承接《開篇 | mPaaS 服務端核心元件體系概述》已經介紹移動分析服務 MAS 的主要功能和資料鏈路情況，包括“基礎分析，自定義分析，效能分析，日誌管理”。 本章節，我們將對移動分析服務 MAS 背後的架構能力做進一步的解析。
1. MAS 移動分析核心能力：
- 通過實時計算多維資料，全方位展現移動應用的表現力；
- 通過離線分析使用者屬性和行為，促進服務產品優化與運營推廣；
- 通過自動採集流程日誌，提升排查效率，快速解決研發問題。
由核心能力延伸出來的功能包括：
- 使用者行為分析：提供應用使用分析，包括使用者報活、使用者登入、新增使用者等多種指標的統計功能，並支援按照平臺、版本、地域、時間的多維度分析對比，方便使用者更快速、便捷的瞭解自身 App 的使用情況。
- 穩定性分析：提供應用穩定性分析，包括閃退監控、異常監控、效能監控及使用者診斷功能，幫助開發人員及時發現、定位問題。
- 診斷分析：提供應用日誌診斷，包括個人使用者診斷和診斷日誌採集兩部分。其中個人使用者診斷使用者實時獲取使用者客戶端行為，診斷日誌採集通過 Push 方式下發指令到客戶端傳回客戶端本地日誌。
由此可見，MAS移動分析對移動客戶端研發及企業其他方面的作用為：採集海量移動端產生的日誌資料，並通過實時或離線計算，輸出特定的分析結果和報表，並通過 MAS 資料分析能力來賦能企業，協助企業建立一個互利共生的移動端服務生態，幫助企業監控終端、洞察使用者行為和行業變遷來輔助企業的進行戰略佈局和決策支援。
2. MAS 移動分析架構解析
首先看一下資料鏈路圖：
從資料鏈路圖中我們可以得知：資料的最前端源於客戶端的 SDK，目前 mPaaS 框架中提供的日誌埋點 SDK 主要由 4 部分功能：
- 從服務端拉取日誌採集及上報規則，如“是否上報、上報網路條件、上報頻率、包大小、日誌存放時間”等等；
- 自動監控客戶端基礎行為，並記錄埋點日誌，如：報活、跳轉、網路、耗時、Crash 等；
- 提供相應的介面 API，供業務模組呼叫，並封裝基礎引數（業務只需關注業務日誌資料）後輸出至客戶端日誌檔案；
- 根據採集與上報規則，將客戶端日誌上報至服務端日誌閘道器（MDAP）。
而後，當所需日誌均上報至 MDAP 日誌閘道器後，MDAP 會以服務端日誌輸出至伺服器日誌檔案中，在伺服器中部署的 logtail/flume 等採集工具將日誌採集並傳輸至 SLS/Kafka 等訊息中介軟體，再由不同的平臺接收，並根據各自的規則和排程計劃進行計算。
目前 MAS 同時支援了實時、離線 2 種計算形式：
a. 實時計算
依託於 Kepler 或 JStorm 的計算引擎來提供支援，其中：Kepler 為螞蟻實時計算平臺，包括底層的計算引擎 Kepler 和對應的開發平臺 Kepler-UI，支援 exactly once語義，並提供了 Transaction 等支援。
Kepler 為提供了 SQL 和高階運算元兩種程式設計正規化：
- Kepler SQL：相容了大部分的 Streaming SQL 的語義，並支援 Window、Trigger 等 Apache Beam 的概念。SQL 由於易上手易維護的特點，是目前 Kepler 使用者使用方式的主流。
- 高階運算元：Kepler 內建了完備的實時計算運算元，包括：過濾（Filter）、轉換（UDF、UDTF）、聚合（UDAF）、多流 Join、Union、Split 等型別，在 Spark 、Flink 高階 API 裡你能看到相同的概念，通過組裝這些運算元，使用者可以輕鬆實現一個自定義邏輯的 DataStream。通過高階 API，使用者可以更細粒度地去描述計算本身，而因為高階運算元封裝了 State、Retract 等能力，又為使用者省去了繁瑣的儲存和出錯回滾細節。
在 Kepler 計算引擎層，則專注排程和執行資料流，而執行引擎對於運算元層是可插拔的，目前 Kepler 支援了預設的執行引擎和螞蟻的分散式計算框架 Raya。
Raya 是螞蟻版本的 Ray，Ray學習可參考： https://ray.readthedocs.io/en/latest/index.html
在 IO 層，Kepler 計劃支援了所有的儲存元件，包括但不限於 SLS、AntQ、DRC、HBase、MySQL、Kudu、Pangu、Explorer 等等，並且這些儲存型別都有對應的內建 IO 元件，使用者不需要寫任何 IO 相關的一行程式碼，就能輕鬆完成資料讀取和儲存。
此外，MAS 為適應不同部署環境，也支援了 JStorm 實時計算平臺，通過在 JStorm 中提交計算拓撲完成資料分析。
JStorm 是一個分散式實時計算引擎，類似 Hadoop MapReduce，使用者按照規定的程式設計規範實現一個任務，將任務提交到 JStorm 上，JStorm 即可將任務 7*24 小時排程起來。核心原理如下圖：
- JStorm 提交執行的程式稱為 Topology。
- Topology 處理的最小的訊息單位是一個 Tuple，也就是一個任意物件的陣列。
- Topology 由 Spout 和 Bolt 構成。Spout 是發出 Tuple 的結點。Bolt 可以隨意訂閱某個 Spout 或者 Bolt 發出的 Tuple。Spout 和 Bolt 都統稱為 Component。
MAS 埋點資料通過 SLS/Kafka，等訊息中介軟體流入計算拓撲。拓撲中會根據預先配置的日誌切分、聚合規則，對資料進行多次的處理，並最終流出至持久層，持久層 MAS主要用到了 MESDB（基於 ElasticSearch）、OTS(HBase) 和 Explorer：
-
鑑於 ElasticSearch 全文檢索能力以及強大的寫入和查詢效能，MESDB 主要用來存放基礎行為資料，例如，活躍使用者、新增使用者、累計使用者以及日誌回放資料。
-
OTS(HBase)，則主要存放了部分結果，與計算中間態資料，而 Explorer 則用來做使用者自定義分析的資料儲存。
-
Explorer 是螞蟻分散式低延時的 PB 級實時分析型列式資料庫：
首先，列式設計可最大限度地減少 I/O 爭用，後者是導致分析處理髮生延遲的主要原因。列式設計還可提供極高的壓縮率，相比於行式資料庫，通常可將壓縮率提高四倍或五倍。MPP 資料倉儲通常按比例線性擴充套件，這意味著如果您將雙節點 MPP 倉庫的空間翻倍，那麼可有效將其效能提高一倍。
其次，Explorer 協議層提供 MySQL 協議的介面，通過 mysql-jdbc-driver，可以向 Explorer 發起 insert,select 請求。而計算層基於 Drill，支援多種型別的儲存，叢集線性擴充套件，執行計劃可定製，儲存層則基於 Druid，擁有針對 OLAP 特有的儲存格式和計算能力，Explorer 整體架構如下圖：
對於 MAS 自定義分析中，因無法預先確定使用者自定義聚合規則，以及屬性維度，因此選擇了 Explorer，並利用其強大的預聚合能力來支撐。在 Kepler/JStorm 實時計算拓撲中，僅需根據使用者自定義的屬性維度，切分後實時插入 Explorer 即可完成聚合。
此外，即時查詢能力強與弱的核心的標準：返回時間。
且不說支付寶客戶端這樣的超級 App，mPaaS 公有云服務的廠商每天的日誌都達到數億條，資料儲存TB級別，在這個量級上的查詢要在秒級返回資料，是非常困難的。而 Explorer 採用的 Hyperlog 演算法則剛好解決了這個問題，充分的支撐了 MAS 的訴求（如果想要更多瞭解這個演算法，請搜尋 Cardinality Estimation，可以對型別的演算法有更全面的瞭解）。
b. 離線計算
為支援不同的部署場景，MAS 在離線計算平臺，可按實際需要選擇阿里雲 DataWorks，Hadoop/Spark，或螞蟻金融雲-資料智慧研發平臺來支撐。
- DataWorks：是阿里雲提供的離線資料平臺，在國內有非常良好的應用。
- Hadoop/Spark：開源事實標準型的資料平臺，是自建大資料平臺的不二選擇。
- 資料智慧研發平臺（彩雲間）：是在螞蟻金融雲中搭載的資料研發平臺，已經在很多大型機構中得的應用和實踐
上述的離線計算平臺均提供了 MAS 所需的核心能力為：資料整合、資料開發、資料管理、資料治理，可對資料進行傳輸、轉換、整合的操作，從不同的資料來源引入資料，對資料進行轉化和開發，最後將資料輸送到其他資料系統。
此外在離線計算中最核心的概念為 ETL 任務：ETL 是對大資料的，清洗，加工，載入，它實現了對日誌資料的格式化，驗證，補充等處理，經過一系列統計分析，並載入到線上系統中。而無論上述 3 個平臺怎麼支撐，MAS離線分析始終圍繞ETL來建設和管理，在當前這套 MAS 中通過長時間提煉出來常用，通用的計算方法和邏輯， MAS 預置了上百個任務，並按照任務功能主要分為：ODS,CDM,ADS 三層，分別是資料接入層，資料公共層，資料應用層。資料模型則採用了星型模型，能夠滿足快速理解，快速開發等特點。
- 任務關係：
- 任務樹 Demo：
離線計算目前主要支撐了 MAS 的：裝置分析、留存分析、頁面分析、漏斗分析、 mPaaS 元件分析等多個模組。
3. MAS 核心競爭力與優勢
- 多樣性：MAS 除行為分析、活躍分佈、參與度分析、漏斗分析、留存分析、裝置分析、頁面分析、事件分析、自定義分析提等基於使用者為的資料分析外，還提供供了啟動分析、Crash 分析、卡頓卡死分析、渠道分析、地域分析等多種維度的分析能力，已可滿足常規 App 絕大部分的分析需求。
- 相容性：MAS 提供支援主流的開源解決方案和基於螞蟻金融雲、阿里雲解決方案的能力，提供更加符合不同資源環境的解決方案。
- 擴充套件性：MAS 架構經歷了海量資料的壓力的檢驗，具有極強的橫向擴充套件能力。即使在初期是搭建最小單元，隨著使用者量的增長，可以即時擴容，水平提升服務能力，以滿足企業對未來的規劃需求。
- 適應性：MAS 的客戶已包含銀行、證券等金融企業，也有出行、地鐵等非金融行業，同時可支援企業根據自身的特性定製特定的業務報表。
通過本節內容，希望給大家介紹一下大資料的基本技術，mPaaS MAS的相關技術，希望有機會針對全文索引，分析數倉系統，實時流計算，離線開發等等各個維度上的技術進行交流。
歡迎加入 mPaaS 技術交流群：
- 釘釘群：通過釘釘搜尋群號“23124039”。
期待你的加入。
Code Hub 線上直播第一期，邀約臺灣 DevOps 社群陳正瑋和螞蟻金服移動開發平臺 mPaaS 團隊古塘，和大家一同探討《DevOps 前世今生》及《敏捷開發與動態更新在支付寶內的深度實踐》。3 月 13 日，線上直播見！