《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
# H4 B* ~% [) F! K! yMapReduce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
* c; f2 T9 v6 k* G& r& u( u; N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
! T3 r5 V# _$ y2 @（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
  w! L- _# t9 |8 N) ~: k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
1 P2 k' x" @. Y5 O最近一段时间窗口内的数据。
13.4.1　原理
$ F) t) M4 G6 b) s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
; C3 Q% ]  \( X* ]" T3 b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
! M$ ?9 @/ [8 l  M6 h% d/ Q0 D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
. }; \2 ^2 A; t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。
1 b) ?% _9 Q/ F! V0 d8 x1 w1 tMapReduce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
3 Q: A* F: `- z& K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 n# N( m) M1 d5 n, K* Q6 @# U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
9 V; ?1 d6 d$ x7 V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
/ b& L$ i7 d6 x8 T9 f1 L$ Z满足实时性的要求。
$ R* r1 z; ]4 @$ [% g( ^流式计算系统架构如图13-5所示。
+ I: c1 K& D8 b5 ?! Y图　13-5　流式计算系统
+ j; }- D( E2 A$ i, E6 P! o7 A+ Y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，
4 H7 `3 ~8 I9 F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：
  ]' T' {; Y5 R/ w& o●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、
# ^3 c! R0 q; A1 z# Kcount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
, v- N( E; h$ U+ s复的点击。
% s9 T1 S6 v' e$ a  A) E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
0 V8 y, T" q& c& B( ^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
  J8 M2 h8 j- @" E. s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
) c, u- R- Z: Y代价更低的容错方式。
13.4.2　Yahoo S4
, s/ E1 {% D1 d' J( d0 sYahoo 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
3 a: t7 E# r. W& n8 O4 `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
! O' l' p9 k% R- |& W. l& p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
: O0 z$ j. F, Y; S, O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
$ q& Z2 C) A+ `0 y. r: s9 u. @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
4 K" G3 i+ [1 M( p( T（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
/ s! ?2 `; ]+ t  }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
- n, R& g  A+ A* `/ a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
1 ^& ~- q+ @( I, a  c# M  f1 @% R; a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
* Z6 z% L7 |4 A错的方法。如图13-7所示，Storm系统中包含如下几种角色：
* a3 ~4 [$ n3 ]/ |7 y  W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。
4 S, u3 \1 B1 ~. c+ o●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。
) P) ^+ p0 I5 m. [7 ~: ?; E$ }●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。
6 F9 ?7 t1 {9 r6 m$ ^  J●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、
2 J2 n+ H! E3 n4 f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
6 o' Y1 P, e; j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 i% }& O- c3 Atuple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
0 D& c* X% |' ?, i* x( o' s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
$ J" W/ }* V: R) r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
& h- C. B" m9 l+ r: U3 Z/ D; Rspout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
( a; g9 t( z- v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
8 T: r4 L: R' N& y7 z处理时通知生成message1的spolt。这里存在两个问题：
' |) {, m+ o, B" W+ o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
7 L3 E! d0 H; T/ w6 J+ ~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？
; {+ _4 P1 ^$ u3 [2 ~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。
# p% O1 N. w: t0 _1 `3 G" w/ |9 K* T
: i6 T8 j) W2 B! X% h
8 D! J# M6 Y" p0 d