Storm over Gearpump & StreamingSQL on Spark解析

原文地址：http://geek.csdn.net/news/detail/54405

在第二次上海大数据流处理聚会上，来自 Intel，大众点评与 Cloudera 的大数据工程师与大家分享时下大数据流处理最火热的话题。

张天伦：Storm over Gearpump

Intel大数据工程师张天伦

演讲开始前，张天伦通过介绍自己的工作表达了对streaming的兴趣，并向大家推荐自己搜集在GitHub上的projects，希望有更多有兴趣的人一起交流。

Gearpump - Distributed Real-time Streaming Engine

Storm over Gearpump,即在Gearpump上提供一个Storm的透明的兼容层，用户可以不改一行代码，不用重新定义它的jar包,就可以把Storm 运行到Gearpump上。Storm 是业界使用最广泛的流处理引擎，但也暴露出了不少局限性。这些局限性在 Intel 最新开源的流处理系统 Gearpump 中都得到了良好的解决。为了让广大 Storm 用户零成本地体验到 Gearpump 的优良特性，Gearpump 实现了对 Storm 的透明兼容，即用户无需修改代码，重新编译，就可以直接将二进制包运行在 Gearpump 上。

图1基于Akka/Actor 模型的Gearpump层级图

Gearpump 基于 Akka 和 Actor 模型构建了一个高可靠高性能的实时流处理系统，图1为Gearpump的一个cluster，它有一个master和多个worker，每个worker会管理各个集群上各个节点的资源。层级化的好处是系统一部分出问题时不会影响到其它部分，在Gearpump里，一个master可以管理多个worker,多个应用之间是相互隔离的，每个应用会有一个对应的appmaster，每个appmaster向master申请资源后可以在worker上部署executer,相当于一个JVM，具体的执行单元是Task，一个Task就是一个Actor。Gearpump的Dynamic DAG是可以在线修改的，而且计算快，延时低。

Gearpump Updates

图2关于0.7.0版本的测试

为什么要做Gearpump在Storm上的兼容性呢？

Storm是最为广泛的流处理系统，在使用过程中也发现了它的一些局限性，Gearpump的设计之初就是为了克服Storm的局限性，同时希望广大的Storm用户可以无代价的享受到Gearpump这些优良的特性，所以要实现在Gearpump上能够透明的支持Storm的应用。

Storm over Gearpump – Features

Gearpump现在支持0.9版本的Storm，支持multi-lang，就是Storm支持一些Python/Ruby/Node的脚本，支持Storm里DRPC的功能，也支持KafkaSpout / KafkaBolt，Trident这部分的工作目前还在进行当中。

Similarities of Gearpump and Storm

首先Gearpump和Storm都是对单条数据单个消息进行处理，其次它们的用户接口都是相似的，Storm是通过Topolgy，Gearpump是通过DAG。另外Task接口也是相似的。

图3 Strom和Gearpump的Task接口图

图3左边为Storm的Task接口，Storm里面有两种角色，Spout和Bolt，对于Spout的生命周期会有一个初始的Open方式，然后不停的循环调用nextTouple向下游发消息，对于Bolt来说开始会有一个prepare阶段，每收到一个消息它会调用execute。右边是Gearpump的Task接口，一开始会有一个onStart阶段，每收到一条消息会调用onNext。这两者是非常相似的，但是Strom的Task会占用到一个线程，Gearpump的Task是一个Actor，是比线程更小的一个执行单元。

Storm over Gearpump – Overview

图4实现概况图

图4上半部分左右两边的实现过程很相似。Storm Nimbus与Client是通过协议进行交互的，我们可以灵活的在Gearpump里实现Nimbus来遵守Storm的协议，具体做法是在StormClient提交请求时在本地起一个Gearpump的Nimbus，在Gearpump的Nimbus里把Storm Topology翻译成Gearpump DAG，再把Gearpump DAG提交给Gearpump master，这样，一个Storm应用就可以运行在Gearpump cluster上面了。

图5 DAG翻译过程

图5中，Spout翻译成Gearpump的逻辑节点Processor，所有的Grouper牵引到Gearpump里的partitioner，整个图实现是一一对应的。

图6 具体Task执行图

图6中在Gearpump里运行Storm的Spout和Bolt，并且把二者的生命周期结合在一起。传输Spout需要Gearpump的传输层，所以每次调用onStart时，会把Gearpump的collector注册到Spout里，通过这条通道会把Storm的消息传到Gearpump里面。

Storm over Gearpump - Flow Control

图7 Strom和Gearpump的流控制

Storm是通过Acker实现流控制，当有一定数量的消息没有被Ack后，Storm在Spout端就不会向下游发消息了，在Gearpump里面，每隔一定的消息数量上游Task会向下游Task发一个AckRequest，下游收到AckRequest后会给上游回一个Ack，这时在一个Task里我们维护了一个滑动窗的概念，通过这样一种机制，下游的压力会一层层的向上游传播，直到传到Spout这一层，Spout会停止或者减慢向下游发消息。

Storm over Gearpump - At Least Once

图8 At least once原理图

Stormm会把Kafka的Offset存到Zookeeper里，如果出错后，它可以重新从Zookeeper里了解到消息发到哪里了，在Gearpump里也支持Kafka的At least once的语意，但是和Strom做法不一样，图8中，2中开始发消息时是处于pending的位置，3、4发消息时直接Ack，由于2中没有Ack，此时Storm的Kafka里Offset没有更新，即使出问题时依然回来从2开始，这是为了避免Storm的Spout中累积大量消息。所有消息在Gearpump上都会打上系统的时间印记，当下游的Task收到消息后会汇报给Clock Service，Clock Service会维护全局的最小的Ack时间。

性能

图9吞吐量性能图

实现这样的兼容层的性能怎么样呢？我们在四个节点上做了测试，用的是 storm-benchmark 中的 SOL，这个例子没有任何用户逻辑，纯粹测试的是系统框架本身的性能，有48个Spouts和Bolts，16个workers。图9中可以看出Gearpump的性能良好。

下一步工作

增加在界面上直接提交Storm Job，增加Storm 0.10的支持，增加At least once对更多Spouts的支持，增加Trident的支持。

王新春： Storm 计算平台在大众点评的实践

大众点评数据中心基础架构组架构师王新春

点评的实时应用场景

流量、交易相关的 Dashboard。包括UV（每天独立用户访问数）相关的各个平台：主APP（Android/iPhone/iPad）、团APP、周边快查、PC、M站；新激活用户数；分层次分品类的实时交易额。

个性化搜索与推荐。用户在点评的每一步有价值的操作（包括：搜索、点击、浏览、购买、收藏等），都将实时、智能的影响搜索排序，从而显著提升用户搜索体验、搜索转化率。

广告的点击率，广告的反作弊、实时计费，及反爬虫反作弊的业务安全。

点评的实时平台

基本架构

图1基本架构

点评的实时平台架构主要分几块，首先是数据源，数据的输入包括PC和APP上打点的数据，打点数据是指用户的浏览数据，Blackhole主要是支持日志类的，PUMA主要是获取MySQL线上数据库的，Swallow主要是MQ系统。那么在Storm上能拿到哪些数据呢？几乎所有点评线上产生的数据都可以秒级内拿到，封装对应的数据输入源Spout；通过Blackhole支持日志类实时获取，打点日志/业务Log/Nginx日志等；整合Puma Client（MySQL Binlog）：第一时间获取数据库数据变更；整合Swallow（MQ）：获取应用消息整合Pigeon（RPC 框架）：支持调用第三方业务。其他业务如何获取Storm计算的数据输出呢？实时计算和第三方业务解耦：通过data-service服务，数据可以输出Redis/HBase/MySQL等存储中；同样，第三方业务通过data-service服务，获取Storm计算的持久化数据。

图2 Blackhole架构

每台线上的应用服务器都是有Agent部署的，与Kafka不太一样的是Supervisor做所有信息的控制，传输数据时通过Broker，在Blackhole上一是做实时数据消费，二是拉取到线上很多应用日志直接放到HDFS里。

集群监控

图3某个集群的基本状态

用ganglia搜集一些主机层次的数据，也就是集群的基本的状态，包括Load、内存、cpu、网络的总体情况，这样在排查问题时就可以看到主机层次的基本信息有没有异常。

图4某个worker基本信息

具体到一个worker时，是把统一的信息打到点评内部的监控系统CAT里面，很多应用类的监控也会依赖CAT。

业务监控

图5整体的Topology维度的相应数据

把所有的Topology通过Nimbus API和Metric API把数据抓出来，输出到点评的CAT里面。可以对每张图配报警值，它的当前值和极限值，变化率，连续几分钟的跌落多少，最小值最大值，这些可以配相应的报警规则，出问题时就会收到报警，像微信、邮件、短信等。

图6业务自己打点相应数据

我们可以把自己关心的业务数据打到CAT里面去看，Spout里Blackhole消费的Topic数据，失败数量，TPS等，这样也可以设置一些报警规则。

点评使用 Storm 以来的经验教训与解决方案

1、某个Worker吃掉了几乎所有的CPU，其他Topology也遭殃：Topology一共就2个Worker并且Bolt里面自己启动了200个线程，解析json。 
解决方案：CGroup限制单个Worker的资源。

2、Storm无权限管理，收到一堆报警，Owner不知道是谁。

3、Topology提交到Storm，却启动不起来：Cause：free slot < worker num。 
解决方案：

import backtype.storm.nimbus.ITopologyValidator;
public class DPTopologyValidator implements ITopologyValidator {
//Topology Name合法性
//Worker、Executor数量合理性
//free slot数量必须大于单Supervisor节点数量，保证集群整体可靠性
}

4、Zookeeper磁盘被刷爆了：Casue：Storm集群上的Topology Task大量心跳信息，zk产生的日志> 20G/H。

解决方案： 
减少Zookeeper日志保存的数量； 
控制单集群规模； 
task.heartbeat.frequency.secs 默认3s，适当增大。

5、Namenode被Topology DDoS了

Cause： 
Hadoop集群开启了Security； 
流量日志依赖storm-hdfs写HDFS，业务重构逻辑，write失败后反复重试，Namenode ；RPC 超过8000QPS、负载过高，所有离线Job都受到影响。 
解决方案： 
提供统一的写HDFS的服务，只需要把需要写入的数据发送给blackhole。

6、流量上来，Worker OOM了

Cause：Storm目前无backpress机制（JStorm 2.1.0新增） 
解决方案： 
开启ACK； 
设置topology.max.spout.pending。

无不引起了小伙伴们的极大共鸣，这真是 “那些年，我们一起踩过的 Storm 坑啊“。 
此外，他还分享了一些 Storm Topology 优化的小技巧，可谓是干货十足。

后续规划

Worker日志统一收集和展现（doing）：现有log查看比较不方便，Topology、Worker、Package、Class、Level等多维度统一展现。

管理平台集成更多监控数据：支持细粒度的tracking，Storm/JStorm同时支持。 
Storm on Docker ?：增强隔离性，Topology环境可以独立开。

程浩：StreamingSQL on Spark

Intel 大数据工程师程浩

演讲前，程浩简要介绍了他们团队是 Spark开源社区的活跃开发者，他带来的是 Intel 开源项目 StreamingSQL 的第一手资料。

为什么需要StreamingSQL？

从用户使用的层面上讲，如何为用户提供一个非常简易操作的一套封装，让大家更好的去操作Streaming，简化我们的操作。StreamingSQL 的出现使得开发者可以通过 SQL 无缝集成流处理和批处理两种运算，大大降低了开发和维护成本。程浩从 Spark Streaming 和 Spark SQL 的基本原理讲起，SparkStreaming就是把指定的时间片段内的批量的数据组织成一个迷你的Batches，然后封装成一个RDD，可以对RDD进行各种转换操作，最后把小的数据提交给Spark执行引擎去执行，它是一个不断的向前的迭代的过程。 

图1Stream的window概念

每搜集一个单位时间内的数据代表一个小格子，我们可以有若干个单位时间组成一个window，我们希望对window内的数据进行操作，由于是流式处理，整个window可以不停的向前移，图1中定义一个window长度30S，每隔20S要执行一次相关的操作。

StreamingSQL 的设计思想

图2 SparkSQL的优化（execution pipeline）

图2表现出两个意思。第一，AST和DataFrame作为前端的输入，只需告诉它我们要干什么，至于怎么去做是引擎自己的事情，比如说进行语意分析，对其进行优化，用一个代价最低的方式帮我们去完成。第二，Spark SQL最后的执行是交给Spark集群来做的，整个的执行引擎最后的输出是RDD。

图3 Spark SQL Spark Plan & RDD

图3为Spark的一个物理计划，左侧树状图把它理解为两个表，右边为ORC，左边为Parquet，对ORC进行过滤后两个表的数据进行Join，然后进行投影，再把数据写回文件。对应图左的Sparkplan的RDD如图右侧，它有一个非常简单的对应关系。

怎样实现Spark Streaming SQL?

如何承用Spark SQL和Steraming SQL的组建，即如何使用现有的代码以及如何继承现有的功能?

图4 The Key Classes

图4中第一个为WindowedPhysicalPlan，它是SparkPlan的一个子类，但windowDuration和slideDuration是用来描述Window的，这就把Spark和Streaming的概念结合起来了，execute的方法最后要返回一个RDD，在整个的Planning Stage,如果想把SQL当中的概念和流的概念结合起来，就是通过WindowPhysicalPlan这个操作算子连接起来的。Spark Streaming要操作的是DStream，第二个SchemaDStream封装了一个streamSQLContext，compute的方法最后也要返回一个RDD。

图5 替换后的Spark SQL Spark Plan & RDD

假设图5中左边的表的Parquet替换成Streaming的Datasource，简单把物理计划的节点换成WindowPhysicalPlan后，会生成一个RDD，帮助我们把Streaming和SQL结合起来，然后把右边生成的RDD的DAG包装成SchemaDStream，封装起来，于是我们既可以通过左边的方式达到SQL的转换变成一个RDD，通过右边的方式把拿到的RDD变成DStream提交给Spark Streaming去工作，这就完成了Spark Streaming SQL的过程。

如何去创造一个基于流式的Datasource？

Spark Streaming SQL完全走的是Spark SQL标准的Datasource的接口去实现，只不过要特别建立一个kafka的datasource。

如何在SQL中定义Window?

我们对SQL做了一点点扩展，就是over，关于时间序列的定义。去掉over后与SQL一模一样。

图6 Spark Streaming V.S. Streaming SQL

两者对比发现，Spark Streaming的可读性较差，而Streaming SQL一目了然。

更多好处

图7 Spark Streaming SQL结构图

图7中底层Spark Core，上面的DataFrames旁边插入Streaming SQL,它是基于Spark SQL和Spark Streaming来完成这样的组建，完全兼容Spark SQL,如果SQL或Streaming有什么改进时，会自动获得这些好处，不需要做额外的修改，而且流式数据可以和静态表进行交互操作，代码简单。

图8 Spark Streaming SQL使用案例

最后分享了使用 StreamingSQL 从摄像头数据中实时分析和预处理，与历史数据和犯罪嫌疑人数据进行匹配，抓捕嫌疑犯的使用案例。StreamingSQL 当前基于 Spark 1.4.1 版本，而 Spark 社区里正在打造另一套融合批量数据和流式数据的方案， Streaming DataFrames。程浩认为未来 Spark 中的批处理和流处理两种运算将会合二为一。

Todd Lipcon： Fast Analytics on fast data

Cloudera明星工程师Todd Lipcon

Todd 是 Hadoop 社区的神一样的工程师，Hadoop 和 HBase 的 PMC 和 Committer，包括highly-available metadata journaling (QJM) and automatic failover for HDFS。 自2012年起，开始在Cloudera领导Kudu项目。

当前的Hadoop生态系统

演讲中，Todd 首先指出了当今 Hadoop 存储系统中存在的问题。HDFS (Parquet) 适合做大量数据的离线分析，HBase 适合作在线数据的随机访问，没有一个系统兼具两者的优势。随着超快速超大容量内存设备的出现，存储系统的瓶颈将转向 CPU，而当前的存储系统在设计之初并未考虑到 CPU 的效率。

Kudu设计目标

大扫描高通量，短期访问的低延迟，类数据库的语义，关系数据模型等。Kudu 就是为了解决这些问题而诞生的，它能同时满足 OLAP 和 OLTP 两种需求。在使用上，Kudu 的表像传统数据库，有主键，不能无限制添加列；同时 Kudu 提供了 NoSQL 风格的用户接口；此外，Kudu 实现了与 MapReduce，Spark 与 Impala 的集成。在性能上，Kudu 可以扩展到上千个节点，存储 PB 级数据，每秒处理百万次读写。

Kudu 最适合于顺序读写和随机读写混合的应用，这一点 Todd 以小米的使用场景为例。借助 Kudu， 小米简化了大数据分析平台，原数据无需通过其它组件即可直接导入 Kudu 进行分析。每天有超过 50 亿条记录写入 Kudu，延时从小时（天）级下降到秒级。

Kudu的使用案例

Kudu是随机读取和写入同时结合。 
时间序列示例：流市场数据;欺诈检测和预防;风险监控。 
工作负载：插入，更新，扫描，查找。 
机器数据分析例如：网络威胁检测。 
工作负载：插入，扫描，查找。 
在线报告示例：ODS。 
工作负载：插入，更新，扫描，查找。

什么是Kudu

Todd 详细解释了 Kudu 的架构设计。Kudu 中表被水平分割为多个 Tablets，数据存在服务器的本地硬盘上。每个 Tablet 有多个备份，备份之间通过 Raft 协议保持一致性。master 负责管理表的元数据，为了提高性能，元数据同时缓存在客户端的内存中。Kudu 采用了列存储，这既能压缩节省空间提高吞吐量，同时对于高选择性的请求非常高效。

在 TPC-H 的大部分测试上，Kudu 都比 Parquet 有更好的性能，这也在小米的真实业务测评中得到验证。此外，Kudu 正在成为 Apache Incubator 项目。

责编：魏伟，关注Docker和OpenStack，欢迎投稿，邮箱[email protected]

更多云计算资讯，请扫描下方二维码关注我们：