重庆智能网站建设推荐,c2c网站有哪些,网站开发中 登录不上了,图书馆网站建设方案设计论文作者#xff1a;Adrien Grand Elasticsearch 8.9 通过支持动态修剪#xff08;dynamic pruning#xff09;引入了基数聚合加速。 这种优化需要满足特定的条件才能生效#xff0c;但一旦实现#xff0c;通常会产生惊人的结果。 我们观察到#xff0c;通过此更改#xff0…作者Adrien Grand Elasticsearch 8.9 通过支持动态修剪dynamic pruning引入了基数聚合加速。 这种优化需要满足特定的条件才能生效但一旦实现通常会产生惊人的结果。 我们观察到通过此更改一些基数聚合的运行速度提高了 1,000 倍。
例如计算由 Elastic Kubernetes 集成监控的 Kubernetes 部署的唯一值数量可受益于此优化
POST metrics-*/_search
{query: { // giving an example query, but any query would workbool: {filter: [{ range: { timestamp: { gte: now-1d/h } } },{ match: { data_stream.dataset: kubernetes.pod } }]}},size: 0,track_total_hits: false,aggs: {deployment_count: {cardinality: {field: kubernetes.deployment.name}}}
} 它是如何工作的
动态修剪是使用索引结构动态减少运行查询时需要评估的匹配集的过程。 例如如果你查询按时间戳降序排序的前 10 个事件开始评估匹配项并找到 10 个时间戳在过去一小时内的命中那么你可以在时间戳字段上动态引入过滤器以忽略超过的事件一小时前他们没有机会进入前十名。
对基数聚合的优化遵循类似的想法一旦看到一个值以后就没有必要再次查看该值因为它不会影响该字段的唯一值的计数。 因此在查询评估期间基数集成会自动在 disjunctive 查询上引入一个过滤器该过滤器仅匹配迄今为止尚未见过的值。 当收集具有新值的文档时这些值将从析取中删除。
例如假设你正在计算具有两个唯一值的字段的基数a 和 b。 下表列出了查询中的所有匹配项其中第一列中与查询匹配的 Lucene 文档 ID 以及第二列中与此文档 ID 关联的值。
Doc IDValue3b10b12a19b30a
当开始评估查询时Elasticsearch 会隐式地将 a OR b 上的过滤器添加到主查询中。 看到第一个匹配项后文档 ID 3值 b 不需要再次看到因此过滤器将转变为仅匹配值 a 的更具选择性的过滤器。 这有助于节省对 doc ID 10 的评估因为它也有 b 作为值并直接跳转到下一个以 a 为值的文档doc ID 12。此时a 已从过滤器中删除Elasticsearch 知道评估更多匹配是没有意义的因为它已经看到了该字段的所有唯一值。 这有助于节省评估文档 ID 19 和 30。
此优化的第一阶段动态引入过滤器已经有助于显着减少查询需要评估的文档数量从而加快查询评估速度。 但是当查询在看到所有唯一值时退出时第二阶段会触发最惊人的加速因为它可以帮助跳过索引的大多数文档。 请注意第二阶段并不总是发生具体取决于查询 —— 某些值可能只存在于与查询不匹配的文档中。 什么时候开始生效
Disjunctive 查询不能很好地随着子句数量的变化而扩展因此这种优化的主要限制是它只能在基数相对较小的字段上工作。 因此Elasticsearch 仅对唯一值不超过 1,024 个的段segments启用此优化。
此外这种优化仅支持关键字字段以利用它们使用倒排索引进行索引的事实并且它们的文档值给我们每个段的唯一值的数量。
最后基数聚合必须是唯一的聚合并且位于聚合树的顶层。 结论
此优化针对 Elastic Kubernetes 集成的仪表板进行了评估它显着加快了仪表板加载时间尤其是在处理大量数据时。 特别是本博客介绍中共享的示例查询的延迟减少了 90%。 我们希望您能享受加速带来的乐趣
Elastic 8.9 中还有哪些新功能 查看 8.9 公告帖子以了解更多信息。 原文Achieve faster cardinality aggregations via dynamic pruning | Elastic Blog
