01 背景
随着欧加集团大数据业务的发展，现阶段公司大数据平台20+个组件，1EB+级别数据量，平台1000人均日活，服务已经有相当大的规模。在这样的业务背景下，越来越多的用户在使用大数据平台时，发现难以定位问题。基于此，我们设计大数据诊断平台，旨在提升用户解决问题效率，降低用户异常成本。代号“罗盘”，意为用户定位问题，给出优化方案。
此前业务存在问题现状总结如下：
1、问题定位效率相对低。平台组件多，从上层调度器、Livy客户端到中层计算引擎Spark，最后底层Hadoop系统；用户作业日志量大，没法串联一起，问题上下文关联难；用户人员角色非单一研发角色人员，自行分析能力有限，需平台方提供协助解决，沟通与定位让双方工作量只增不减；缺乏自动化工具定位问题等等。各种因素说明，海量作业调度，多种类型运行环境，TB级别日志量，依靠人力盘查作业问题是非常耗的。
2、异常问题类型多，缺乏有效知识库，高效重复利用已有的解决方案。从作业调度任务系统到计算引擎层，常见的业务问题常见如：晚点溯源、高频失败、运行耗时长、数据倾斜、暴力扫描、shuffle失败、CPU浪费、内存浪费、内存溢出等，需将问题数量降低收敛。
3、异常任务、不合理任务成本多。用户任务在执行周期内发生异常或者配置不合理，将导致任务浪费资源，产生许多额外的成本，需将此类问题成本损失降至最低。
总体上希望，从问题出发、经过快速定位、优化方案、问题收敛环节，最后达到降本增效目的。
02 业界产品
基于以上问题，我们调研了业界有关大数据诊断系统，目前比较类似的是Dr. Elephant开源系统，Dr. Elephant一个Hadoop和Spark的性能监控调优工具。它能自动采集Airflow、Azkaban、Oozie等调度系统作业流及计算引擎Spark和Hadoop MR的运行指标，分析作业的异常和性能结果，指导开发者进行作业调优，从而提升开发者工作效率和集群资源利用率。
工作原理：
Dr. Elephant定期从Yarn资源管理中心拉取近期成功和失败的作业列表。每个作业会实时从历史服务器中获取到元数据、配置及调度器作业信息以及监控数据。一旦获取到所有的元数据信息，Dr. Elephant就基于这些元数据运行启发式算法，并生成一份该作业的诊断报告。对该作业报告，进行标记和评级，分为五个级别来评定作业存在新能问题严重程度。
核心功能：
集成多个调度器框架如Azkaban、Airflow、Oozie等；
统计历史作业和工作流的性能指标；
Job级别工作流对比；
支持多个计算引擎框架性能诊断（Spark、Tez、MapReduce、TonY）；
基于自定义规则的可配置启发式插件，用户诊断作业；
提供REST API, 用户能通过API获取所有信息；
欠缺功能：
支持Spark, Hadoop系统版本比较低，对于新版本Spark, Hadoop兼容性不友好；
不支持Spark, Hadoop新版本的特性的诊断；
诊断指标比较少，其中Spark相关指标仅4个，对于高度依赖Spark引擎是非常欠缺的；
不支持日志级别问题诊断，不能够诊断调度器运行任务或者App应用程序的出现的异常;
调度器和作业App元数据的关联在一些场景下不支持；
不支持异常资源的管理，达到降本增效指引目的；
对Spark History服务接口频繁调用影响History服务的稳定性；
缺乏有效的降本增效流程辅组工具；
综上所述，结合我们有大规模Spark集群调度特点，业界产品对我们解决业务痛点效果不佳， 我们决定自研诊断系统来解决业务带来的挑战。
03 技术方案
由上述可知，系统在业务层面既能快速定位解决用户问题，又能帮助用户管理异常资源；架构层面支持Spark, Hadoop多指标诊断又不影响第三方系统性能问题，我们采用非入侵的方式设计诊断系统。
架构层主要由同步工作流层任务元数据模块、同步Yarn/Spark App元数据模块、关联工作流层/引擎层App元数据模块、工作流任务异常检测模块，引擎层异常检测模块，Portal展示模块组成。同时调度器（Scheduler Server）可以适配多个开源调度器项目, 如内部系统Oflow、Airflow、DolphinScheduler等。
整体架构图
整体架构分3层：
第一层为对接外部系统，调度器、Yarn、HistoryServer、HDFS等系统，同步元数据、集群状态、运行环境状态、日志等到诊断系统分析；
第二层为架构层, 包括数据采集、元数据关联&模型标准化、异常检测、诊断Portal模块；
第三层为基础组件层，包括MySQL、 Elasticsearch、Kafka、Redis等组件。
具体模块流程阶段：
（1）数据采集阶段：从调度系统将用户、DAG、作业、执行记录等工作流元数据同步至诊断系统；定时同步Yarn ResourceManager、Spark HistoryServer App元数据至诊断系统，标志作业运行指标存储路径，为后续数据处理阶段作基础；
（2）数据关联&模型标准化阶段：将分步采集的工作流执行记录、Spark App、Yarn App、集群运行环境配置等数据通过ApplicationID介质进行关联，此时，工作流层与引擎层元数据已关联完毕，得到数据标准模型 (user, dag, task, application, clusterConfig, time) ；
（3）工作流层&引擎层异常检测阶段：至此已经获得数据标准模型，针对标准模型进一步Workflow异常检测流程，同时平台维护着一套沉淀多年的数据治理知识库，加载知识库到标准模型，通过启发式规则，对标准模型的指标数据、日志同时进行异常挖掘，结合集群状态及运行是环境状态，分析得出工作流层、引擎层异常结果；
（4）业务视图：存储、分析数据，提供给用户任务概览、工作流层任务诊断、引擎层作业Application诊断，工作流层展示调度器执行任务引发的异常，如任务失败、回环任务、基线偏离任务等问题，计算引擎层展示Spark作业执行引发的耗时、资源使用、运行时问题；
04 实践效果
我们从四个方面简述诊断平台带来的效果：诊断平台UI、效率分析、成本分析、稳定性分析、降本增效分析。
（1）诊断平台UI
引擎层分析主要展示Spark计算过程中异常、不合理的作业，并给作业记录异常标签，如CPU浪费、数据倾斜、Task长尾、大表扫描等异常类型标签，这些标签是数据标准模型经过工作流层、引擎层异常检测得出，同时可以让用户清楚作业的问题原因。
（2）效率分析
长尾Task分析
原因：长尾任务是由于作业运行过程中，一个Task或多个Task单元执行时间过长，拖延整个任务运行时间。
危害：作业执行时间过长，资源浪费
诊断：从时间角度计算，执行时间过长原因在于Task读取数据量多或者数据读取慢。如果读取数据过多，那么将出现数据倾斜，按数据倾斜方式处理；如果读取数据过慢，那么Hadoop集群的节点负载高或者有网络丢包问题等，导致数据读取慢，可以联系运维处理。
HDFS卡顿分析
原因：HDFS卡顿是Spark作业中Task最小执行单元读取数据速率比其他Task慢，低于阈值；
危害：作业执行时间过长，浪费资源；
诊断：作业数据所在机器网络IO问题或者集群配置不一致问题，导致Task从Hadoop读取数据速率低下。这种情况一般伴随着长尾Task出现，同时表现Task执行时间过长、读取数据量少，导致整个数据处理Task无法高效利用回收。这种情况需排查数据在节点配置及机器硬件配置；
推测执行过多分析
原因：推测执行(speculative)是指作业执行单元Task在同一个Stage中的执行时间相比其他Task执行时间长，在其他Executor发起相同Task执行，先完成的Task将Kill另个Task, 并取得结果。这样情况下如果作业大部分Task都发起推测执行，超过一定比例，就是推测执行过多的表现；
危害：任务执行时间长，资源浪费恶化；
诊断：机器配置不同、网络波动、集群负载高、作业数据倾斜等都会引起推测执行，过多的慢任务执行推测将会导致资源恶化，推测执行其实是对资源的压榨、用空间换取时间的做法。解决执行推测要从多方面入手，结合集群状态环境。
全局排序异常分析
原因：Spark Stage中的Task只有一个时，而且处理的数量级别大，Stage中的所有数据都集中在一个Task中，这种情况即发生全局排序异常。
危害：任务处理时间长、消耗资源大
诊断：全局排序异常并没有发挥Spark并发计算特性，Task处理数据漫长，非常消耗资源，解决这个问题需要对作业进行重新分区，并发计算数据。
（3）成本分析
CPU浪费分析
原因：Spark Driver/Executor cores参数配置不合理导致CPU空闲浪费
危害：没用高效利用资源
诊断：通过Spark Application采集指标，分析Spark Driver、Spark Executor执行过程中的CPU的运行时间（单位: vcore·second）占比，如果空闲时间超过一定的比例，判定为浪费，用户根据比例降低启用CPU数量。
计算Application CPU浪费过程中，采集到Executor执行开始和结束时间、Executor执行所有Job开始和结束时间、Job内部真正执行Task CPU时间, 最终获得以下指标：
所有Executor的并发个数Count，每个Executor固定核数ExecutorCores
所有Executor内Job真正执行时间和JobTime（计算Job开始结束时间交叉和）
所有Executor内Task个数 TaskCount及每个Task执行CPU时间
总CPU计算时间估算为：
实际使用CPU计算时间为：
CPU浪费百分比：
如果空闲比很大，可以适当降低参数spark.executor.cores的值，降低并发度，或者减少RDD分区数和Shuffle参数spark.sql.shuffle.partitions。
内存浪费分析
原因：分析Driver/Executor内存使用峰值占总内存比例，当空闲比例值超过阈值，为内存浪费
危害：没用高效利用资源
诊断：采集Spark Application Driver/Executor的相关内存指标，与CPU浪费计算同理，获得Executor指标如下：
所有Executor个数Count, 每个Executor内存ExecutorMemory
每个Executor执行时间
每个Executor执行过程内存峰值
总的内存时间估算为：
实际内存时间为：
浪费内存百分比：
如果空闲比很大，可以适当降低参数spark.executor.memory的值；
（4）稳定性分析
全表扫描问题
原因：SparkSQL查询大表数据时，没有进行分区条件筛选，或者SQL比较复杂时，发生了全表扫描；
危害：作业执行时间长，集群负载高，影响其他作业执行
诊断：Spark SQL扫描数据表时，尽管现在Spark对优化器已经有不少的优化，如谓词下推、列裁剪、常量合并等，但都相对简单，在没分区的大表或者用户Join大表和小表时，会出现全表扫描或者分区不合理暴力扫描情况。一旦执行了这种作业，一方面用户长时间才能得到数据结果，另一方面平台方承载作业扫描全表的压力，作业会占用集群主要资源，拖慢其他作业。因此用户需要根据具体业务做条件限制，调整Spark SQL以及对表分区等。
数据倾斜分析
原因：数据倾斜是Task计算过程中Key分布不均造成的，个别Key的数据特别多，超出计算节点的计算能力；
危害：会导致任务内存溢出、计算资源利用率低、作业执行时间超出预期；
诊断：数据倾斜发生时，大量的Map Stage数据发送到Reduce Stage，Reduce Stage节点需要处理大量数据，其他依赖该节点将处于长时间等待状态。比如Stage1依赖Stage0的执行执行结果，如果Stage0发生数据倾斜，导致执行过长或者直接挂起，Stage1将处于等待状态，整个作业也一直挂起，这是资源将被这个作业占有，但只有极少数Task在执行，造成计算资源浪费，利用率低；大量数据将集中在少数计算节点上，当数据量超出单个节点的内存范围，最终内存溢出，导致任务失败。一般出现在SQL字段：join on, group by, partition by, count distinct等，解决数据倾斜常用方式有：
增大并行度spark.sql.shuffle.partitions，使得数据再次分配到不同Task；
过滤异常值的数据，过多冗余值也会导致数据倾斜；
SQL中group by或者RDD的reduceByKey添加key的随机数打散Map, Reduce两个阶段数据，最后在Reduce阶段将随机数去掉；
表Join关联时，可以使用Broadcast方式广播小表数据，避免shuffle, 就不会发生数据倾斜；
Shuffle失败分析
原因：由于作业配置、网络、操作系统、硬件多个因素，Shuffle在节点之间传输数据会失败
危害：作业异常退出，资源浪费
诊断：作业计算过程中，Shuffle作为Spark MapReduce框架中的数据纽带，经常出现失败问题，问题可以分Shuffle Read和Shuffle Write两部分。
由图看出，Shuffle Write的分区（partition）数量跟MapTask（RDD）的数量一致，文件被分割后，经算子计算的中间排序结果临时存放在各个Executor所在的本地磁盘，可以理解为Shuffle Write做了本地磁盘保存文件操作。Shuffle Read的分区数有Spark提供的一些参数控制，参数不合理将会导致Reduce Task异常，如数据倾斜，甚至OOM造成Executor退出，下游网络连接不上。由诊断抓取异常了解到原因后，从Shuffle的数据量和处理Shuffle数据的分区数两个角度给出方案：
减少shuffle数据量，使用Broadcast Join或者去掉不必要字段等；
有group by、Join、 reduce by、partition by等算子操作可以通过shuffle的partitions参数，根据数据量或计算复杂度提高参数值，另外控制好并行度以及运行任务的总核数，官方推荐运行Task为核数的2-3倍；
提高Executor的内存，防止内存溢出或者JVM Crash;
提高Spark网络RPC通信时间配置,可以让数据处理完成等；
内存溢出
原因：Spark内存使用超出了容量造成内存溢出
危害：作业异常退出，资源浪费
诊断：按照Spark内存模型，用户实际使用内存如下
用户作业内存溢出分堆内和堆外两种方式：
堆外内存溢出：表现为作业被Yarn节点Kill, 主要原因是MonitorMemory超出申请内存限制
堆内内存溢出：表现为JVM内存空间不足或者GC超出限制，任务内的数据量过多导致
定位到原因后，可以有多种处理方式：
提高executorMemory, 堆内内存增大；
降低executorCores, 减少并行度，处理数据量变少；
重新分配分区（repartition）, 对每个Task产生的RDD、Dataframe数据量减少等；
提高executorMemoryOverhead参数，堆外内存增大；
处理数据倾斜，如group by、reduce by等热点key打散；
SQL其他常见问题分析
原因：SQL执行过程中没权限、表不存在、语法错误等；
危害：任务执行异常退出，浪费资源
诊断：具有SQL失败特征从指标数据或者日志提取，用户根据问题去申请相应权限、创建表或者修正语法问题，能快速解决问题。
（5）降本增效
以上讲述了常见的问题案例场景，这里不再多介绍，接下来我们分析下降本增效。
通过作业层和引擎层分析识别异常、不合理任务，累计识别任务的内存、CPU资源，转化为相应的成本，通过任务元数据关联，按个人、业务、部门三个维度汇总给用户，并设置排名等机制，推进数据治理。
以下通过长期推进治理，可以看成本趋势，用户聚焦的任务问题得以改善。
05 总结与规划
OPPO大数据任务诊断平台主要围绕离线调度任务、计算引擎两个方面对问题进行定位分析，使用丰富的知识库，提供给用户解决优化方案，同时达到降本增效的目的。
技术方面采用非入侵方案对接其他系统，保证了其他系统的安全性。系统架构基于启发式规则定位、分析问题方式，但知识库比较依赖人员经验的积累，更深层次问题需要数据挖掘算法扩大检测范围，智能化诊断。
另外，除了对Spark任务问题诊断，OPPO大数据诊断平台还针对Flink任务进行异常、资源问题诊断，整体平台包含Spark、Flink两种计算引擎诊断，届时将会对平台（罗盘）进行开源。
推荐阅读
