Tableau Server 可扩展性.PDFVIP

Tableau Server 可扩展性 面向服务器管理员的技术指南 Neelesh Kamkolkar 产品经理，数据和性能部门 目录 执行摘要 3 VizQL 颠覆陈旧模式 5 Tableau 架构 7 统一内存与实时技术的架构 8 测试方法和方法体系 9 方法体系 9 真实工作负载特征描述 11 测试建模步骤 11 后台程序方法体系 12 标准化的隔离环境 13 部署拓扑 14 测量与报告 15 方案 15 响应时间 16 方案吞吐量 16 活动用户 17 结果 18 Tableau Server 10 可实现线性扩展 18 后台程序结果 22 隔离后台程序进程 26 后台程序方面的注意事项 28 最佳做法 – 自行进行扩展测试 28 实际环境优化最佳做法 29 总结 30 执行概要 对许多组织而言，Tableau 发挥着举足轻重的作用。这些组织中的许多部门通过从数据中发现见解来创造巨大价值。 因此，IT 团队与业务部门通力合作，部署 Tableau 作为整个企业的分析平台。当企业开始以这种方式部署 Tableau 时， 企业的架构师和 IT 领导必须理解 Tableau Server 如何随数据、内容和用户的增加而进行扩展，如何跨各种异构的企业 IT 平台进行部署和集成，从而为企业当前和将来的分析需求提供支持。 本白皮书面向企业架构师和 IT 技术领导。它深入地介绍了 Tableau 的架构，以及 Tableau 如何随工作负载的不断增 加进行扩展。 我们探索并测试了 Tableau Server 10 的扩展功能，并将此次的测试结果与该产品的早期版本进行对比。根据大家的 要求，我们扩大了可扩展性测试的范围，使其不但包括用户可扩展性，还包括后台工作负载。 Tableau Server 的性能和可扩展性受一系列系统因素的影响。一些重要的系统变量包括工作簿设计、服务器配置、 基础架构调整、数据环境、计算容量和网络。在不同的用户配置和部署中，这些因素差异很大。任何可扩展性测试的结 果都会随着这些变量的调整和变化而有所差异。为了降低这些变量的影响并对其进行隔离，我们在物理计算机上的封闭 网络实验室中进行测试。我们的目标是将外部系统的影响造成的测量差异降至最低。随后我们就可以对 Tableau Server 的实际使用情况进行建模，以此测量各种可扩展性指标。 为此，我们首先对处于峰值使用时段的 Tableau Server 真实生产部署进行分析，然后通过自动测试对使用情况进行建模。 这种两步式方法模拟了非常真实的工作负载。这种方法还模拟了实际用户和后台程序工作负载（主要是数据提取和用户 通知）对系统造成的实际影响差异。这里的差异包括用户与可视化进行的各次交互之间的等待时间，以及按照计划运行 的后台程序作业的数量。 我们在测试中对这些差异进行了建模，以此模仿真实的生产条件。我们发现，当我们在 Tableau Server 群集中添加更多 工作节点时，系统实现了线性扩展。我们的实验对服务器施加了峰值负载条件，这超出我们在生产环境中观察到的负载。 在生产环境中，使用量往往会在一个工作日中呈现出多个频率高、持续时间短的峰值爆发期。我们按吞吐量来测量负载。 吞吐量是服务器在一个给定时段内处理的工作量，简单地说，就是每秒处理的事务数。如下图所示，我们在实验中观察到， 吞吐量从每秒处理 4 个事务扩展到每秒处理 18 个事务。每个条形表示一个实验，列标题说明运行这些实验时采用的 拓扑（独立服务器、主服务器 + 1 个工作服务器等）。 3 工作节点数量 / 版本 独立服务器 主节点 + 1 工作节点 主节点 + 2 工作节点 主节点 + 3 工作节点 主节点 +4 工作节点 18 16 14 点线性扩展 量 10 工作节 吐 随 吞 8 秒 每 6 4 存储库隔离 2 0 V10