1 引言
网易云信作为一个 PaaS 服务，需要对线上业务进行实时监控，实时感知服务的“心跳”、“脉搏”、“血压”等健康状况。通过采集服务拿到 SDK、服务器等端的心跳埋点日志，是一个非常庞大且杂乱无序的数据集，而如何才能有效利用这些数据？服务监控平台要做的事情就是对海量数据进行实时分析，聚合出表征服务的“心跳”、“脉搏”、“血压”的核心指标，并将其直观的展示给相关同学。这其中核心的能力便是 ：实时分析和实时聚合。
在之前的《网易云信服务监控平台实践》一文中，我们围绕数据采集、数据处理、监控告警、数据应用 4 个环节，介绍了网易云信服务监控平台的整体框架。本文是对网易云信在聚合指标计算逻辑上的进一步详述。
基于明细数据集进行实时聚合，生产一个聚合指标，业界常用的实现方式是 Spark Streaming、Flink SQL / Stream API。不论是何种方式，我们都需要通过写代码来指定数据来源、数据清洗逻辑、聚合维度、聚合窗口大小、聚合算子等。如此繁杂的逻辑和代码，无论是开发、测试，还是后续任务的维护，都需要投入大量的人力/物力成本。而我们程序员要做的便是化繁为简、实现大巧不工。
本文将阐述网易云信是如何基于 Flink 的 Stream API，实现一套通用的聚合指标计算框架。
2 整体架构
如上图所示，是我们基于 Flink 自研的聚合指标完整加工链路，其中涉及到的模块包括：
- source：定期加载聚合规则，并根据聚合规则按需创建 Kafka 的 Consumer，并持续消费数据。
- process：包括分组逻辑、窗口逻辑、聚合逻辑、环比计算逻辑等。从图中可以看到，我们在聚合阶段分成了两个，这样做的目的是什么？其中的好处是什么呢？做过分布式和并发计算的，都会遇到一个共同的敌人：数据倾斜。在我们 PaaS 服务中头部客户会更加明显，所以倾斜非常严重，分成两个阶段进行聚合的奥妙下文中会详细说明。
- sink：是数据输出层，目前默认输出到 Kafka 和 InfluxDB，前者用于驱动后续计算（如告警通知等），后者用于数据展示以及查询服务等。
- reporter：全链路统计各个环节的运行状况，如输入/输出 QPS、计算耗时、消费堆积、迟到数据量等。
下文将详细介绍这几个模块的设计和实现思路。
3 source
规则配置
为了便于聚合指标的生产和维护，我们将指标计算过程中涉及到的关键参数进行了抽象提炼，提供了可视化配置页面，如下图所示。下文会结合具体场景介绍各个参数的用途。
规则加载
在聚合任务运行过程中，我们会定期加载配置。如果检测到有新增的 Topic，我们会创建 kafka-consumer 线程，接收上游实时数据流。同理，对于已经失效的配置，我们会关闭消费线程，并清理相关的 reporter。
数据消费
对于数据源相同的聚合指标，我们共用一个 kafka-consumer，拉取到记录并解析后，对每个聚合指标分别调用 collect() 进行数据分发。如果指标的数据筛选规则（配置项⑤）非空，在数据分发前需要进行数据过滤，不满足条件的数据直接丢弃。
4 process
整体计算流程
基于 Flink 的 Stream API 实现聚合计算的核心代码如下所示：
SingleOutputStreamOperator aggResult = src
.assignTimestampsAndWatermarks(new MetricWatermark())
.keyBy(new MetricKeyBy())
.window(new MetricTimeWindow())
.aggregate(new MetricAggFuction()); - MetricWatermark()：根据指定的时间字段（配置项⑧）获取输入数据的 timestamp，并驱动计算流的 watermark 往前推进。
- MetricKeyBy()：指定聚合维度，类似于 MySQL 中 groupby，根据分组字段（配置项⑥），从数据中获取聚合维度的取值，拼接成分组 key。
- MetricTimeWindow()：配置项⑧中指定了聚合计算的窗口大小。如果配置了定时输出，我们就创建滑动窗口，否则就创建滚动窗口。
- MetricAggFuction()：实现配置项②指定的各种算子的计算，下文将详细介绍各个算子的实现原理。
二次聚合
对于大数据量的聚合计算，数据倾斜是不得不考虑的问题，数据倾斜意味着规则中配置的分组字段（配置项⑥）指定的聚合 key 存在热点。我们的计算框架在设计之初就考虑了如何解决数据倾斜问题，就是将聚合过程拆分成2阶段：
- 第1阶段：将数据随机打散，进行预聚合。
- 第2阶段：将第1阶段的预聚合结果作为输入，进行最终的聚合。
具体实现：判断并发度参数 parallelism（配置项⑦） 是否大于1，如果 parallelism 大于1，生成一个 [0, parallelism) 之间的随机数作为 randomKey，在第1阶段聚合 keyBy() 中，将依据分组字段（配置项⑥）获取的 key 与 randomKey 拼接，生成最终的聚合 key，从而实现了数据随机打散。
聚合算子
作为一个平台型的产品，我们提供了如下常见的聚合算子。由于采用了二次聚合逻辑，各个算子在第1阶段和第2阶段采用了相应的计算策略。
| 算子 | 第1阶段聚合 | 第2阶段聚合 |
|---|---|---|
| min/max/sum/count | 直接对输入数据进行预聚合计算，输出预聚合结果 | 对第1阶段预聚合结果进行二次聚合计算，输出最终结果 |
| first/last | 对输入数据的 timestamp 进行比较，记录最小/最大的 timestamp 以及对应的 value 值，输出 |
对 |
| avg | 计算该分组的和值和记录数，输出 |
对 |
| median/tp90/tp95 | 统计输入数据的分布，输出 NumericHistogram | 对输入的 NumericHistogram 做 merge 操作，最终输出中位数/tp90/tp95 |
| count-distinct | 输出记录桶信息和位图的 RoaringArray | 对 RoaringArray 进行 merge 操作，最终输出精确的去重计数结果 |
| count-distinct(近似) | 输出基数计数对象 HyperLoglog | 对 HyperLoglog 进行 merge 操作，最终输出近似的去重计数结果 |
对于计算结果受全部数据影响的算子，如 count-distinct（去重计数），常规思路是利用 set 的去重特性，将所有统计数据放在一个 Set 中，最终在聚合函数的 getResult 中输出 Set 的 size。如果统计数据量非常大，这个 Set 对象就会非常大，对这个 Set 的 I/O 操作所消耗的时间将不能接受。
对于类 MapReduce 的大数据计算框架，性能的瓶颈往往出现在 shuffle 阶段大对象的 I/O 上，因为数据需要序列化 / 传输 / 反序列化，Flink 也不例外。类似的算子还有 median 和 tp95。
为此，需要对这些算子做专门的优化，优化的思路就是尽量减少计算过程中使用的数据对象的大小，其中：
- median/tp90/tp95：参考了 hive percentile_approx 的近似算法，该算法通过 NumericHistogram（一种非等距直方图）记录数据分布，然后通过插值的方式得到相应的 tp 值（median 是 tp50）。
- count-distinct：采用 RoaringBitmap 算法，通过压缩位图的方式标记输入样本，最终得到精确的去重计数结果。
- count-distinct(近似) ：采用 HyperLoglog 算法，通过基数计数的方式，得到近似的去重计数结果。该算法适用于大数据集的去重计数。
后处理
后处理模块，是对第2阶段聚合计算输出数据进行再加工，主要有2个功能：
- 复合指标计算：对原始统计指标进行组合计算，得到新的组合指标。例如，要统计登录成功率，我们可以先分别统计出分母（登录次数）和分子（登录成功的次数），然后将分子除以分母，从而得到一个新的组合指标。配置项③就是用来配置组合指标的计算规则。
- 相对指标计算：告警规则中经常要判断某个指标的相对变化情况（同比/环比）。我们利用 Flink 的state，能够方便的计算出同比/环比指标，配置项④就是用来配置相对指标规则。
异常数据的处理
这里所说的异常数据，分为两类：迟到的数据和提前到的数据。
迟到数据：
- 对于严重迟到的数据（大于聚合窗口的 allowedLateness），通过 sideOutputLateData 进行收集，并通过 reporter 统计上报，从而能够在监控页面进行可视化监控。
- 对于轻微迟到的数据（小于聚合窗口的 allowedLateness），会触发窗口的重计算。如果每来一条迟到数据就触发一次第 1 阶段窗口的重计算，重计算结果传导到第 2 阶段聚合计算，就会导致部分数据的重复统计。为了解决重复统计的问题，我们在第 1 阶段聚合 Trigger 中进行了特殊处理：窗口触发采用 FIRE_AND_PURGE（计算并清理），及时清理已经参与过计算的数据。
- 提前到的数据：这部分数据往往是数据上报端的时钟不准导致。在计算这些数据的 timestamp 时要人为干预，避免影响整个计算流的 watermark。
5 sink
聚合计算得到的指标，默认输出到 Kafka 和时序数据库 InfluxDB。
- kafka-sink：将指标标识（配置项①）作为 Kafka 的topic，将聚合结果发送出去，下游接收到该数据流后可以进一步处理加工，如告警事件的生产等。
- InfluxDB-sink：将指标标识（配置项①）作为时序数据库的表名，将聚合结果持久化下来，用于 API 的数据查询、以及可视化报表展示等。
6 reporter
为了实时监控各个数据源和聚合指标的运行情况，我们通过 InfluxDB+Grafana 组合，实现了聚合计算全链路监控：如各环节的输入/输出 QPS、计算耗时、消费堆积、迟到数据量等。
7 结语
目前，通过该通用聚合框架，承载了网易云信 100+ 个不同维度的指标计算，带来的收益也是比较可观的：
- 提效：采用了页面配置化方式实现聚合指标的生产，开发周期从天级缩短到分钟级。没有数据开发经验的同学也能够自己动手完成指标的配置。
- 维护简单，资源利用率高：100+ 个指标只需维护 1 个 flink-job，资源消耗也从 300+ 个 CU 减少到 40CU。
- 运行过程透明：借助于全链路监控，哪个计算环节有瓶颈，哪个数据源有问题，一目了然。
作者介绍
圣少友，网易云信数据平台资深开发工程师，从事数据平台相关工作，负责服务监控平台、数据应用平台、质量服务平台的设计开发工作。
更多技术干货，欢迎关注【网易智企技术+】微信公众号