網易資料基礎平臺建設經驗談

首先簡單介紹一下網易杭州研究院情況簡介，如下圖所示：

我們公司主要從事平臺技術開發和建設方面，工作的重點方向主要在解決使用者在資料治理中的各種問題，讓使用者能更高效地管理自己的資料，進而產生更大的價值，比如如何整合現有功能流程，節省使用者使用成本；增加新平臺不斷調研，豐富平臺功能；新平臺功能、效能改造，從而滿足使用者大規模使用需求；根據業務實際需求，輸出相應解決方案等。今天分享的內容主要是從資料庫核心到大資料平臺底層技術開發，分享網易資料科學中心多年大資料建設經驗。

1. 資料庫技術

資料技術主要有InnoSQL和NTSDB，NTSDB是最近研發的新產品，預計明年將向外推薦此產品，InnoSQL屬於MySQL分支方面的研究大概從2011年開始的，InnoSQL的主要目標是提供更好的效能以及高可用性，同時便於DBA的運維以及監控管理。

RocksDB是以樹的形式組織資料的產品，MySQL有一個MyRocks產品，我們內部將其整合到InnoSQL分支上。這樣做的原因是公司有很多業務，很多都是利用快取保持其延遲，其規模會越來越大，這樣就導致快取、記憶體成本很高；其業務對延遲要求不是特別高，但要保持延遲穩定（小於50毫秒）。RocksDB能夠很好地將快取控制的很好，隨著快取越來越大，有的公司會將其放到HBase上，但是其延遲有時波動會很大，如小米HBase很強，但還是做了一個基於K-V模式的快取處理，主要解決延遲波動問題。我們主要是基於開源產品來解決，如將RocksDB整合起來解決公司業務對延遲穩定的一些需求。InnoRocks由於是基於LSM，因此對寫入支援非常好，後續有內部測試資料可以展示。還有就是LSM壓縮比很高，網易一種是替換快取，一種是普通資料庫儲存，目前還是用InnoDB儲存，如果用InnoRocks儲存會節省很多儲存空間；還有一個就是結合DB做擴充套件，將其整合到公司內部。

上圖是寫入對比，是一個普通的寫入測試，其主介質是遞增型的，對於兩個都是一個順序讀寫過程；如果要完全對比還要測試RFID寫入測試，這樣能夠明顯反應RocksDB和InnoDB的差距。圖中RocksDB寫入效能比InnoDB要好，讀取效能InnoDB效能比RocksDB。300GB原始資料，分別匯入到Inno DB(未壓縮)和Inno Rocks後的儲存容量對比，Inno DB為315GB左右，Inno Rocks為50 ~ 60GB，儲存容量是Inno DB的20%到30%。

InnoRock一般場景是替換InnoDB寫入，因為其寫入效能、壓縮效能更好、成本也更低。另一方面能夠解決InnoDB延遲不穩定，替換大量的快取應用，只要其對相應時間沒有特殊要求。

（1）大量資料寫入場景，比如日誌、訂單等；

（2）需要高壓縮以便儲存更多的資料，Inno DB --\u0026gt; Inno Rocks；

（3）對寫入延遲波動比較敏感，HBase --\u0026gt; Inno Rocks；

（4）相對較低的延遲要求(10 ~ 50ms)下替換快取場景(延遲\u0026lt;5ms)，節省記憶體成本， Redis --\u0026gt; Inno Rocks。

InnoSQL是MySQL一個分支，同時還做了一個時序資料庫。其不依賴第三方儲存，重新做了一套。其架構也是列式儲存，支援倒排索引等不同索引組織形式。對大型資料公司時序資料庫集中在訪問時通過什麼去訪問，我們提供SQL層給外部應用去訪問，應用簡單。

NTSDB特點有聚合運算相關演算法，時序資料庫相對於關係型資料庫沒有特別複雜的查詢，最常見的使用型別是寬表使用，在此基礎上做一些聚合演算法、插值查詢。

NTSDB應用場景很多，很多應用都可以基於時序資料庫來做，最常見的就是監控系統，有一些外部應用也會對接監控系統。外部應用中，現在RIT比較火，時序是其中比較重要的一環，很多裝置目前都需要聯網，資料的產生都是以時間的形式產生，有的通過規則引擎處理儲存在時序資料庫中。

2. 大資料技術

我們大資料平臺整合了一些開源社群的一些元件，內部進行一些產品化的改造和bug修復。最頂層是大資料接入層，作為大資料平臺，業務平臺很多資料來源於資料庫，也有很大一部分來源於日誌。通過NDC做全量資料匯入，如有些資料在Oracle中，通過NDC匯入，後續可以通過資料變更來進行同步，還有一個通過dataStream將日誌資料錄入大資料平臺。資料儲存層大都差不多，都用HDFS 儲存，搭載一些HBase分散式儲存；資料計算大都是離線計算平臺，記憶體計算是基於Spark；資料加工和一般大資料平臺都差不多，我們加入了自助分析、任務運維，後續會詳細介紹。接下來介紹自助分析裡面應用的一個外掛Impala，以及分散式儲存系統中的Kudu平臺。

應用Impala目標是解決大資料量下的ad-hoc查詢問題，ad-hoc是介於OITP和OIAP中間的一層，OITP是響應層很快，毫秒級；OIAP查詢有時會耗時很久。ad-hoc定位與1分鐘到幾分鐘，現在很多業務需要ad-hoc提供，如公司報表，有時需要實時計算，響應在5秒-1分鐘延遲。

Impala架構特點就是每一個節點都是無狀態節點，節點查詢地位一樣，查詢無論傳送到哪一個節點都可以生成查詢計劃、產生結果。查詢打到哪一個節點就能生成執行計劃，將對應的節點分配給對應的處理節點，將所有節點返回後做一個規則，然後做一個返回。基本所有的MPP架構都是類似。

選擇Impala而不選擇其他工具的原因：首先它有後設資料快取，好處是節點快取後設資料做查詢時不用再去獲取後設資料，缺點就是後設資料爆炸問題；再者就是Impala相容Hive，後設資料可以和Hive共享；同時還支援很多運算元下推。Impala最好使用方式是通過Impala自己insert然後通過其自己去查，實際過程是通過Hive和Spark寫入大資料平臺，通過Impala來做查詢。這種方式有些限制就是寫入時Impala無法感知寫入，還有在Hive更改後設資料，Impala能讀取資料但是無法動態感知，為了解決這個問題官方提供手動重新整理操作。

Impala缺陷就是所有節點都是MPP結構，沒有統一的Master入口，負載均衡不易控制。底層資料許可權粒度控制不夠，HDFS轉HBase是以同級HBase身份訪問，Impala訪問底層需要以Impala身份訪問。這種問題尤其在同一平臺下分有很多業務時，用Hive寫資料時，訪問許可權就會有問題，因此我們在內部許可權訪問方面做了改造。每個coordinator節點都能接收SQL，沒有集中統一的SQL管理，如果掛掉所有歷史資訊都無法追蹤。

我們基於Impala問題做了相應整改：

（1）首先是基於Zookeeper的Load Balance機制；

（2）管理服務解決SQL無法持續化問題，管理伺服器儲存最近幾天的SQL和執行過程，便於後續SQL審計，超時SQL自動kill；

（3）管理許可權將底層許可權分的很細；

（4）後設資料快取問題，增加與Hive的後設資料同步功能，Hive記錄後設資料變更，Impala拉取變更自動同步，這種只能緩解後設資料爆炸問題。

遺留的問題就是後設資料容量，過濾智慧解決部分問題；還有一個就是底層IO問題，因為離線寫入和Impala查詢是同一份資料，如果寫入吃掉很多IO，查詢就會出現問題。離線本身對IO敏感很低。除此之外我們還引入了ES技術，公司ES業務也有很多，碰到問題就是ES在SQL支援方面不是很好，目前我們的Impala支援一些ES的查詢。

Kudu用於解決離線資料實時性問題，HDFS存K-v資料，類似IOAP訪問，Hive是來做離線分析的，Kudu就是想同時做這兩件事情的背景下產生的。行為資料是在離線平臺上，使用者資料是實時在資料庫中，如快遞行業經常需要追蹤快遞的位置，離線平臺就要經常做自助分析，需要將資料庫中的狀態實時同步到離線平臺上去。目前做法就是資料庫批量寫入Hive表中，同時你的批量不能太小，容易產生很多小檔案，這樣可能造成資料實時性很差，一般是半小時到一小時的延遲。大部分業務可接受，但是對於對延遲敏感的業務可能不支援，Kudu就是解決半小時到一小時的資料實時性。

Kudu是一個儲存平臺，不依賴於任何第三方儲存系統，目前更類似於資料庫形式，Impala既能訪問Hive中的資料，也能訪問Kudu中的資料，這樣的好處是兩邊的資料可以進行聯合查詢。Kudu現在也支援Spark，也可以直接通過API訪問。上圖是Kudu的結構劃分到內部資料組織形式，Kudu支援Tablelet操作而HDFS不支援。前面的結構和HBase挺像，不同的是資料組織形式是不一樣的，Kudu可以做一些分析性的業務查詢。最主要的區別是資料儲存格式不一樣，Kudu是Column Family級別列存，先整個切一塊然後再做列組形式。

Kudu跟HDFS相比效能還是有差距，Kudu由於需要支援update，在記憶體 \u0026amp; 磁碟上資料的儲存採用Base + delta形式，Base記錄基本的資料，delta記錄修改的資料，所以資料讀取時需要同時讀取Base + delta兩部分資料。

Kudu優化主要是：

（1）支援Kudu tablet的split；

（2）支援指定列的TTL功能；

（3）支援Kudu資料Runtime Filter功能；

（4）支援Kudu建立Bitmap索引。

我們主要是按照HBase進行優化，在有需要情況下優化，HBase有而Kudu沒有就對照的做。

Impala裡面對HDFS有一個Runtime Filter功能，Kudu表上沒有，我們先分析下它到底有什麼作用，是不是有效能上的改進，將其移植過來。Runtime Filter主要是用在大表和小表做關聯時使用，在關聯時做成hash表，繫結到所有大表節點上去，在大表掃資料時利用hash表做過濾，因此在底層掃描就已經過濾掉很多資料，就可以省略很多不必要的計算。上圖是Kudu的是否有Runtime Filter的結果對比，可以看出減少了很多計算量，原先需要幾秒，現在只需秒級顯示結果。結果對比有了很大的改進，雖然還是有差距，目前也在改進，目標是和Impala相差不是很大。

還有一個場景就是在Kudu上做Bitmap索引，主要面向的業務是寬表的多維過濾，有些表的查詢會依據後面的例項去確定查詢，這種用Bitmap做比一個個找出來查詢效能要優越很多。另一個好處就是group by，因為其要將相同型別合併到一列，主要是做hash或者排序，這種查詢會很快，而不用做全域性排序。Bitmap應用的限制就是資料離散性不能太好，dinstct count的值不能太多，向資料庫中主鍵不適合做Bitmap，像省份等值比較少的適合做Bitmap。

應用後用TPC-H中的一張表測試，Bitmap主要應用多維場景過濾，從一列過濾、兩列過濾、到五維過濾整個表現很好，效能提升有十幾倍提升。如果資料從資料庫匯入大資料平臺離線分析其實時性比較慢，主要侷限小檔案以及匯入批量大小問題,利用Kudu就不用考慮，可以直接通過Kudu實現資料變更匯入大資料支援實時聯查。而且可以實時同步Oracle和MySQL資料到Kudu中，進行聯查就可以了，如果沒有就需要同步查詢可能需要半小時才能返回結果。

作者介紹：

蔣鴻翔，2011年加入網易，網易資料科學中心首席架構師。《MySQL核心：InnoDB儲存引擎 卷1》作者之一，網易資料庫核心和資料倉儲平臺負責人，長期從事資料庫核心技術和大資料平臺底層技術開發，主導網易資料庫核心整體技術方案和大資料平臺先進技術調研和實現，先後主導了內部MySQL分支InnoSQL、HBase、自研時序資料庫、自研實時資料倉儲等各種不同的平臺，具有豐富的資料庫核心和大資料平臺相關經驗。

本文來自蔣鴻翔在 DataFun 社群的演講，由 DataFun 編輯整理。