大数据分析的下一代架构--IOTA架构设计实践[下]

大数据分析的下一代架构--IOTA架构设计实践[下]

原创置顶 代立冬 发布于2018-12-31 20:59:53 阅读数 2151  收藏

展开

IOTA架构提出背景

大数据3.0时代以前，Lambda数据架构成为大数据公司必备的架构，它解决了大数据离线处理和实时数据处理的需求。典型的Lambda架构如下：

Lambda架构的核心思想是：
数据从底层的数据源开始，经过各样的格式进入大数据平台，然后分成两条线进行计算。一条线是进入流式计算平台，去计算实时的一些指标；另一条线进入批量数据处理离线计算平台，去计算T+1的相关业务指标，这些指标需要隔日才能看见。
Lambda优点是稳定、实时和离线计算高峰错开，但是它有一些致命缺点，其缺点主要有：
● 实时与批量计算结果不一致引起的数据口径问题：因为批量和实时计算走的是两个计算框架和计算程序，算出的结果往往不同，经常看到一个数字当天看是一个数据，第二天看昨天的数据反而发生了变化。
● 批量计算在计算窗口内无法完成：在IOT时代，数据量级越来越大，经常发现夜间只有4、5个小时的时间窗口，已经无法完成白天20多个小时累计的数据，保证早上上班前准时出数据已成为每个大数据团队头疼的问题。
● 数据源变化都要重新开发，开发周期长：每次数据源的格式变化，业务的逻辑变化都需要针对ETL和Streaming做开发修改，整体开发周期很长，业务反应不够迅速。
● 服务器存储大：数据仓库的典型设计，会产生大量的中间结果表，造成数据急速膨胀，加大服务器存储压力。

IOTA架构

IOT大潮下，智能手机、PC、智能硬件设备的计算能力越来越强，业务要求数据有实时的响应能力，Lambda架构已经不能适应当今大数据分析时代的需求

IOTA架构的核心概念：
● Common Data Model：贯穿整体业务始终的数据模型，这个模型是整个业务的核心，要保持SDK、Buffer、历史数据、查询引擎保持一致。对于用户数据分析来讲可以定义为“主-谓-宾”或者“对象-事件”这样的抽象模型来满足各种各样的查询。
● Edge SDKs & Edge Servers：这是数据的采集端，不仅仅是过去的简单的SDK，在复杂的计算情况下，会赋予SDK更复杂的计算，在设备端就转化为形成统一的数据模型来进行传送。例如对于智能Wi-Fi采集的数据，从AC端就变为“X用户的MAC 地址-出现- A楼层（2018/4/11 18:00）”这种主-谓-宾结构。对于APP和H5页面来讲，没有计算工作量，只要求埋点格式即可。
● Real-Time Data：即实时数据缓存区。这部分是为了达到实时计算的目的，海量数据接收不可能海量实时入历史数据库，会出现建立索引延迟、历史数据碎片文件等问题。因此，有一个实时数据缓存区来存储最近几分钟或者几秒钟的数据。这块可以使用Kudu或HBase等组件来实现。此处的数据模型和SDK端数据模型是保持一致的，都是Common Data Model。
● Historical Data：历史数据沉浸区，这部分是保存了大量的历史数据，为了实现Ad-hoc查询，将自动建立相关索引提高整体历史数据查询效率，从而实现秒级复杂查询百亿条数据。例如可以使用HDFS存储历史数据，此处的数据模型依然SDK端数据模型是保持一致的Common Data Model。
● Dumper：Dumper的主要工作就是把最近几秒或者几分钟的Realtime Data区的数据，根据汇聚规则、建立索引，存储到历史存储结构Historical Data区中。
● Query Engine：查询引擎，提供统一的对外查询接口和协议（例如SQL），把Realtime Data和Historical Data合并到一起查询，从而实现对于数据实时的Ad-hoc查询。例如常见的计算引擎可以使用Presto、Impala、Clickhouse等。
● Realtime model feedback：通过Edge computing技术，在边缘端有更多的交互可以做，可以通过在Realtime Data去设定规则来对Edge SDK端进行控制，例如，数据上传的频次降低、语音控制的迅速反馈，某些条件和规则的触发等等。

整体思路是设定标准数据模型，通过边缘计算技术把所有的计算过程分散在数据产生、计算和查询过程当中，以统一的数据模型贯穿始终，从而提高整体的预算效率，同时满足即时计算的需要，可以使用各种Ad-hoc Query来查询底层数据。

IOTA整体架构引擎实例

IOTA的特点：

• 去“ETL”化
• 高效：时时入库即时分析
• 稳定：经过易观5.8Pb，5.2亿月活数据锤炼
• 便捷：支持SQL级别的二次开发和UDAF定义
• 扩充性强：组件基于Apache开源协议，可支持众多开源存储对接

IOTA架构 — 数据模型 Common Data Model

Common Data Model :
贯穿整体业务始终的核心数据模型，保持SDK、Buffer、历史数据、查询引擎端数据模型一致。
对于用户行为分析业务来讲：
    可以定义为“主-谓-宾”或者“用户-事件”抽象模型来满足各种各样的查询。
例如 ：
智能手表：X用户 – 进行了 – 游泳运动
视频APP： X用户 – 播放 – 影片
电商网站：X用户 – 购买 – 手机（ 2018/12/11 18:00:00 ， IP ， GPS）”

IOTA架构 — 数据模型 Common Data Model

用户-事件模型之事件 (Event)

事件(Event)

主要是描述用户做了什么事情，记录用户触发的行为，例如注册、登录、支付事件等等

事件属性

更精准的描述用户行为，例如事件发生的位置、方式和内容
每一条event数据对应用户的一次行为信息， 例如浏览、登录、搜索事件等等。

具体请参考易观方舟文档关于数据模型的说明：https://ark.analysys.cn/docs/integration-data-model.html

用户-事件模型之用户 (Profile)

用户这里没有太多要说的，要提醒注意唯一标识这块
唯一标识

方舟的事件模型中，数据上报时会有用户这个实体，使用 who 来进行标识，在登录前匿名阶段，who 中会记录一个 匿名 ID ，登录后会记录一个注册 ID。

1.1 匿名 ID
匿名 ID 用来在用户主体未登录应用之前标识，当用户打开集成有方舟 SDK 的应用时，SDK 会给其分配一个 UUID 来做为匿名 ID 。
当然，方舟也提供了给用户主体设置匿名 ID 的方式，比如可以使用设备 ID ( iOS 的 IDFA/IDFV，Web 的 Cookie 等)。

1.2 注册 ID
通常是业务数据库里的主键或其它唯一标识，注册 ID 是更加精确的用户 ID，但很多应用不会用注册 ID，或者用户使用一些功能时是在未登录的状态下进行的，此时，就不会有注册 ID。
另外，在方舟系统中，我们以为用户主体来进行分析，这个用户主体可能是一个人，一个帐号，也可能是一个家电，一辆汽车。具体以什么做为用户主体，要根据用户实际的业务场景来决定。

1.3 distinct_id
即使有了who（ 注册 ID / 匿名 ID)，实际使用中也会存在注册用户匿名访问等情况，所以需要一个唯一标识将用户行为贯穿起来，distinct_id 就是在who 的基础上根据一些规则生成的唯一 ID。

IOTA架构 — 数据流转过程

IOTA架构 — 数据采集(Ingestion)

数据采集

数据采集要注意：

传输加密
策略控制

	服务器可以随时更改发发送策略，比如发送频率调整，重试频率

	发送策略优先级: 服务器策略>debug>用户设置>启动、间隔策略

	服务器约束示例

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

服务器端返回示意：

IOTA架构 — 数据缓冲区(Real-Time Data)

Real-Time Data区是数据缓冲区，当从Kafka消费完数据首先落入Buffer区，这样设计主要是因为目前主流存储格式都不支持实时追加(Parquet、ORC)。Buffer区一般采用HBase、Kudu等高性能存储，考虑到成熟度、可控、社区等因素，我们采用HBase。

• HBase的特点：
  – 主键查询速度快
  – Scan性能慢

• 如何解决Scan性能：-- In-memory
  – Snappy压缩
  – 动态列族
  – 只存一定量的数据
  – Rowkey设计hash
  – hfile数据转换成OrcFile

IOTA架构 — 历史存储区(Historical data storage)

当HBase里的数据量达到百万规模时，调度会启动DumpMR(Spark、MR任务)会将HBase数据flush到HDFS中去，因为还要支持数据的实时查询，我们采用R/W表切换方案，即一直写入一张表直到阈值，就写入新表，老表开始转为ORC格式。
HDFS高效存储：

	按天分区
	基于用户ID，事件时间排序
	冷热分层
	Orc存储
	BloomFilter
	稀疏索引
	Snappy压缩

• 1
• 2
• 3
• 4
• 5
• 6
• 7

小文件问题：

	不按事件分区
	MergerMR定时合并小文件

• 1
• 2

稀疏索引：

数据有序：

IOTA架构 — 即时查询引擎(Query Engine)

因为需支持从历史到最近一条数据的即时查询，查询引擎需要同时查HBase缓冲区里和历史存储区的数据，采用View视图的方式进行查询。

Query Engine基于Presto进行二次开发

• HBase-Connector定制开发、优化
• 通过视图View建立热数据与历史数据的联合计算
• Session，漏斗，留存，智能路径等模型的算法实现
  
  关于olap引擎测评请参考：
  http://geek.analysys.cn/topic/21 开源OLAP引擎测评报告(SparkSql、Presto、Impala、HAWQ、ClickHouse、GreenPlum)

IOTA架构 — 调度(EasyScheduler)

整个数据处理流程都离不开一个组件 – 调度。
考虑调度易用性、可维护性及方便二次开发等综合原因，我们开发了自己的大数据分布式调度系统EasyScheduler。

EasyScheduler(易调度) 主要解决数据研发ETL 错综复杂的依赖关系，而不能直观监控任务健康状态等问题。EasyScheduler以DAG流式的方式将Task组装起来，
可实时监控任务的运行状态，同时支持重试、从指定节点恢复失败、暂停及Kill任务等操作。

更多关于调度的信息：
https://blog.csdn.net/oDaiLiDong/article/details/84994247

IOTA架构 — 优化策略

IOTA架构 — 优化经验

1、添加布隆过滤器，TPC-DS有50%-80%性能提升

2、全局 + 局部字典，尽量整型，避免过长字符串，数倍性能提升
如：事件名称使用id，查询速度提升近1倍

3、数据缓存Alluxio使用，2~5倍性能提升

4、SQL优化，耗时sql优化非常重要

5、Unsafe调用。Presto里开源Slice的使用

IOTA架构 — 前进方向

天下武功唯快不破！

1、数据本地化，尽量避免shuffle调用

2、更合适的索引构建，如bitmap索引

3、堆外内存的使用，避免GC问题

更多关于IOTA架构的交流请加我微信，加我时请注明公司+职位+IOTA，谢谢：