作者：徐贏 高立 來源：InfoQ

如何基于 Flink 搭建大規(guī)模準(zhǔn)實時數(shù)據(jù)分析平臺?在 Flink Forward Asia 2019 上，來自 Lyft 公司實時數(shù)據(jù)平臺的徐贏博士和計算數(shù)據(jù)平臺的高立博士分享了 Lyft 基于 Apache Flink 的大規(guī)模準(zhǔn)實時數(shù)據(jù)分析平臺的建設(shè)實踐。

本次分享主要分為四個方面：

♦  Lyft 的流數(shù)據(jù)與場景
♦  準(zhǔn)實時數(shù)據(jù)分析平臺和架構(gòu)
♦  平臺性能及容錯深入分析
♦  總結(jié)與未來展望

一、Lyft 的流數(shù)據(jù)與場景

關(guān)于 Lyft

Lyft 是位于北美的一個共享交通平臺，和大家所熟知的 Uber 和國內(nèi)的滴滴類似，Lyft 也為民眾提供共享出行的服務(wù)。Lyft 的宗旨是提供世界最好的交通方案來改善人們的生活。

 

 

Lyft 的流數(shù)據(jù)場景

Lyft 的流數(shù)據(jù)可以大致分為三類，秒級別、分鐘級別和不高于 5 分鐘級別。分鐘級別流數(shù)據(jù)中，自適應(yīng)定價系統(tǒng)、欺詐和異常檢測系統(tǒng)是最常用的，此外還有 Lyft 最新研發(fā)的機器學(xué)習(xí)特征工程。不高于 5 分鐘級別的場景則包括準(zhǔn)實時數(shù)據(jù)交互查詢相關(guān)的系統(tǒng)。

 

 

Lyft 數(shù)據(jù)分析平臺架構(gòu)

如下圖所示的是 Lyft 之前的數(shù)據(jù)分析平臺架構(gòu)。Lyft 的大部分流數(shù)據(jù)都是來自于事件，而事件產(chǎn)生的來源主要有兩種，分別是手機 APP 和后端服務(wù)，比如乘客、司機、支付以及保險等服務(wù)都會產(chǎn)生各種各樣的事件，而這些事件都需要實時響應(yīng)。

 

 

在分析平臺這部分，事件會流向 AWS 的 Kinesis 上面，這里的 Kinesis 與 Apache Kafka 非常類似，是一種 AWS 上專有的 PubSub 服務(wù)，而這些數(shù)據(jù)流都會量化成文件，這些文件則都會存儲在 AWS 的 S3 上面，并且很多批處理任務(wù)都會彈出一些數(shù)據(jù)子集。在分析系統(tǒng)方面，Lyft 使用的是開源社區(qū)中比較活躍的 presto 查詢引擎。Lyft 數(shù)據(jù)分析平臺的用戶主要有四種，即數(shù)據(jù)工程師、數(shù)據(jù)分析師以及機器學(xué)習(xí)專家和深度學(xué)習(xí)專家，他們往往都是通過分析引擎實現(xiàn)與數(shù)據(jù)的交互。

既往平臺的問題

Lyft 之所以要基于 Apache Flink 實現(xiàn)大規(guī)模準(zhǔn)實時數(shù)據(jù)分析平臺，是因為以往的平臺存在一些問題。比如較高的延遲，導(dǎo)入數(shù)據(jù)無法滿足準(zhǔn)實時查詢的要求;并且基于 Kinesis Client Library 的流式數(shù)據(jù)導(dǎo)入性能不足;導(dǎo)入數(shù)據(jù)存在太多小文件導(dǎo)致下游操作性能不足;數(shù)據(jù) ETL 大多是高延遲多日多步的架構(gòu);此外，以往的平臺對于嵌套數(shù)據(jù)提供的支持也不足。

 

 

二、準(zhǔn)實時數(shù)據(jù)分析平臺和架構(gòu)

準(zhǔn)實時平臺架構(gòu)

在新的準(zhǔn)實時平臺架構(gòu)中，Lyft 采用 Flink 實現(xiàn)流數(shù)據(jù)持久化。Lyft 使用云端存儲，而使用 Flink 直接向云端寫一種叫做 Parquet 的數(shù)據(jù)格式，Parquet 是一種列數(shù)據(jù)存儲格式，能夠有效地支持交互式數(shù)據(jù)查詢。Lyft 在 Parquet 原始數(shù)據(jù)上架構(gòu)實時數(shù)倉，實時數(shù)倉的結(jié)構(gòu)被存儲在 Hive 的 Table 里面，Hive Table 的 metadata 存儲在 Hive metastore 里面。

平臺會對于原始數(shù)據(jù)做多級的非阻塞 ETL 加工，每一級都是非阻塞的 (nonblocking)，主要是壓縮和去重的操作，從而得到更高質(zhì)量的數(shù)據(jù)。平臺主要使用 Apache Airflow 對于 ETL 操作進行調(diào)度。所有的 Parquet 格式的原始數(shù)據(jù)都可以被 presto 查詢，交互式查詢的結(jié)果將能夠以 BI 模型的方式顯示給用戶。

 

 

平臺設(shè)計

Lyft 基于 Apache Flink 實現(xiàn)的大規(guī)模準(zhǔn)實時數(shù)據(jù)分析平臺具有幾個特點：

首先，平臺借助 Flink 實現(xiàn)高速有效的流數(shù)據(jù)接入，使得云上集群規(guī)�？s減為原來的十分之一，因此大大降低了運維成本。

其次，Parquet 格式的數(shù)據(jù)支持交互式查詢，當(dāng)用戶僅對于某幾個列數(shù)據(jù)感興趣時可以通過分區(qū)和選擇列的方式過濾不必要的數(shù)據(jù)，從而提升查詢的性能。

再次，基于 AWS 的云端存儲，平臺的數(shù)據(jù)無需特殊存儲形式。

之后，多級 ETL 進程能夠確保更好的性能和數(shù)據(jù)質(zhì)量。

最后，還能夠兼顧性能容錯及可演進性。

 

 

平臺特征及應(yīng)用

Lyft 準(zhǔn)實時數(shù)據(jù)分析平臺需要每天處理千億級事件，能夠做到數(shù)據(jù)延遲小于 5 分鐘，而鏈路中使用的組件確保了數(shù)據(jù)完整性，同時基于 ETL 去冗余操作實現(xiàn)了數(shù)據(jù)單一性保證。

 

 

數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師在建模時會需要進行自發(fā)的交互式查詢，此外，平臺也會提供實時機器學(xué)習(xí)模型正確性預(yù)警，以及實時數(shù)據(jù)面板來監(jiān)控供需市場健康狀況。

基于 Flink 的準(zhǔn)實時數(shù)據(jù)導(dǎo)入

下圖可以看到當(dāng)事件到達 Kinesis 之后就會被存儲成為 EventBatch。通過 Flink-Kinesis 連接器可以將事件提取出來并送到 FlatMap 和 Record Counter 上面，F(xiàn)latMap 將事件打撒并送到下游的 Global Record Aggregator 和 Tagging Partitioning 上面，每當(dāng)做 CheckPoint 時會關(guān)閉文件并做一個持久化操作，針對于 StreamingFileSink 的特征，平臺設(shè)置了每三分鐘做一次 CheckPoint 操作，這樣可以保證當(dāng)事件進入 Kinesis 連接器之后在三分鐘之內(nèi)就能夠持久化。

 

 

以上的方式會造成太多數(shù)量的小文件問題，因為數(shù)據(jù)鏈路支持成千上萬種文件，因此使用了 Subtasks 記錄本地事件權(quán)重，并通過全局記錄聚合器來計算事件全局權(quán)重并廣播到下游去。而 Operator 接收到事件權(quán)重之后將會將事件分配給 Sink。

ETL 多級壓縮和去重

上述的數(shù)據(jù)鏈路也會做 ETL 多級壓縮和去重工作，主要是 Parquet 原始數(shù)據(jù)會經(jīng)過每小時的智能壓縮去重的 ETL 工作，產(chǎn)生更大的 Parquet File。同理，對于小時級別壓縮去重不夠的文件，每天還會再進行一次壓縮去重。對于新產(chǎn)生的數(shù)據(jù)會有一個原子性的分區(qū)交換，也就是說當(dāng)產(chǎn)生新的數(shù)據(jù)之后，ETL Job 會讓 Hive metastore 里的表分區(qū)指向新的數(shù)據(jù)和分區(qū)。這里的過程使用了啟發(fā)性算法來分析哪些事件必須要經(jīng)過壓縮和去重以及壓縮去重的時間間隔級別。此外，為了滿足隱私和合規(guī)的要求，一些 ETL 數(shù)據(jù)會被保存數(shù)以年計的時間。

 

 

三、平臺性能及容錯深入分析

事件時間驅(qū)動的分區(qū)感測

Flink 和 ETL 是通過事件時間驅(qū)動的分區(qū)感測實現(xiàn)同步的。S3 采用的是比較常見的分區(qū)格式，最后的分區(qū)是由時間戳決定的，時間戳則是基于 EventTime 的，這樣的好處在于能夠帶來 Flink 和 ETL 共同的時間源，這樣有助于同步操作。此外，基于事件時間能夠使得一些回填操作和主操作實現(xiàn)類似的結(jié)果。Flink 處理完每個小時的事件后會向事件分區(qū)寫入一個 Success 文件，這代表該小時的事件已經(jīng)處理完畢，ETL 可以對于該小時的文件進行操作了。

 

 

Flink 本身的水印并不能直接用到 Lyft 的應(yīng)用場景當(dāng)中，主要是因為當(dāng) Flink 處理完時間戳并不意味著它已經(jīng)被持久化到存儲當(dāng)中，此時就需要引入分區(qū)水印的概念，這樣一來每個 Sink Source 就能夠知道當(dāng)前寫入的分區(qū)，并且維護一個分區(qū) ID，并且通過 Global State Aggregator 聚合每個分區(qū)的信息。每個 Subtasks 能夠知道全局的信息，并將水印定義為分區(qū)時間戳中最小的一個。

 

 

ETL 主要有兩個特點，分別是及時性和去重，而 ETL 的主要功能在于去重和壓縮，最重要的是在非阻塞的情況下就進行去重。前面也提到 Smart ETL，所謂 Smart 就是智能感知，需要兩個相應(yīng)的信息來引導(dǎo) Global State Aggregator，分別是分區(qū)完整性標(biāo)識 SuccessFile，在每個分區(qū)還有幾個相應(yīng)的 States 統(tǒng)計信息能夠告訴下游的 ETL 怎樣去重和壓縮以及操作的頻率和范圍。

 

 

Schema 演進的挑戰(zhàn)

ETL 除了去重和壓縮的挑戰(zhàn)之外，還經(jīng)常會遇到 Schema 的演化挑戰(zhàn)。Schema 演化的挑戰(zhàn)分為三個方面，即不同引擎的數(shù)據(jù)類型、嵌套結(jié)構(gòu)的演變、數(shù)據(jù)類型演變對去重邏輯的影響。

 

 

S3 深入分析

Lyft 的數(shù)據(jù)存儲系統(tǒng)其實可以認(rèn)為是數(shù)據(jù)湖，對于 S3 而言，Lyft 也有一些性能的優(yōu)化考量。S3 本身內(nèi)部也是有分區(qū)的，為了使其具有并行的讀寫性能，添加了 S3 的熵數(shù)前綴，在分區(qū)里面也增加了標(biāo)記文件，這兩種做法能夠極大地降低 S3 的 IO 性能的影響。標(biāo)識符對于能否觸發(fā) ETL 操作會產(chǎn)生影響，與此同時也是對于 presto 的集成，能夠讓 presto 決定什么情況下能夠掃描多少個文件。

 

 

Parquet 優(yōu)化方案

Lyft 的準(zhǔn)實時數(shù)據(jù)分析平臺在 Parquet 方面做了很多優(yōu)化，比如文件數(shù)據(jù)值大小范圍統(tǒng)計信息、文件系統(tǒng)統(tǒng)計信息、基于主鍵數(shù)據(jù)值的排序加快 presto 的查詢速度以及二級索引的生成。

 

 

基于數(shù)據(jù)回填的平臺容錯機制

如下兩個圖所示的是 Lyft 準(zhǔn)實時數(shù)據(jù)分析平臺的基于數(shù)據(jù)回填的平臺容錯機制。對于 Flink 而言，因為平臺的要求是達到準(zhǔn)實時，而 Flink 的 Job 出現(xiàn)失效的時候可能會超過一定的時間，當(dāng) Job 重新開始之后就會形成兩個數(shù)據(jù)流，主數(shù)據(jù)流總是從最新的數(shù)據(jù)開始往下執(zhí)行，附加數(shù)據(jù)流則可以回溯到之前中斷的位置進行執(zhí)行直到中斷結(jié)束的位置。這樣的好處是既能保證主數(shù)據(jù)流的準(zhǔn)實時特性，同時通過回填數(shù)據(jù)流保證數(shù)據(jù)的完整性。

 

 

對于 ETL 而言，基于數(shù)據(jù)回填的平臺容錯機制則表現(xiàn)在 Airflow 的冪等調(diào)度系統(tǒng)、原子壓縮和 HMS 交換操作、分區(qū)自建自修復(fù)體系和 Schema 整合。

 

 

四、總結(jié)與未來展望

體驗與經(jīng)驗教訓(xùn)

利用 Flink 能夠準(zhǔn)實時注入 Parquet 數(shù)據(jù)，使得交互式查詢體驗為可能。同時，F(xiàn)link 在 Lyft 中的應(yīng)用很多地方也需要提高，雖然 Flink 在大多數(shù)情況的延時都能夠得到保證，但是重啟和部署的時候仍然可能造成分鐘級別的延時，這會對于 SLO 產(chǎn)生一定影響。

此外，Lyft 目前做的一件事情就是改善部署系統(tǒng)使其能夠支持 Kubernetes，并且使得其能夠接近 0 宕機時間的效果。因為 Lyft 準(zhǔn)實時數(shù)據(jù)分析平臺在云端運行，因此在將數(shù)據(jù)上傳到 S3 的時候會產(chǎn)生一些隨機的網(wǎng)絡(luò)情況，造成 Sink Subtasks 的停滯，進而造成整個 Flink Job 的停滯。而通過引入一些 Time Out 機制來檢測 Sink Subtasks 的停滯，使得整個 Flink Job 能夠順利運行下去。

ETL 分區(qū)感應(yīng)能夠降低成本和延遲，成功文件則能夠表示什么時候處理完成。此外，S3 文件布局對性能提升的影響還是非常大的，目前而言引入熵數(shù)還屬于經(jīng)驗總結(jié)，后續(xù) Lyft 也會對于這些進行總結(jié)分析并且公開。因為使用 Parquet 數(shù)據(jù)，因此對于 Schema 的兼容性要求就非常高，如果引入了不兼容事件則會使得下游的 ETL 癱瘓，因此 Lyft 已經(jīng)做到的就是在數(shù)據(jù)鏈路上游對于 Schema 的兼容性進行檢查，檢測并拒絕用戶提交不兼容的 Schema。

 

 

未來展望

Lyft 對于準(zhǔn)實時數(shù)據(jù)分析平臺也有一些設(shè)想。

首先，Lyft 希望將 Flink 部署在 Kubernetes 集群環(huán)境下運行，使得 Kubernetes 能夠管理這些 Flink Job，同時也能夠充分利用 Kubernetes 集群的高可擴展性。

其次，Lyft 也希望實現(xiàn)通用的流數(shù)據(jù)導(dǎo)入框架，準(zhǔn)實時數(shù)據(jù)分析平臺不僅僅支持事件，也能夠支持?jǐn)?shù)據(jù)庫以及服務(wù)日志等數(shù)據(jù)。

再次，Lyft 希望平臺能夠?qū)崿F(xiàn) ETL 智能壓縮以及事件驅(qū)動 ETL，使得回填等事件能夠自動觸發(fā)相應(yīng)的 ETL 過程，實現(xiàn)和以前的數(shù)據(jù)的合并，同時將延時數(shù)據(jù)導(dǎo)入來對于 ETL 過程進行更新。

最后，Lyft 還希望準(zhǔn)實時數(shù)據(jù)分析平臺能夠?qū)崿F(xiàn)存儲過程的改進以及查詢優(yōu)化，借助 Parquet 的統(tǒng)計數(shù)據(jù)來改善 presto 的查詢性能，借助表格管理相關(guān)的開源軟件對存儲管理進行性能改善，同時實現(xiàn)更多的功能。

 

 

作者介紹：

徐贏博士是 Lyft 數(shù)據(jù)平臺流媒體平臺的技術(shù)領(lǐng)導(dǎo)(Technical Lead)，目前主導(dǎo)準(zhǔn)實時數(shù)據(jù)分析平臺的架構(gòu)開發(fā)。在 Lyft 之前，他曾在領(lǐng)英 (Linkedin) 以及 IBM 擔(dān)任技術(shù)領(lǐng)導(dǎo)職位，主導(dǎo)領(lǐng)英跨數(shù)據(jù)中心數(shù)據(jù)庫復(fù)制的上線，以及 IBM 高速數(shù)據(jù)傳輸技術(shù)的研發(fā)。

高立博士在 Lyft 的數(shù)據(jù)平臺團隊中工作，目前領(lǐng)導(dǎo) Lyft 數(shù)據(jù)平臺內(nèi)的多個數(shù)據(jù)基礎(chǔ)架構(gòu)項目，包括實時數(shù)據(jù)倉庫，自服務(wù)機器學(xué)習(xí)平臺項目等。 曾在 Salesforce，F(xiàn)itbit，Groupon 和其他初創(chuàng)公司擔(dān)任關(guān)鍵技術(shù)領(lǐng)導(dǎo)職務(wù)。

標(biāo)簽： 數(shù)據(jù)分析平臺 Flink

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。