedly. The Block Cache is useful for applications that tend to read data that is close to the data they recently read (e.g., sequential reads, or random reads of different columns in the same locality group within a hot row).
两层�~�存分别是：
1. High Level�Q�缓存从SSTable��d��的Key/Value寏V��提升那些們֐�重复的读取相同的数据的操作（引用局部性原理）�?br />2. Low Level�Q�BlockCache�Q�缓存SSTable中的Block。提升那些們֐�于读取相�q�数据的操作�?br />
Bloom Filter
前文有提到Bigtable采用合�ƈ读，即需要读取每个SSTable中的相关数据�Q��ƈ合�ƈ成一个结果返回，然而每�ơ读都需要读取所有SSTable�Q�自然会耗费性能�Q�因而引入了Bloom Filter�Q�它可以很快速的扑ֈ�一个RowKey不在某个SSTable中的事实�Q�注�Q�反�q�来则不成立�Q��?br />
Bloom Filter

As described in Section 5.3, a read operation has to read from all SSTables that make up the state of a tablet. If these SSTables are not in memory, we may end up doing many disk accesses. We reduce the number of accesses by allowing clients to specify that Bloom fil- ters [7] should be created for SSTables in a particu- lar locality group. A Bloom filter allows us to ask whether an SSTable might contain any data for a spec- ified row/column pair. For certain applications, a small amount of tablet server memory used for storing Bloom filters drastically reduces the number of disk seeks re- quired for read operations. Our use of Bloom filters also implies that most lookups for non-existent rows or columns do not need to touch disk.

SSTable设计成Immutable的好�?/h2>在SSTable定义中就有提到SSTable是一个Immutable的order map�Q�这个Immutable的设计可以让�pȝ��单很多：
Exploiting Immutability

Besides the SSTable caches, various other parts of the Bigtable system have been simplified by the fact that all of the SSTables that we generate are immutable. For example, we do not need any synchronization of accesses to the file system when reading from SSTables. As a result, concurrency control over rows can be implemented very efficiently. The only mutable data structure that is accessed by both reads and writes is the memtable. To reduce contention during reads of the memtable, we make each memtable row copy-on-write and allow reads and writes to proceed in parallel.
Since SSTables are immutable, the problem of permanently removing deleted data is transformed to garbage collecting obsolete SSTables. Each tablet’s SSTables are registered in the METADATA table. The master removes obsolete SSTables as a mark-and-sweep garbage collection [25] over the set of SSTables, where the METADATA table contains the set of roots.

Finally, the immutability of SSTables enables us to split tablets quickly. Instead of generating a new set of SSTables for each child tablet, we let the child tablets share the SSTables of the parent tablet.

关于Immutable的优�Ҏ��以下几点�Q?/span>
1. 在读SSTable是不需要同步。读写同步只需要在memtable中处理，��Z��减少memtable的读写竞争，Bigtable��memtable的row设计成copy-on-write�Q�从而读写可以同时进行�?/span>
2. �怹�的移除数据�{变�ؓSSTable的Garbage Collect。每个Tablet中的SSTable在METADATA表中有注册，master使用mark-and-sweep��法��SSTable在GC�q�程中移除�?/span>
3. 可以让Tablet Split�q�程变的高效�Q�我们不需要�ؓ每个子Tablet创徏新的SSTable�Q�而是可以�׃�n�?/span>Tablet的SSTable�?/span>

DLevin 2015-09-25 01:35 发表评论

[转]高性能IO模型��析

DLevin — Fri, 04 Sep 2015 07:16:00 GMT

高性能IO模型��析

转自�Q�http://www.cnblogs.com/fanzhidongyzby/p/4098546.html

服务器端�~�程�l�常需要构造高性能的IO模型�Q�常见的IO模型有四�U�：

�Q?�Q?/span>同步��d��IO�Q�Blocking IO�Q�：即传�l�的IO模型�?/span>

�Q?�Q?/span>同步非阻�?/span>IO�Q�Non-blocking IO�Q�：默认创徏的socket都是��d��的，非阻塞IO要求socket被设�|��ؓNONBLOCK。注意这里所说的NIO�q��Java的NIO�Q�New IO�Q�库�?/span>

�Q?�Q?/span>IO多�\复用�Q�IO Multiplexing�Q�：即经典的Reactor设计模式�Q�有时也�U�Cؓ异步��d��IO�Q�Java中的Selector和Linux中的epoll都是�q�种模型�?/span>

�Q?�Q?/span>异步IO�Q�Asynchronous IO�Q�：即经典的Proactor设计模式�Q�也�U�Cؓ异步非阻塞IO�?/span>

同步和异�?/span>的概忉|��q�的是用��L��E�与内核的交互方式：同步是指用户�U�程发�vIO��h��后需要等待或者轮询内核IO操作完成后才能��l�执行；而异步是指用��L��E�发起IO��h��后仍�l�箋执行�Q�当内核IO操作完成后会通知用户�U�程�Q�或者调用用��L��E�注册的回调函数�?/span>

��d��和非��d��的概忉|��q�的是用��L��E�调用内核IO操作的方式：��d��是指IO操作需要彻底完成后才返回到用户�I�间�Q�而非��d��是指IO操作被调用后立即�q�回�l�用户一个状态��|��无需�{�到IO操作��d��完成�?/span>

另外�Q?/span>Richard Stevens 在《Unix �|�络�~�程》卷1中提到的��Z��信号驱动的IO�Q�Signal Driven IO�Q�模型，�׃��该模型�ƈ不常用，本文不作涉及。接下来�Q�我们详�l�分析四�U�常见的IO模型的实现原理。�ؓ了方便描�q�ͼ�我们�l�一使用IO的读操作作�ؓ�C�Z��?/span>

一�?/span>同步��d��IO

同步��d��IO模型是最��单的IO模型�Q�用��L��E�在内核�q�行IO操作时被��d��?/span>

�?/span>1 同步��d��IO

如图1所�C�，用户�U�程通过�pȝ��调用read发�vIO��L��作，��q��L��间�{到内核空间。内核等到数据包到达后，然后��接收的数据拯��到用��L��_��完成read操作�?/span>

用户�U�程使用同步��d��IO模型的伪代码描述为：

{
read(socket, buffer);
process(buffer);
}

即用户需要等待read��socket中的数据��d��到buffer后，才��l�处理接收的数据。整个IO��h��的过�E�中�Q�用��L��E�是被阻塞的�Q�这��D��用户在发起IO��h��Ӟ��不能做�Q何事情，对CPU的资源利用率不够�?/span>

二�?/span>同步非阻塞IO

同步非阻塞IO是在同步��d��IO的基��上，��socket讄��为NONBLOCK。这样做用户�U�程可以在发起IO��h��后可以立卌��回�?/span>

�? 同步非阻塞IO

如图2所�C�，�׃��socket是非��d��的方式，因此用户�U�程发�vIO��h��时立卌��回。但�q�未��d��C�Q何数据，用户�U�程需要不断地发�vIO��h��Q�直到数据到辑֐��Q�才真正��d��到数据，�l�箋执行�?/span>

用户�U�程使用同步非阻塞IO模型的伪代码描述为：

{
while(read(socket, buffer) != SUCCESS) { }
process(buffer);
}

�? 用户需要不断地调用read�Q�尝试读取socket中的数据�Q�直到读取成功后�Q�才�l�箋处理接收的数据。整个IO��h��的过�E�中�Q�虽然用��L��E�每�ơ发起IO�? 求后可以立即�q�回�Q�但是�ؓ了等到数据，仍需要不断地轮询、重复请求，消耗了大量的CPU的资源。一般很��直接��用这�U�模型，而是在其他IO模型中��用非�? 塞IO�q�一�Ҏ��?/span>

三�?/span>IO多�\复用

IO多�\复用模型是徏立在内核提供的多路分��d��数select基础之上的，使用select函数可以避免同步非阻塞IO模型中轮询等待的问题�?/span>

�? 多�\分离函数select

如图3所�C�，用户首先��需要进行IO操作的socket��d��到select中，然后��d��{�待select�pȝ��调用�q�回。当数据到达�Ӟ��socket被激�z�，select函数�q�回。用��L��E�正式发起read��h��Q�读取数据�ƈ�l�箋执行�?/span>

�? ��程上来看，使用select函数�q�行IO��h��和同步阻塞模型没有太大的区别�Q�甚臌��多了��d��监视socket�Q�以及调用select函数的额外操作，�? 率更差。但是，使用select以后最大的优势是用户可以在一个线�E�内同时处理多个socket的IO��h��。用户可以注册多个socket�Q�然后不断地�? 用select��d��被激�zȝ��socket�Q�即可达到在同一个线�E�内同时处理多个IO��h��的目�?/span>。而在同步��d��模型中，必须通过多线�E�的方式才能辑ֈ��q�个目的�?/span>

用户�U�程使用select函数的伪代码描述为：

{
    select(socket);
    while(1) {
        sockets = select();
        for(socket in sockets) {
            if(can_read(socket)) {
                read(socket, buffer);
                process(buffer);
            }
        }
    }
}

其中while循环前将socket��d��到select监视中，然后在while内一直调用select获取被激�zȝ��socket�Q�一旦socket可读�Q�便调用read函数��socket中的数据��d��出来�?/span>

�? 而，使用select函数的优点�ƈ不仅限于此。虽然上�q�方式允许单�U�程内处理多个IO��h��Q�但是每个IO��h��的过�E�还是阻塞的�Q�在select函数上阻塞）�Q��^均时间甚��x��同步��d��IO模型�q�要�ѝ��如果用��L��E�只注册自己感兴��的socket或者IO��h��Q�然后去做自��q��事情�Q�等到数据到来时再进行处理，则可以提高CPU的利用率�?/span>

IO多�\复用模型使用了Reactor设计模式实现了这一机制�?/span>

�? Reactor设计模式

�? �?所�C�，EventHandler抽象�c�表�C�IO事�g处理器，它拥有IO文�g句柄Handle�Q�通过get_handle获取�Q�，以及对Handle�? 操作handle_event�Q�读/写等�Q�。��承于EventHandler的子�c�d��以对事�g处理器的行�ؓ�q�行定制。Reactor�cȝ��于管�? EventHandler�Q�注册、删除等�Q�，�q��用handle_events实现事�g循环�Q�不断调用同步事件多路分��d��Q�一般是内核�Q�的多�\分离函数 select�Q�只要某个文件句柄被�Ȁ�z�（可读/写等�Q�，select��p��回（��d��Q�，handle_events��׃��调用与文件句柄关联的事�g处理器的 handle_event�q�行相关操作�?/span>

�?/span>5 IO多�\复用

�? �?所�C�，通过Reactor的方式，可以��用��L��E�轮询IO操作状态的工作�l�一交给handle_events事�g循环�q�行处理。用��L��E�注册事件处�? 器之后可以��l�执行做其他的工作（异步�Q�，而Reactor�U�程负责调用内核的select函数��查socket状态。当有socket被激�z�L��Q�则通知相应的用��L��E�（或执行用��L��E�的回调函数�Q�，执行handle_event�q�行数据��d��、处理的工作。由于select函数是阻塞的�Q�因此多路IO复用模型也被�U�Cؓ异步��d��IO模型。注意，�q�里的所说的��d��是指select函数执行时线�E�被��d��Q�而不是指socket。一般在使用IO多�\复用模型 �Ӟ��socket都是讄��为NONBLOCK的，不过�q��ƈ不会产生影响�Q�因为用户发起IO��h��Ӟ��数据已经到达了，用户�U�程一定不会被��d��?/span>

用户�U�程使用IO多�\复用模型的伪代码描述为：

void UserEventHandler::handle_event() {
    if(can_read(socket)) {
        read(socket, buffer);
        process(buffer);
    }
}

{
    Reactor.register(new UserEventHandler(socket));
}

用户需要重写EventHandler的handle_event函数�q�行��d��数据、处理数据的工作�Q�用��L��E�只需要将自己的EventHandler注册到Reactor卛_��。Reactor中handle_events事�g循环的伪代码大致如下�?/span>

Reactor::handle_events() {
    while(1) {
       sockets = select();
       for(socket in sockets) {
            get_event_handler(socket).handle_event();
       }
    }
}

事�g循环不断地调用select获取被激�zȝ��socket�Q�然后根据获取socket对应的EventHandler�Q�执行器handle_event函数卛_��?/span>

IO多�\复用是最�怋�用的IO模型�Q�但是其异步�E�度�q�不�?#8220;��d��”�Q�因为它使用了会��d��U�程的select�pȝ��调用。因此IO多�\复用只能�U�Cؓ异步��d��IO�Q�而非真正的异步IO�?/span>

四�?/span>异步IO

“�? �?#8221;的异步IO需要操作系�l�更强的支持。在IO多�\复用模型中，事�g循环��文件句柄的状态事仉��知�l�用��L��E�，��q��L��E�自行读取数据、处理数据。而在�? 步IO模型中，当用��L��E�收到通知�Ӟ��数据已经被内核读取完毕，�q�放在了用户�U�程指定的缓冲区内，内核在IO完成后通知用户�U�程直接使用卛_��?/span>

异步IO模型使用了Proactor设计模式实现了这一机制�?/span>

�? Proactor设计模式

�? �?�Q�Proactor模式和Reactor模式在结构上比较�怼��Q�不�q�在用户�Q�Client�Q��用方式上差别较大。Reactor模式中，用户�U�程通过向Reactor对象注册感兴��的事�g监听�Q�然后事件触发时调用事�g处理函数。而Proactor模式中，用户�U�程��? AsynchronousOperation�Q�读/写等�Q�、Proactor以及操作完成时的CompletionHandler注册�? AsynchronousOperationProcessor。AsynchronousOperationProcessor使用Facade模式�? 供了一�l�异步操作API�Q�读/写等�Q�供用户使用�Q�当用户�U�程调用异步API后，便��l�执行自��q��d��? AsynchronousOperationProcessor 会开启独立的内核�U�程执行异步操作�Q�实现真正的异步。当异步IO操作完成 �Ӟ��AsynchronousOperationProcessor��用��L��E�与AsynchronousOperation一��h��册的Proactor 和CompletionHandler取出�Q�然后将CompletionHandler与IO操作的结果数据一赯��{发给 Proactor�Q�Proactor负责回调每一个异步操作的事�g完成处理函数handle_event。虽然Proactor模式中每个异步操作都可以 �l�定一个Proactor对象�Q�但是一般在操作�pȝ��中，Proactor被实��CؓSingleton模式�Q�以便于集中化分发操作完成事件�?/span>

�?/span>7 异步IO

�? �?所�C�，异步IO模型中，用户�U�程直接使用内核提供的异步IO API发�vread��h��Q�且发�v后立卌��回，�l�箋执行用户�U�程代码。不�q�此时用��L��E�已 �l�将调用的AsynchronousOperation和CompletionHandler注册到内核，然后操作�pȝ��开启独立的内核�U�程��d��理IO�? 作。当read��h��的数据到达时�Q�由内核负责��d��socket中的数据�Q��ƈ写入用户指定的缓冲区中。最后内核将read的数据和用户�U�程注册�? CompletionHandler分发�l�内部Proactor�Q�Proactor��IO完成的信息通知�l�用��L��E�（一般通过调用用户�U�程注册的完成事�? 处理函数�Q�，完成异步IO�?/span>

用户�U�程使用异步IO模型的伪代码描述为：

void UserCompletionHandler::handle_event(buffer) {
process(buffer);
}

{
aio_read(socket, new UserCompletionHandler);
}

用户需要重写CompletionHandler的handle_event函数�q�行处理数据的工作，参数buffer表示Proactor已经准备好的数据�Q�用��L��E�直接调用内核提供的异步IO API�Q��ƈ��重写的CompletionHandler注册卛_��?/span>

�? 比于IO多�\复用模型�Q�异步IO�q�不十分常用�Q�不��高性能�q�发服务�E�序使用IO多�\复用模型+多线�E��Q务处理的架构基本可以满��需求。况且目前操作系�l�对异步IO的支持�ƈ非特别完善，更多的是采用IO多�\复用模型模拟异步IO的方式（IO事�g触发时不直接通知用户�U�程�Q�而是��数据读写完毕后攑ֈ�用户指定�? �~�冲��Z��Q�。Java7之后已经支持了异步IO�Q�感兴趣的读者可以尝试��用�?/span>

本文从基本概��c��工作流�E�和代码�C? 例三个层�ơ简要描�q�C��常见的四�U�高性能IO模型的结构和原理�Q�理清了同步、异步、阻塞、非��d��q�些�Ҏ��h��的概��c��通过寚w��性能IO模型的理解，可以在服务端�E�序的开发中选择更符合实际业务特点的IO模型�Q�提高服务质量。希望本文对你有所帮助�?/span>

�怼�的：
http://www.cnblogs.com/nufangrensheng/p/3588690.html
http://www.ibm.com/developerworks/cn/linux/l-async/

DLevin 2015-09-04 15:16 发表评论

Netty3架构解析

DLevin — Fri, 04 Sep 2015 01:40:00 GMT

前记

很早以前��有读Netty源码的打��了�Q�然而第一�ơ尝试的时候从Netty4开始，一直抓不到核心的框架流�E�，后来因�ؓ其他事情忙着��放下了。这�ơ趁着休假重新捡�v�q�个��骨��_��因�ؓNetty3现在�q�在被很多项目��用，因而这�ơ决定先从Netty3入手�Q�瞬间发现Netty3的代码比Netty4中规中矩的多�Q�很多概念在代码本��n中都有清晰的表达�Q�所以半天就把整个框架的骨架搞清楚了。再�?a >Netty4对Netty3的改�q��ȝ��Q�回去读Netty4的源码，反而觉得轻松了�Q�一�U�豁然开朗的感觉�?br />
记得��d��读Jetty源码的时候，因�ؓ代码太庞大，�q�且自己的HTTP Server的了解太��，因而只能自底向上的一个一个模块的叠加�Q�直到最后把所以的模块�q�接在一赯��看清它的真正核心骨架。现在读源码�Q�开始习惯先把骨架理清，然后延��C��同的器官、血肉而看清整个�h体�?br />
本文从Reactor模式在Netty3中的应用�Q�引出Netty3的整体架构以及控制流�E�；然而除了Reactor模式�Q�Netty3�q�在ChannelPipeline中��用了Intercepting Filter模式�Q�这个模式也在Servlet的Filter中成功��用，因而本文还会从Intercepting Filter模式出发详细介绍ChannelPipeline的设计理��c��本文假设读者已�l�对Netty有一定的了解�Q�因而不会包含过多入门介�l�，以及帮Netty做宣传的文字�?br />

Netty3中的Reactor模式

Reactor模式在Netty中应用非常成功，因而它也是在Netty中受大肆宣传的模式，关于Reactor模式可以详细参考本人的另一��文�?a href="http://www.tkk7.com/DLevin/archive/2015/09/02/427045.html">《Reactor模式详解�?/a>�Q�对Reactor模式的实现是Netty3的基本骨�Ӟ��因而本��节会详�l�介�l�Reactor模式如何应用Netty3中�?br />
如果诅R��Reactor模式详解》，我们知道Reactor模式由Handle、Synchronous Event Demultiplexer、Initiation Dispatcher、Event Handler、Concrete Event Handler构成�Q�在Java的实现版本中�Q�Channel对应Handle�Q�Selector对应Synchronous Event Demultiplexer�Q��ƈ且Netty3�q��用了两层Reactor�Q�Main Reactor用于处理Client的连接请求，Sub Reactor用于处理和Client�q�接后的��d��h��Q�关于这个概念还可以参考Doug Lea的这��PPT�Q?a >Scalable IO In Java�Q�。所以我们先要解决Netty3中��用什么类实现所有的上述模块�q�把他们联系在一��L��Q�以NIO实现方式��Z��Q?br />
模式是一�U�抽象，但是在实��C��Q�经�怼�因�ؓ语言�Ҏ��、框架和性能需要而做一些改变，因而Netty3对Reactor模式的实现有一套自��q��设计�Q?br />1. ChannelEvent�Q?/strong>Reactor是基于事件编�E�的�Q�因而在Netty3中��用ChannelEvent抽象的表达Netty3内部可以产生的各�U�事�Ӟ��所有这些事件对象在Channels帮助�c�M��产生�Q��ƈ且由它将事�g推入到ChannelPipeline中，ChannelPipeline构徏ChannelHandler��道�Q�ChannelEvent��经�q�个��道实现所有的业务逻辑处理。ChannelEvent对应的事件有�Q�ChannelStateEvent表示Channel状态的变化事�g�Q�而如果当前Channel存在Parent Channel�Q�则该事件还会传递到Parent Channel的ChannelPipeline中，如OPEN、BOUND、CONNECTED、INTEREST_OPS�{�，该事件可以在各种不同实现的Channel、ChannelSink中��生；MessageEvent表示从Socket中读取数据完成、需要向Socket写数据或ChannelHandler对当前Message解析(如Decoder、Encoder)后触发的事�g�Q�它由NioWorker、需要对Message做进一步处理的ChannelHandler产生�Q�WriteCompletionEvent表示写完成而触发的事�g�Q�它由NioWorker产生�Q�ExceptionEvent表示在处理过�E�中出现的Exception�Q�它可以发生在各个构件中�Q�如Channel、ChannelSink、NioWorker、ChannelHandler中；IdleStateEvent由IdleStateHandler触发�Q�这也是一个ChannelEvent可以无缝扩展的例子。注�Q�在Netty4后，已经没有ChannelEvent�c�，所有不同事仉��用对应方法表达，�q�也意味�q�ChannelEvent不可扩展�Q�Netty4采用在ChannelInboundHandler中加入userEventTriggered()�Ҏ��来实现这�U�扩展，具体可以参�?a >�q�里�?br />2. ChannelHandler�Q?/strong>在Netty3中，ChannelHandler用于表示Reactor模式中的EventHandler。ChannelHandler只是一个标记接口，它有两个子接口：ChannelDownstreamHandler和ChannelUpstreamHandler�Q�其中ChannelDownstreamHandler表示从用户应用程序流向Netty3内部直到向Socket写数据的��道�Q�在Netty4中改名�ؓChannelOutboundHandler�Q�ChannelUpstreamHandler表示数据从Socket�q�入Netty3内部向用户应用程序做数据处理的管道，在Netty4中改名�ؓChannelInboundHandler�?br />3. ChannelPipeline�Q?/strong>用于��理ChannelHandler的管道，每个Channel一个ChannelPipeline实例�Q�可以运行过�E�中动态的向这个管道中��d��、删除ChannelHandler�Q�由于实现的限制�Q�在最末端的ChannelHandler向后��d��或删除ChannelHandler不一定在当前执行��程中�v效，参�?a >�q�里�Q�。ChannelPipeline内部�l�护一个ChannelHandler的双向链表，它以Upstream(Inbound)方向为正向，Downstream(Outbound)方向为方向。ChannelPipeline采用Intercepting Filter模式实现�Q�具体可以参�?a href="http://www.tkk7.com/DLevin/archive/2015/09/03/427086.html">�q�里�Q�这个模式的实现在后一节中�q�是详细介绍�?br />4. NioSelector�Q?/strong>Netty3使用NioSelector来存放Selector�Q�Synchronous Event Demultiplexer�Q�，每个��C�生的NIO Channel都向�q�个Selector注册自己以让�q�个Selector监听�q�个NIO Channel中发生的事�g�Q�当事�g发生�Ӟ��调用帮助�c�Channels中的�Ҏ��生成ChannelEvent实例�Q�将该事件发送到�q�个Netty Channel对应的ChannelPipeline中，而交�l�各�U�ChannelHandler处理。其中在向Selector注册NIO Channel�Ӟ��Netty Channel实例以Attachment的�Ş式传入，该Netty Channel在其内部的NIO Channel事�g发生�Ӟ��会以Attachment的�Ş式存在于SelectionKey中，因而每个事件可以直接从�q�个Attachment中获取相关链的Netty Channel�Q��ƈ从Netty Channel中获取与之相兌��的ChannelPipeline�Q�这个实现和Doug Lea�?a >Scalable IO In Java一模一栗��另外Netty3�q�采用了Scalable IO In Java中相同的Main Reactor和Sub Reactor设计�Q�其中NioSelector的两个实玎ͼ�Boss即�ؓMain Reactor�Q�NioWorker为Sub Reactor。Boss用来处理新连接加入的事�g�Q�NioWorker用来处理各个�q�接对Socket的读写事�Ӟ��其中Boss通过NioWorkerPool获取NioWorker实例�Q�Netty3模式使用RoundRobin方式攑֛�NioWorker实例。更形象一点的�Q�可以通过Scalable IO In Java的这张图表达�Q?br />
若与Ractor模式对应�Q�NioSelector中包含了Synchronous Event Demultiplexer�Q�而ChannelPipeline中管理着所有EventHandler�Q�因而NioSelector和ChannelPipeline共同构成了Initiation Dispatcher�?br />5. ChannelSink�Q?/strong>在ChannelHandler处理完成所有逻辑需要向客户端写响应数据�Ӟ��一般会调用Netty Channel中的write�Ҏ��Q�然而在�q�个write�Ҏ��实现中，它不是直接向其内部的Socket写数据，而是交给Channels帮助�c�，内部创徏DownstreamMessageEvent�Q�反向从ChannelPipeline的管道中��过去，直到�W�一个ChannelHandler处理完毕�Q�最后交�l�ChannelSink处理�Q�以避免��d��写而媄响程序的吞吐量。ChannelSink��这个MessageEvent提交�l�Netty Channel中的writeBufferQueue�Q�最后NioWorker会等到这个NIO Channel已经可以处理写事件时无阻塞的向这个NIO Channel写数据。这��是上图的send是从SubReactor直接出发的原因�?br />6. Channel�Q?/strong>Netty有自��q��Channel抽象�Q�它是一个资源的容器�Q�包含了所有一个连接涉及到的所有资源的饮用�Q�如��装NIO Channel、ChannelPipeline、Boss、NioWorkerPool�{�。另外它�q�提供了向内部NIO Channel写响应数据的接口write、连�?�l�定到某个地址的connect/bind接口�{�，个�h感觉虽然对Channel本��n来说�Q�因为它��装了NIO Channel�Q�因而这些接口定义在�q�里是合理的�Q�但是如果考虑到Netty的架构，它的Channel只是一个资源容器，有这个Channel实例��可以得到和它相关的基本所有资源，因而这�U�write、connect、bind动作不应该再由它负责�Q�而是应该由其他类来负责，比如在Netty4中就在ChannelHandlerContext��d��了write�Ҏ��Q�虽然netty4�q�没有删除Channel中的write接口�?br />
Netty3中的Intercepting Filter模式
如果说Reactor模式是Netty3的骨�Ӟ��那么Intercepting Filter模式则是Netty的中枢。Reactor模式主要应用在Netty3的内部实玎ͼ�它是Netty3��h��良好性能的基��Q�而Intercepting Filter模式则是ChannelHandler�l�合实现一个应用程序逻辑的基��Q�只有很好的理解了这个模式才能��用好Netty�Q�甚臌��得心应手�?br />
关于Intercepting Filter模式的详�l�介�l�可以参�?a href="http://www.tkk7.com/DLevin/archive/2015/09/03/427086.html">�q�里�Q�本节主要介�l�Netty3中对Intercepting Filter模式的实玎ͼ�其实��是DefaultChannelPipeline对Intercepting Filter模式的实现。在上文有提到Netty3的ChannelPipeline是ChannelHandler的容器，用于存储与管理ChannelHandler�Q�同时它在Netty3中也起到桥梁的作用，卛_��是连接Netty3内部到所有ChannelHandler的桥梁。作为ChannelPipeline的实现者DefaultChannelPipeline�Q�它使用一个ChannelHandler的双向链表来存储�Q�以DefaultChannelPipelineContext作�ؓ节点�Q?br />
public interface ChannelHandlerContext {
    Channel getChannel();
    ChannelPipeline getPipeline();
    String getName();
    ChannelHandler getHandler();
    boolean canHandleUpstream();
    boolean canHandleDownstream();
    void sendUpstream(ChannelEvent e);
    void sendDownstream(ChannelEvent e);
    Object getAttachment();
    void setAttachment(Object attachment);
}

private final class DefaultChannelHandlerContext implements ChannelHandlerContext {
    volatile DefaultChannelHandlerContext next;
    volatile DefaultChannelHandlerContext prev;
    private final String name;
    private final ChannelHandler handler;
    private final boolean canHandleUpstream;
    private final boolean canHandleDownstream;
    private volatile Object attachment;
.....
}
在DefaultChannelPipeline中，它存储了和当前ChannelPipeline相关联的Channel、ChannelSink以及ChannelHandler链表的head、tail�Q�所有ChannelEvent通过sendUpstream、sendDownstream为入口流�l�整个链表：
public class DefaultChannelPipeline implements ChannelPipeline {
    private volatile Channel channel;
    private volatile ChannelSink sink;
    private volatile DefaultChannelHandlerContext head;
    private volatile DefaultChannelHandlerContext tail;
......
    public void sendUpstream(ChannelEvent e) {
        DefaultChannelHandlerContext head = getActualUpstreamContext(this.head);
        if (head == null) {
            return;
        }
        sendUpstream(head, e);
    }

    void sendUpstream(DefaultChannelHandlerContext ctx, ChannelEvent e) {
        try {
            ((ChannelUpstreamHandler) ctx.getHandler()).handleUpstream(ctx, e);
        } catch (Throwable t) {
            notifyHandlerException(e, t);
        }
    }

    public void sendDownstream(ChannelEvent e) {
        DefaultChannelHandlerContext tail = getActualDownstreamContext(this.tail);
        if (tail == null) {
            try {
                getSink().eventSunk(this, e);
                return;
            } catch (Throwable t) {
                notifyHandlerException(e, t);
                return;
            }
        }
        sendDownstream(tail, e);
    }

    void sendDownstream(DefaultChannelHandlerContext ctx, ChannelEvent e) {
        if (e instanceof UpstreamMessageEvent) {
            throw new IllegalArgumentException("cannot send an upstream event to downstream");
        }
        try {
            ((ChannelDownstreamHandler) ctx.getHandler()).handleDownstream(ctx, e);
        } catch (Throwable t) {
            e.getFuture().setFailure(t);
            notifyHandlerException(e, t);
        }
    }
对Upstream事�g�Q�向后找到所有实��C��ChannelUpstreamHandler接口的ChannelHandler�l�成链（getActualUpstreamContext()�Q?/span>�Q�而对Downstream事�g�Q�向前找到所有实��C��ChannelDownstreamHandler接口的ChannelHandler�l�成链（getActualDownstreamContext()�Q�：
    private DefaultChannelHandlerContext getActualUpstreamContext(DefaultChannelHandlerContext ctx) {
        if (ctx == null) {
            return null;
        }
        DefaultChannelHandlerContext realCtx = ctx;
        while (!realCtx.canHandleUpstream()) {
            realCtx = realCtx.next;
            if (realCtx == null) {
                return null;
            }
        }
        return realCtx;
    }
    private DefaultChannelHandlerContext getActualDownstreamContext(DefaultChannelHandlerContext ctx) {
        if (ctx == null) {
            return null;
        }
        DefaultChannelHandlerContext realCtx = ctx;
        while (!realCtx.canHandleDownstream()) {
            realCtx = realCtx.prev;
            if (realCtx == null) {
                return null;
            }
        }
        return realCtx;
    }
在实际实现ChannelUpstreamHandler或ChannelDownstreamHandler�Ӟ��调用 ChannelHandlerContext中的sendUpstream或sendDownstream�Ҏ��控制流�E�交�l�下一�? ChannelUpstreamHandler或下一个ChannelDownstreamHandler�Q�或调用Channel中的write�Ҏ��发�? 响应消息�?br />
public class MyChannelUpstreamHandler implements ChannelUpstreamHandler {
    public void handleUpstream(ChannelHandlerContext ctx, ChannelEvent e) throws Exception {
        // handle current logic, use Channel to write response if needed.
        // ctx.getChannel().write(message);
        ctx.sendUpstream(e);
    }
}

public class MyChannelDownstreamHandler implements ChannelDownstreamHandler {
    public void handleDownstream(
            ChannelHandlerContext ctx, ChannelEvent e) throws Exception {
        // handle current logic
        ctx.sendDownstream(e);
    }
}
当ChannelHandler向ChannelPipelineContext发送事件时�Q�其内部从当前ChannelPipelineContext节点出发扑ֈ�下一个ChannelUpstreamHandler或ChannelDownstreamHandler实例�Q��ƈ向其发送ChannelEvent�Q�对于Downstream链，如果到达铑ְ��Q�则��ChannelEvent发送给ChannelSink�Q?br />
public void sendDownstream(ChannelEvent e) {
    DefaultChannelHandlerContext prev = getActualDownstreamContext(this.prev);
    if (prev == null) {
      try {
            getSink().eventSunk(DefaultChannelPipeline.this, e);
        } catch (Throwable t) {
            notifyHandlerException(e, t);
        }
    } else {
        DefaultChannelPipeline.this.sendDownstream(prev, e);
    }
}

public void sendUpstream(ChannelEvent e) {
    DefaultChannelHandlerContext next = getActualUpstreamContext(this.next);
    if (next != null) {
        DefaultChannelPipeline.this.sendUpstream(next, e);
    }
}
正是因�ؓ�q�个实现�Q�如果在一个末��ChannelUpstreamHandler中先�U�除自己�Q�在向末��添加一个新的ChannelUpstreamHandler�Q�它是无效的�Q�因为它的next已经在调用前��固定设�|��ؓnull了�?br />
ChannelPipeline作�ؓChannelHandler的容器，它还提供了各�U�增、删、改ChannelHandler链表中的�Ҏ��Q�而且如果某个ChannelHandler�q�实��C��LifeCycleAwareChannelHandler�Q�则该ChannelHandler在被��d��q�ChannelPipeline或从中删除时都会得到同志�Q?br />
public interface LifeCycleAwareChannelHandler extends ChannelHandler {
    void beforeAdd(ChannelHandlerContext ctx) throws Exception;
    void afterAdd(ChannelHandlerContext ctx) throws Exception;
    void beforeRemove(ChannelHandlerContext ctx) throws Exception;
    void afterRemove(ChannelHandlerContext ctx) throws Exception;
}

public interface ChannelPipeline {
    void addFirst(String name, ChannelHandler handler);
    void addLast(String name, ChannelHandler handler);
    void addBefore(String baseName, String name, ChannelHandler handler);
    void addAfter(String baseName, String name, ChannelHandler handler);
    void remove(ChannelHandler handler);
    ChannelHandler remove(String name);
    <T extends ChannelHandler> T remove(Class<T> handlerType);
    ChannelHandler removeFirst();
    ChannelHandler removeLast();
    void replace(ChannelHandler oldHandler, String newName, ChannelHandler newHandler);
    ChannelHandler replace(String oldName, String newName, ChannelHandler newHandler);
    <T extends ChannelHandler> T replace(Class<T> oldHandlerType, String newName, ChannelHandler newHandler);
    ChannelHandler getFirst();
    ChannelHandler getLast();
    ChannelHandler get(String name);
    <T extends ChannelHandler> T get(Class<T> handlerType);
    ChannelHandlerContext getContext(ChannelHandler handler);
    ChannelHandlerContext getContext(String name);
    ChannelHandlerContext getContext(Class extends ChannelHandler> handlerType);
    void sendUpstream(ChannelEvent e);
    void sendDownstream(ChannelEvent e);
    ChannelFuture execute(Runnable task);
    Channel getChannel();
    ChannelSink getSink();
    void attach(Channel channel, ChannelSink sink);
    boolean isAttached();
    List<String> getNames();
    Map<String, ChannelHandler> toMap();
}

在DefaultChannelPipeline的ChannelHandler链条的处理流�E��ؓ�Q?br />
参考：
《Netty主页�?/a>
《Netty源码解读�Q�四�Q�Netty与Reactor模式�?/a>
《Netty代码分析�?/a>
Scalable IO In Java
Intercepting Filter Pattern

DLevin 2015-09-04 09:40 发表评论

Intercepting Filter模式详解

DLevin — Thu, 03 Sep 2015 14:14:00 GMT

问题描述
在服务器�~�程中，通常需要处理多�U�不同的��h��Q�在正式处理��h��之前�Q�需要对��h��做一些预处理�Q�如�Q?br />
�U�录每个Client的每�ơ访问信息�?/li>
对Client�q�行认证和授权检查（Authentication and Authorization�Q��?/li>
��查当前Session是否合法�?/li>
��查Client的IP地址是否可信赖或不可信赖�Q�IP地址白名单、黑名单�Q��?/li>
��h��数据是否先要解压或解码�?/li>
是否支持Client��h��的类型、Browser版本�{��?/li>
��d��性能监控信息�?/li>
��d��调试信息�?/li>
保证所有异帔R��被正��捕获到�Q�对未预料到的异常做通用处理�Q�防止给Client看到内部堆栈信息�?br />
在响应返回给客户端之前，有时候也需要做一些预处理再返回：
对响应消息编码或压羃�?/li>
为所有响应添加公共头、尾�{�消息�?/li>
�q�一步Enrich响应消息�Q�如��d��公共字段、Session信息、Cookie信息�Q�甚臛_��全改变响应消息等�?/li>
如何实现�q�样的需求，同时保持可扩展性、可重用性、可配置、移植性？
问题解决
要实现这�U�需求，最直观的方法就是在每个��h��处理�q�程中添加所有这些逻辑�Q��ؓ了减��代码重复，可以��所有这些检查提取成�Ҏ��Q�这样在每个处理�Ҏ��中调用即可：
public Response service1(Request request) {
    validate(request);
    request = transform(request);
    Response response = process1(request);
    return transform(response);
}
此时�Q�如果出现service2�Ҏ��Q�依焉��要拷贝service1中的实现�Q�然后将process1换成process2卛_��。这个时候我们发现很多重复代码，�l�箋对它重构�Q�比如提取公共逻辑到基�c�L��模版�Ҏ��Q�这�U��用��承的方式会引起子�c�d��父类的耦合�Q�如果要让某些模块变的可配置需要有太多的判断逻辑�Q�代码变的臃肿；因而可以更�q�一步，��所有处理逻辑抽象��Z��个Processor接口�Q�然后��用Decorate模式�Q�即引用优于�l�承�Q�：
public interface Processor {
    Response process(Request request);
}
public class CoreProcessor implements Processor {
    public Response process(Request request) {
        // do process/calculation
    }
}
public class DecoratedProcessor implements Processor {
    private final Processor innerProcessor;
    public DecoratedProcessor(Processor processor) {
        this.innerProcessor = processor;
    }

    public Response process(Request request) {
        request = preProcess(request);
        Response response = innerProcessor.process(request);
        response = postProcess(response);
        return response;
    }

    protected Request preProcess(Request request) {
        return request;
    }
    protected Response postProcess(Response response) {
        return response;
    }
}

public void Transformer extends DecoratedProcessor {
    public Transformer(Processor processor) {
        super(processor);
    }

    protected Request preProcess(Request request) {
        return transformRequest(request);
    }
    protected Response postProcess(Response response) {
        return transformResponse(response);
    }
}
此时�Q�如果需要在真正的处理逻辑之前加入其他的预处理逻辑�Q�只需要��承DecoratedProcessor�Q�实现preProcess或postProcess�Ҏ��Q�分别在��h��处理之前和请求处理之后横向切入一些逻辑�Q�也��是所谓的AOP�~�程�Q�面向切面的�~�程�Q�然后只需要根据需求构��个链条：
Processor processor = new MissingExceptionCatcher(new Debugger(new Transformer(new CoreProcessor());
Response response = processor.process(request);
......
�q�已�l�是相对比较好的设计了，每个Processor只需要关注自��q��实现逻辑卛_��Q�代码变的简�z�；�q�且每个Processor各自独立�Q�可重用性好�Q�测试方便；整条链上能实现的功能只是取决于链的构造，因而只需要有一�U�方法配�|�链的构造即可，可配�|�性也变得灉|��Q�然而很多时候引用是一�U�静态的依赖�Q�而无法满��_��态的需求。要构造这条链�Q�每个前�|�Processor需要知道其后的Processor�Q�这在某些情况下�q�不是在起初��q��道的。此�Ӟ��我们需要引入Intercepting Filter模式来实现动态的改变条链�?br />
Intercepting Filter模式
在前文已�l�构��Z��一条由引用而成的Processor链，然而这是一条静态链�Q��ƈ且需要一开始就能构造出�q�条链，��Z��解决�q�个限制�Q�我们可以引入一个ProcessorChain来维护这条链�Q��ƈ且这条链可以动态的构徏�?br />
有多�U�方式可以实现�ƈ控制�q�个链：
在存储上�Q�可以��用数�l�来存储所有的Processor�Q�Processor在数�l�中的位�|�表�C��个Processor在链条中的位�|�；也可以用链表来存储所有的Processor�Q�此时Processor在这个链表中的位�|�即是在链中的位�|��?/li>
在抽象上�Q�可以所有的逻辑都封装在Processor中，也可以将核心逻辑使用Processor抽象�Q�而外围逻辑使用Filter抽象�?/li>
在流�E�控制上�Q�一般通过在Processor实现�Ҏ��中直接��用ProcessorChain实例(通过参数掺入)来控制流�E�，利用�Ҏ��调用的进栈出栈的�Ҏ��实现preProcess()和postProcess()处理�?/li>
在实际中使用�q�个模式的有�Q�Servlet的Filter机制、Netty的ChannelPipeline中、Structs2中的Interceptor中都实现了这个模式�?br />
Intercepting Filter模式在Servlet的Filter中的实现�Q�Jetty版本�Q?/h2>其中Servlet的Filter在Jetty的实��C��使用数组存储Filter�Q�Filter末尾可以使用Servlet实例处理真正的业务逻辑�Q�在��程控制上，使用FilterChain的doFilter�Ҏ��来实现。如FilterChain在Jetty中的实现�Q?br />
public void doFilter(ServletRequest request, ServletResponse response) throws IOException, ServletException
    // pass to next filter
    if (_filter < LazyList.size(_chain)) {
        FilterHolder holder= (FilterHolder)LazyList.get(_chain, _filter++);
        Filter filter= holder.getFilter();
        filter.doFilter(request, response, this);
        return;
    }

    // Call servlet
    HttpServletRequest srequest = (HttpServletRequest)request;
    if (_servletHolder != null) {
        _servletHolder.handle(_baseRequest,request, response);
    }
}
�q�里�Q�_chain实际上是一个Filter的ArrayList�Q�由FilterChain调用doFilter()启动调用�W�一个Filter的doFilter()�Ҏ��Q�在实际的Filter实现中，需要手动的调用FilterChain.doFilter()�Ҏ��来启动下一个Filter的调用，利用�Ҏ��调用的进栈出栈的�Ҏ��实现Request的pre-process和Response的post-process处理。如果不调用FilterChain.doFilter()�Ҏ��Q�则表示不需要调用之后的Filter�Q�流�E�从当前Filter�q�回�Q�在它之前的Filter的FilterChain.doFilter()调用之后的逻辑反向处理直到�W�一个Filter处理完成而返回�?br />
public class MyFilter implements Filter {
    public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain) throws IOException, ServletException {
        // pre-process ServletRequest
        chain.doFilter(request, response);
        // post-process Servlet Response
    }
}
整个Filter铄��处理��程如下�Q?br />
Intercepting Filter模式在Netty3中的实现
Netty3在DefaultChannelPipeline中实��C��Intercepting Filter模式�Q�其中ChannelHandler是它的Filter。在Netty3的DefaultChannelPipeline中，使用一个以ChannelHandlerContext��点的双向链表来存储ChannelHandler�Q�所有的横切面逻辑和实际业务逻辑都用ChannelHandler表达�Q�在控制��程上��用ChannelHandlerContext的sendDownstream()和sendUpstream()�Ҏ��来控制流�E�。不同于Servlet的Filter�Q�ChannelHandler有两个子接口�Q�ChannelUpstreamHandler和ChannelDownstreamHandler分别用来��h��q�入时的处理��程和响应出��L��的处理流�E�。对于Client的请求，从DefaultChannelPipeline的sendUpstream()�Ҏ��入口�Q?br />
public void sendDownstream(ChannelEvent e) {
    DefaultChannelHandlerContext tail = getActualDownstreamContext(this.tail);
    if (tail == null) {
        try {
            getSink().eventSunk(this, e);
            return;
        } catch (Throwable t) {
            notifyHandlerException(e, t);
            return;
        }
    }
    sendDownstream(tail, e);
}
void sendDownstream(DefaultChannelHandlerContext ctx, ChannelEvent e) {
    if (e instanceof UpstreamMessageEvent) {
        throw new IllegalArgumentException("cannot send an upstream event to downstream");
    }
    try {
        ((ChannelDownstreamHandler) ctx.getHandler()).handleDownstream(ctx, e)
     } catch (Throwable t) {
        e.getFuture().setFailure(t);
        notifyHandlerException(e, t);
    }
}
如果有响应消息，该消息从DefaultChannelPipeline的sendDownstream()�Ҏ��为入口：
public void sendUpstream(ChannelEvent e) {
    DefaultChannelHandlerContext head = getActualUpstreamContext(this.head);
    if (head == null) {
        return;
    }
    sendUpstream(head, e);
}
void sendUpstream(DefaultChannelHandlerContext ctx, ChannelEvent e) {
    try {
        ((ChannelUpstreamHandler) ctx.getHandler()).handleUpstream(ctx, e);
    } catch (Throwable t) {
        notifyHandlerException(e, t);
    }
}
在实际实现ChannelUpstreamHandler或ChannelDownstreamHandler�Ӟ��调用ChannelHandlerContext中的sendUpstream或sendDownstream�Ҏ��控制流�E�交�l�下一个ChannelUpstreamHandler或下一个ChannelDownstreamHandler�Q�或调用Channel中的write�Ҏ��发送响应消息�?br />
public class MyChannelUpstreamHandler implements ChannelUpstreamHandler {
    public void handleUpstream(ChannelHandlerContext ctx, ChannelEvent e) throws Exception {
        // handle current logic, use Channel to write response if needed.
        // ctx.getChannel().write(message);
        ctx.sendUpstream(e);
    }
}

public class MyChannelDownstreamHandler implements ChannelDownstreamHandler {
    public void handleDownstream(
            ChannelHandlerContext ctx, ChannelEvent e) throws Exception {
        // handle current logic
        ctx.sendDownstream(e);
    }
}
当ChannelHandler向ChannelPipelineContext发送事件时�Q�其内部从当前ChannelPipelineContext 节点出发扑ֈ�下一个ChannelUpstreamHandler或ChannelDownstreamHandler实例�Q��ƈ向其发�? ChannelEvent�Q�对于Downstream链，如果到达铑ְ��Q�则��ChannelEvent发送给ChannelSink�Q?br />
public void sendDownstream(ChannelEvent e) {
    DefaultChannelHandlerContext prev = getActualDownstreamContext(this.prev);
    if (prev == null) {
      try {
            getSink().eventSunk(DefaultChannelPipeline.this, e);
        } catch (Throwable t) {
            notifyHandlerException(e, t);
        }
    } else {
        DefaultChannelPipeline.this.sendDownstream(prev, e);
    }
}

public void sendUpstream(ChannelEvent e) {
    DefaultChannelHandlerContext next = getActualUpstreamContext(this.next);
    if (next != null) {
        DefaultChannelPipeline.this.sendUpstream(next, e);
    }
}
正是因�ؓ�q�个实现�Q�如果在一个末��ChannelUpstreamHandler中先�U�除自己�Q�在向末��添加一个新的ChannelUpstreamHandler�Q�它是无效的�Q�因为它的next已经在调用前��固定设�|��ؓnull了�?br />
在DefaultChannelPipeline的ChannelHandler链条的处理流�E��ؓ�Q?br />
在这个实��C��Q�不像Servlet的Filter实现利用�Ҏ��调用栈的�q�出栈来完成pre-process和post-process�Q�而是在进�ȝ��铑֒�出来的链各自调用handleUpstream()和handleDownstream()�Ҏ��Q�这样会引�v调用栈其实是两条铄��d��Q�因而需要注意这条链的总长度。这样做的好处是�q�条ChannelHandler的链不依赖于�Ҏ��调用栈，而是在DefaultChannelPipeline内部本��n的链�Q�因而在handleUpstream()或handleDownstream()可以随时��执行流�E��{发给其他�U�程或线�E�池�Q�只需要保留ChannelPipelineContext引用�Q�在处理完成后用�q�个ChannelPipelineContext重新向这条链的后一个节点发送ChannelEvent�Q�然而由于Servlet的Filter依赖于方法的调用栈，因而方法返回意味着所有执行完成，�q�种限制在异步编�E�中会引起问题，因而Servlet�?.0后引入了Async的支持�?br />
Intercepting Filter模式的缺�?/h2>��单提一下这个模式的�~�点�Q?br />1. 相对传统的编�E�模型，�q�个模式有一定的学习曲线�Q�需要很好的理解该模式后才能灉|��的应用它来编�E��?br />2. 需要划分不同的逻辑��C��同的Filter中，�q�有些时候�ƈ不是那么�Ҏ��?br />3. 各个Filter之间�׃�n数据��变得困难。在Netty3中可以自定义自己的ChannelEvent来实现自定义消息的传输，或者��用ChannelPipelineContext的Attachment字段来实现消息传输，而Servlet中的Filter则没有提供类似的机制�Q�如果不是可以配�|�的数据在Config中传递，其他时候的数据�׃�n需要其他机刉��合完成�?br />
参�?/h2>Core J2EE Pattern - Intercepting Filter

DLevin 2015-09-03 22:14 发表评论

Reactor模式详解

DLevin — Wed, 02 Sep 2015 07:14:00 GMT

前记
�W�一�ơ听到Reactor模式是三�q�前的某个晚上，一个室友突然跑�q�来问我什么是Reactor模式�Q�我上网查了一下，很多人都是给出NIO中的 Selector的例子，而且��是NIO里Selector多�\复用模型�Q�只是给它�v了一个比较fancy的名字而已�Q�虽然它引入了EventLoop�? 念，�q�对我来说是新的概念�Q�但是代码实现却是一��L��Q�因而我�q�没有很在意�q�个模式。然而最�q�开始读Netty源码�Q�而Reactor模式是很多介�l�Netty的文章中被大肆宣传的模式�Q�因而我再次问自己，什么是Reactor模式�Q�本文就是对�q�个问题关于我的一些理解和��试着来解�{��?br />

什么是Reactor模式
要回�{�这个问题，首先当然是求助Google或Wikipedia�Q�其中Wikipedia上说�Q?#8220;The reactor design pattern is an event handling pattern for handling service requests delivered concurrently by one or more inputs. The service handler then demultiplexes the incoming requests and dispatches them synchronously to associated request handlers.”。从�q�个描述中，我们知道Reactor模式首先�?strong>事�g驱动的，有一个或多个�q�发输入源，有一个Service Handler�Q�有多个Request Handlers�Q�这个Service Handler会同步的��输入的��h��Q�Event�Q�多路复用的分发�l�相应的Request Handler。如果用图来表达�Q?br />
从结构上�Q�这有点�c�M��生��者消费者模式，��x��一个或多个生��者将事�g攑օ�一个Queue中，而一个或多个消费者主动的从这个Queue中Poll事�g来处理；而Reactor模式则�ƈ没有Queue来做�~�冲�Q�每当一个Event输入到Service Handler之后�Q�该Service Handler会主动的�Ҏ��不同的Event�c�d��其分发�l�对应的Request Handler来处理�?br />
更学术的�Q�这��文章（Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events�Q�上��_��“The Reactor design pattern handles service requests that are delivered concurrently to an application by one or more clients. Each service in an application may consistent of several methods and is represented by a separate event handler that is responsible for dispatching service-specific requests. Dispatching of event handlers is performed by an initiation dispatcher, which manages the registered event handlers. Demultiplexing of service requests is performed by a synchronous event demultiplexer. Also known as Dispatcher, Notifier”。这�D�|��q�和Wikipedia上的描述�c�M��Q�有多个输入源，有多个不同的EventHandler�Q�RequestHandler�Q�来处理不同的请求，Initiation Dispatcher用于��理EventHander�Q�EventHandler首先要注册到Initiation Dispatcher中，然后Initiation Dispatcher�Ҏ��输入的Event分发�l�注册的EventHandler�Q�然而Initiation Dispatcher�q�不监听Event的到来，�q�个工作交给Synchronous Event Demultiplexer来处理�?br />
Reactor模式�l�构
在解决了什么是Reactor模式后，我们来看看Reactor模式是由什么模块构成。图是一�U�比较简�z��Ş象的表现方式�Q�因而先上一张图来表辑֐�个模块的名称和他们之间的关系�Q?br />
Handle�Q?/strong>��x��作系�l�中的句柄，是对资源在操作系�l�层面上的一�U�抽象，它可以是打开的文件、一个连�?Socket)、Timer�{�。由于Reactor模式一般��用在�|�络�~�程中，因而这里一般指Socket Handle�Q�即一个网�l�连接（Connection�Q�在Java NIO中的Channel�Q�。这个Channel注册到Synchronous Event Demultiplexer中，以监听Handle中发生的事�g�Q�对ServerSocketChannnel可以是CONNECT事�g�Q�对SocketChannel可以是READ、WRITE、CLOSE事�g�{��?br />Synchronous Event Demultiplexer�Q?/strong>��d��{�待一�p�d��的Handle中的事�g到来�Q�如果阻塞等待返回，卌��C�在�q�回的Handle中可以不��d��的执行返回的事�g�c�d��。这个模块一般��用操作系�l�的select来实现。在Java NIO中用Selector来封装，当Selector.select()�q�回�Ӟ��可以调用Selector的selectedKeys()�Ҏ��获取Set�Q�一个SelectionKey表达一个有事�g发生的Channel以及该Channel上的事�g�c�d��。上囄��“Synchronous Event Demultiplexer ---notifies--> Handle”的流�E�如果是对的�Q�那内部实现应该是select()�Ҏ��在事件到来后会先讄��Handle的状态，然后�q�回。不了解内部实现机制�Q�因而保留原图�?br />Initiation Dispatcher�Q?/strong>用于��理Event Handler�Q�即EventHandler的容器，用以注册、移除EventHandler�{�；另外�Q�它�q�作为Reactor模式的入口调用Synchronous Event Demultiplexer的select�Ҏ��以阻塞等待事件返回，当阻塞等待返回时�Q�根据事件发生的Handle��其分发�l�对应的Event Handler处理�Q�即回调EventHandler中的handle_event()�Ҏ��?br />Event Handler�Q?/strong>定义事�g处理�Ҏ��Q�handle_event()�Q�以供InitiationDispatcher回调使用�?br />Concrete Event Handler�Q?/strong>事�gEventHandler接口�Q�实现特定事件处理逻辑�?br />
Reactor模式模块之间的交�?/h2> ��单描�q�C��下Reactor各个模块之间的交互流�E�，先从序列囑ּ�始：

1. 初始化InitiationDispatcher�Q��ƈ初始化一个Handle到EventHandler的Map�?br />2. 注册EventHandler到InitiationDispatcher中，每个EventHandler包含对相应Handle的引用，从而徏立Handle到EventHandler的映��（Map�Q��?br />3. 调用InitiationDispatcher的handle_events()�Ҏ��以启动Event Loop。在Event Loop中，调用select()�Ҏ��Q�Synchronous Event Demultiplexer�Q�阻塞等待Event发生�?br />4. 当某个或某些Handle的Event发生后，select()�Ҏ��q�回�Q�InitiationDispatcher�Ҏ��q�回的Handle扑ֈ�注册的EventHandler�Q��ƈ回调该EventHandler的handle_events()�Ҏ��?br />5. 在EventHandler的handle_events()�Ҏ��中还可以向InitiationDispatcher中注册新的Eventhandler�Q�比如对AcceptorEventHandler来，当有新的client�q�接�Ӟ��它会产生新的EventHandler以处理新的连接，�q�注册到InitiationDispatcher中�?br />
Reactor模式实现
�?a >Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events中，一直以Logging Server来分析Reactor模式�Q�这个Logging Server的实现完全遵循这里对Reactor描述�Q�因而放在这里以做参考。Logging Server中的Reactor模式实现分两个部分：Client�q�接到Logging Server和Client向Logging Server写Log。因而对它的描述分成�q�两个步骤�?br />Client�q�接到Logging Server

1. Logging Server注册LoggingAcceptor到InitiationDispatcher�?br />2. Logging Server调用InitiationDispatcher的handle_events()�Ҏ��启动�?br />3. InitiationDispatcher内部调用select()�Ҏ��Q�Synchronous Event Demultiplexer�Q�，��d��{�待Client�q�接�?br />4. Client�q�接到Logging Server�?br />5. InitiationDisptcher中的select()�Ҏ��q�回�Q��ƈ通知LoggingAcceptor有新的连接到来�?
6. LoggingAcceptor调用accept�Ҏ��accept�q�个新连接�?br />7. LoggingAcceptor创徏新的LoggingHandler�?br />8. 新的LoggingHandler注册到InitiationDispatcher�?同时也注册到Synchonous Event Demultiplexer�?�Q�等待Client发�v写log��h��?br />Client向Logging Server写Log

1. Client发送log到Logging server�?br />2. InitiationDispatcher监测到相应的Handle中有事�g发生�Q�返回阻塞等待，�Ҏ��q�回的Handle扑ֈ�LoggingHandler�Q��ƈ回调LoggingHandler中的handle_event()�Ҏ��?br />3. LoggingHandler中的handle_event()�Ҏ��中读取Handle中的log信息�?br />4. ��接收到的log写入到日志文件、数据库�{�设备中�?br />3.4步骤循环直到当前日志处理完成�?br />5. �q�回到InitiationDispatcher�{�待下一�ơ日志写��h��?br />
�?a >Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events有对Reactor模式的C++的实现版本，多年不用C++�Q�因而略�q��?nbsp;
Java NIO对Reactor的实�?/h2>在Java的NIO中，对Reactor模式有无�~�的支持�Q�即使用Selector�c�d��装了操作�pȝ��提供的Synchronous Event Demultiplexer功能。这个Doug Lea已经�?a >Scalable IO In Java中有非常深入的解释了�Q�因而不再赘�q�ͼ�另外�q�篇文章对Doug Lea�?a >Scalable IO In Java有一些简单解释，臛_��它的代码格式比Doug Lea的PPT要整�z�一些�?br />
需要指出的是，不同�q�里使用InitiationDispatcher来管理EventHandler�Q�在Doug Lea的版本中使用SelectionKey中的Attachment来存储对应的EventHandler�Q�因而不需要注册EventHandler�q�个步骤�Q�或者设�|�Attachment��是�q�里的注册。而且在这��文章中�Q�Doug Lea从单�U�程的Reactor、Acceptor、Handler实现�q�个模式出发�Q�演化�ؓ��Handler中的处理逻辑多线�E�化�Q�实现类似Proactor模式�Q�此时所有的IO操作�q�是单线�E�的�Q�因而再演化��Z��个Main Reactor来处理CONNECT事�g(Acceptor)�Q�而多个Sub Reactor来处理READ、WRITE�{�事�?Handler)�Q�这些Sub Reactor可以分别再自��q��U�程中执行，从而IO操作也多�U�程化。这个最后一个模型正是Netty中��用的模型。�ƈ且在Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events�?.5 Determine the Number of Initiation Dispatchers in an Application中也有相应的描述�?br />
EventHandler接口定义
对EventHandler的定义有两种设计思�\�Q�single-method设计和multi-method设计�Q?br />A single-method interface�Q?/strong>它将Event��装成一个Event Object�Q�EventHandler只定义一个handle_event(Event event)�Ҏ��。这�U�设计的好处是有利于扩展�Q�可以后来方便的��d��新的Event�c�d��Q�然而在子类的实��C��Q�需要判断不同的Event�c�d��而再�ơ扩展成不同的处理方法，从这个角度上来说�Q�它又不利于扩展。另外在Netty3的��用过�E�中�Q�由于它不停的创建ChannelEvent�c�，因而会引�vGC的不�E�_��?br />A multi-method interface�Q?/strong>�q�种设计是将不同的Event�c�d��? EventHandler中定义相应的�Ҏ��。这�U�设计就是Netty4中��用的�{�略�Q�其中一个目的是避免ChannelEvent创徏引�v的GC不稳定，另外一个好处是它可以避免在EventHandler实现时判断不同的Event�c�d��而有不同的实玎ͼ�然而这�U�设计会�l�扩展新的Event�c�d��时带来非�? 大的�ȝ��Q�因为它需要该接口�?br />
关于Netty4对Netty3的改�q�可以参�?a >�q�里�Q?br />
ChannelHandler with no event objectIn 3.x, every I/O operation created a ChannelEvent object. For each read / write, it additionally created a new ChannelBuffer. It simplified the internals of Netty quite a lot because it delegates resource management and buffer pooling to the JVM. However, it often was the root cause of GC pressure and uncertainty which are sometimes observed in a Netty-based application under high load.
4.0 removes event object creation almost completely by replacing the event objects with strongly typed method invocations. 3.x had catch-all event handler methods such as handleUpstream() and handleDownstream(), but this is not the case anymore. Every event type has its own handler method now:
��Z��么��用Reactor模式
归功与Netty和Java NIO对Reactor的宣传，本文慕名而学习的Reactor模式�Q�因而已�l�默认Reactor��h��非常优秀的性能�Q�然而慕名归慕名�Q�到�q�里�Q�我�q�是要不得不问自己Reactor模式的好处在哪里�Q�即��Z��么要使用�q�个Reactor模式�Q�在Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events中是�q�么说的�Q?br />
Reactor Pattern优点

Separation of concerns: The Reactor pattern decouples application-independent demultiplexing and dispatching mechanisms from application-specific hook method functionality. The application-independent mechanisms become reusable components that know how to demultiplex events and dispatch the appropriate hook methods defined by Event Handlers. In contrast, the application-specific functionality in a hook method knows how to perform a particular type of service.

Improve modularity, reusability, and configurability of event-driven applications: The pattern decouples application functionality into separate classes. For instance, there are two separate classes in the logging server: one for establishing connections and another for receiving and processing logging records. This decoupling enables the reuse of the connection establishment class for different types of connection-oriented services (such as file transfer, remote login, and video-on-demand). Therefore, modifying or extending the functionality of the logging server only affects the implementation of the logging handler class.

Improves application portability: The Initiation Dispatcher’s interface can be reused independently of the OS system calls that perform event demultiplexing. These system calls detect and report the occurrence of one or more events that may occur simultaneously on multiple sources of events. Common sources of events may in- clude I/O handles, timers, and synchronization objects. On UNIX platforms, the event demultiplexing system calls are called select and poll [1]. In the Win32 API [16], the WaitForMultipleObjects system call performs event demultiplexing.

Provides coarse-grained concurrency control: The Reactor pattern serializes the invocation of event handlers at the level of event demultiplexing and dispatching within a process or thread. Serialization at the Initiation Dispatcher level often eliminates the need for more complicated synchronization or locking within an application process.

�q�些貌似是很多模式的共性：解耦、提升复用性、模块化、可�U�L��性、事仉��动、细力度的�ƈ发控制等�Q�因而�ƈ不能很好的说明什么，特别是它鼓吹的对性能的提升，�q�里�q�没有体现出来。当然在�q�篇文章的开头有描述�q�另一�U�直观的实现�Q�Thread-Per-Connection�Q�即传统的实玎ͼ�提到了这个传�l�实现的以下问题�Q?br />
Thread Per Connection�~�点

Efficiency: Threading may lead to poor performance due to context switching, synchronization, and data movement [2];

Programming simplicity: Threading may require complex concurrency control schemes;

Portability: Threading is not available on all OS platforms.
对于性能�Q�它其实��是�W�一点关于Efficiency的描�q�ͼ�即线�E�的切换、同步、数据的�U�d��会引��h��能问题。也��是说从性能的角度上�Q�它最大的提升��是减少了性能的��用，即不需要每个Client对应一个线�E�。我的理解，其他业务逻辑处理很多时候也会用到相同的�U�程�Q�IO��d��操作相对CPU的操作还是要慢很多，即��Reactor机制中每�ơ读写已�l�能保证非阻塞读写，�q�里可以减少一些线�E�的使用�Q�但是这减少的线�E��用对性能有那么大的媄响吗�Q�答案貌似是肯定的，�q�篇论文(SEDA: Staged Event-Driven Architecture - An Architecture for Well-Conditioned, Scalable Internet Service)寚w��着�U�程的增长带来性能降低做了一个统计：

在这个统计中�Q�每个线�E�从��盘中读8KB数据�Q�每个线�E�读同一个文�Ӟ��因而数据本�w�是�~�存在操作系�l�内部的�Q�即减少IO的媄响；所有线�E�是事先分配的，不会有线�E�启动的影响�Q�所有�Q务在��试内部产生�Q�因而不会有�|�络的媄响。该�l�计数据�q�行环境�Q�Linux 2.2.14�Q?GB内存�Q?-way 500MHz Pentium III。从图中可以看出�Q�随着�U�程的增长，吞吐量在�U�程��Cؓ8个左右的时候开始线性下降，�q�且�?4个以后而迅速下降，其相应事件也在线�E�达�?56个后指数上升。即1+1<2�Q�因为线�E�切换、同步、数据移动会有性能损失�Q�线�E�数增加��C��定数量时�Q�这�U�性能影响效果会更加明显�?br />
对于�q�点�Q�还可以参�?a >C10K Problem�Q�用以描�q�同时有10K个Client发�v�q�接的问题，�?010�q�的时候已�l�出�?0M Problem了�?br />
当然也有��Q?a >Threads are expensive are no longer valid.在不久的��来可能又会发生不同的变化，或者这个变化正在、已�l�发生着�Q�没有做�q�比较仔�l�的��试�Q�因而不敢随便断�a�什么，然而本��点，即�ɾU�程变的影响�q�没有以前那么大�Q��用Reactor模式�Q�甚��x��SEDA模式来减��线�E�的使用�Q�再加上其他解耦、模块化、提升复用性等优点�Q�还是值得使用的�?br />
Reactor模式的缺�?/h2>Reactor模式的缺点貌��g��是显而易见的�Q?br />1. 相比传统的简单模型，Reactor增加了一定的复杂性，因而有一定的门槛�Q��ƈ且不易于调试�?br />2. Reactor模式需要底层的Synchronous Event Demultiplexer支持�Q�比如Java中的Selector支持�Q�操作系�l�的select�pȝ��调用支持�Q�如果要自己实现Synchronous Event Demultiplexer可能不会有那么高效�?br />3. Reactor模式在IO��d��数据时还是在同一个线�E�中实现的，即��使用多个Reactor机制的情况下�Q�那些共享一个Reactor的Channel如果出现一个长旉��的数据读写，会媄响这个Reactor中其他Channel的相应时��_��比如在大文�g传输�Ӟ��IO操作��׃��影响其他Client的相应时��_��因而对�q�种操作�Q��用传�l�的Thread-Per-Connection或许是一个更好的选择�Q�或则此时��用Proactor模式�?br />
参�?/h2> Reactor Pattern WikiPedia
Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events
Scalable IO In Java
C10K Problem WikiPedia

DLevin 2015-09-02 15:14 发表评论

DLevin — Sat, 22 Aug 2015 11:40:00 GMT

前言
�q�是《深入HBase架构解析�Q�一�Q��?/a>的箋�Q�不多废话，�l�箋。。。�?br />
HBase�ȝ��实现
通过前文的描�q�ͼ�我们知道在HBase写时�Q�相同Cell(RowKey/ColumnFamily/Column相同)�q�不保证在一��P��甚至删除一个Cell也只是写入一个新的Cell�Q�它含有Delete标记�Q�而不一定将一个Cell真正删除了，因而这��引起了一个问题，如何实现�ȝ��问题�Q�要解决�q�个问题�Q�我们先来分析一下相同的Cell可能存在的位�|�：首先�Ҏ��写入的Cell�Q�它会存在于MemStore中；然后对之前已�l�Flush到HDFS中的Cell�Q�它会存在于某个或某些StoreFile(HFile)中；最后，对刚��d��q�的Cell�Q�它可能存在于BlockCache中。既然相同的Cell可能存储在三个地方，在读取的时候只需要扫瞄这三个地方�Q�然后将�l�果合�ƈ卛_��(Merge Read)�Q�在HBase中扫瞄的��序依次是：BlockCache、MemStore、StoreFile(HFile)。其中StoreFile的扫瞄先会��用Bloom Filter�q��o那些不可能符合条件的HFile�Q�然后��用Block Index快速定位Cell�Q��ƈ��其加蝲到BlockCache中，然后从BlockCache中读取。我们知道一个HStore可能存在多个StoreFile(HFile)�Q�此旉��要扫瞄多个HFile�Q�如果HFile�q�多又是会引��h��能问题�?br />
Compaction
MemStore每次Flush会创建新的HFile�Q�而过多的HFile会引赯��的性能问题�Q�那么如何解册��个问题呢�Q�HBase采用Compaction机制来解册��个问题，有点�c�M��Java中的GC机制�Q��v初Java不停的申请内存而不释放�Q�增加性能�Q�然而天下没有免费的午餐�Q�最�l�我们还是要在某个条件下��L��集垃圾，很多时候需要Stop-The-World�Q�这�U�Stop-The-World有些时候也会引起很大的问题�Q�比如参考本人写�?a href="http://www.tkk7.com/DLevin/archive/2015/08/01/426418.html">�q�篇文章�Q�因而设计是一�U�权衡，没有完美的。还是类似Java中的GC�Q�在HBase中Compaction分�ؓ两种�Q�Minor Compaction和Major Compaction�?br />
Minor Compaction是指选取一些小的、相�ȝ��StoreFile��他们合�q�成一个更大的StoreFile�Q�在�q�个�q�程中不会处理已�l�Deleted或Expired的Cell。一�ơMinor Compaction的结果是更少�q�且更大的StoreFile。（�q�个是对的吗�Q�BigTable中是�q�样描述Minor Compaction�?span style="font-size: 10.000000pt; font-family: 'Times'">�Q�As write operations execute, the size of the memtable in- creases. When the memtable size reaches a threshold, the memtable is frozen, a new memtable is created, and the frozen memtable is converted to an SSTable and written to GFS. This minor compaction process has two goals: it shrinks the memory usage of the tablet server, and it reduces the amount of data that has to be read from the commit log during recovery if this server dies. Incom- ing read and write operations can continue while com- pactions occur. 也就是说它将memtable的数据flush的一个HFile/SSTable�U�Cؓ一�ơMinor Compaction�Q?/li>
Major Compaction是指��所有的StoreFile合�ƈ成一个StoreFile�Q�在�q�个�q�程中，标记为Deleted的Cell会被删除�Q�而那些已�l�Expired的Cell会被丢弃�Q�那些已�l�超�q�最多版本数的Cell会被丢弃。一�ơMajor Compaction的结果是一个HStore只有一个StoreFile存在。Major Compaction可以手动或自动触发，然而由于它会引起很多的IO操作而引��h��能问题�Q�因而它一般会被安排在周末、凌晨等集群比较闲的旉��?br />
更�Ş象一点，如下面两张图分别表示Minor Compaction和Major Compaction�?br />
HRegion Split
最初，一个Table只有一个HRegion�Q�随着数据写入增加�Q�如果一个HRegion到达一定的大小�Q�就需要Split成两个HRegion�Q�这个大��由hbase.hregion.max.filesize指定�Q�默认�ؓ10GB。当split�Ӟ��两个新的HRegion会在同一个HRegionServer中创建，它们各自包含父HRegion一半的数据�Q�当Split完成后，父HRegion会下�U�，而新的两个子HRegion会向HMaster注册上线�Q�处于负载均衡的考虑�Q�这两个新的HRegion可能会被HMaster分配到其他的HRegionServer中。关于Split的详�l�信息，可以参考这��文章：《Apache HBase Region Splitting and Merging�?/a>�?br />
HRegion负蝲均衡
在HRegion Split后，两个新的HRegion最初会和之前的父HRegion在相同的HRegionServer上，��Z��负蝲均衡的考虑�Q�HMaster可能会将其中的一个甚至两个重新分配的其他的HRegionServer中，此时会引��h��些HRegionServer处理的数据在其他节点上，直到下一�ơMajor Compaction��数据从�q�端的节点移动到本地节点�?br />

HRegionServer Recovery
当一台HRegionServer宕机�Ӟ��׃��它不再发送Heartbeat�l�ZooKeeper而被监测刎ͼ�此时ZooKeeper会通知HMaster�Q�HMaster会检��到哪台HRegionServer宕机�Q�它��宕机的HRegionServer中的HRegion重新分配�l�其他的HRegionServer�Q�同时HMaster会把宕机的HRegionServer相关的WAL拆分分配�l�相应的HRegionServer(��拆分出的WAL文�g写入对应的目的HRegionServer的WAL目录中，�q��ƈ写入对应的DataNode中）�Q�从而这些HRegionServer可以Replay分到的WAL来重建MemStore�?br />

HBase架构��单�ȝ��
在NoSQL中，存在著名的CAP理论�Q�即Consistency、Availability、Partition Tolerance不可全得�Q�目前市��Z��基本上的NoSQL都采用Partition Tolerance以实现数据得水��^扩展�Q�来处理Relational DataBase遇到的无法处理数据量太大的问题，或引��L��性能问题。因而只有剩下C和A可以选择。HBase在两者之间选择了Consistency�Q�然后��用多个HMaster以及支持HRegionServer的failure监控、ZooKeeper引入作�ؓ协调者等各种手段来解决Availability问题�Q�然而当�|�络的Split-Brain(Network Partition)发生�Ӟ��它还是无法完全解决Availability的问题。从�q�个角度上，Cassandra选择了A�Q�即它在�|�络Split-Brain时还是能正常写，而��用其他技术来解决Consistency的问题，如读的时候触发Consistency判断和处理。这是设计上的限制�?br />
从实��C��的优点：
HBase采用��Z��致性模型，在一个写�q�回后，保证所有的读都��d��相同的数据�?/li>
通过HRegion动态Split和Merge实现自动扩展�Q��ƈ使用HDFS提供的多个数据备份功能，实现高可用性�?/li>
采用HRegionServer和DataNode�q�行在相同的服务器上实现数据的本地化�Q�提升读写性能�Q��ƈ减少�|�络压力�?/li>
内徏HRegionServer的宕��动恢复。采用WAL来Replay�q�未持久化到HDFS的数据�?/li>
可以无缝的和Hadoop/MapReduce集成�?br />
实现上的�~�点�Q?br />
WAL的Replay�q�程可能会很慢�?/li>
��N��恢复比较复杂�Q�也会比较慢�?/li>
Major Compaction会引起IO Storm�?/li>
。。。�?br />
参考：
https://www.mapr.com/blog/in-depth-look-hbase-architecture#.VdNSN6Yp3qx
http://jimbojw.com/wiki/index.php?title=Understanding_Hbase_and_BigTable
http://hbase.apache.org/book.html
http://www.searchtb.com/2011/01/understanding-hbase.html
http://research.google.com/archive/bigtable-osdi06.pdf

DLevin 2015-08-22 19:40 发表评论

DLevin — Sat, 22 Aug 2015 09:44:00 GMT

前记
公司内部使用的是MapR版本的Hadoop生态系�l�，因而从MapR的官�|�看��C��q�篇文文章：An In-Depth Look at the HBase Architecture�Q�原本想��译全文�Q�然而如果翻译就需要各�U�咬文嚼字，太麻烦，因而本文大部分使用了自��q��语言�Q��ƈ且加入了其他资源的参考理解以及本��p��源码时对其的理解�Q�属于半��译、半原创吧�?br />
HBase架构�l�成
HBase采用Master/Slave架构搭徏集群�Q�它隶属于Hadoop生态系�l�，�׃��下类型节点组成：HMaster节点、HRegionServer节点、ZooKeeper集群�Q�而在底层�Q�它��数据存储于HDFS中，因而涉及到HDFS的NameNode、DataNode�{�，��M��l�构如下�Q?br />
其中HMaster节点用于�Q?br />

��理HRegionServer�Q�实现其负蝲均衡�?/li>
��理和分配HRegion�Q�比如在HRegion split时分配新的HRegion�Q�在HRegionServer退出时�q�移其内的HRegion到其他HRegionServer上�?/li>
实现DDL操作�Q�Data Definition Language�Q�namespace和table的增删改�Q�column familiy的增删改�{�）�?/li>
��理namespace和table的元数据�Q�实际存储在HDFS上）�?/li>
权限控制�Q�ACL�Q��?/li>
HRegionServer节点用于�Q?br />

存放和管理本地HRegion�?/li>
��d��HDFS�Q�管理Table中的数据�?/li>
Client直接通过HRegionServer��d��数据�Q�从HMaster中获取元数据�Q�找到RowKey所在的HRegion/HRegionServer后）�?/li>
ZooKeeper集群是协调系�l?/strong>�Q�用于：

存放整个 HBase集群的元数据以及集群的状态信息�?/li>
实现HMaster��M��节点的failover�?/li>
HBase Client通过RPC方式和HMaster、HRegionServer通信�Q�一个HRegionServer可以存放1000个HRegion�Q�底层Table数据存储于HDFS中，而HRegion所处理的数据尽量和数据所在的DataNode在一��P��实现数据的本地化�Q�数据本地化�q�不是总能实现�Q�比如在HRegion�U�d��(如因Split)�Ӟ��需要等下一�ơCompact才能�l�箋回到本地化�?br />
本着半翻译的原则�Q�再贴一个《An In-Depth Look At The HBase Architecture》的架构图：

�q�个架构图比较清晰的表达了HMaster和NameNode都支持多个热备䆾�Q��用ZooKeeper来做协调�Q�ZooKeeper�q�不是云般神�U�，它一般由三台机器�l�成一个集��，内部使用PAXOS��法支持三台Server中的一台宕机，也有使用五台机器的，此时则可以支持同时两台宕机，既少于半数的宕机�Q�然而随着机器的增加，它的性能也会下降�Q�RegionServer和DataNode一般会攑֜�相同的Server上实现数据的本地化�?br />
HRegion
HBase使用RowKey��表水��^切割成多个HRegion�Q�从HMaster的角度，每个HRegion都纪录了它的StartKey和EndKey�Q�第一个HRegion的StartKey为空�Q�最后一个HRegion的EndKey为空�Q�，�׃��RowKey是排序的�Q�因而Client可以通过HMaster快速的定位每个RowKey在哪个HRegion中。HRegion由HMaster分配到相应的HRegionServer中，然后由HRegionServer负责HRegion的启动和��理�Q�和Client的通信�Q�负责数据的�?使用HDFS)。每个HRegionServer可以同时��理1000个左右的HRegion�Q�这个数字怎么来的�Q�没有从代码中看到限�Ӟ��N��是出于经验？��过1000个会引�v性能问题�Q?strong>来回�{�这个问�?/strong>�Q�感觉这�?000的数字是从BigTable的论文中来的�Q? Implementation节）�Q�Each tablet server manages a set of tablets(typically we have somewhere between ten to a thousand tablets per tablet server)�Q��?br />

HMaster
HMaster没有单点故障问题�Q�可以启动多个HMaster�Q�通过ZooKeeper的Master Election机制保证同时只有一个HMaster��Z��Active状态，其他的HMaster则处于热备䆾状态。一般情况下会启动两个HMaster�Q�非Active的HMaster会定期的和Active HMaster通信以获取其最新状态，从而保证它是实时更新的�Q�因而如果启动了多个HMaster反而增加了Active HMaster的负担。前文已�l�介�l�过了HMaster的主要用于HRegion的分配和��理�Q�DDL(Data Definition Language�Q�既Table的新建、删除、修改等)的实现等�Q�既它主要有两方面的职责�Q?br />

协调HRegionServer

启动时HRegion的分配，以及负蝲均衡和修复时HRegion的重新分配�?/li>
监控集群中所有HRegionServer的状�?通过Heartbeat和监听ZooKeeper中的状�?�?br />

Admin职能

创徏、删除、修改Table的定义�?br />

ZooKeeper�Q�协调�?/h2> ZooKeeper为HBase集群提供协调服务�Q�它��理着HMaster和HRegionServer的状�?available/alive�{?�Q��ƈ且会在它们宕机时通知�l�HMaster�Q�从而HMaster可以实现HMaster之间的failover�Q�或对宕机的HRegionServer中的HRegion集合的修�?��它们分配给其他的HRegionServer)。ZooKeeper集群本��n使用一致性协�?PAXOS协议)保证每个节点状态的一致性�?br />

How The Components Work Together
ZooKeeper协调集群所有节点的�׃�n信息�Q�在HMaster和HRegionServer�q�接到ZooKeeper后创建Ephemeral节点�Q��ƈ使用Heartbeat机制�l�持�q�个节点的存�zȝ��态，如果某个Ephemeral节点实效�Q�则HMaster会收到通知�Q��ƈ做相应的处理�?br />
另外�Q�HMaster通过监听ZooKeeper中的Ephemeral节点(默认�Q?hbase/rs/*)来监控HRegionServer的加入和宕机。在�W�一个HMaster�q�接到ZooKeeper时会创徏Ephemeral节点(默认�Q?hbasae/master)来表�C�Active的HMaster�Q�其后加�q�来的HMaster则监听该Ephemeral节点�Q�如果当前Active的HMaster宕机�Q�则该节�Ҏ��失，因而其他HMaster得到通知�Q�而将自��n转换成Active的HMaster�Q�在变�ؓActive的HMaster之前�Q�它会创建在/hbase/back-masters/下创��q��Ephemeral节点�?br />
HBase的第一�ơ读�?/h3> 在HBase 0.96以前�Q�HBase有两个特�D�的Table�Q?ROOT-�?META.�Q�如BigTable中的设计�Q�，其中-ROOT- Table的位�|�存储在ZooKeeper�Q�它存储�?META. Table的RegionInfo信息�Q��ƈ且它只能存在一个HRegion�Q��?META. Table则存储了用户Table的RegionInfo信息�Q�它可以被切分成多个HRegion�Q�因而对�W�一�ơ访问用户Table�Ӟ��首先从ZooKeeper中读�?ROOT- Table所在HRegionServer�Q�然后从该HRegionServer中根据请求的TableName�Q�RowKey��d��.META. Table所在HRegionServer�Q�最后从该HRegionServer中读�?META. Table的内容而获取此�ơ请求需要访问的HRegion所在的位置�Q�然后访问该HRegionSever获取��h��的数据，�q�需要三�ơ请求才能找到用户Table所在的位置�Q�然后第四次��h��开始获取真正的数据。当然�ؓ了提升性能�Q�客��L��会缓�?ROOT- Table位置以及-ROOT-/.META. Table的内宏V��如下图所�C�：

可是即��客户端有�~�存�Q�在初始阶段需要三�ơ请求才能直到用户Table真正所在的位置也是性能低下的，而且真的有必要支持那么多的HRegion吗？或许对Google�q�样的公司来说是需要的�Q�但是对一般的集群来说好像�q�没有这个必要。在BigTable的论文中��_��每行METADATA存储1KB左右数据�Q�中�{�大��的Tablet(HRegion)�?28MB左右�Q?层位�|�的Schema设计可以支持2^34个Tablet(HRegion)。即使去�?ROOT- Table�Q�也�q�可以支�?^17(131072)个HRegion�Q?如果每个HRegion�q�是128MB�Q�那��是16TB�Q�这个貌��g��够大�Q�但是现在的HRegion的最大大��都会设�|�的比较大，比如我们讄��?GB�Q�此时支持的大小则变成了4PB�Q�对一般的集群来说已经够了�Q�因而在HBase 0.96以后��L��?ROOT- Table�Q�只剩下�q�个�Ҏ��的目录表叫做Meta Table(hbase:meta)�Q�它存储了集��中所有用户HRegion的位�|�信息，而ZooKeeper的节点中(/hbase/meta-region-server)存储的则直接是这个Meta Table的位�|�，�q�且�q�个Meta Table如以前的-ROOT- Table一��h��不可split的。这��P��客户端在�W�一�ơ访问用户Table的流�E�就变成了：

从ZooKeeper(/hbase/meta-region-server)中获取hbase:meta的位�|�（HRegionServer的位�|�）�Q�缓存该位置信息�?/li>
从HRegionServer中查询用户Table对应��h��的RowKey所在的HRegionServer�Q�缓存该位置信息�?/li>
从查询到HRegionServer中读取Row�?/li>
从这个过�E�中�Q�我们发现客户会�~�存�q�些位置信息�Q�然而第二步它只是缓存当前RowKey对应的HRegion的位�|�，因而如果下一个要查的RowKey不在同一个HRegion中，则需要��l�查询hbase:meta所在的HRegion�Q�然而随着旉��的推�U�，客户端缓存的位置信息��来��多�Q�以至于不需要再�ơ查找hbase:meta Table的信息，除非某个HRegion因�ؓ宕机或Split被移动，此时需要重新查询�ƈ且更新缓存�?br />

hbase:meta�?/h3> hbase:meta表存储了所有用户HRegion的位�|�信息，它的RowKey是：tableName,regionStartKey,regionId,replicaId�{�，它只有info列族�Q�这个列族包含三个列�Q�他们分别是�Q�info:regioninfo列是RegionInfo的proto格式�Q�regionId,tableName,startKey,endKey,offline,split,replicaId�Q�info:server格式�Q�HRegionServer对应的server:port�Q�info:serverstartcode格式是HRegionServer的启动时间戳�?br />

HRegionServer详解
HRegionServer一般和DataNode在同一台机器上�q�行�Q�实现数据的本地性。HRegionServer包含多个HRegion�Q�由WAL(HLog)、BlockCache、MemStore、HFile�l�成�?br />

WAL即Write Ahead Log�Q�在早期版本中称为HLog�Q�它是HDFS上的一个文�Ӟ��如其名字所表示的，所有写操作都会先保证将数据写入�q�个Log文�g后，才会真正更新MemStore�Q�最后写入HFile中。采用这�U�模式，可以保证HRegionServer宕机后，我们依然可以从该Log文�g中读取数据，Replay所有的操作�Q�而不至于数据丢失。这个Log文�g会定期Roll出新的文件而删除旧的文�?那些已持久化到HFile中的Log可以删除)。WAL文�g存储�?hbase/WALs/${HRegionServer_Name}的目录中(�?.94之前�Q�存储在/hbase/.logs/目录�?�Q�一般一个HRegionServer只有一个WAL实例�Q�也��是说一个HRegionServer的所有WAL写都是串行的(��像log4j的日志写也是串行�?�Q�这当然会引��h��能问题�Q�因而在HBase 1.0之后�Q�通过HBASE-5699实现了多个WAL�q�行�?MultiWAL)�Q�该实现采用HDFS的多个管道写�Q�以单个HRegion为单位。关于WAL可以参考Wikipedia�?a >Write-Ahead Logging。顺便吐槽一句，英文版的�l�基癄��竟然能毫无压力的正常讉K��了，�q�是某个GFW的疏忽还是以后的常态？

BlockCache是一个读�~�存�Q�即“引用局部�?#8221;原理�Q�也应用于CPU�Q?a >分空间局部性和旉��局部�?/a>�Q�空间局部性是指CPU在某一时刻需要某个数据，那么有很大的概率在一下时��d��需要的数据在其附近�Q�时间局部性是指某个数据在被访问过一�ơ后�Q�它有很大的概率在不久的��来会被再次的访问）�Q�将数据预读取到内存中，以提升读的性能。HBase中提供两�U�BlockCache的实玎ͼ�默认on-heap LruBlockCache和BucketCache(通常是off-heap)。通常BucketCache的性能要差于LruBlockCache�Q�然而由于GC的媄响，LruBlockCache的�g�q�会变的不稳定，而BucketCache�׃��是自��q��理BlockCache�Q�而不需要GC�Q�因而它的�g�q�通常比较�E�_��Q�这也是有些时候需要选用BucketCache的原因。这��文�?a >BlockCache101对on-heap和off-heap的BlockCache做了详细的比较�?/li>
HRegion是一个Table中的一个Region在一个HRegionServer中的表达。一个Table可以有一个或多个Region�Q�他们可以在一个相同的HRegionServer上，也可以分布在不同的HRegionServer上，一个HRegionServer可以有多个HRegion�Q�他们分别属于不同的Table。HRegion由多个Store(HStore)构成�Q�每个HStore对应了一个Table在这个HRegion中的一个Column Family�Q�即每个Column Family��是一个集中的存储单元�Q�因而最好将��h��相近IO�Ҏ��的Column存储在一个Column Family�Q�以实现高效��d��(数据局部性原理，可以提高�~�存的命中率)。HStore是HBase中存储的核心�Q�它实现了读写HDFS功能�Q�一个HStore�׃��个MemStore �?个或多个StoreFile�l�成�?br />

MemStore是一个写�~�存(In Memory Sorted Buffer)�Q�所有数据的写在完成WAL日志写后�Q�会写入MemStore中，由MemStore�Ҏ��一定的��法��数据Flush到地层HDFS文�g�?HFile)�Q�通常每个HRegion中的每个 Column Family有一个自��q��MemStore�?/li>
HFile(StoreFile) 用于存储HBase的数�?Cell/KeyValue)。在HFile中的数据是按RowKey、Column Family、Column排序�Q�对相同的Cell(卌��三个值都一�?�Q�则按timestamp倒序排列�?/li>

虽然上面�q�张囑ֱ�现的是最新的HRegionServer的架�?但是�q�不是那么的�_��)�Q�但是我一直比较喜�Ƣ看以下�q�张图，即��它展现的应该�?.94以前的架构�?br />

HRegionServer中数据写��程图解
当客��L��发�v一个Put��h��Ӟ��首先它从hbase:meta表中查出该Put数据最�l�需要去的HRegionServer。然后客��L��Put��h��发送给相应的HRegionServer�Q�在HRegionServer中它首先会将该Put操作写入WAL日志文�g�?Flush到磁盘中)�?br />
写完WAL日志文�g后，HRegionServer�Ҏ��Put中的TableName和RowKey扑ֈ�对应的HRegion�Q��ƈ�Ҏ��Column Family扑ֈ�对应的HStore�Q��ƈ��Put写入到该HStore的MemStore中。此时写成功�Q��ƈ�q�回通知客户端�?br />
MemStore Flush
MemStore是一个In Memory Sorted Buffer�Q�在每个HStore中都有一个MemStore�Q�即它是一个HRegion的一个Column Family对应一个实例。它的排列顺序以RowKey、Column Family、Column的顺序以及Timestamp的倒序�Q�如下所�C�：

每一�ơPut/Delete��h��都是先写入到MemStore中，当MemStore满后会Flush成一个新的StoreFile(底层实现是HFile)�Q�即一个HStore(Column Family)可以�?个或多个StoreFile(HFile)。有以下三种情况可以触发MemStore的Flush动作�Q?strong>需要注意的是MemStore的最��Flush单元是HRegion而不是单个MemStore。据说这是Column Family有个数限制的其中一个原因，估计是因为太多的Column Family一起Flush会引��h��能问题�Q�具体原因有待考证�?br />
当一个HRegion中的所有MemStore的大��d��过了hbase.hregion.memstore.flush.size的大��，默认128MB。此时当前的HRegion中所有的MemStore会Flush到HDFS中�?/li>
当全局MemStore的大��超�q�了hbase.regionserver.global.memstore.upperLimit的大��，默认40�Q�的内存使用量。此时当前HRegionServer中所有HRegion中的MemStore都会Flush到HDFS中，Flush��序是MemStore大小的倒序�Q�一个HRegion中所有MemStore��d��作�ؓ该HRegion的MemStore的大��还是选取最大的MemStore作�ؓ参考？有待考证�Q�，直到��M��的MemStore使用量低于hbase.regionserver.global.memstore.lowerLimit�Q�默�?8%的内存��用量�?/li>
当前HRegionServer中WAL的大��超�q�了hbase.regionserver.hlog.blocksize * hbase.regionserver.max.logs的数量，当前HRegionServer中所有HRegion中的MemStore都会Flush到HDFS中，Flush使用旉��序�Q�最早的MemStore先Flush直到WAL的数量少于hbase.regionserver.hlog.blocksize * hbase.regionserver.max.logs�?a >�q�里说这两个�怹�的默认大��是2GB�Q�查代码�Q�hbase.regionserver.max.logs默认值是32�Q�而hbase.regionserver.hlog.blocksize是HDFS的默认blocksize�Q?2MB。但不管怎么��P��因�ؓ�q�个大小��过限制引�v的Flush不是一件好事，可能引�v长时间的延迟�Q�因而这��文章给的徏议：“Hint: keep hbase.regionserver.hlog.blocksize * hbase.regionserver.maxlogs just a bit above hbase.regionserver.global.memstore.lowerLimit * HBASE_HEAPSIZE.”。�ƈ且需要注意，�q�里�l�的描述是有错的(虽然它是官方的文�?�?br />
在MemStore Flush�q�程中，�q�会在尾部追加一些meta数据�Q�其中就包括Flush时最大的WAL sequence��|��以告诉HBase�q�个StoreFile写入的最新数据的序列�Q�那么在Recover时就直到从哪里开始。在HRegion启动�Ӟ��q�个sequence会被��d��Q��ƈ取最大的作�ؓ下一�ơ更新时的�v始sequence�?br />
HFile格式
HBase的数据以KeyValue(Cell)的�Ş式顺序的存储在HFile中，在MemStore的Flush�q�程中生成HFile�Q�由于MemStore中存储的Cell遵��@相同的排列顺序，因而Flush�q�程是顺序写�Q�我们直到磁盘的��序写性能很高�Q�因��Z��需要不停的�U�d��盘指针�?br />
HFile参考BigTable的SSTable和Hadoop�?a >TFile实现�Q�从HBase开始到现在�Q�HFile�l�历了三个版本，其中V2�?.92引入�Q�V3�?.98引入。首先我们来看一下V1的格式：

V1的HFile由多个Data Block、Meta Block、FileInfo、Data Index、Meta Index、Trailer�l�成�Q�其中Data Block是HBase的最��存储单元，在前文中提到的BlockCache��是��Z��Data Block的缓存的。一个Data Block�׃��个魔数和一�p�d��的KeyValue(Cell)�l�成�Q�魔数是一个随机的数字�Q�用于表�C��是一个Data Block�c�d��Q�以快速监��这个Data Block的格式，防止数据的破坏。Data Block的大��可以在创徏Column Family时设�|?HColumnDescriptor.setBlockSize())�Q�默认值是64KB�Q�大��L��Block有利于顺序Scan�Q�小号Block利于随机查询�Q�因而需要权衡。Meta块是可选的�Q�FileInfo是固定长度的块，它纪录了文�g的一些Meta信息�Q�例如：AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY�{�。Data Index和Meta Index�U�录了每个Data块和Meta块的其实炏V��未压羃时大��、Key(起始RowKey�Q?�{�。Trailer�U�录了FileInfo、Data Index、Meta Index块的起始位置�Q�Data Index和Meta Index索引的数量等。其中FileInfo和Trailer是固定长度的�?br />
HFile里面的每个KeyValue对就是一个简单的byte数组。但是这个byte数组里面包含了很多项�Q��ƈ且有固定的结构。我们来看看里面的具体结构：

开始是两个固定长度的数��|��分别表示Key的长度和Value的长度。紧接着是Key�Q�开始是固定长度的数��|��表示RowKey的长度，紧接着�? RowKey�Q�然后是固定长度的数��|��表示Family的长度，然后是Family�Q�接着是Qualifier�Q�然后是两个固定长度的数��|��表示Time Stamp和Key Type�Q�Put/Delete�Q�。Value部分没有�q�么复杂的结构，��是�U��a的二�q�制数据了�?strong>随着HFile版本�q�移�Q�KeyValue(Cell)的格式�ƈ未发生太多变化，只是在V3版本�Q�尾部添加了一个可选的Tag数组�?br />
HFileV1版本的在实际使用�q�程中发现它占用内存多，�q�且Bloom File和Block Index会变的很大，而引起启动时间变�ѝ��其中每个HFile的Bloom Filter可以增长�?00MB�Q�这在查询时会引��h��能问题�Q�因为每�ơ查询时需要加载�ƈ查询Bloom Filter�Q?00MB的Bloom Filer会引起很大的延迟�Q�另一个，Block Index在一个HRegionServer可能会增长到��d��6GB�Q�HRegionServer在启动时需要先加蝲所有这些Block Index�Q�因而增加了启动旉��。�ؓ了解册��些问题，�?.92版本中引入HFileV2版本�Q?br />
在这个版本中�Q�Block Index和Bloom Filter��d��C��Data Block中间�Q�而这�U�设计同时也减少了写的内存��用量�Q�另外，��Z��提升启动速度�Q�在�q�个版本中还引入了�g�q�读的功能，卛_��HFile真正被��用时才对其进行解析�?br />
FileV3版本基本和V2版本相比�Q��ƈ没有太大的改变，它在KeyValue(Cell)层面上添加了Tag数组的支持；�q�在FileInfo�l�构中添加了和Tag相关的两个字�D�c��关于具体HFile格式演化介绍�Q�可以参�?a >�q�里�?br />
对HFileV2格式具体分析�Q�它是一个多层的�c�B+树烦引，采用�q�种设计�Q�可以实现查找不需要读取整个文�Ӟ��

Data Block中的Cell都是升序排列�Q�每个block都有它自��q��Leaf-Index�Q�每个Block的最后一个Key被放入Intermediate-Index中，Root-Index指向Intermediate-Index。在HFile的末��还有Bloom Filter用于快速定位那么没有在某个Data Block中的Row�Q�TimeRange信息用于�l�那些��用时间查询的参考。在HFile打开�Ӟ��q�些索引信息都被加蝲�q�保存在内存中，以增加以后的��d��性能�?br />
�q�篇��先写到�q�里�Q�未完待�l�。。。�?br />

参考：
https://www.mapr.com/blog/in-depth-look-hbase-architecture#.VdNSN6Yp3qx
http://jimbojw.com/wiki/index.php?title=Understanding_Hbase_and_BigTable
http://hbase.apache.org/book.html
http://www.searchtb.com/2011/01/understanding-hbase.html
http://research.google.com/archive/bigtable-osdi06.pdf

DLevin 2015-08-22 17:44 发表评论

DLevin — Thu, 13 Aug 2015 08:28:00 GMT

问题起因
依然是在使用GemFire的集��中�Q�我们发现偶��会出现一些GemFire的Function执行特别慢，�q�且��过了两分钟�Q��ؓ了保证数据的一致性，我们在写之前需要先拿一个Lock�Q�因��Z��能每个Key都对应一个Lock�Q�因而我们��用了Guava的Stripe Lock�Q�关于Stripe Lock可以参�?a href="http://www.tkk7.com/DLevin/archive/2013/12/25/407990.html">�q�里�Q�，而且�q�个Lock本��n我们指定�?分钟的超时时��_��因而如果写��过两分钟，我们��׃��收到Exception�Q�。这个问题其实已�l�困��C��我们好几�q�了�Q�刚前段旉��Q�我们发现长旉��的Stop-The-World GC会引赯��个问题，而且�q�种时候很多时候会引�v那个节点从集��中退出，�q�不是所有的�q�种错误都有GC的问题，我特地查了GC的日志，有些�q�种写超�q�两分钟的情况下�Q�GC一直处于非常健��L��状态，而且查了GemFire的日志和我们自己的日志，也没有发��C�Q何异常。由于我们每个数据保留两分䆾拯��Q�也��是说每�ơ数据写都要写两个节点，两分钟对CPU来说可以做太多的事情�Q�因而只有IO才能在某些时候��生这�U�问题，在问题发生的时候也没有��M��overflow数据�Q�而且本地操作�Q�即使对IO来说2分钟也是一个非帔R��的时间了�Q�因而我们只能怀疑这是写另一个节点引��L��Q�对另一个节点，它是在同一个Data Center中，而且基本是在同一个Chasis内部�Q�因而它们之间小�?M的数据量通信也不太可能花�?分钟的时��_��所以剩下的我们��只能怀疑网�l�的问题了，比如数据丢包、网�l�抖动、网�l�流量太大一起传输变慢等�Q�但是我们没有找��C�Q何相关的问题。所以我们很长一�D�|��间素手无�{�，只能怪GemFire闭源�Q�我们不知道�q�两分钟是不是GemFire自己内部在做一些不��Z�h知的事情�Q�因而太忙了而每来得及处理我们的写请求。虽然我一直觉得不��在处理什么炒作，两分钟都没有响应�Ҏ��无法解释的通，更何况GemFire节点之间�q�没有报告有��M��异常�Q�或者像以前发现的一个节点向Locator举报另一个节�Ҏ��有响应的问题�Q�Locator自己也能很正常的向那个节点发送新的成员信息（View�Q�，因而看��h��向是�q�个节点虽然�׃��两分钟多来写一个数据，但是它还是有响应的，有点“假死”的赶脚�?br />

问题发现
�q�个问题�q�么几年以来时不时的��׃��发生�Q�而且因�ؓ以前��q��旉��太多了，而且也没有找��C�Q何出错的地方�Q�现在烦性不去花太多旉��在上面了�Q�更何况�q�个它很长时间才发生一�ơ，�q�且今年以来��׃��直没发生�q�，直到前几周出��C��ơ，我有点不信邪的重新去看这个问题，依然没有扑ֈ��M��可疑的地方，GC日志、应用程序日志、GemFire自己的日志、网�l�、CPU使用情况�{�所有的都是正常的，除了问题发生的那个时刻，应用�E�序没有��M��日志�Q�另外在问题发生之前出现�q�Log4J日志文�g的Rolling�Q�我们��用RollingFileAppender�Q��ƈ且只保留20个日志文�Ӟ��Q�但是Log4J日志文�gRoll的日志出��C��断结�Q�在开始要Roll到真正完成Roll中间�q�有几行GemFire自��n的日志，此时我�ƈ没有觉得�q�个是有很大问题的，因�ؓ我始�l�觉得Log4J除了它自己提到��^均对性能�?0%的媄响以外，它就是一个简单的把日志写到文件的�q�程�Q�不会媄响的整个应用�E�序本��n�Q�因为它太简单了�Q�直��C��天这个问题再�ơ出玎ͼ�依然没有��M��其他斚w��的收��P��所有的地方都显�C�正常状态，甚至我们之前发现的网卡问题今天也没有发生�Q�然而同��h��出问题的两分钟没有出现应用程序日志，日志文�gRoll的日志和上次�c�M��Q�开始Roll到结束出现GemFire日志的交叉�?
最�q�一�ơ发生的日志
[info 2015/08/12 01:56:07.736 BST …] ClientHealthMonitor: Registering client with member id …

log4j: rolling over count=20971801

log4j: maxBackupIndex=20

[info 2015/08/12 01:56:12.265 BST …] ClientHealthMonitor: Unregistering client with member id …

……

[info 2015/08/12 01:56:23.773 BST …] ClientHealthMonitor: Registering client with member id …

log4j: Renaming file logs/….log.19 to logs/….log.20

一周前发生的日�?/legend>
[info 2015/08/04 01:43:45.761 BST …] ClientHealthMonitor: Registering client with member id …

log4j: rolling over count=20971665

log4j: maxBackupIndex=20

……

[info 2015/08/04 01:45:25.506 BST …] ClientHealthMonitor: Registering client with member id …

log4j: Renaming file logs/….log.19 to logs/….log.20

看似�q�个是一个规律（套用同事的一句话�Q�一�ơ发生时偶然�Q�两�ơ发生就是科学了�Q�。然而此时我其实依然不太�怿�Log4J�?#8220;凶手”�Q�因为我一直觉得Log4J是一个简单的日志输出框架�Q�它要是出问题也只是它自��q��问题�Q�是局部的�Q�而这个问题的出现明显是全局的，直到我突然脑子一闪而过�Q?strong>日志打印的操作是synchronized�Q�也��是说在日志文�gRoll的时候，所有其它需要打日志的线�E�都要等待直到Roll完成�Q�如果这个Roll�q�程��过�?分钟�Q�那么就会发生我们看到的Stripe Lock��时�Q�也��是发生了程�?#8220;假死”的状态�?/strong>重新查看Log4J打印日志的方法调用栈�Q�它会在两个地方用synchronized�Q�即同一个Category�Q�Logger�Q�类实例�Q?br />
  public void callAppenders(LoggingEvent event) {
        int writes = 0;
        for(Category c = this; c != null; c=c.parent) {
            // Protected against simultaneous call to addAppender, removeAppender,
            synchronized(c) {
                if(c.aai != null) {
                    writes += c.aai.appendLoopOnAppenders(event);
                }
                if(!c.additive) {
                    break;
                }
            }
        }
。。�?br />     }

以及同一个Appender在doApppend�Ӟ��
  public synchronized void doAppend(LoggingEvent event) {
      。。�?br />      this.append(event);
    }
而Roll的过�E�就是在append�Ҏ��中，�q�一步分析，在下面两句话之间�Q�他们分别花费了��过100s和超�q?1s的时��_��
log4j: maxBackupIndex=20
。。�?/div>
log4j: Renaming file logs/….log.19 to logs/….log.20
而这两句之间只包含了两个File.exists()�Q�一个File.delete()�Q�一个File.rename()操作�Q?/div>
  public void rollOver() {
。。�?br />      if(maxBackupIndex > 0) {
        // Delete the oldest file, to keep Windows happy.
        file = new File(fileName + '.' + maxBackupIndex);
        if (file.exists())
            renameSucceeded = file.delete();
        for (int i = maxBackupIndex - 1; i >= 1 && renameSucceeded; i--) {
            file = new File(fileName + "." + i);
            if (file.exists()) {
                target = new File(fileName + '.' + (i + 1));
                LogLog.debug("Renaming file " + file + " to " + target);
                renameSucceeded = file.renameTo(target);
            }
        }
。。�?br />      }
    }
NFS��单性能��试和分�?/h2>因而我对NFS的性能作了一些简单测试：
只有一个线�E�时�Q�在NFS下rename性能�Q?/div>
1 file: 3ms
10 files: 48ms
20 files: 114ms
相比较，在本地磁盘rename的性能�Q?/div>
1 file: 1ms
3 files: 1ms
10 files: 3ms
对NFS和本地磁盘写的性能�Q�模拟日志，每行都会flush�Q�：

	NFS	LOCAL
1 writer, 11M	443ms	238ms
1 writer, 101M	2793ms	992ms
10 writers, 11M	~4400ms	~950ms
10 writers, 101M	~30157ms	~5500ms

一些其他的�l�计�Q?/div>

100同时�?

Create 20 files spend: 301ms

Renaming 20 files spends: 333ms

Delete 20 files spends: 329ms

1000同时�?

Create 20 files spend: 40145ms

Renaming 20 files spends: 39273ms

而在1000个同时写的过�E�中�Q�重命名�Q?/strong>

Rename file: LogTest1.50 take: 36434ms

Rename file: LogTest1.51 take: 39ms

Rename file: LogTest1.52 take: 34ms

也就是说在这个模拟过�E�中�Q�一个文件的rename��过36s�Q�而向我们有十几台机器同时使用相同的NFS�Q��ƈ且每台机器上都跑二三十个�E�序�Q�如果那�D�|��间同时有上万个的日志写，可以预计辑ֈ�100s情况是可能发生的�?/div>
关于NFS性能的问题，在《构建高性能WEB站点》的书（330��）中也有涉及。简单的介绍�Q�NFS由Sun�?984�q�开发，是主��异构��^台实现文件共享的首选方案。它�q�没有自��q��传输协议�Q�而是使用RPC�Q�Remote Procedure Call�Q�协议（应用层）�Q�RPC协议默认底层��Z��UDP传输�Q�但是自己实现在丢包时的重传机制�Q�而且NFS服务器采用多�q�程模型�Q�默认进�E��ؓ4�Q�但是一般都会调优增加服务进�E�数�Q�然�?#8220;不管怎么对NFS�q�行性能优化�Q�NFS注定不适合作�ؓI/O密集型文件共享方案，但可以作��Z��般用途，比如提供站点内部的资源共享，它的优势在于�Ҏ��搭徏�Q�而且可以减少不必要的数据冗余�?#8221;
可以使用命��o�Q?#8220;nfsstat -c”获取对NFS服务器的操作的简单统计，具体可以参考《构建高性能WEB站点》的相关章节�Q�里面还有更详细的对NFS服务器性能的测试�?/div>

�ȝ��
从这个事件我�ȝ��了两件事情：
1. 日志的媄响可能是全局性的�Q�因而要非常��心�Q�一个耗时的操作可能引��L��序的“假死”�Q�因而要非常��心�?/div>
2. 虽然把日志打印在NFS上，对大量的日志文�g查找会方便很多，但是�q�是一个很耗性能的设计，特别是当大量的程序共享这个NFS的时候，因而要��量避免�?/div>

DLevin 2015-08-13 16:28 发表评论

实现自己的Lock对象

DLevin — Mon, 10 Aug 2015 22:08:00 GMT

一直想好好学习concurrent包中的各个类的实玎ͼ�然而经常看了一点就因�ؓ其他事情�q�扰而放下了。发现这样太不利于自��q��成长了，因而最�q�打��潜心一件一件的完成自己惛_��习的东西�?br />
对concurrent包的学习打算先从Lock的实现开始，因而自然而然的就端�v了AbstractQueuedSynchronizer�Q�然而要��L��q�个�cȝ��源码�q�不是那么容易，因而我��开始问自己一个问题：如果自己要去实现�q�个一个Lock对象�Q�应该如何实现呢�Q?br />
要实现Lock对象�Q�首先理解什么是锁？我自�׃��~�程角度��单的理解�Q�所谓锁对象�Q�互斥锁�Q�就是它能保证一�ơ只有一个线�E�能�q�入它保护的临界区，如果有一个线�E�已�l�拿到锁对象�Q�那么其他对象必��让权等待，而在该线�E�退��个��界区旉��要唤醒等待列表中的其他线�E�。更学术一些，《计��机操作�pȝ��?/a>中对同步机制准则的归�U�I��P50�Q�：

�I�闲让进。当无进�E�处于��界区�Ӟ��表明临界资源处于�I�闲状态，应允�怸�个请求进入��界区的进�E�立卌��入自��q��临界区，以有效的利用临界资源�?/li>
忙则�{�待。当已有�q�程�q�入临界区时�Q�表明��界资源正在被讉K��Q�因而其他试图进入��界区的进�E�必��ȝ��待，以保证对临界��源的互斥讉K��?/li>
有限�{�待。对要求讉K��临界资源的进�E�，应保证在有限旉��内能�q�入自己的��界区�Q�以免陷�?#8220;�ȝ��”状态�?/li>
让权�{�待。当�q�程不能�q�入自己的��界区�Ӟ��应该释放处理机，以免�q�程陷入“忙等”状态�?/li>

说了那么多，其实对互斥锁很简单，只需要一个标��C��Q�如果该标记位�ؓ0�Q�表�C�没有被占用�Q�因而直接获得锁�Q�然后把该标��C��|��ؓ1�Q�此时其他线�E�发现该标记位已�l�是1�Q�因而需要等待。这里对�q�个标记位的比较�q�设值必��L��原子操作�Q�而在JDK5以后提供的atomic包里的工��L��可以很方便的提供�q�个原子操作。然而上面的四个准则应该漏了一点，即释��N��的线�E�（�q�程�Q�和得到锁的�U�程�Q�进�E�）应该是同一个，��像一把钥匙对应一把锁�Q�理想的�Q�，所以一个非常简单的Lock�c�d��以这么实玎ͼ�
public class SpinLockV1 {
    private final AtomicInteger state = new AtomicInteger(0);
    private volatile Thread owner; // �q�里owner字段可能存在中间��|��不可靠，因而其他线�E�不可以依赖�q�个字段的�?/span>

    public void lock() {
        while (!state.compareAndSet(0, 1)) { }
        owner = Thread.currentThread();
    }

    public void unlock() {
        Thread currentThread = Thread.currentThread();
        if (owner != currentThread || !state.compareAndSet(1, 0)) {
            throw new IllegalStateException("The lock is not owned by thread: " + currentThread);
        }
        owner = null;
    }
}
一个简单的��试�Ҏ��Q?br />
    @Test
    public void testLockCorrectly() throws InterruptedException {
        final int COUNT = 100;
        Thread[] threads = new Thread[COUNT];
        SpinLockV1 lock = new SpinLockV1();
        AddRunner runner = new AddRunner(lock);
        for (int i = 0; i < COUNT; i++) {
            threads[i] = new Thread(runner, "thread-" + i);
            threads[i].start();
        }

        for (int i = 0; i < COUNT; i++) {
            threads[i].join();
        }

        assertEquals(COUNT, runner.getState());
    }

    private static class AddRunner implements Runnable {
        private final SpinLockV1 lock;
        private int state = 0;

        public AddRunner(SpinLockV1 lock) {
            this.lock = lock;
        }

        public void run() {
            lock.lock();
            try {
                quietSleep(10);
                state++;
                System.out.println(Thread.currentThread().getName() + ": " + state);
            } finally {
                lock.unlock();
            }
        }

        public int getState() {
            return state;
        }
    }
然而这个SpinLock其实�q�不需要state�q�个字段�Q�因为owner的赋��g��否也是一�U�状态，因而可以用它作��Z��U�互斥状态：
public class SpinLockV2 {
    private final AtomicReference<Thread> owner = new AtomicReference<Thread>(null);

    public void lock() {
        final Thread currentThread = Thread.currentThread();
        while (!owner.compareAndSet(null, currentThread)) { }
    }

    public void unlock() {
        Thread currentThread = Thread.currentThread();
        if (!owner.compareAndSet(currentThread, null)) {
            throw new IllegalStateException("The lock is not owned by thread: " + currentThread);
        }
    }
}
�q�在操作�pȝ��中被定义为整形信号量�Q�然而整形信号量如果没拿到锁会一直处�?#8220;忙等”状态（没有遵��@有限�{�待和让权等待的准则�Q�，因而这�U�锁也叫Spin Lock�Q�在短暂的等待中它可以提升性能�Q�因为可以减��线�E�的切换�Q�concurrent包中的Atomic大部分都采用�q�种机制实现�Q�然而如果需要长旉��的等待，“忙等”会占用不必要的CPU旉��Q�从而性能会变的很差，�q�个时候就需要将没有拿到锁的�U�程攑ֈ��{�待列表中，�q�种方式在操作系�l�中也叫记录型信号量�Q�它遵��@了让权等待准则（当前没有实现有限�{�待准则�Q�。在JDK6以后提供了LockSupport.park()/LockSupport.unpark()操作�Q�可以将当前�U�程攑օ�一个等待列表或��一个线�E�从�q�个�{�待列表中唤醒。然而这个park/unpark的等待列表是一个全局的等待列表，在unpartk的时候还是需要提供需要唤醒的Thread对象�Q�因而我们需要维护自��q��{�待列表�Q�但是如果我们可以用JDK提供的工��L��ConcurrentLinkedQueue�Q�就非常�Ҏ��实现�Q�如LockSupport文��中给出来�?a >代码事例�Q?br />
class FIFOMutex {
   private final AtomicBoolean locked = new AtomicBoolean(false);
   private final Queue<Thread> waiters = new ConcurrentLinkedQueue<Thread>();

   public void lock() {
     boolean wasInterrupted = false;
     Thread current = Thread.currentThread();
     waiters.add(current);

     // Block while not first in queue or cannot acquire lock
     while (waiters.peek() != current || !locked.compareAndSet(false, true)) {
        LockSupport.park(this);
        if (Thread.interrupted()) // ignore interrupts while waiting
          wasInterrupted = true;
     }

     waiters.remove();
     if (wasInterrupted)          // reassert interrupt status on exit
        current.interrupt();
   }

   public void unlock() {
     locked.set(false);
     LockSupport.unpark(waiters.peek());
   }
}
在该代码事例中，有一个线�E�等待队列和锁标记字�D�，每次调用lock时先��当前线�E�放入这个等待队列中�Q�然后拿出队列头�U�程对象�Q�如果该�U�程对象正好是当前线�E�，�q�且成功使用CAS方式讄��locked字段�Q�这里需要两个同时满��I��因�ؓ可能出现一个线�E�已�l�从队列中移除了但还没有unlock�Q�此时另一个线�E�调用lock�Ҏ��Q�此旉��列头的线�E�就是第二个�U�程�Q�然而由于第一个线�E�还没有unlock或者正在unlock�Q�因而需要��用CAS原子操作来判断是否要park�Q�，表示该线�E�竞争成功，获得锁，否则��当前线�E�park�Q�这里之所以要攑֜� while循环中，因�ؓpark操作可能无理��p��?spuriously)�Q�如文档中给出的描述�Q?br />
LockSupport.park()
public static void park(Object blocker)

Disables the current thread for thread scheduling purposes unless the permit is available.
If the permit is available then it is consumed and the call returns immediately; otherwise the current thread becomes disabled for thread scheduling purposes and lies dormant until one of three things happens:
Some other thread invokes unpark with the current thread as the target; or
Some other thread interrupts the current thread; or
The call spuriously (that is, for no reason) returns.

This method does not report which of these caused the method to return. Callers should re-check the conditions which caused the thread to park in the first place. Callers may also determine, for example, the interrupt status of the thread upon return.

Parameters:
blocker - the synchronization object responsible for this thread parking
Since:
1.6
我在实现自己的类时就被这�?#8220;无理��p��?#8221;坑了好久。对于已�l�获得锁的线�E�，��该�U�程从等待队列中�U�除�Q�这里由于ConcurrentLinkedQueue是线�E�安全的�Q�因而能保证每次都是队列头的�U�程得到锁，因而在得到锁匙��队列头�U�除。unlock逻辑比较��单，只需要将locked字段打开�Q�设�|��ؓfalse�Q�，唤醒�Q�unpark�Q�队列头的线�E�即可，然后该线�E�会�l�箋在lock�Ҏ��的while循环中��l�竞争unlocked字段�Q��ƈ��它自己从线�E�队列中�U�除表示获得锁成功。当然安全�v见，最好在unlock中加入一些验证逻辑�Q�如解锁的线�E�和加锁的线�E�需要相同�?br />
然而本文的目的是自己实��C��个Lock对象�Q�即只��用一些基本的操作�Q�而不使用JDK提供的Atomic�c�d��ConcurrentLinkedQueue。类似的首先我们也需要一个队列存攄��待线�E�队列（公��^赯��Q��用先�q�先出队列）�Q�因而先定义一个Node对象用以构成�q�个队列�Q?br />

    protected static class Node {
        volatile Thread owner;
        volatile Node prev;
        volatile Node next;

        public Node(Thread owner) {
            this.owner = owner;
            this.state = INIT;
        }

        public Node() {
            this(Thread.currentThread());
        }
    }
��单�v见，队列头是一个�v点的placeholder�Q�每个调用lock的线�E�都先将自己竞争攑օ��q�个队列��，每个队列头后一个线�E�（Node�Q�即是获得锁的线�E�，所以我们需要有head Node字段用以快速获取队列头的后一个Node�Q�而tail Node字段用来快速插入新的Node�Q�所以关键在于如何线�E�安全的构徏�q�个队列�Q�方法还是一��L��Q��用CAS操作�Q�即CAS�Ҏ��自��p��|�成tail��|��然后重新构徏�q�个列表�Q?br />
    protected boolean enqueue(Node node) {
        while (true) {
            final Node preTail = tail;
            node.prev = preTail;
            if (compareAndSetTail(preTail, node)) {
                preTail.next = node;
                return node.prev == head;
            }
        }
    }
在当前线�E�Node以线�E�安全的方式攑օ��q�个队列后，lock实现相对��比较简单了�Q�如果当前Node是的前驱是head�Q�该�U�程获得锁，否则park当前�U�程�Q�处理park无理��p��回的问题�Q�因而将park攑օ�while循环中（该实现是一个不可重入的实现�Q�：
    public void lock() {
        // Put the latest node to a queue first, then check if the it is the first node
        // this way, the list is the only shared resource to deal with
        Node node = new Node();
        if (enqueue(node)) {
            current = node.owner;
        } else {
            while (node.prev != head) {
                LockSupport.park(this); // This may return "spuriously"!!, so put it to while
            }
            current = node.owner;
        }
    }
unlock的实现需要考虑多种情况�Q�如果当前Node(head.next)有后驱，那么直接unpark该后驱即可；如果没有�Q�表�C�当前已�l�没有其他线�E�在�{�待队列中，然而在�q�个判断�q�程中可能会有其他线�E�进入，因而需要用CAS的方式设�|�tail�Q�如果设�|�失败，表示此时有其他线�E�进入，因而需要将该新�q�入的线�E�unpark从而该新进入的�U�程在调用park后可以立卌��回（�q�里的CAS和enqueue的CAS都是对tail操作�Q�因而能保证状态一��_��Q?br />
    public void unlock() {
        Node curNode = unlockValidate();
        Node next = curNode.next;
        if (next != null) {
            head.next = next;
            next.prev = head;
            LockSupport.unpark(next.owner);
        } else {
            if (!compareAndSetTail(curNode, head)) {
                while (curNode.next == null) { } // Wait until the next available
                // Another node queued during the time, so we have to unlock that, or else, this node can never unparked
                unlock();
            } else {
                compareAndSetNext(head, curNode, null); // Still use CAS here as the head.next may already been changed
            }
        }
    }
具体的代码和��试�c�d��以参考查�?a >�q�里�?br />

其实直到自己写完�q�个�c�d��才直到者其实这是一个MCS锁的变种�Q�因而这个实现每个线�E�park在自�w�对应的node上，而由前一个线�E�unpark它；而AbstractQueuedSynchronizer是CLH锁，因�ؓ它的park由前��q��态决定，虽然它也是由前一个线�E�unpark它。具体可以参�?a >�q�里�?/p>

DLevin 2015-08-11 06:08 发表评论

亚洲宅男精品一区在线观看,久久亚洲国产视频,亚洲国产精品婷婷久久

使用NamedParameterJdbcTemplate遇到无法使用的坑

SSTable详解

前记

SSTable作�ؓ存储使用

SSTable在Compaction�q�程中的使用

SSTable的locality和In Memory

SSTable压羃

SSTable的读�~�存

Bloom Filter

[转]高性能IO模型���析

高性能IO模型���析

Netty3架构解析

前记

Netty3中的Reactor模式

Netty3中的Intercepting Filter模式

参考：

Intercepting Filter模式详解

问题描述

问题解决

Intercepting Filter模式

Intercepting Filter模式在Netty3中的实现

参�?/h2>Core J2EE Pattern - Intercepting FilterDLevin 2015-09-03 22:14 发表评论

Reactor模式详解

前记

什么是Reactor模式

Reactor模式�l�构

Reactor模式实现

EventHandler接口定义

��Z��么��用Reactor模式

参�?/h2> Reactor Pattern WikiPedia Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events Scalable IO In Java C10K Problem WikiPedia DLevin 2015-09-02 15:14 发表评论

前言

HBase�ȝ��实现

Compaction

HRegion Split

HRegion负蝲均衡

HRegionServer Recovery

HBase架构���单�ȝ��

参考：

前记

HBase架构�l�成

HRegion

HMaster

How The Components Work Together

HRegionServer详解

HRegionServer中数据写���程图解

MemStore Flush

HFile格式

参考：

问题起因

问题发现

NFS���单性能���试和分�?/h2>因而我对NFS的性能作了一些简单测试：

�ȝ��

实现自己的Lock对象

[转]高性能IO模型��析

高性能IO模型��析

参�?/h2>Core J2EE Pattern - Intercepting Filter

DLevin 2015-09-03 22:14 发表评论

参�?/h2> Reactor Pattern WikiPedia
Reactor An Object Behavioral Pattern for Demultiplexing and Dispatching Handles for Synchronous Events
Scalable IO In Java
C10K Problem WikiPedia

DLevin 2015-09-02 15:14 发表评论

HBase架构��单�ȝ��

HRegionServer中数据写��程图解

NFS��单性能��试和分�?/h2>因而我对NFS的性能作了一些简单测试：