阿里妈妈基于 Flink+Paimon 的 Lakehouse 应用实践

摘要：本文整理自阿里妈妈的数据技术专家陈亮老师在 Flink Forward Asia 2024 流式湖仓（三）专场中的分享。分享的内容将分为三个部分：首先，介绍阿里妈妈广告业务的背景；其次，探讨阿里妈妈广告实时系统和数据湖架构的设计；最后，阐述我们在技术和业务层面从该架构中获得的收益。

一、业务背景

二、架构设计

三、整体收益

四、问答

一、业务背景

1.1 阿里妈妈广告业务介绍

简单介绍一下广告生态是如何运作的。广告首先需要广告主，因为他们是出资方。广告团队会在DSP等平台上创建和设置广告计划，投放计划包括目标人群、地域、时段以及预算等。广告主会选择合适的素材和创意，以吸引用户点击广告，实现广告投放目标。当所有信息在DSP平台上设置完成后，这些信息会同步到广告投放引擎中。

投放引擎的核心功能在于用户流量处理，流量源涵盖阿里系应用（淘宝、天猫、高德等）及外部媒体生态（字节、快手、知乎等）。引擎会根据用户在淘内的兴趣等属性实现精准广告分发。典型场景包括淘宝搜索广告推荐及信息流广告展示。

用户的搜索或浏览行为，都会产生广告曝光数据。当用户点击广告时，会产生点击数据。在电商场景中，点击广告并非最终目的。我们还需要引导用户进行收藏、加购、下单等操作。用户点击广告后，会进入广告主的商详页或店铺页进行相应转化操作。我们会收集到的转化信息，如收藏、加购、成交等，在此基础上进行进一步做转化归因分析。业界常见的归因模型包括线性、末次触点、首次触点、U 型、MTA 等模型，用于评估广告效果。所有数据评估完成后，需要将结果反馈给相关方。

在广告生态系统中，通常广告的计费依赖曝光/点击行为，曝光和点击的追踪过程可能会受到黑产攻击，导致平台或广告主的财产损失。为了保护平台和客户等，需要搭建广告反作弊体系，其中包含实时和离线的反作弊数据链路建设。同时，广告主设置的预算限制也不容忽视，我们不能让广告支出超出预算，否则广告主将不予认可。例如，如果广告主只愿意支付100元，我们却花费了1万元，那么超出的部分是无法得到支付的。因此，我们必须控制广告投放量，避免超投。整个广告生态系统相当复杂，涉及的链路很长，但数据必须准确且实时地反映给广告主，以便他们根据这些数据制定投放策略并调整预算。

1.2 阿里妈妈数据业务场景与诉求

结合上面的业务背景，这里引出妈妈SDS的业务场景和业务诉求。

（1）业务场景

• 对外的实时报表：广告主需要查看各种维度的实时数据，例如曝光量、点击率CTR、转化率ROI等，以便实时了解广告的效果、预算是否需要增加或停投。
• 对内实时分析需求：内部运营人员等需要对广告投放进行评估，对特定的人群、商品、场景等进行各种分析，查看广告投放后的人群效果、地域投放情况以及是否存在其他问题。因此，内部也需要实时和离线的分析。
• 业务盯盘：对于一些关键的大促销活动节点，例如618、双十一、双十二大促活动时段，我们需要密切关注业务变化。包括流量是否达标、预算是否充足以及效果是否理想等，并依据实时数据灵活调整运营和投放策略。

（2）业务诉求

• 灵活多变：阿里妈妈SDS对接的下游业务众多，每个出口都有其特定需求，变化迅速且迭代频繁。
• 稳定可靠：整个系统需要实时数据供多人查看，不能出现任何中断或数据更新延迟。延迟后广告主会立即发现并提出投诉或停投，这可能导致严重问题，比如15分钟内就登上热搜。
• 数据一致性：对于广告主而言，他们可以在多个系统上查看数据，因此数据的一致性至关重要，否则他们可能会质疑数据的准确性。

1.3 阿里妈妈数仓建设技术目标

• 数据时效性：从技术角度讲，广告主希望数据尽可能实时，理想情况下是及时无延迟，目前我们提供的保障是分钟级别的数据更新。
• 系统吞吐量：阿里妈妈这边处理的流量非常庞大，日均规模达到千亿级别，TPS高达千万级，读写具备很大挑战。我们期望系统在特定场景下，如新业务上线后，能够迅速回放数据，将数据快速刷新至系统中，因此快速回放是一个基本要求。
• 稳定可靠：系统可用性≥99.9%。故障快速恢复“止血”。支持灰度发布，故障或问题往往发生在发布或变更时，因此灰度发布能力至关重要，灰度发布过程出现问题，系统能够及时回滚，避免故障影响持续和扩大。
• 成本效益：正如那句老话所说，“既要马儿跑又要马儿不吃草”，我们希望用尽可能少的资源支持更多的业务。同时，我们也希望减轻开发和运维的负担，让自己能够从繁重的工作中解放出来，专注于更有意义的业务。

二、架构设计

在介绍业务之后，现在让我们来分享一下我们的架构及其演进过程。首先，让我们看一下简化后的系统链路图。

2.1 为什么需要实时数仓？

从图中可以看出，简化后的链路实际上非常复杂。在最初构建实时系统时，我们的目标是速度，要求系统能够迅速覆盖业务需求。如何实现快速呢？我们使用 Flink 进行数据消费，实时数据通过类似于Kafka的系统写入业务系统，使业务能够迅速启动。这是一种常见的手段和方法。通过这张图，我们可以清晰地看到同一份数据如何在不同的业务系列中被展示。每一条链路代表一个业务逻辑，虽然它们共享一套代码和一系列作业，但解析和消费的数据却是相同的。

这虽然带来了一些明显的好处，但重点是我们需要关注存在以下问题：

• 需求灵活多变：首先，在业务层面，随着业务种类的增加，每个环节都需要维护和开发，这在灵活性和效率上构成了重大挑战。
• 开发成本：其次，这种开发模式类似于烟囱式，缺乏复用性，导致了重复劳动。
• 资源浪费：第三，所有数据都需要解析和消费，这实际上造成了资源的浪费，因为有些数据可能根本用不上，但仍然需要被解析和处理。
• 数据口径：第四，数据口径问题，如果在某个业务系统中忘记或未能及时更新数据口径，那么输出的数据就会出现问题。
• 运维成本：最后，运维方面，所有任务都需要我们自己完成，包括压力测试、性能调优和问题排查等，这些都需要投入大量时间和成本。

针对上诉存在的问题，我们提出了两个解决方案。

2.2 阿里妈妈实时数仓方案演进

（1）基于TT的实时数仓方案

a. 数仓分层

基于TT（类似于Kafka一样的消息队列）的实时数仓方案，实时数仓包含ODS、DWD和在线维表。

• ODS层：业务所需日志，包括用户行为日志、广告日志，以及业务数据库中的转化消息、收藏、下单和成交等消息，都通过日志采集/DRC系统，将数据采集到TT中，作为实时系统ODS层数据。
• DWD层：在实时链路中，系统利用Flink来消费TT数据并加工出DWD层数据。
• 在线维表：ODS层可能会缺少一些常用的维度字段，这些字段的更新频率可能并不高，通常是按天更新。为此，我们设计了维表系统（iGraph）用以补充这些维度字段。同时，我们也会使用配置系统（diamond）补充部分信息，这些信息相当于维表信息，用于补充到DWD层。

b. 方案弊端

• 数据重复：在下游消费DWD层数据时，大家可能会注意到ODS、DWD的作业，因为业务迭代或作业Failover会导致数据重复。在DWD层，是否需要去重取决于业务需求，但大多数情况下，去重是必要的，因为不去重会导致数据重复出现，比如广告主会立即注意到数据同比突然增长，从而引发投诉。
• DWS层缺失：另一个问题是，从DWD层到应用层之间，可以增加一个DWS层，因为下层的聚合逻辑往往是相同的。但在TT中，由于不具备upsert能力，因此无法将 DWS层的最新聚合结果覆盖更早的聚合结果。举个例子，假设时间窗口为5分钟，10:05聚合一条数据写入TT，10:10时第二次聚合数据需要覆盖上一次聚合结果，但在TT中会存在两条记录。下游接入TT后，需要自行执行一次数据去重，这代价极高。经过测试，资源消耗至少增加一倍，且数据量大导致作业不稳定。不设计DWS层，则直接将聚合结果写入下游的在线存储系统，包括OceanBase、Hologres和ClickHouse三种。实时链路旨在解决时效性问题，即使有实时反作弊机制，其精准度仍不足。此外，业务上还需处理去重逻辑。
• No Schema：实际上在 DWD 和 ODS 的实时链路中，我们面临的是一个未结构化的数据问题。这些数据在解析后并没有一个固定的Schema，导致下游如算法和BI分析在使用这些数据时，不得不自行进行解析和计算，这无疑增加了成本并浪费了资源。
• 资源与效率：对于广告主而言，他们自然希望数据既快速又准确。因此，我们还部署了一条离线链路，这也是一个典型的lambda架构。将ODS层的数据同步到MaxCompute中并通过ETL加工产出DWD层，聚合DWD为ADS层最终同步到在线存储系统。由于需要维护离线和实时两套代码，这无疑使得开发和运维资源都翻倍。

（2）基于Paimon的湖仓方案

我们如何解决基于 TT 实时数仓面临的问题呢？幸运的是，从 2023 年开始，我们关注到 Paimon 技术栈，2023年6月开始调研 Paimon 技术并逐步在业务中推广应用。

方案优势

• 主键表：本方案中ODS层同前一个方案一致，也是基于TT存储且入湖过程完全相同。但DWD层将原有的存储替换成了Paimon，同时新增DWS层设计。Paimon具备upsert操作，支持DWD和DWS层upsert写入实现去重，下游消费changelog即可。
• Schema：此外，它还带来了另一个好处，即之前提到的算法、BI以及各种运营需求的数据，现在可以直接在DWD和DWS层进行查询。过去，这需要我们提供支持，而现在，数据表已经解析完毕，数据也已就绪，可以直接使用实时和离线查询。
• 开发效率：实时离线统一schema，无需再次解析开发和计算开销，实时离线代码可复用。

关于离线链路，我们之前提到需要将数据同步至ODS这一步骤的原因何在呢？实际上，由于反作弊机制是基于离线处理的，它必须处理一批数据，这一步骤是不可或缺的。此外，这一流程还有另一个好处，即作为备份（Backup）链路。在ODS层完成数据解析后，我们可以将数据反向写入到Paimon中。这样对于下游查询而言，它们能够查询到经过修正后的数据。如果存在修正结果，则查询修正后的数据；如果没有修正结果，则直接查询实时数据。整个流程完成后数据再同步到ClickHouse中，用于支持下游的高频查询。

2.3 阿里妈妈广告湖仓架构

目前我们妈妈这边的广告湖仓架构如图所示。系统架构包含四个层次和一个运维平台。

• 数据层：数据的最初来源目前仍然在TT中，整个系统依赖于 TT，所以这一部分保持不变。TT中包含了各种行为数据、广告数据以及成交转化等数据。业务数据库中的维表数据会增量同步到TT中。解析完这些增量同步的数据后，会将其写入iGraph中。TT数据则通过Flink进行 ETL 处理导入到我们的数据湖中，即 Paimon 表，包括DWD和DWS层。在这里有主备两套存储系统，双系统设计既用于异地灾备，也提供可用性和灰度发布能力。数据实时提供给消费者使用，而离线链路则有离线修正数据，这实际上是依赖于离线的另一条链路。这两套数据最终会合并在一起。
• 计算层：所有的ETL过程，包括最终的数据写入存储，我们使用了Flink和MaxCompute计算引擎。
• 存储层：配置主备两套系统，主备链路分别配置同步任务，确保主备同步的可靠性和独立性。
• 应用层：妈妈报表、BI、算法、达摩盘等应用。
• 运维平台/工具：系统监控、系统运维、自动压测。

这种设计实际上构成了一个三链路架构，包括两个实时链路和一个离线链路，实时链路能够支持日常的灵活切换。至于离线链路，它为整个系统提供了备份，以防Flink出现问题时，我们至少还有离线数据作为保障。尽管我们不希望出现问题，但我们的架构设计要求我们必须做好准备。此外，它还作为大促活动的备份方案。对于高频大规模查询，我们现在使用ClickHouse来处理，能够应对万级TPS的应用场景。对于小流量场景或更灵活的查询，我们支持使用 MaxCompute。需要注意的是，这可能会对时效性产生一定影响，可能是小时级别的。我们还在探索使用StarRocks和Hologres进行灵活的点查和分析。上游应用主要包括报表、BI 监控、算法以及实时和批量的数据洞察。这些构成了四个层次。最右侧，我们拥有自己的运维工具和平台，这是因为我们的作业规模较大，需要进行各种监控，例如组间延迟和问题检测。例如，若存在写入问题、消费问题、中间过程状态问题，或特定节点问题，这些都需要监控，因为这是一个全局监控过程。我们设计了这样的系统以应对可能出现的多种问题。我们拥有自己的实时作业运维平台和压力测试平台，因为对于大数据场景而言，压力测试是不可或缺的。由于每年流量和业务的变化较大，不进行压力测试可能会导致各种问题的出现。

2.4 Paimon 常见优化手段

前面我介绍了我们整个湖仓架构的演进过程，以及我们对下一个架构的展望。在这里，我想分享一下我们在构建湖仓时采用的一些常见优化策略。

• 性能优化：

  • 强烈建议根据使用情况启用异步 Compact 功能，这能显著提升系统的吞吐量，包括单表写入的吞吐量和稳定性。

  • 其次是调整Checkpoint interval time，这需要根据流量情况进行调整。例如，对于流量在十万级别的系统，可能不需要调整，但对于百万甚至千万级别的系统，必须增大Checkpoint interval time，以避免频繁checkpoint导致的堆积和各种反压问题。

  • 对Writer节点资源的调整，这同样需要根据流量情况进行预估，比如参照bucket数调整并行度，在数据追溯和回刷时，这些调整尤为重要。Writer节点的内存配置也需根据场景进行调整，因为我们的场景通常流量较大，所以需要进行调整。

  • 最后，根据业务特点，分区的选择和设置，以及bucket数设置。一旦我们建立了一个Paimon表，之后再去调整其分区或切换到bucket数，都需要经历一个 Rescale 的过程。这可能需要停止系统，代价相对较大。因此，在考虑峰值情况下，我们需要评估性能是否能够满足需求。

• 存储优化：

  • 文件生命周期管理：在执行Checkpoint时会产生许多小文件。如果生命周期表设置得过长，小文件的数量自然会增加。尽管有合并操作，但在高流量场景下，生命周期管理的问题不容忽视。这包括分区、生命周期、快照以及变更日志的生命周期管理。
  • 小文件合并：文件合并可以开启独立compact作业完成。小文件合并是当前阶段需要关注的问题，社区可能会提出新的解决方案，大家可以继续关注。
  • 清理废弃文件：在初期使用时，我们可能会遇到性能优化不佳或稳定性差异的问题，导致作业频繁失败，产生一些孤立文件。这些文件需要手动清理。社区提供了一些通用命令，我们可以用这些命令来编写自己的清理脚本，并进行定时调度以解决问题。实际上，存储优化主要解决的是文件数量问题，而不是文件大小问题。

• 稳定性优化：稳定性问题在流量大时尤为突出，可能会触发故障。例如，内存设置不合理或对流量峰值预估不足，都可能导致系统无法恢复。尽管我们设置了生命周期和快照文件的过期时间，但一旦它们过期，作业可能就无法恢复。

  • 开启Comsumer：为此，我们提供了 Consumer 的能力，可以将 Consumer ID 标记出来，使其在一定时间内或永远不过期，从而在作业失败后仍能恢复。但需要注意的是，启用Consumer后，文件数量会增加，因为过期时间变长了。在追溯时，系统会逐个扫描Snapshot文件，最终追溯的数据量会增加，速度会变慢。
  • 调整TM资源：TM cpu/mem资源的调整应根据具体情况进行。Paimon团队提供一些经验公式，可以根据实际情况进行调整，例如根据一张表的更新频率、一条记录的大小以及Bucket的数量等，从而估算出内存需求。根据经验进行配置，特别要注意的是，使用过Paimon的用户应该熟悉它最后的 Commit节点。这个节点确保了数据最终一致性，因此在配置到这个节点资源时，如果分区数量众多，就需要适当增加 CPU 和内存资源，以保证系统运行更加流畅。

下面是一个优化例子，我们曾经完成了一个作业，一个小时写入了700+GB数据。根据这个作业，我们设置每个分区的bucket num为512，每小时一个分区。生命周期设置了7天，支持实时数据流读写。在这样的设置下，TPS（每秒事务数）可以达到五六百万。在开启异步处理之前，节点切换的平均耗时超过 50 秒，而开启后则缩短至 20 秒。

三、湖仓收益

接下来，我想分享一下我们通过这些优化带来的业务和技术收益。

• 业务收益

  • 由于采用了分层设计和弧形设计，下游的许多迭代工作变得简单，只需编写一段代码，进行Group By或Join操作即可，大大缩短了交付周期。整体统计下来，交互周期缩短了约30+%。

  • 实时的 DWD和 DWS层的数据可以用于洞察场景，无需通过离线处理，通常在15分钟内就能产出一批数据。整体观察下来，时效能减少约两个半小时，平均节约两个小时。

  • 实时数据监控也大大改善了业务运营的效率。以前，业务运营人员在数据更新超过两小时后会感到焦虑，不确定是否需要增加预算或停止投放。现在，由于数据是分钟级产出，运营人员能够准确判断整体投放进展和预算是否达到预期。

• 技术收益

  • 主要减轻了我们的计算资源负担。通过去除重复消费的链路，整体资源开销降低了40%以上。
  • 分层设计提高了业务效率，减少50%开发工作量。
  • 架构中提到的主备双链路设计，满足了三个 9 的高可用性要求，即 99.9%的运行时间。一年 365 天计算下来，停服时间应该不到 9 小时。实际上，我们全年几乎没有长时间停服，如果出现这种情况，你们肯定能在热搜上看到我们遇到了问题。
  • 最后是这个冗余作业的这个订阅之间，因为是这样的，就是我们去订阅这个TT，其实它是要付费的，就是你重复消费一遍，它个钱就是重复给你算一遍，这个都是钱。就是所以以及我们的Flink作业这个资源就是开销也很大，这个东西就是都是钱，所以整体算下来都是成本，另外就是你把些作业干掉了之后，我也不用天天盯着些作业，运维成本同步下降。

更多内容

活动推荐

阿里云基于 Apache Flink 构建的企业级产品-实时计算 Flink 版现开启活动：
新用户复制点击下方链接或者扫描二维码即可0元免费试用 Flink + Paimon
实时计算 Flink 版（3000CU*小时，3 个月内）
了解活动详情：https://free.aliyun.com/?utm_content=g_1000395379&productCode=sc