1、集群规划层面

• 注意评估节点的硬盘空间。
• 结合esrally等第三方工具评估集群资源的写入、检索的吞吐率等指标。
• 合理配置每个索引的分片数。

2、数据预处理层面

• 数据进 Elasticsearch 前要做清洗。
• Elasticsearch 擅长的是检索和不复杂的聚合，其他活给关系型数据库或者第三方大数据开源库如：clickhouse 等。

3、数据建模层面

• 比起严格模式，我更喜欢动态mapping，通过字段名字的前缀映射类型，自从用了这套规则，字段冲突导致的kibana无法作报表的问题一扫而光啊，真的是不要太香了 。
• 是否需要打分，是否需要排序、聚合、过滤,如果不需要则(doc_values(dvm、dvd) norm(nvd、nvm))属性需要关闭等等。
• 模板 template 比 mapping 更灵活，推荐结合别名多使用动态模板，尤其数据量每日增量巨大的业务场景。
• 字段非常明确固定、且未来不会新增字段，考虑mapping创建时设置："dynamic": "strict", 以严格控制Mapping泛滥。
• 结合业务选择分词器甚至自定义分词器。

4、检索层面

• 如果需要考虑查询速度的优化，且排序字段基本固定，则可以考虑把 indexSort 配上，查询时会提前中断。

indexSort能通过预排序有效避免全局扫描，提前中断查询，提升查询性能，对于查询时按照某列排序（注意不适合相关性排序）的场景非常适合。

• 查询根据业务实际考虑，建议最好把 Wildcard 模糊查询、*.*等会导致数据量大的查询做限制。
• 限制limit +offset，限制query_string等文本查询的长度，限制term长度，随时关注慢查询日志。es是很强大，但是取决你怎么使用，你永远不知道会怎么调你的接口…

5、硬件资源层面

5.1 磁盘层面

• 磁盘大小是否充足，压缩格式使用默认speed Compression? 还是 Best Compression?

5.2 内存层面

• 采用默认NIOFS 还是MMAP，采用MMAP哪些需要预缓存到堆外。

6、集群管理层面

• 记得配置延时分片 index.unassigned.node_left.delayed_timeout。
• refresh、flush时间根据的实际业务需求调整。
• 对集群的性能监控越全面越好, 及时发现慢查询，尽可能全面的根据业务评估使用量, 并能在瓶颈期发现和升级配置。
• 多节点集群，合理划分节点角色，尤其要分离：主节点、数据节点、协调节点。

7、安全及灾备层面

• 禁用批量删除索引比默认的随意删除重要。
• 定期或者增量备份比无备份重要(条件允许的情况下)。
• 安全问题是必须的，我们是在日志清晰的时候做的核心字段加密，elk 整个技术栈都只允许内网访问，对外的服务接口也是要软 token 的。
• 将 ES 提供给业务研发去使用，更多的是需要考虑控制权限，降低门槛，最好是封装一层网管提供给业务研发使用，然后再去多分享培训，提高业务侧研发对ES的认知。

8、性能优化层面

• 关闭系统swap。
• 如果数据量大，尽可能使用bulk 批量操作。

（1）写入层面bulk操作，包含但不限于：bulk API 执行批量写入、更新、删除多文档操作。

（2）检索层面bulk操作，包含但不限于：Multi Get（mget）， Scorll， MultiSearch。

• 建议根据业务需求较早的设置开启慢查询日志。
• 堆内存大小不要超过32GB。
• 使用script 脚本时，要考虑可能带来的慢、安全风险（早期版本）等负面影响。
• 在一定条件下，执行强制合并segment，查询速度会提升很多。