唯品會實時平臺現狀

目前在唯品會實時平臺并不是一個統一的計算框架，而是包括Storm，Spark，Flink在內的三個主要計算框架。由于歷史原因，當前在Storm平臺上的job數量是最多的，但是從去年開始，業務重心逐漸切換到Flink上面，所以今年在Flink上面的應用數量有了大幅增加。

實時平臺的核心業務包含八大部分：實時推薦作為電商的重點業務，包含多個實時特征;大促看板，包含各種維度的統計指標(例如：各種維度的訂單、UV、轉化率、漏斗等)，供領導層、運營、產品決策使用;實時數據清洗，從用戶埋點收集來數據，進行實時清洗和關聯，為下游的各個業務提供更好的數據;此外還有互聯網金融、安全風控、與友商比價等業務，以及Logview、Mercury、Titan作為內部服務的監控系統、VDRC實時數據同步系統等。

實時平臺的職責主要包括實時計算平臺和實時基礎數據。實時計算平臺在Storm、Spark、Flink等計算框架的基礎上，為監控、穩定性提供了保障，為業務開發提供了數據的輸入與輸出。實時基礎數據包含對上游埋點的定義和規范化，對用戶行為數據、MySQL的Binlog日志等數據進行清洗、打寬等處理，為下游提供質量保證的數據。

在架構設計上，包括兩大數據源。一種是在App、微信、H5等應用上的埋點數據，原始數據收集后發送到在kafka中;另一種是線上實時數據的MySQL Binlog日志。數據在計算框架里面做清洗關聯，把原始的數據通過實時ETL為下游的業務應用(包括離線寬表等)提供更易于使用的數據。

Flink在唯品會的實踐

場景一：Dataeye實時看板

Dataeye實時看板是支持需要對所有的埋點數據、訂單數據等進行實時計算時，具有數據量大的特點，并且需要統計的維度有很多，例如全站、二級平臺、部類、檔期、人群、活動、時間維度等，提高了計算的復雜程度，統計的數據輸出指標每秒鐘可以達到幾十萬。

以UV計算為例，首先對Kafka內的埋點數據進行清洗，然后與Redis數據進行關聯，關聯好的數據寫入Kafka中;后續Flink計算任務消費Kafka的關聯數據。通常任務的計算結果的量也很大(由于計算維度和指標特別多，可以達到上千萬)，數據輸出通過也是通過Kafka作為緩沖，最終使用同步任務同步到HBase中，作為實時數據展示。同步任務會對寫入HBase的數據限流和同類型的指標合并，保護HBase。與此同時還有另一路計算方案作為容災。 

在以Storm進行計算引擎中進行計算時，需要使用Redis作為中間狀態的存儲，而切換到Flink后，Flink自身具備狀態存儲，節省了存儲空間;由于不需要訪問Redis，也提升了性能，整體資源消耗降低到了原來的1/3。

在將計算任務從Storm逐步遷移到Flink的過程中，對兩路方案先后進行遷移，同時將計算任務和同步任務分離，緩解了數據寫入HBase的壓力。

切換到Flink后也需要對一些問題進行追蹤和改進。對于FlinkKafkaConsumer，由于業務原因對kafka中的Aotu Commit進行修改，以及對offset的設定，需要自己實現支持kafka集群切換的功能。對不帶window的state數據需要手動清理。還有計算框架的通病——數據傾斜問題需要處理。同時對于同步任務追數問題，Storm可以從Redis中取值，Flink只能等待。

場景二：Kafka數據落地HDFS

之前都是通過Spark Streaming的方式去實現，現在正在逐步切換到Flink上面，通過OrcBucketingTableSink將埋點數據落地到HDFS上的Hive表中。在Flink處理中單Task Write可達到3.5K/s左右，使用Flink后資源消耗降低了90%，同時將延遲30s降低到了3s以內。目前還在做Flink對Spark Bucket Table的支持。

場景三：實時的ETL

對于ETL處理工作而言，存在的一個痛點就是字典表存儲在HDFS中，并且是不斷變化的，而實時的數據流需要與字典表進行join。字典表的變化是由離線批處理任務引起的，目前的做法是使用ContinuousFileMonitoringFunction和ContinuousFileReaderOperator定時監聽HDFS數據變化，不斷地將新數據刷入，使用***的數據去做join實時數據。

我們計劃做更加通用的方式，去支持Hive表和Stream的join，實現Hive表數據變化之后，數據自動推送的效果。

Flink On K8S

在唯品會內部有一些不同的計算框架，有實時計算的，有機器學習的，還有離線計算的，所以需要一個統一的底層框架來進行管理，因此將Flink遷移到了K8S上。

在K8S上使用了思科的網絡組件，每個docker容器都有獨立的ip，對外也是可見的。實時平臺的融合器整體架構如下圖所示。

唯品會在K8S上的實現方案與Flink社區提供的方案差異還是很大的。唯品會使用K8S StatefulSet模式部署，內部實現了cluster相關的一些接口。一個job對應一個mini cluster，并且支持HA。對于Flink來說，使用StatefulSet的***的原因是pod的hostname是有序的;這樣潛在的好處有：

hostname為-0和-1的pod可以直接指定為jobmanager;可以使用一個statefulset啟動一個cluster，而deployment必須2個;Jobmanager和TaskManager分別獨立的deployment。

pod由于各種原因fail后，由于StatefulSet重新拉起的pod的hostname不變，集群recover的速度理論上可以比deployment更快(deployment每次主機名隨機)。 鏡像的docker entrypoint腳本里面需要設置的環境變量設置說明：

| 環境變量名稱 | 參數 | 示例內容 | 說明 | |--- |---|---|---|---| | JOB_MANGER_HOSTS | StatefulSet.name-0,StatefulSet.name-1 | flink-cluster-0,flink-cluster-1 | JM的主機名，短主機名;可以不用FQDN | | FLINK_CLUSTER_IDENT | namespace/StatefulSet.name | default/flink-cluster | 用來做zk ha設置和hdfs checkpiont的根目錄 | | TASK_MANAGER_NUMBER_OF_TASK_SLOTS | containers.resources.cpu.limits | 2 | TM的slot數量，根據resources.cpu.limits來設置 | | FLINK_ZK_QUORUM | env:FLINK_ZK_QUORUM | 10.198.199.112:2181 | HA ZK的地址 | | JOB_MANAGER_HEAP_MB | env:JOB_MANAGER_HEAP_MB value:containers.resources.memory.limit -1024 | 4096 | JM的Heap大小，由于存在堆外內存，需要小于container.resources.memory.limits;否則容易OOM kill | | TASK_MANAGER_HEAP_MB | env:TASK_MANAGER_HEAP_MB value: containers.resources.memory.limit -1024 |4096 | JM的Heap大小，由于存在堆外內存，需要小于container.resources.memory.limits;否則容易OOM kill |

對應Flink集群所依賴的HDFS等其他配置，則通過創建configmap來管理和維護。

kubectl create configmap hdfs-conf --from-file=hdfs-site.xml --from-file=core-site.xml 

后續計劃

當前實時系統，機器學習平臺要處理的數據分布在各種數據存儲組件中，如Kafka、Redis、Tair和HDFS等，如何方便高效的訪問，處理，共享這些數據是一個很大的挑戰，對于當前的數據訪問和解析常常需要耗費很多的精力，主要的痛點包括：

• 對于Kafka，Redis，Tair中的binary(PB/Avro等格式)數據，使用者無法快速直接的了解數據的schema與數據內容，采集數據內容及與寫入者的溝通成本很高。
• 由于缺少獨立的統一數據系統服務，對Kafka，Redis，Tair等中的binary數據訪問需要依賴寫入者提供的信息，如proto生成類，數據格式wiki定義等，維護成本高，容易出錯。
• 缺乏relational schema使得使用者無法直接基于更高效易用的SQL或LINQ層API開發業務。
• 無法通過一個獨立的服務方便的發布和共享數據。
• 實時數據無法直接提供給Batch SQL引擎使用。
• 此外，對于當前大部分的數據源的訪問也缺少審計，權限管理，訪問監控，跟蹤等特性。

UDM(統一數據管理系統)包括Location Manager, Schema Metastore以及Client Proxy等模塊，主要的功能包括：

• 提供從名字到地址的映射服務，使用者通過抽象名字而不是具體地址訪問數據。
• 用戶可以方便的通過Web GUI界面方便的查看數據Schema，探查數據內容。
• 提供支持審計，監控，溯源等附加功能的Client API Proxy。
• 在Spark/Flink/Storm等框架中，以最適合使用的形式提供這些數據源的封裝。

UDM的整體架構如下圖所示：

UDM的使用者包括實時，機器學習以及離線平臺中數據的生產者和使用者。在使用Sql API或Table API的時候，首先完成Schema的注冊，之后使用Sql進行開發，降低了開發代碼量。

在Flink中，使用UDMExternalCatalog來打通Flink計算框架和UDM之間的橋梁，通過實現ExternalCatalog的各個接口，以及實現各自數據源的TableSourceFactory，完成Schema和接入管控等各項功能。

關于作者：王新春目前在唯品會負責實時平臺相關內容，主要包括實時計算框架和提供實時基礎數據，以及機器學習平臺的工作。之前在美團點評，也是負責大數據平臺工作。他已經在大數據實時處理方向積累了豐富的工作經驗。