大数据中的流计算

什么是流式计算

当你谈起流式计算的时候，说明你当前的处境已经涉及到了大数据范畴。

流式计算是大数据计算模式之一，之外还有 图计算、交互计算，与之常对应出现的批计算，等等…

了解流式计算，首先要明确一下数据流的相关背景。

数据流

在生产中，数据产出的周期与产品生命周期一致，处理加工链路呈流状。数据像河流一样从服务起触发，流经各个环节，至服务止。

数据时序

产品架构各种玲琅满目的技术手段、业务逻辑，本质可以归结于数据的处理加工，且这些数据具备天然的时序特征。

这里有两个需要关注的时间点：事务发生、处理事务。

产品角度出发，当事务出发时，服务务必实时进行处理并及时反馈响应结果，也就是 “ 事务发生时间 ” = “ 处理事务时间 ”。但在实际成产中，处理事务存在网络、IO、程序处理、存储…等多个环节，上述两个时间点无法做到相等，这样的特征使我们的数据有了天然的时序特性。

数据的时序特性在大数据场景中显的极为明显，而在规模不足的业务却微而又微。

在非大数据业务中，由于数据规模的较小、加之运用各种手段去压缩数据处理过程，使我们称之 ” 平响 “ 、P90、P99…等各个衡量数据加工的时效指标控制在几窄的阈值范围。一般在 300ms 以内，150 - 200 ms 为适宜，越久意味着用户体验越差。

数据的时序特性可有效进行时间窗口的裁定。

数据集

基于数据流特性，可根据数据产生方式、时序特性划分为有界数据集、无界数据集。

有界数据集

数据含有一定的时间边界。可以是一天、一个小时、或者一分钟等等，在此边界内，数据存在价值。

比如，更新某天榜、周榜、月榜单，则在每天零点做前一阶段数据进行处理；或者计算 DAU\PV，以 Hive 分区进行检索…

可简单归纳为：从某介质中取出有界数据，以某种形式进行加工后，存储至某介质。

对有界数据集的处理方式叫做批计算，常用的分布式批计算框架有 Apache Hadoop、 Spark等。

无界数据集

把时间边界广义化，或者无限拉长，数据就成了无界，数据至始至终在流动。

比如，服务的日志、Trace、画像、Ab…等等；

对无界数据集的处理方式叫做流计算，流计算的处理实现需要考虑数据 容错性、顺序性、幂等性…等等，复杂度相对较高。

目前Apache Storm、Spark Streaming、Apache Flink等分布式计算引擎都能不同程度地支持处理流式数据。

我们可以基于业务场景，结合数据时序、和 流 特性，将数据的边界进行划分，进而圈定有界数据集、无界数据集及时间窗口，进而决定计算模式，是 流式计算 还是 批计算。

主要应用场景

批计算中，进行数据积累，形成静态数据集后，非实时的进行逻辑处理，一次执行完成，适应大型离线任务：离线数据分析、离线报表…等等。

流计算中，实时处理动态数据，且持续保持执行状态，适应时效性要求高的场景：实时推荐、实时监控、实时建模…等等。

我们可把其各自应用场景归结于数据价值关系。当数据的时效性价值极高的时候，即数据价值随时间增产而衰减的场合，使用流计算，像推荐；数据的价值持续保有或其价值随数据规模的提升而变高的场合，使用批计算，像画像模型等。

批、流计算相结合

数据具有多面性，在实际生产中，批计算、流计算也可以相结合，共同提供服务支持。

• 日志处理中，设计两条链路：同步和异步。
  • 同步链路使用流计算，提供实时服务数据监控分析、告警管理、数据快照等信息；
  • 异步链路使用批计算，提供离线画像、标签、报表、归因等服务支持；

Q&A

1、具体的处理框架可以详细介绍吗？

请关注后续博文

附录

产品闭环之一是用户反馈调研。