集群技术在七牛云存储中的应用案例分享

建站经验
来源：站三界导航
80阅读
2022-04-28

分享人介绍：王团结，七牛数据平台工程师，主要负责数据平台的设计研发工作。关注大数据处理，高性能系统服务，关注Hadoop、Flume、Kafka、Spark等离线、分布式计算技术。下为讨论实录数据平台在大部分公司属于支撑性平台，做的不好立刻会被吐槽，这点和运维部门很像。所以在技术选型上优先考虑现成的工具，快速出成果，没必要去担心有技术负担。早期，我们走过弯路，认为没多少工作量，收集存储和计算都自己研发，发现是吃力不讨好。去年上半年开始，我们全面拥抱开源工具，搭建自己的数据平台。数据平台设计架构公司的主要数据来源是散落在各个业务服务器上的半结构化的日志(系统日志、程序日志、访问日志、审计日志等)。大家有没考虑过为什么需要日志？日志是最原始的数据记录，如果不是日志，肯定会有信息上的丢失。说个简单的例子，需求是统计nginx上每个域名的的流量，这个完全可以通过一个简单的nginx模块去完成，但是当我们需要统计不同来源的流量时就法做了。所以需要原始的完整的日志。有种手法是业务程序把日志通过网络直接发送出去，这并不可取，因为网络和接收端并不完全可靠，当出问题时会对业务造成影响或者日志丢失。对业务侵入最小最自然的方式是把日志落到本地硬盘上。 Agent设计需求每台机器上会有一个agent去同步这些日志，这是个典型的队列模型，业务进程在不断的push，agent在不停的pop。agent需要有记忆功能，用来保存同步的位置(offset)，这样才尽可能保证数据准确性，但不可能做到完全准确。由于发送数据和保存offset是两个动作，不具有事务性，不可避免的会出现数据不一致性情况，通常是发送成功后保存offset，那么在agent异常退出或机器断电时可能会造成多余的数据。 agent需要足够轻，这主要体现在运维和逻辑两个方面。agent在每台机器上都会部署，运维成本、接入成本是需要考虑的。agent不应该有解析日志、过滤、统计等动作，这些逻辑应该给数据消费者。倘若agent有较多的逻辑，那它是不可完成的，不可避免的经常会有升级变更动作。数据收集流程数据收集这块的技术选择，agent 是用go自己研发的，消息中间件kafka，数据传输工具flume。说到数据收集经常有人拿flume和kafka做比较，我看来这两者定位是不同的，flume更倾向于数据传输本身，kakfa是典型的消息中间件用于解耦生产者消费者。具体架构上，agent并没把数据直接发送到kafka，在kafka前面有层由flume构成的forward。这样做有两个原因 1. kafka的api对非jvm系的语言支持很不友好，forward对外提供更加通用的http接口 2. forward层可以做路由、kafka topic和kafka partition key等逻辑，进一步减少agent端的逻辑 forward层不含状态，完全可以做到水平扩展，不用担心成为瓶颈。出于高可用考虑，forward通常不止一个实例，这会带来日志顺序问题，agent 按一定规则(round-robin、failover等)来选择forward实例，即使kafka partition key一样，由于forward层的存在，最终落入kafka的数据顺序和 agent发送的顺序可能会不一样。我们对乱序是容忍的，因为产生日志的业务基本是分布式的，保证单台机器的日志顺序意义不大。如果业务对顺序性有要求，那得把数据直接发到kafka，并选择好partition key，kafka只能保证 partition级的顺序性。跨机房收集要点多机房的情形，通过上述流程，先把数据汇到本地机房kafka 集群，然后汇聚到核心机房的kafka，最终供消费者使用。由于kafka的mirror对网络不友好，这里我们选择更加的简单的flume去完成跨机房的数据传送。 flume在不同的数据源传输数据还是比较灵活的，但有几个点需要注意 1. memory-channel效率高但可能有丢数据的风险，file-channel安全性高但性能不高。我们是用memory-channel，但把capacity设置的足够小，使内存中的数据尽可能少，在意外重启和断电时丢的数据很少。个人比较排斥file-channel，效率是一方面，另一个是对flume的期望是数据传输，引入file-channel时，它的角色会向存储转变，这在整个流程中是不合适的。通常flume的sink端是kafka和hdfs这种可用性和扩张性比较好的系统，不用担心数据拥堵问题。 2. 默认的http souce 没有设置线程池，有性能问题，如果有用到，需要自己修改代码。 3. 单sink速度跟不上时，需要多个sink。像跨机房数据传输网络延迟高单rpc sink吞吐上不去和hdfs sink效率不高情形，我们在一个channel后会配十多个sink。 Kafka使用要点 kafka在性能和扩展性很不错，以下几个点需要注意下 1. topic的划分，大topic对生产者有利且维护成本低，小topic对消费者比较友好。如果是完全不相关的相关数据源且topic数不是发散的，优先考虑分topic。 2. kafka的并行单位是partition，partition数目直接关系整体的吞吐量，但parition数并不是越大越高，3个partition就能吃满一块普通硬盘io了。所以partition数是由数据规模决定，最终还是需要硬盘来抗。 3. partition key选择不当，可能会造成数据倾斜。在对数据有顺序性要求才需使用partition key。kafka的producer sdk在没指定partition key时，在一定时间内只会往一个partition写数据，这种情况下当producer数少于partition数也会造成数据倾斜，可以提高producer数目来解决这个问题。数据到kafka后，一路数据同步到hdfs，用于离线统计。另一路用于实时计算。由于今天时间有限，接下来只能和大家分享下实时计算的一些经验实时计算我们选择的spark streaming。我们目前只有统计需求，没迭代计算的需求，所以spark streaming使用比较保守，从kakfa读数据统计完落入mongo中，中间状态数据很少。带来的好处是系统吞吐量很大，但几乎没遇到内存相关问题 spark streaming对存储计算结果的db tps要求较高。比如有10w个域名需要统计流量，batch interval为10s，每个域名有4个相关统计项，算下来平均是4w tps，考虑到峰值可能更高，固态硬盘上的mongo也只能抗1w tps，后续我们会考虑用redis来抗这么高的tps 有外部状态的task逻辑上不可重入的，当开启speculation参数时候，可能会造成计算的结果不准确。说个简单的例子这是个把计算结果存入mongo的task 这个任务，如果被重做了，会造成落入mongo的结果比实际多。有状态的对象生命周期不好管理，这种对象不可能做到每个task都去new一个。我们的策略是一个jvm内一个对象，同时在代码层面做好并发控制。类似下面。在spark 1.3的后版本，引入了 kafka direct api试图来解决数据准确性问题，使用direct在一定程序能缓解准确性问题，但不可避免还会有一致性问题。为什么这样说呢？direct api 把kafka consumer offset的管理暴露出来(以前是异步存入zookeeper)，当保存计算结果和保存offset在一个事务里，才能保证准确。这个事务有两种手段做到，一是用mysql这种支持事务的数据库保存计算结果offset，一是自己实现两阶段提交。这两种方法在流式计算里实现的成本都很大。其次direct api 还有性能问题，因为它到计算的时候才实际从kafka读数据，这对整体吞吐有很大影响。要分享的就这些了，最后秀下我们线上的规模。flume ＋ kafka ＋ spark 8台高配机器，日均500亿条数据，峰值 80w tps。本文结束

本文来自投稿，不代表站三界导航立场，如若转载，请注明出处：https://www.zhansanjie.com/article/details/4430.html

1、本文系转载，版权归原作者所有，旨在传递信息，不代表看本站的观点和立场。

2、本站仅提供信息发布平台，不承担相关法律责任。

3、若侵犯您的版权或隐私，请联系本站管理员删除。

4、本文由会员转载自互联网，如果您是文章原创作者，请联系本站注明您的版权信息。

上一篇：分析机器学习在Quora实际运营中的深度应用

下一篇：七牛云存储使用Go语言架设网站的经验分享