面试题答案
一键面试数据存储结构优化
- 合理设计表结构
- 在 Cassandra 存储引擎中，表的设计应基于查询模式。例如，如果经常按某个特定列进行查询，应将该列设计为分区键（Partition Key）的一部分。比如，若系统主要按用户 ID 进行数据查询，在创建表时可将用户 ID 设为分区键，这样可以使数据按用户 ID 分布在不同的节点上，提高查询效率。
- 避免宽行设计。宽行可能导致单个分区的数据量过大，影响读写性能。如果有大量的列，可考虑拆分为多个表，通过关联来获取完整数据。
- 选择合适的分区策略
- Cassandra 支持多种分区策略，如随机分区（RandomPartitioner）和一致性哈希分区（Murmur3Partitioner）。对于 MariaDB 集成 Cassandra 存储引擎的系统，若数据分布较为均匀，一致性哈希分区策略通常能提供较好的负载均衡效果，减少数据倾斜问题，使各节点的负载相对均衡，提升整体性能。
- 数据压缩
- 启用合适的数据压缩算法，如 Snappy 或 LZ4。Snappy 压缩算法在压缩速度和空间占用上有较好的平衡，而 LZ4 则以更高的压缩速度见长。压缩可以减少磁盘 I/O，提高数据读取速度，尤其是在存储大量数据时效果显著。
查询优化
- 索引优化
- 在 Cassandra 中，虽然不提倡过度使用二级索引，但对于一些必要的查询，合理创建二级索引可以提升查询性能。例如，如果经常需要按某个非分区键列进行过滤查询，可针对该列创建二级索引。不过要注意，二级索引会增加写操作的开销，所以要权衡使用。
- 利用 Cassandra 的物化视图（Materialized Views）。物化视图可以预先计算和存储查询结果，对于复杂的聚合查询或经常执行的特定查询模式，使用物化视图能显著提高查询效率。例如，若经常需要查询某个时间段内的数据总和，可创建相应的物化视图来存储这些聚合结果。
- 查询语句优化
- 尽量使用分区键进行查询，因为按分区键查询可以直接定位到数据所在的节点，减少查询的范围和时间。例如，查询语句应尽量包含完整的分区键信息，避免只使用分区键的部分字段进行查询，除非是在设计表结构时有意将部分字段作为复合分区键来支持更灵活的查询。
- 对于批处理操作，合理控制批处理的大小。如果批处理过大，可能会导致网络和节点负载过高；批处理过小，则会增加操作的次数和开销。根据系统的实际情况，调整批处理大小，一般建议在几百条操作以内。
资源配置优化
- 内存配置
- 为 Cassandra 分配足够的堆内存（Heap Memory）。堆内存主要用于缓存数据和索引，合理的堆内存配置可以减少磁盘 I/O。一般来说，可根据服务器的物理内存大小，分配适当比例的内存给 Cassandra，例如物理内存为 32GB 的服务器，可分配 16GB 左右的堆内存给 Cassandra，但要注意避免堆内存设置过大导致垃圾回收（GC）问题。
- 调整 Cassandra 的缓存参数，如行缓存（Row Cache）和键缓存（Key Cache）。行缓存用于缓存整行数据，键缓存用于缓存分区键到节点的映射信息。根据系统的读写模式，合理调整这两个缓存的大小，对于读多写少的系统，可以适当增大行缓存的比例。
- 磁盘 I/O 配置
- 使用高速磁盘，如 SSD（固态硬盘）。SSD 的随机读写性能远高于传统机械硬盘，能有效减少 Cassandra 的读写延迟。如果预算允许，应优先选用高性能的 SSD 磁盘阵列。
- 配置合适的磁盘 I/O 调度算法。例如，在 Linux 系统中，对于 SSD 磁盘，可使用
noop调度算法，它能减少不必要的 I/O 调度开销，提高磁盘 I/O 性能。
- 网络配置
- 确保服务器之间有高速、低延迟的网络连接。Cassandra 是分布式系统，节点之间的数据传输频繁，高速网络可以减少数据同步和查询的延迟。建议使用万兆以太网或更高带宽的网络连接。
- 合理配置网络缓冲区大小。增大网络缓冲区可以减少网络拥塞的可能性，提高数据传输的效率。例如，在 Linux 系统中，可以通过调整
net.core.rmem_max和net.core.wmem_max等参数来增大接收和发送缓冲区的大小。