版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、实时大数据平台规划设计方案一、相关概念背景1.1从现代数仓架构角度看待实时数据平台现代数仓由传统数仓发展而来,对比传统数仓,现代数仓既有与其相同之处,也有诸多发展点。首先我们看一下传统数仓(图1)和现代数仓(图2)的模块架构:TraditionalDataWarehousingOrganisationalDataThirdPartyDataOperationalReportingArabics&treportingHistoricaltoolsAnalyticsOperationalDataStore图1传统数仓ModernizinganExistingDWDevices&SensorsAle
2、rtsNer-Real-TimeMonitoringDataLakeBatchETL图2现代数仓StreamingDataReports&ModelsAdvancedAnal/ticsHistoricalAnalyticsin-MemorvOperationalReportingQOSocialMediaFederatedQueriesOrganizationalphicsDtaOperationalDataStoreMachineLearningOLAPSemantic传统数仓大家都很熟悉,这里不做过多介绍,一般来说,传统数仓只能支持T+1天时效延迟的数据处理,数据处理过程以ETL为主,最终
3、产出以报表为主。现代数仓建立在传统数仓之上,同时增加了更多样化数据源的导入存储,更多样化数据处理方式和时效(支持T+0天时效),更多样化数据使用方式和更多样化数据终端服务。现代数仓是个很大的话题,在此我们以概念模块的方式来展现其新的特性能力。首先我们先看一下图3中MelissaCoates的整理总结:Supportallusertypes故INearrealtrmedau.LambdaarchlagerdatavolumesMPPDauvirtualization+integratioflDeploymentckcaupledfromdevDaiacatalog;SMfrhabilityarc
4、hneaureWhatMakesaDataWarehouseModerrTCoexistswithDatalakeClovdintegration;hybrkferwPromotionofselfserviceJoliitionsVarietyofdatasources;IEmsGovernancemodel&MDM在图3MelissaCoates的总结中我们可以得出,现代数仓之所以现代”,是因为它有多平台架构、数据虚拟化、数据的近实时分析、敏捷交付方式等等一系列特性。在借鉴MelissaCoates关于现代数仓总结的基础上,加以自己的理解,我们也在此总结提取了现代数仓的几个重要能力,分别是:
5、数据实时化(实时同步和流式处理能力)数据虚拟化(虚拟混算和统一服务能力)数据平民化(可视化和自助配置能力)数据协作化(多租户和分工协作能力)1)数据实时化(实时同步和流式处理能力)数据实时化,是指数据从产生(更新至业务数据库或日志)到最终消费(数据报表、仪表板、分析、挖掘、数据应用等),支持毫秒级/秒级/分钟级延迟(严格来说,秒级/分钟级属于准实时,这里统一称为实时)。这里涉及到如何将数据实时的从数据源中抽取出来;如何实时流转;为了提高时效性,降低端到端延迟,还需要有能力支持在流转过程中进行计算处理;如何实时落库;如何实时提供后续消费使用。实时同步是指多源到多目标的端到端同步,流式处理指在流上
6、进行逻辑转换处理。但是我们要知道,不是所有数据处理计算都可以在流上进行,而我们的目的,是尽可能的降低端到端数据延迟,这里就需要和其他数据流转处理方式配合进行,后面我们会进一步讨论。2)数据虚拟化(虚拟混算和统一服务能力)数据虚拟化,是指对于用户或用户程序而言,面对的是统一的交互方式和查询语言,而无需关注数据实际所在的物理库和方言及交互方式(异构系统/异构查询语言)的一种技术。用户的使用体验是面对一个单一数据库进行操作,但其实这是一个虚拟化的数据库,数据本身并不存放于虚拟数据库中。虚拟混算指的是虚拟化技术可以支持异构系统数据透明混算的能力,统服务指对于用户提供统一的服务接口和方式。DataVir
7、tualizationDataLake图4数据虚拟化(图1-4均选自DesigningaModernDataWarehouse+DataLake”-MelissaCoates,SolutionArchitect,BlueGranite)3)数据平民化(可视化和自助配置能力)普通用户(无专业大数据技术背景的数据从业人员),可以通过可视化的用户界面,自助的通过配置和SQL方式使用数据完成自己的工作和需求,并无需关注底层技术层面问题(通过计算资源云化,数据虚拟化等技术)。以上是我们对数据平民化的解读。文中提到技术层面如何支持数据平民化,并给出了几个例子:Datavirtualizationsoftw
8、are,Datafederationsoftware,Cloudstorage,Self-serviceBIapplications等。其中数据虚拟化和数据联邦本质上是类似技术方案,并且提到了自助BI这个概念。4)数据协作化(多租户和分工协作能力)技术人员应该多了解业务,还是业务人员应该多了解技术?这一直是企业内争论不休的问题。而我们相信现代BI是一个可以深度协作的过程,技术人员和业务人员可以在同一个平台上,发挥各自所长,分工协作完成日常BI活动。这就对平台的多租户能力和分工协作能力提出了较高要求,一个好的现代数据平台是可以支持更好的数据协作化能力的。我们希望可以设计出一个现代实时数据平台,满
9、足以上提到的实时化、虚拟化、平民化、协作化等能力,成为现代数仓的一个非常重要且必不可少的组成部分。1.2从典型数据处理角度看待实时数据处理典型的数据处理,可分为OLTP,OLAP,Streaming,Adhoc,MachineLearning等。这里给出OLTP和OLAP的定义和对比:口TtantcfeclnAlApp* High.Moiuirwerfdale* SlowqueiwfcDvnorriJliJDddalo* F-TiWrtafatei6HowmyOLTPvsOLAP Highwkmeof FnstpiDcessing NormaiiJ!ddata hihlM(图5诜自文耳Rela
10、tionalDatabasesarenotDesignedforMixedWorkloads-MattAHen)从某种角度来说,OLTP活动主要发生在业务交易库端,OLAP活动主要发生在数据分析库端。那么,数据是如何从OLTP库流转到OLAP库呢?如果这个数据流转时效性要求很高,传统的T+1批量ETL方式就无法满足了。我们将OLTP到OLAP的流转过程叫DataPipeline(数据处理管道),它是指数据的生产端到消费端之间的所有流转和处理环节,包括了数据抽取、数据同步、流上处理、数据存储、数据查询等。这里可能会发生很复杂的数据处理转换(如重复语义多源异构数据源到统一StarSchema的转换
11、,明细表到汇总表的转换,多实体表联合成宽表等)。如何支持实时性很高的Pipeline处理能力,就成了一个有挑战性的话题,我们将这个话题描述为在线管道处理”(OLPP,OnlinePipelineProcessing)问题。因此,本文所讨论的实时数据平台,希望可以从数据处理角度解决OLPP问题,成为OLTP到OLAP实时流转缺失的课题的解决方案。下面,我们会探讨从架构层面,如何设计这样一个实时数据平台。二、架构设计方案2.1定位和目标实时数据平台(Real-timeDataPlatform,以下简称RTDP),旨在提供数据端到端实时处理能力(毫秒级/秒级/分钟级延迟),可以对接多数据源进行实时数
12、据抽取,可以为多数据应用场景提供实时数据消费。作为现代数仓的一部分,RTDP可以支持实时化、虚拟化、平民化、协作化等能力,让实时数据应用开发门槛更低、迭代更快、质量更好、运行更稳、运维更简、能力更强。2.2整体设计架构概念模块架构,是实时数据处理Pipeline的概念层的分层架构和能力梳理,本身是具备通用性和可参考性的,更像是需求模块。图6给出了RTDP的整体概念模块架构,具体每个模块含义都可自解释,这里不再详述。就初qI诞竝澤卜血入1r貉动引:料引7J華经埋TJ图6RTDP整体概念模块架构下面我们会根据上图做进一步设计讨论,给出从技术层面的高阶设计思路。皈耐害户賈矽利K/ltiR总迪炭布/订
13、闻曲圧弓l/W帶KM/itK/H/分版/K用图7整体设计思想由图7可以看出,我们针对概念模块架构的四个层面进行了统一化抽象:统一数据采集平台统一流式处理平台统一计算服务平台统一数据可视化平台同时,也对存储层保持了开放的原则,意味着用户可以选择不同的存储层以满足具体项目的需要,而又不破坏整体架构设计,用户甚至可以在Pipeline中同时选择多个异构存储提供支持。下面分别对四个抽象层进行解读。1)统一数据采集平台统一数据采集平台,既可以支持不同数据源的全量抽取,也可以支持增强抽取。其中对于业务数据库的增量抽取会选择读取数据库日志,以减少对业务库的读取压力。平台还可以对抽取的数据进行统一处理,然后以
14、统一格式发布到数据总线上。这里我们选择一种自定义的标准化统一消息格式UMS(UnifiedMessageSchema)做为统一数据采集平台和统一流式处理平台之间的数据层面协议。UMS自带Namespace信息和Schema信息,这是一种自定位自解释消息协议格式,这样做的好处是:整个架构无需依赖外部元数据管理平台;消息和物理媒介解耦(这里物理媒介指如Kafka的Topic,SparkStreaming的Stream等),因此可以通过物理媒介支持多消息流并行,和消息流的自由漂移。平台也支持多租户体系,和配置化简单处理清洗能力。2)统一流式处理平台统一流式处理平台,会消费来自数据总线上的消息,可以支
15、持UMS协议消息,也可以支持普通JSON格式消息。同时,平台还支持以下能力:支持可视化/配置化/SQL化方式降低流式逻辑开发/部署/管理门槛支持配置化方式幂等落入多个异构目标库以确保数据的最终一致性支持多租户体系,做到项目级的计算资源/表资源/用户资源等隔离3)统一计算服务平台统一计算服务平台,是一种数据虚拟化/数据联邦的实现。平台对内支持多异构数据源的下推计算和拉取混算,也支持对外的统一服务接口(JDBC/REST)和统一查询语言(SQL)。由于平台可以统一收口服务,因此可以基于平台打造统一元数据管理/数据质量管理/数据安全审计/数据安全策略等模块。平台也支持多租户体系。4)统一数据可视化平
16、台统一数据可视化平台,加上多租户和完善的用户体系/权限体系,可以支持跨部门数据从业人员的分工协作能力,让用户在可视化环境下,通过紧密合作的方式,更能发挥各自所长来完成数据平台最后十公里的应用。以上是基于整体模块架构之上,进行了统一抽象设计,并开放存储选项以提高灵活性和需求适配性。这样的RTDP平台设计,体现了现代数仓的实时化/虚拟化/平民化/协作化等能力,并且覆盖了端到端的OLPP数据流转链路。2.3具体问题和考量思路下面我们会基于RTDP的整体架构设计,分别从不同维度讨论这个设计需要面对的问题考量和解决思路。1)功能考量功能考量主要讨论这样一个问题:实时Pipeline能否处理所有ETL复杂
17、逻辑?我们知道,对于Storm/Flink这样的流式计算引擎,是按每条处理的;对于SparkStreaming流式计算引擎,按每个mini-batch处理;而对于离线跑批任务来说,是按每天数据进行处理的。因此处理范围是数据的一个维度(范围维度)。另外,流式处理面向的是增量数据,如果数据源来自关系型数据库,那么增量数据往往指的是增量变更数据(增删改,revision);相对的批量处理面向的则是快照数据(snapshot)。因此展现形式是数据的另一个维度(变更维度)。单条数据的变更维度,是可以投射收敛成单条快照的,因此变更维度可以收敛成范围维度。所以流式处理和批量处理的本质区别在于,面对的数据范围
18、维度的不同,流式处理单位为“有限范围”,批量处理单位为“全表范围”。“全表范围”数据是可以支持各种SQL算子的,而“有限范围”数据只能支持部分SQL算子,具体支持情况如下:join:leftjoin:支持。“限制范围”可以leftjoin外部lookup表(通过下推,类似hashjoin效果) rightjoin:不支持。每次从lookup拿回所有lookup表数据,这个计算是不可行的也是不合理的 interjoin:支持。可以转化为leftjoin+filter,可以支持 outerjoin:不支持。存在rightjoin,因此不合理union:支持。可以应用在拉回局部范围数据做窗口聚合操作
19、。agg:不支持。可以借助union做局部窗口聚合,但无法支持全表聚合操作。filter:支持。没有shuffle,非常适合。map:支持。没有shuffle,非常适合。project:支持。没有shuffle,非常适合。Join往往需要shuffle操作,是最费计算资源和时间的操作,而流上join(leftjoin)将join操作转化成hashjoin的队列操作,将批量处理join的集中数据计算资源和时间平摊在数据流转过程中,因此在流上做leftjoin是最划算的计算方式。复杂的ETL并不是单一算子,经常会是由多个算子组合而成,由上可以看出单纯的流式处理并不能很好的支持所有ETL复杂逻辑。那
20、么如何在实时Pipeline中支持更多复杂的ETL算子,并且保持时效性?这就需要“有限范围”和“全表范围”处理的相互转换能力。设想一下:流式处理平台可以支持流上适合的处理,然后实时落不同的异构库,计算服务平台可以定时批量混算多源异构库(时间设定可以是每隔几分钟或更短),并将每批计算结果发送到数据总线上继续流转,这样流式处理平台和计算服务平台就形成了计算闭环,各自做擅长的算子处理,数据在不同频率触发流转过程中进行各种算子转换,这样的架构模式理论上即可支持所有ETL复杂逻辑。xvcxmholp*mcxMibOdtJichibrftthA*Id厂77mb1k、-九JbreamingMnibdajrc
21、hitwiTuF#图8数据处理架构演化图8给出了数据处理架构的演化,和OLPP的一种架构模式。其中wormhole和moonbox分别是我们开源的流式处理平台和计算服务平台,后面会具体介绍。2)质量考量上面的图也引出了两个主流实时数据处理架构:Lambda架构和Kappa架构,具体两个架构的介绍网上有很多资料,这里不再赘述。Lambda架构和Kappa架构各有其优劣势,但都支持数据的最终一致性,从某种程度上确保了数据质量,如何在Lambda架构和Kappa架构中取长补短,形成某种融合架构,这个话题会在新起文章中详细探讨。当然数据质量也是个非常大的话题,只支持重跑和回灌并不能完全解决所有数据质量问题,只是从技术架构层面给出了补数
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026广东河源市人民医院第四批合同制人员招聘25人备考题库及答案详解一套
- 2026五矿地产(泰安)开发有限公司招聘置业顾问岗位3人备考题库含答案详解(考试直接用)
- 2026西南林业大学招聘科研助理48人备考题库及答案详解(考点梳理)
- 2026年长春金融高等专科学校公开招聘高层次人才备考题库(1号)补充备考题库及参考答案详解1套
- 2026贵州毕节纳雍县人民医院助理全科医生培训(西医)招聘备考题库及参考答案详解
- 2026福建南平武夷旅游集团幼儿园自主招聘6人备考题库参考答案详解
- 2026年5月广东深圳理工大学附属中学面向社会选聘教师11人备考题库含答案详解(典型题)
- 2026云南普洱宁洱哈尼族彝族自治县人民检察院招聘聘用制书记员2人备考题库含答案详解(突破训练)
- 2026安徽铜陵港航投资建设集团有限公司所属企业招聘21人备考题库附答案详解(轻巧夺冠)
- 2026江西新余高新区财政公共服务中心招聘见习生4人备考题库及一套参考答案详解
- 国土空间总体规划动态维护方案投标文件(技术方案)
- 2026中国矿产资源集团总部及所属单位社会招聘笔试历年参考题库附带答案详解
- 2026年道教考证过关检测【必考】附答案详解
- 储备粮轮换工作制度
- 2025年中国国家话剧院公开招聘事业单位工作人员10人笔试历年典型考题及考点剖析附带答案详解
- T-CHES 158-2025 泵站标准化管理技术导则
- 江苏交控集团招聘笔试题库
- 2025年长沙县招教考试备考题库含答案解析(必刷)
- 2026年高级卫生专业技术资格考试全科医学(068)(副高级)梳理要点详解
- 2026年中国化工经济技术发展中心招聘备考题库及一套完整答案详解
- 2026年医院卫生院家庭医生签约服务工作实施方案
评论
0/150
提交评论