《Kafka Stream》调研：一种轻量级流计算模式

摘要：流计算，已经有Storm、Spark，Samza，包括最近新起的Flink，Kafka为什么再自己做一套流计算呢？Kafka Stream 与这些框架比有什么优势？Samza、Consumer Group已经包装了Kafka轻量级的消费功能，难道不够吗？花了一些时间阅读[docs](http

Confluent Inc（原LinkedIn Kafka作者离职后创业公司）在6月份预告推出Kafka Stream，Kafka Stream会在Kafka 0.10版本中推出。

对于流计算，已经有Storm、Spark，Samza，包括最近新起的Flink，Kafka为什么再自己做一套流计算呢？Kafka Stream 与这些框架比有什么优势？Samza、Consumer Group已经包装了Kafka轻量级的消费功能，难道不够吗？

花了一些时间阅读docs 和一些PPT，写一份粗略的调研材料供大家参考。

什么是流计算？流是计算的一个连续计算类型

Single：例如HTTP，发送一个Request请求、返回一个Response
Batch：将一组作业提交给计算机，返回一组，优势是减少IO等待时间
Stream：Batch异步过程，任务和任务之间没有明显的边界

流计算一般有哪些方式？

DIY 简单实现

以wordcount来作例子，我们可以启动一个server，内存中建立一个HashMap，把输入先分词，然后根据word视图更新HashMap。是不是很简单？但带来的问题是什么？

如果挂了，数据都被清空，数据重复怎么办？
如果数据量非常大，一块内存放不下怎么办？
如果在多台机器上部署，如何保证分配策略和先后顺序？

我们把这些问题做一个分类，主要有这样几个：

保序处理
规模和切片
异常恢复
状态类计算（例如TopK，UV等）
重新计算
时间、窗口等相关问题

利用现有框架

比较成熟度的框架有：Apache Spark, Storm（我们公司开源Jstorm）, Flink, Samza 等。第三方有：Google’s DataFlow，AWS Lambda

现有框架的好处是什么？

强大计算能力，例如Spark Streaming上已经包含Graph Compute，MLLib等适合迭代计算库，在特定场景中非常好用。

问题是什么？

使用起来比较复杂，例如将业务逻辑迁移到完备的框架中，Spark RDD，Spout等。有一些工作试图提供SQL等更易使用模式降低了开发门槛，但对于个性化ETL工作（大部分ETL其实是不需要重量级的流计算框架的）需要在SQL中写UDF，流计算框架就退化为一个纯粹的容器或沙箱。
作者认为部署Storm，Spark等需要预留集群资源，对开发者也是一种负担。

Kafka Stream定位是轻量级的流计算类库，简单体现在什么方面？

所有功能放在Lib中实现，实现的程序不依赖单独执行环境
- 可以用Mesos，K8S，Yarn和Ladmda等独立调度执行Binary，试想可以通过Lamdba+Kafka实现一个按需付费、并能弹性扩展的流计算系统，是不是很cool？
- 可以在单集成、单线程、多线程进行支持
在一个编程模型中支持Stateless，Stateful两种类型计算
编程模型比较简洁，基于Kafka Consumer Lib，及Key-Affinity特性开发，代码只要处理执行逻辑就可以，Failover和规模等问题由Kafka本身特性帮助解决

个人感觉Kafka Lib是Samza一个增强版（Samza也是Linkedin与Kafka深度集成的流计算框架），将来可以替换Samza，但无法撼动Spark、Flink等语义上比较高级的流计算系统地位，只能做一些轻量级流处理的场景（例如ETL，数据集成，清洗等）。

Kafka Stream 例子

先来看一个例子，通过Kafka Stream代码开发：

这里面做了这样几件事情：

构建了Kafka中数据序列化/反序列化方式
构建了2个计算节点
- 分词（flatMapValues），并将结果根据Key来Map
- Reduce（根据Key来计算结果）
将结果写到Kafka一个结果Topic中（增量方式）

在2个结算节点中，使用了一个Kafka Topic将计算结果序列化、并反序列化。相当于Map-Reduce中Streamline。

这段程序可以执行在一个Thread中，也可以执行在N台机器上，主要归结于Kafka Consumer Lib可以帮助对数据与计算解耦分离。

基本概念

Processor：Processor是一个基本的计算节点

public interface Processor<K, V> {
void process (K key, V Value);
void punctuate(long time stampe);
}

Stream: Processor 处理后后结果输出

两者的关系如图：

Kafka Stream如何解决流计算中6个问题：

保序（Ordering）

对Kafka而言，在一个Partition（Shard）下，数据是先进先出严格有序的，因此不是问题。

分区与规模（Partition & Scalability）

流计算规模取决于2个因素：数据是否能线性扩容、计算能否线性扩容。

数据

Kafka中的数据通过Partition方式划分，每个Partition严格有序，可以做到弹性伸缩（实际上目前版本中弹性伸缩是不完整的，Kafka在0.10版本中能提供完全弹性伸缩的能力）。

计算

Kafka对于消费端提供Consumer Group功能，可以扩展消费Instance达到与Partition同样的水平扩展能力，过程中保证一个消费Instance只能消费一个Partition。

故障恢复（Fault Tolerance）

Kafka Consumer Group已实现了负载均衡，因此当有消费实例crash时也能保证迅速未完成的任务，过程中数据不丢，可能会重复（取决于消费checkpoint配合）

状态处理（State）

这个问题相对比较复杂，在流计算场景中，分为两类计算：

Stateless（无状态）：例如Filter，Map，Joins，这些只要数据流过一遍即可，不依赖于前后的状态
Stateful（有状态）：主要是基于时间Aggregation，例如某段时间的TopK，UV等，当数据达到计算节点时需要根据内存中状态计算出数值

Kafka Stream 提供了一个抽象概念KTable，KStream来解决状态存储和数据变化的问题，见下面的章节解释。

重放（Reprocessing）

在了解了RedoLog和State后，重放这个概念并不难理解

基于时间窗口计算（Time, Windowsing)

时间是流计算的一个重要熟悉，因为在现实过程中数据采集往往并不是很完美的，历史数据的到来会打断我们对计算的假设。时间有两个概念：

Event Time：物理时间中的客观时间，代表事件发生时的一刻
Processing Time: 实际处理的时间（到达服务器时间）

虽然Processing Time对处理比较容易，但因历史数据的影响，采用Event Time更为准确。一个零售业中比较典型的场景是：统计每10分钟内每个产品的销量（或网站每个时间点UV、PV的统计）。销售数据可能会从不同的渠道实时流入，因此我们必须依赖于销售数据产生的时间点来作为窗口，而不是数据达到计算的点。

Kafka Stream用一种比较简单粗暴方式来解决这个问题，他会给每个windows一个状态，这个状态只是代表当前时刻的数值，当有新数据达到该窗口时，状态就被改变了。对于windows based aggregation，Kafka Stream做法是：

Table （状态数据） + Library = Stateful Service

Stream & Table

为了实现状态的概念，Kafka 抽象了两种实体Kstream， KTable

Stream 等同于数据库中Change log
Table 等同于数据库在一个时间点Snapshot，两个不同的Snapshot之间通过1个或多个changelog造成

假设有2个流，一个流是送货，另外一个流是销售，我们对着两个流进行Join，获得当前的库存状态：

shipment stream:

item ID	store code	count
10	CA	200
23	NY	50
23	CA	101
54	WA	1000

sale stream:

item ID	store code	count
10	CA	20
23	NY	10

当这两个流中的记录先后达到情况下，会影响库存状态，整个库存的变化状态如下：

我们把这两个流放到Kafka Stream中，就会看到一个Processor节点中的状态变化如下：

基于状态数据，我们可以在该节点定义处理的逻辑：

if (state.inventory[item].size < 10)
{
notify the manager;
}
else if (state.inventory[item] > 100)
{
on sale;
}

KTable，KStream可能比较抽象，KafkaStream包装了high-level DSL，直接提供了filter, map, join等算子，当然如果有个性化需求可以使用更低抽象程度API来完成。

粗浅的看法

流计算场景中，是否会有两个极端：复杂内存操作+迭代计算，轻量级数据加工与ETL。这两个比例分别占据多少？在我们常用的ETL场景里，大部分其实是轻量级Filter，LookUP，Write Storage等操作，有时候我们为了对数据做加工，不得不借助一个执行容器去选择流计算的框架。Docker，Lamdba可以解决这类问题，但需要有一定流计算的开发量。

我觉得对轻量级ETL场景，一个而理想的架构是Kafka Stream这样的轻量级计算库+Lamdba，这样就能做到安全按需使用的流计算模式。

Kafka Stream有一些关键东西没有解决，例如在join场景中，需要保证来源2个Topic数据Shard个数必须是一定的，因为本身做不到MapJoin等技术。在之前的版本中，也没有提供EventTime等Meta字段。