Mixpanel 通過網(wǎng)絡從移動端、瀏覽器端和服務器端的客戶接入了千萬億字節(jié)的事件數(shù)據(jù)。由于網(wǎng)絡的不可靠性，客戶可能會不斷重復發(fā)送事件請求，直到他們收到來自 Mixpanel 的 200 OK(連接成功)消息。雖然這種重試策略避免了數(shù)據(jù)丟失，但是在系統(tǒng)中創(chuàng)建了大量的重復事件。對這類重復事件的數(shù)據(jù)的分析也非常容易產(chǎn)生問題，因為它對所發(fā)生的事給出了一個不準確的描述，這也會導致 Mixpanel 偏離其它正在同步的客戶端數(shù)據(jù)系統(tǒng)，如數(shù)據(jù)倉庫。這也是為什么我們非常關心數(shù)據(jù)完整性的原因。

今天，我們很高興在這里分享我們的 PB 級規(guī)模的事件數(shù)據(jù)去重解決方案。

要求

為解決這個問題，我們需要一個能夠滿足以下要求的方案：

可擴展性：能夠擴展到百萬事件 / 秒的接入量
低成本：為接入、存儲和查詢優(yōu)化成本 / 性能負載
可追溯性：能夠?qū)θ我獍l(fā)送的事件進行重復識別
可恢復性：保留重復數(shù)據(jù)從而在配置錯誤時可以回滾
可維護性：最小化運營負載

最新技術：接入 - 時間去重

業(yè)界有很多富有創(chuàng)造性的方法來解決數(shù)據(jù)去重問題。其核心策略是在接入層構建一個能夠去重的的基礎設施�？蛻舭l(fā)送的每個事件都有一個唯一的 insertid屬性標識。數(shù)據(jù)去重基礎設施會將所有事件的insertid屬性標識。數(shù)據(jù)去重基礎設施會將所有事件的insert_id 保存一定期限(例如 7 天)，期間將會與每個新事件進行匹對，以查找去重標識。鍵值通常是用存儲的分片的 RocksDB 或 Cassandra。通過使用布隆過濾器來優(yōu)化存儲中的查找成本。這種架構能夠確保在系統(tǒng)入口點就將重復內(nèi)容清除。

但是，這種方法并不符合我們的要求，原因如下：

√ 擴展性：分片鍵值存儲可以水平擴展
× 低成本：需要一個單獨的數(shù)據(jù)庫和基礎設施來保存重復數(shù)據(jù)
× 可追溯性：只能抓取一定時間段的重復數(shù)據(jù)
× 可恢復性：抓取時丟棄數(shù)據(jù)，不能回滾
× 可維護性：刪除重復數(shù)據(jù)成為一個額外的服務，必須 24x7 不間斷

我們的方案

我們的方案是接入所有事件并在讀取時去重，該方案也滿足了前面所有的要求。每次查詢時，通過構建一個包含所有 $insert_id 的哈希表可以很容易地在讀取時實現(xiàn)去重;但是，這會給我們的系統(tǒng)增加一些額外的開銷。在詳細介紹這個方案之前，讓我們先回顧一下 Mixpanel 架構的幾個關鍵技術。

Mixpanel 架構

基于項目、用戶和時間的分片

Mixpanel 的分析數(shù)據(jù)庫 Arb 按照項目、用戶和時間對數(shù)據(jù)文件進行了分片。這可以確保指定用戶的所有數(shù)據(jù)都可以共同保存在一個位置，查詢時也可以在相關的時間段同時覆蓋多個用戶。

Lambda 架構

在 Arb 中，所有事件都被寫入 AOF(只允許追加的文件)，這些文件被周期性地索引(壓縮)到后臺的柱狀文件中。AOF 在達到某個大小或時間閾值時，就會被索引。Arb 通過掃描小型的、實時的 AOF 和大型的、歷史的、索引的文件，從而確保查詢的實時性和高效性。

 

 

Mixpanel 架構

我們主要利用架構中的這兩類文件來提高讀時去重的效率。根據(jù)第一準則，重復事件具有以下屬性：

重復事件屬于同一項目
重復事件項屬于同一用戶
重復事件屬于同一事件時間

根據(jù)這些屬性特征，我們可以：

在搜索空間中搜索項目、用戶和日期的重復事件，即搜索單個 Arb 碎片。
通過與 lambda 架構一起攤銷來最小化去重開銷，從而維護查詢的實時和高效。
這幫助我們實現(xiàn)了一個滿足所有要求的解決方案。

數(shù)據(jù)去重架構

在 Mixpanel 的基礎設施中，在索引和查詢時都可以去重。

 

 

Mixpanel 架構

我們的索引器在內(nèi)存中維護了一個 hashset，該 hashset 通過 $insert_id 保存了被索引文件中的所有事件。如果某個事件命中，則對該事件設置一個索引格式的重復標記位。這個過程的開銷很小，畢竟索引是在細粒度分片級別進行的。

查詢時，由于使用了 lambda 架構，我們可以同時掃描索引文件和 AOF。對于索引文件，我們可以檢查是否設置了重復位，如果設置了，則跳過處理事件。對于那些小的 AOF，查詢可以對 $insert_id 基于散列去重。這可以讓我們既實時又高效，充分發(fā)揮了 lambda 架構的優(yōu)勢。

性能

 

 

我們從實驗中發(fā)現(xiàn)，當索引含有 2% 重復的文件時會增加 4% 到 10% 的時間開銷。但這并沒有對用戶體驗產(chǎn)生直接影響，因為索引是一個離線過程。

對于查詢時間，我們發(fā)現(xiàn)當額外讀取一個事件的標志位時會增加大約 10ns 的時間。由于增加了額外的列，這使查詢時間增加了近 2%。每讀取 1000 萬個事件會增加約 0.1 秒(100 毫秒)的時間開銷。作為參考，由于采取了基于項目、用戶和時間的分片，Mixpanel 目前最大的柱狀文件包含大約 200 萬個事件。我們認為在時間成本上的損失是完全可以接受的，因為我們在數(shù)據(jù)的保留期限和運營成本上都獲得了更大的回報。

未來工作

我們的解決方案并不完美，還有以下場景有待改善：事件可能因為分別保存在 AOF 和索引文件而造成重復。我們可以分別在索引文件或 AOF 中識別出重復項，但不能識別出不同文件中的重復。我們之所以選擇忽略這種情況，主要原因如下：

這種情況極其罕見：99.9% 的客戶的數(shù)據(jù)都非常小，以至于一整天的接入量都可以放入一個 AOF 文件中。這意味著 99.9% 的客戶不會受到這個問題的影響。

對于可能遇到此問題的大數(shù)據(jù)客戶，我們估計一個事件及其重復數(shù)據(jù)分別保存到兩個文件的幾率為 0.5%。

我們的系統(tǒng)會在當日結算時自我修復，當天所有的數(shù)據(jù)都會重新索引到一個文件中。所以重復數(shù)據(jù)只會在這一天中短暫出現(xiàn)。

我們發(fā)現(xiàn)，這種方法的優(yōu)勢大大超過了其弊端。未來，我們會實現(xiàn)不同文件間的實時去重以及最近幾天文件的數(shù)據(jù)去重。

結語

在文中，我們討論了在索引層分發(fā)重復標識和在查詢層分發(fā)重復過濾的架構。這個方案已經(jīng)在 Mixpanel 內(nèi)部成功運行了 6 個月的時間。

原文鏈接：https://engineering.mixpanel.com/2019/07/18/petabyte-scale-data-deduplication/

標簽： 數(shù)據(jù)倉 

版權申明：本站文章部分自網(wǎng)絡，如有侵權，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，版權歸原作者所有，如需使用，請與原作者聯(lián)系。