Milvus流式节点长时间未写入数据后查询卡顿问题解析
问题背景
在Milvus分布式向量数据库的集群部署环境中,当使用流式节点(streamingNode)配合Pulsar消息队列时,发现了一个关键的性能问题。具体表现为:当某个集合(collection)长时间没有新数据写入后,如果此时加载该集合并执行查询操作,系统会出现卡顿现象,查询请求无法正常完成。
问题现象分析
该问题在以下典型场景中复现:
- 创建一个新集合,插入数据后执行flush操作建立索引并加载集合
- 并发执行多种操作:数据插入、删除、flush、查询、搜索以及场景搜索测试
- 测试完成后,某些集合中仍保留有数据
- 当尝试加载这些长时间未写入的集合并执行查询时,系统出现卡顿
技术原理剖析
问题的根本原因与Milvus的WriteAheadBuffer(WAL)机制有关:
-
WriteAheadBuffer的过期机制:系统会定期清理WriteAheadBuffer以减少内存占用。当没有新的追加操作时,WAL不会将消息写入底层日志,而只是更新WriteAheadBuffer中的最后一条消息。
-
Catchup Scanner的读取机制:当Catchup Scanner读取到底层日志的最后一条消息,而WriteAheadBuffer又清理了底层日志的最后一条消息时,Scanner将无法追上WriteAheadBuffer的进度。
-
阻塞现象:这种情况下,Scanner的消费过程会被永久阻塞,直到有新的消息写入系统。
解决方案
针对这一问题,开发团队提出了两个关键修复措施:
-
保留关键TimeTick消息:修改WriteAheadBuffer的清理策略,确保不会清除最后一条已持久化的TimeTickMessage。在缓冲区中保留两条关键消息:最后一条已持久化的TimeTick消息和最新的(未持久化的)TimeTick消息。
-
处理StartAfter消费策略:考虑到订阅者可能采用StartAfter策略消费WAL日志,修复了Catchup Scanner在这种情况下无法看到最后一条TimeTick消息ID的问题,确保Scanner能够正确追上WriteAheadBuffer的进度。
影响与验证
该修复已在Milvus的master分支版本(master-20250417-511c4d37-amd64)中实现。经过测试验证,修复后系统在长时间未写入数据的集合上执行查询操作时不再出现卡顿现象,系统稳定性和可靠性得到了显著提升。
技术启示
这一问题的解决过程展示了分布式系统中WAL机制的重要性以及其潜在的性能陷阱。在实际应用中,需要特别注意:
- 消息队列的消费进度管理
- 缓冲区清理策略与系统一致性的平衡
- 长时间空闲状态下的系统行为处理
这些经验对于设计高可靠的分布式存储系统具有重要的参考价值。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









