《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
7 x5 i1 P" q# @) U4 lMapReduce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
+ n! k/ u! ~5 R& W: J' ]5 ]（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
' j4 W9 D. T; B) g5 f9 h最近一段时间窗口内的数据。
  ]/ A/ ]/ C- Y2 Z" v) G13.4.1　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
. k! G6 t0 U. T) ^9 `; G, i% J' X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
, m8 ^% b& z; F: q0 ?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
1 u7 u  B6 M8 H* I/ K  B! P- I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
  v" G  Y/ X  {: M4 J) \满足实时性的要求。
4 T0 E: E! m& d* \3 u8 W流式计算系统架构如图13-5所示。
; I& J& ~* R5 K0 |8 {图　13-5　流式计算系统
' j  q7 K) x" f2 a7 }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，
9 r0 a1 X% |0 {3 a8 q8 R/ u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。
3 C3 Y- Z7 H4 V& x" C" L- y+ `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、
# f% B" I0 A; K; ocount等。
, R: O5 O$ A7 o( i! O) c: 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
; T& s, \$ n; h; R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
' {$ Q+ n0 T! |5 E2 m5 {2 O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
2 U* q9 z. Y6 N# u- O) n4 p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
; A; g+ w! _+ f5 r/ F; M" r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
# `. h$ x9 A0 o$ w( |% q% Z) P5 e1 n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
, `( d  Q3 M1 p  B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
) K; s8 _. `' V, h7 Y/ d6 ~; @6 e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
1 R8 x/ [0 H% W- \7 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
! [. R8 B* _0 f1 N5 T8 F& H事件监听器（Event Listener）负责监听事件并转交给PE容器（Processing Element
) [0 |7 k" D: {/ P  hContainer,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
* s* p, ?8 i/ ^1 T9 N) H! x1 Q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
8 s( U5 b! D& K9 c5 c% i9 R" y输出方法可以输出事件，事件交由分发器（Dispatcher）与通信层（Communication
% F! t. v1 g; k2 F; S. R6 }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
' K7 e, F5 a7 F: s" z2 W% P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
. w% O1 K% S$ P$ a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。
1 O1 f& j4 a* a1 l- V: ~7 S( Z13.4.3　Twitter Storm
' x) u# Q% x- C. N+ p* {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
# }5 W" f1 u- O# A$ p" P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
) I2 h& @4 Z6 P1 L9 c" J2 @' J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。
: M$ \3 j$ Z$ S9 V1 [●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，
$ k% T+ g' C/ m8 {( 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、
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
) g7 k* C+ m3 [7 M8 C9 J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
% C7 H6 |$ a$ Y& J; r% f8 htuple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
7 R* Q  P4 c9 \8 e/ v0 a' l: N新的tuple（tuple3和tuple4），并最终都流向bolt3。当这个过程全部完成时，message1
" A0 C9 b, d$ F9 Q" H' k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：
1 l$ s% R' X  W0 j: a* H" O2 g图　13-8　Storm数据流示例
1）如何判断message1是否被完全处理了？
2 V( X* L; |7 ~& ~* s: a9 j: AAcker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
* C& x! z+ `. G9 B8 {$ z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？
. A" A( ^8 M6 ZStorm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
5 M# U0 E3 n( H' Y, L, k9 N% @: R能瓶颈，只需要往系统中加入新的acker实例即可。