《大规模分布式存储系统》第13章 大数据【13.4】
13.4 流式计算MapReduce及其扩展解决了离线批处理问题，但是无法保证实时性。对于实时性
要求高的场景，可以采用流式计算或者实时分析系统进行处理。
流式计算（Stream Processing）解决在线聚合（Online Aggregation）、在线过滤
（Online Filter）等问题，流式计算同时具有存储系统和计算系统的特点，经常应用
在一些类似反作弊、交易异常监控等场景。流式计算的操作算子和时间相关，处理
最近一段时间窗口内的数据。
13.4.1 原理
流式计算强调的是数据流的实时性。MapReduce系统主要解决的是对静态数据的
批量处理，当MapReduce作业启动时，已经准备好了输入数据，比如保存在分布式文
件系统上。而流式计算系统在启动时，输入数据一般并没有完全到位，而是经由外
部数据流源源不断地流入。另外，流式计算并不像批处理系统那样，重视数据处理
的总吞吐量，而是更加重视对数据处理的延迟。
MapReduce及其扩展采用的是一种比较静态的模型，如果用它来做数据流的处
理，首先需要将数据流缓存并分块，然后放入集群计算。如果MapReduce每次处理的
数据量较小，缓存数据流的时间较短，但是，MapReduce框架造成的额外开销将会占
很大比重；如果MapReduce每次处理的数据量较大，缓存数据流的时间会很长，无法
满足实时性的要求。
流式计算系统架构如图13-5所示。
图 13-5 流式计算系统
源数据写入到流处理节点，流处理节点内部运行用户自定义的钩子函数对输入
流进行处理，处理完后根据一定的规则转发给下游的流处理节点继续处理。另外，
系统中往往还有管理节点，用来管理流处理节点的状态以及节点之间的路由规则。
典型钩子函数包括：
●聚合函数：计算最近一段时间窗口内数据的聚合值，如max、min、avg、sum、
count等。
●过滤函数：过滤最近一段时间窗口内满足某些特性的数据，如过滤1秒钟内重
复的点击。
如果考虑机器故障，问题变得复杂。上游的处理节点出现故障时，下游有两种
选择：第一种选择是等待上游恢复服务，保证数据一致性；第二种选择是继续处
理，优先保证可用性，等到上游恢复后再修复错误的计算结果。
流处理节点可以通过主备同步（Master/Slave）的方式容错，即将数据强同步到
备机，如果主机出现故障，备机自动切换为主机继续提供服务。然而，这种方式的
代价很高，且流式处理系统往往对错误有一定的容忍度，实际应用时经常选择其他
代价更低的容错方式。
13.4.2 Yahoo S4
Yahoo S4最初是Yahoo为了提高搜索广告有效点击率而开发的一个流式处理系
统。S4的主要设计目标是提供一种简单的编程接口来处理数据流，使得用户可以定
制流式计算的操作算子。在容错设计上，S4做得比较简单：一旦S4集群中的某个节
点故障，会自动切换到另外一个备用节点，但是原节点的内存状态将丢失。这种方
式虽然可能丢失一部分数据，但是成本较低。考虑到服务器故障的概率很低，能够
很好地满足流式计算业务需求。
S4中每个流处理节点称为一个处理节点（Processing Node,PN），其主要工作是
监听事件，当事件到达时调用合适的处理元（Processing Elements,PE）处理事件。如
果PE有输出，则还需调用通信层接口进行事件的分发和输出，如图13-6所示。
图 13-6 S4处理节点内部模块
事件监听器（Event Listener）负责监听事件并转交给PE容器（Processing Element
Container,PEC），由PEC交给合适的PE处理业务逻辑。配置文件中会配置PE原型
（PE prototype），包括其功能、处理的事件类型（event type）、关心的key以及关心
的key值。每个PE只负责处理自己所关心的事件，也就是说，只有当事件类型、key
类型和key值都匹配时，才会交由该PE进行计算处理。PE处理完逻辑后根据其定义的
输出方法可以输出事件，事件交由分发器（Dispatcher）与通信层（Communication
Layer）进行交互并由输出器（Emitter）输出至下一个逻辑节点。输出器通过对事件
的类型、key类型、key值计算哈希值，以路由到配置文件中指定的PN。
通信层提供集群路由（Routing）、负载均衡（Load Balancing）、故障恢复管理
（Failover Management）、逻辑节点到物理节点的映射（存放在Zookeeper上）。当检
测到节点故障时，会切换到备用节点，并自动更新映射关系。通信层隐藏的映射使
得PN发送消息时只需要关心逻辑节点而不用关心物理节点。
13.4.3 Twitter Storm
Twitter Storm是目前广泛使用的流式计算系统，它创造性地引入了一种记录级容
错的方法。如图13-7所示，Storm系统中包含如下几种角色：
图 13-7 Storm集群的基本组件
●Nimbus：负责资源分配、任务调度、监控状态。Nimbus和supervisor之间的所
有协调工作都是通过一个Zookeeper集群来完成。
●Supervisor：负责接受nimbus分配的任务，启动和停止属于自己管理的Worker进
程。
●Worker：运行spout/bolt组件的进程。
●Spout：产生源数据流的组件。通常情况下spout会从外部数据源中读取数据，
然后转换为内部的数据格式。Spout是一个主动的角色，其接口中有个nextTuple()函
数，Storm框架会不停地调用此函数，用户只要在其中生成源数据即可。
●Bolt：接受数据然后执行处理的组件。Bolt可以执行过滤、函数操作、合并、
写数据库等任何操作。Bolt是一个被动的角色，其接口中有个execute（Tuple input）
函数，在接受到消息后会调用此函数，用户可以在其中执行自己想要的操作。
每个worker上运行着spolt或者bolt组件，数据从spolt组件流入，经过一系列bolt
组件的处理直到生成用户想要的结果。
Storm中的一个记录称为tuple，用户在spout中生成一个新的源tuple时可以为其指
定一个消息编号（message id），多个源tuple可以共用一个消息编号，表示这多个源
tuple对用户来说是同一个消息单元。Storm的记录级容错机制会告知用户由Spolt发出
的每个消息单元是否在指定时间内被完全处理了，从而允许Splot重新发送出错的消
息。如图13-8，message1绑定的源tuple1和tuple2经过了bolt1和bolt2的处理后生成两个
新的tuple（tuple3和tuple4），并最终都流向bolt3。当这个过程全部完成时，message1
被完全处理了。Storm中有一个系统级组件，叫做acker。这个acker的任务就是追踪从
spout中流出来的每一个message绑定的若干tuple的处理路径。Bolt1、bolt2、bolt3每次
处理完成一个tuple都会通知acker,acker会判断message1是否被完全处理了，等到完全
处理时通知生成message1的spolt。这里存在两个问题：
图 13-8 Storm数据流示例
1）如何判断message1是否被完全处理了？
Acker中保存了message1对应的校验值（64位整数），初始为0。每次发送或者接
收一个message1绑定的tuple时都会将tuple的编号与校验值进行异或（XOR）运行，如
果每个发送出去的tuple都被接受了，那么，message1对应校验值一定是0，从而认为
message1被完全处理了。当然，这种方式有一定的误判率，然而考虑到每个tuple的编
号为64位整数，这种概率很低。
2）系统中有很多acker实例，如何选择将message1发给哪个实例？
Storm中采用一致性哈希算法来计算message1对应的acker实例。如果acker出现性
能瓶颈，只需要往系统中加入新的acker实例即可。
页:
[1]