本文根据吴祥平老师在【第十五届中国系统架构师大会（SACC2022）】线上演讲内容整理而成。
本文摘要：
为了解决数仓存在的一些问题比如：数仓的实时性，资源消耗，更新需求日益变多，我们跟进业界步伐实践了从数仓到湖仓的转变。目前我们将大多数hive表改造湖仓表，替换内部数仓base层hive表为hudi表，时效性由T+1降低为分钟级延迟，同时基于hudi实现了流式宽表，实时join等场景的落地，为业务降低了大量计算资源的使用。
本次分享，湖仓架构的演进实践。分享内容包括：数仓架构和规模，碰到过什么问题、数据湖与数仓的区别，为什么选择hudi、湖仓架构在同程旅行的实践过程，架构演进思路是什么、湖仓实践过程中的问题等。同时，对湖仓技术方案未来发展、实践经验与思考等内容。
同程旅行数仓现状
在引入湖仓之前，我们采用Lambda架构数仓，一条实时链路和一条离线链路，实时链路基于Kafka和Kudu实现，离线链路基于Hive和olap引擎如GP/CK/StarRocks等加速数据应用。
我们目前有80%的离线场景，每天8万+离线任务，40万+hive表；20%实时场景，4000+实时任务。要知道Lambda架构在大数据时代主导了很长时间，但随着数据应用场景的不断丰富，实时性需求越来越多，Lambda架构的缺点就被逐渐放大。
基于Lambda架构数仓痛点主要体现在四个方面：
1，数据计算冗余：Binglog实时入仓，离线任务每天定时合并，且业务计算需要等待。
2，开发和维护困难：两条链路，逻辑一致性保障，技术要求不一样，结果往往不一样。
3，数据存储冗余：合并产生大量临时表，中间结果表等数据急速膨胀造成存储压力，实时离线可能多份。
4，计算压力变大：夜间计算窗口可能完不成白天累积的数据。
数据湖与数仓区别
正因为Lambda架构问题居多，我们开始调研数据湖相关技术，数据湖与数仓的区别有很多，我主要从两个维度来分享。
区别一：计算模型。数据湖能够支持增量更新的方式增量流读，但数仓是基于全量或分区覆盖的方式，不支持局部更新。
区别二：数据管理。数据湖基于统计信息，索引管理文件，能够更细粒度的管理数据文件，加速数据入湖或数据在湖上查询，而数仓更多是基于分区管理。
不仅如此，数据湖还具备如快照、时间旅行、结构演进等数仓不具备的特性。
数据湖基本概念和原理
选择hudi的原因是因为其包含了数据湖的多个基本特性，如ACID事物支持、Merge-On-Read、Bulk Load、Incremental Query、Time travel等等；其次，hudi在设计开始就拥有任务自管理功能，包括快照commit、过期快照清理、小文件合并、mor表的定期压缩、rollback、回滚等；最后是因为比较键、Payload抽象，比较键既能应对CDC场景又包括普通消息，payload能够在合并阶段完成包括更新，局部更新等特殊场景。
在hudi整体应用架构方面，hudi是介于HDFS或对象存储和查询引擎之间的抽象，自身提供了数据湖的基本功能之外，还包括自带的数据摄入模块，同时在应用架构中还划出了增量流读的过程，为后续构建流式数仓提供了可能性。
hudi如何进行数据更新？模式一：Copy-On-Write，写时合并，写放大，读优化；模式二：Merge-On-Read，读时合并/定期合并，读放大，写优化；
hudi的最大特点是具有索引技术，数据湖索引包括如Bloom/bucket/hbase等，我们可以通过主键索引实现高效局部更新，还可基于索引优化查询。
时间抽也是hudi不得不提的一个概念，一个时间轴由三部分组成：Action：COMMITS,CLEANS；State：REQUESTED,INFLIGHT和time。时间轴是hudi实现快照流读，回滚不可或缺的一个设计。
湖仓一体实践
在湖仓一体整体架构上，我们采用了批流一体的统一实时离线链路，并自研了数据集成方案。
目前，我们的湖仓一体现状是：700+核心ODS表入湖；基于ODS清洗任务启动时间提前至：0：05；核心ODS层数据新鲜度由T+1提升至分钟级；完成多个业务线流式数仓场景落地。
在流式数仓场景上，我们从底层数据、数仓模型到报表全面切到湖仓一体中，支撑用车业务能更及时监控坏账、经营数据。同时，我们还运用局部更新Payload实现了实时关联维度数据打宽。
在增量统计场景上，我们结合Flink Cumulate窗口实现数据增量统计入hudi。
在数据湖应用过程中碰到了一些挑战：如何让业务更快的入湖？元数据多引擎多次声明如何解决？入湖的数据脱敏和数据质量怎么做？数据丢失？
数据集成选型我们有两种方案，即Flink CDC和自研基于MQ。虽然Flink CDC已经很完善了，但是我们内部还是出于数据安全和MQ复用这两点的考虑选择自研。
数据集成架构V1的优点和问题：优点是适合中等数据量场景，可实现在线补数（全量、增量）。问题是全量数据参与了入湖Upsert计算，数据量较大时全量集群IO压力大，并行任务数受限。
数据集成架构V2做出了优化，其更适合超大数据量场景，同时并行多任务。通过优化，我们屏蔽了相关资源申请、Flink同步任务、Hudi参数等细节，实现一键同步功能。
下一个挑战是元数据的问题：Flink任务声明Hudi表，开启同步到Hive，Flink流读/批任务需再次重新声明Hudi表；Mq表的声明同样，多次消费多次定义；数据血缘采集困难。
我们如何解决上述问题呢？以元数据声明为例，我们针对痛点提供了一套统一元数据方案，具体实现方式是：改造Hive-Connector，使用原生Meta列属性；Flink使用通过like方式修改属性；扩展hive引擎支持通过Hive Sql查询消息队列。
统一元数据之后，实现Flink/Hive/Spark/Presto多引擎共用，一次声明多次使用。
在数据脱敏方面，如何取样落在MQ中的数据源？我们自研了Flink sql数据预览，基于On yarn Session集群实现，支持多Flink版本，可复用FlinkTaskManager（1小时过期），最快5s内返回结果。在预览脱敏方面，我们即席预览数据，通过自定义加密函数进行数据脱敏。
下一个挑战是数据质量的问题：每日凌晨MQ数据抽样数据时间；批处理前置增加数据质量监控依赖。
在数据丢失方面，主要有两个代表性的情况，HUDI-4311和HUDI-3912。同时，我们对hudi应用过程中还有很多其他的修复。
给大家分享一些部分hudi使用建议，在提升入湖速度方面，可以增加任务Checkpoint时间间隔，增加相邻两次Checkpoint间隔，减少管理内存大小（Bucket Index)，增加Hudi合并内存大小。
在提升入湖稳定性方面，增加Flink任务堆外内存的配比（合并阶段，Flink默认为0），设置合理的保留策略避免.hoodie路径下文件过多，关注存储RPC压力情况。
未来规划
针对未来，我们还将不断完善在数据湖上的应用，具体方向包括：提升湖仓易用性，扩大湖仓应用范围和完善湖上分析能力。
嘉宾介绍
吴祥平，同程旅行数据中心计算集群研发组技术负责人。2012年毕业于浙江海洋大学，热爱Coding、热爱开源，是flink、hudi开源社区贡献者。