《大规模分布式存储系统》第13章 大数据【13.4】

javazx

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。
1 \! d$ [( N5 @& ?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
/ ]3 @2 W$ o+ u" S( X5 n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
4 N# F! j! _* k2 ]0 N+ M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
. s* z3 t9 {7 \, Q7 |$ j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
% H  h7 f+ c9 i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
+ T5 s) m; r% [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
- l, e' T7 p3 m+ S: t的总吞吐量，而是更加重视对数据处理的延迟。
9 ^% ]4 O- W, y; ^! mMapReduce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。
3 f; f6 o6 F1 B流式计算系统架构如图13-5所示。
图　13-5　流式计算系统
! X* D8 P0 z, C, G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，
7 u" d, t2 H% v$ V1 r% n: _' \& i' ?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：
( y0 ], {# [; @( c  x. ]% N●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。
  A: f6 o8 Q! ~7 P●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
( B/ }5 t9 a6 z* ~- j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。
( F( n' @7 g9 j5 p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
. c9 Q  `. V* m$ A1 t% h: ~9 ^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
, }# y4 X* m( d8 C: r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
/ H0 s1 h7 ~0 B1 r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
% u; D" a& }9 _3 y" _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
$ Z1 t% J; A% o/ @% F" ~+ p# k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。
; x" _# z: e. ^+ x* a( ]2 f& G9 ]: TS4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
( F2 |% T9 y7 b3 h- S; d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
6 a4 f  G( [$ e8 ~8 x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
4 [' }, k% y- M, `1 nContainer,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
0 Y8 }( P2 n4 p- F, o& I  k/ G（PE prototype），包括其功能、处理的事件类型（event type）、关心的key以及关心
* Q4 m1 c: ~3 t9 j4 E& \3 f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
3 H. i2 w/ E- e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。
$ c+ u' u, n5 x+ K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
; R: Y$ A3 Q8 E+ q- Y3 J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
( i" z: i# E" n$ f) y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。
$ m& `# ]& J' d13.4.3　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
! T& A! u) v0 w0 }, O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
: A) ^- e( D# R) W$ B; {●Nimbus：负责资源分配、任务调度、监控状态。Nimbus和supervisor之间的所
. Q# v3 i. y/ N: {有协调工作都是通过一个Zookeeper集群来完成。
5 a5 ]- e! D/ A4 j2 d0 h- i●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。
5 m' `1 Q: O7 I- a( @●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，
" w* h$ h6 G4 p+ a* H$ v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、
* f* \& s  c! Q4 s/ d4 r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。
1 N" ^- _, _& M& @4 N3 Y3 }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
3 r; g4 p! r$ q/ I; [. V) B& |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
6 R) B1 R9 x$ O: Ttuple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
8 K( Z8 l$ V3 N; z. `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
/ }! k- |/ g; L  y$ w; P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
* p5 s9 \1 r9 k' o2 U: y, J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 J, u( m4 l' l) ]+ I# t1）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
$ m; B: y5 Z# Y4 P7 G8 j& P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
. `- W9 |& x" a! M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
8 [. f# g% g+ H2 O% x1 pmessage1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
+ _5 \1 J' n  @. o" l- K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？
  I1 G% m+ [! ?  yStorm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。

% L8 z( C5 z, R8 z
3 x9 f* B" z# f: T; a