Lucene项目中search_after性能回归问题的分析与解决
2025-06-27 12:09:37作者:凤尚柏Louis
背景介绍
在Apache Lucene 10.0.0版本候选构建的验证过程中,开发团队发现了一个严重的性能问题:当查询大部分(但非完全)排序的数据时,search_after功能的性能出现了显著下降(约10倍)。这一问题在Elasticsearch基准测试中表现明显,但在luceneutil基准测试中未被发现,因为后者缺乏对search_after功能的覆盖测试。
问题表现
该性能问题特别出现在以下场景:
- 数据集大部分按特定字段排序,但并非完全有序
- 使用search_after功能进行分页查询
- 查询的竞争范围基于after值
典型查询示例如下:
TopFieldCollectorManager manager = new TopFieldCollectorManager(
new Sort(new SortedNumericSortField("geoid", SortField.Type.LONG)),
10,
new FieldDoc(Integer.MAX_VALUE, 0.0f, new Long[] {searchAfter}),
10);
TopDocs topDocs = searcher.search(new MatchAllDocsQuery(), manager);
问题分析
通过深入调查,团队将问题根源锁定在PR #13221引入的变更。性能分析显示:
- 在某些search_after值附近,查询性能会出现断崖式下降
- 新算法对数据布局非常敏感
- 在某些情况下,算法会加载超过一半的docId到堆内存中
性能测试数据显示,当search_after值从2986042变为2986043时,查询时间从0.16秒激增至13秒,展现出明显的性能拐点。
影响范围
这一问题影响多种常见数据集,包括:
- http_logs中的timestamp字段
- Genomes数据集中的geoid字段
- Geonames数据集
这些数据集的特点是字段大部分有序但非完全有序,在实际应用中相当常见。
解决方案
考虑到Lucene 10发布周期和代码复杂性,团队采取了以下措施:
- 在branch_10_0分支中回退PR #13221的变更
- 允许Lucene 10 RC流程继续推进
- 继续研究根本原因,计划在10.x版本中修复
这种保守做法确保了发布质量,同时为后续修复保留了空间。由于这些变更属于实现细节,可以在次要版本中安全引入。
后续工作
团队还认识到需要:
- 在luceneutil基准测试中添加search_after功能覆盖
- 深入研究新算法的性能特征和边界条件
- 考虑在main和branch_10x分支中也应用回退
经验总结
这一事件凸显了:
- 全面基准测试覆盖的重要性
- 算法对数据分布敏感性的风险
- 发布流程中性能回归检测的关键作用
团队通过快速响应和谨慎决策,成功避免了将严重性能问题带入正式版本,同时为后续优化奠定了基础。
登录后查看全文
热门项目推荐
- 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~042CommonUtilLibrary
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!C0295- 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
收起

React Native鸿蒙化仓库
C++
176
260

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
854
505

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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!
C
254
295

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
331
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
397
370

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
21
5