摘要:本文整理自阿里云高级产品专家何源(荆杭)在 阿里云EMR2.0线上发布会 的分享。本篇内容主要分为三个部分:
- 开源大数据的痛点及EMR产品历程
- EMR2.0 新特征
- 总结
一、开源大数据的痛点及EMR产品历程
开源大数据的痛点
- 如何提升性能,降低资源成本
全面的性能优化需要大量的研发投入且门槛较高;大数据资源使用量大,广大用户都在不断探索降本方案。
- 如何降低运维成本
开源大数据组件众多,开发上手相对容易,但是一旦业务规模和业务复杂度上升以后,所带来的运维难度和开销也随之急剧上升。
- 如何保障数据和任务的可靠性
数据是公司的无形资产,数据的丢失往往是灾难性的,尽管有多副本,但是动辄几十台,甚至上百台、上千台的服务器在机器故障、集群升级、迁移过程中要保障数据的可靠性是一件不容易的事,而成千上万的任务实时或周期性的运行,也会消耗大量的运维投入。
- 如何管理数据开发和治理
实现团队协同开发、安全合规的使用数据以及治理数据,也需要有方法论的支撑和产品支持。
EMR产品历程
如下图所示,自2016年阿里云推出EMR以来,阿里云EMR团队一直致力于解决以上痛点。
通过一系列的性能优化,阿里云在 CloudSort 和 TPC-DS 上取得了世界第一的成绩,推出了全托管的元数据和数据湖产品,大大降低了运维难度和运维成本。
通过 DataWorks on EMR 以及 EMR Studio 等产品,大大简化了数据开发以及数据治理的接入门槛。
二、EMR2.0 新特征
概述
基于云原生的理念和阿里云上日益成熟的设施,阿里云推出 EMR 2.0,构建新一代开源大数据的基础设施。
EMR 2.0的新特征包括:
全新平台体验
- 集群创建速度2倍以上优化;
- 集群扩容速度3倍以上提升;
- 弹性规模支持千台以上;
- 故障节点迁移;
- 集群诊断工具;
全新数据开发
- 全托管EMR Notebook (Jupyter);
- Workflow (Dolphinscheduler);
- 数据开发治理平台Dataworks on EMR;
全新资源形态
- EMR on ECS,支持倚天g8,性价比提升超过40%;
- EMR on ACK(K8s);
- EMR Serverless;
全新分析场景
- 新版数据湖
- 数据分析
- 数据服务
- 实时数据流
- 数据科学
EMR 2.0产品架构
如下图所示,EMR 2.0产品架构自下而上包括:
硬件资源
EMR 2.0支持ECS(Intel, AMD, 倚天)/神龙/ECI;
存储资源
在存储资源上,数据湖架构已经已经逐步成为业界的共识,阿里云在对象存储OSS 技术上升级为 OSS-HDFS 兼容 HDFS API;
调度资源
支持 EMR on ECS、EMR on ACK、EMR Serverless
管控平台
监控告警;
弹性调度;
集群诊断;
故障补偿;
权限&安全;
组件管理;
分析场景
新版数据湖 Datalake;
数据分析 OLAP;
实时数据流 Dataflow;
数据服务 DataServing;
数据科学 DataScience;
开发工具
开源解决方案 EMR Studio (Notebook, Workflow) ;
企业级开发平台 DataWorks on EMR
元数据管理和湖管理
在原有的数据湖构建DLF上 新增了权限生命周期管理、湖管理等新特性。
全新平台体验
阿里云EMR2.0 围绕弹性、稳定性、智能、效率四个方面对 EMR 进行了全面升级。
Elasticity 弹性
集群创建,弹性性能大幅提升;
异构实例,竞价实例满足个性化弹性需求;
Stability 稳定性
节点迁移,故障节点自动补偿;
组件状态巡检,事件通知;
Intelligence 智能
集群资源诊断;
风险预警;
实时检测;
Efficiency 效率
交互式数据开发;
一键任务提交;
配置导出&集群克隆。
全新数据开发
EMR 2.0提供两套解决方案供不同用户选择,分别是:基于 Jupyter 和 DolphinScheduler 的 EMR Studio 开源解决方案,和阿里云自研的企业级数据开发与治理 DataWorks on EMR。
EMR Studio (Notebook, Workflow)
- 基于 Jupyter 的全托管SaaS化的 Notebook
- 直接在EMR管控台页面创建一个 notebook 并快速与EMR集群进行关联,几分钟内就可以开始对数据进行分析,无需担心代码的保存以及计算资源维护;
- 对 Jupyter Notebook 进行了优化:如支持 StarRocks 快速指定引擎类型;
- 基于 Apache DolphinScheduler 的全托管SaaS化的 Workflow
- 开箱即用,一键关联集群;
EMR Studio 提供了全新的开源数据开发体验,在EMR服务费之外,不收取额外费用。
DataWorks on EMR,企业级数据开发与治理
DataWorks 是一套在阿里内部历经几万用户十几年打磨的产品,能够满足企业一站式数据开发和数据治理的诉求。DataWorks 支持数据集成、数据开发调度、数据建模、数据质量、数据地图、数据安全、数据分析、数据服务以及开放的API等能力:
- 数据集成:基于DataX,支持几十种数据源作为 source 和 sink 进行数据同步;
- 数据开发:线上的 IDE,支持 Spark、Hive、Presto、ClickHouse 的开发;
- 数据质量:根据任务配置的规则,对任务的产出结果进行正确性验证;
- 数据地图:采集字段级粒度的数据血缘;
- 数据安全:提供表和字段级别的权限管理;
- 数据分析:提供快速交互式的分析和可视化分析能力;
- 数据服务:简化数据查询服务的开发,通过写 SQL 就可以提供数据查询的接口;
- 开发平台:提供一系列的 API 供用户进行二次开发。
全新资源形态
随着云原生技术越来越成熟,EMR 也提供了各种资源管理形态。
EMR on ECS
- 支持组件最全,自定义能力最强;
- 跟传统模式最接近,便于快速迁移;
EMR on ACK
- 完全兼容 K8S,10秒级资源调度;
- 支持 Spark, Flink, Presto, RSS 组件;
- 配合 ECI,自动弹性,秒级扩容;
- 完整的任务提交、管理、监控能力;
EMR Serverless
- 首先推出的是 StarRocks;
- 全托管,最小化的运维成本;
- 高可用,SLA 99.99%;
- 开箱即用,对接 EMR Notebook;
- 成本低,按需扩容资源。
新硬件,倚天性价比提升40%以上
在2022年云栖大会上,阿里云推出了中国首个云上大规模应用自研CPU倚天710,EMR2.0 也将推出倚天机型。倚天采用最先进的ARM架构和生产工艺,在通用智能性能提升的基础上,降低了整体的资源成本:
- 在ECS价格方面,倚天G8系列较X86的机器系列价格降低20%以上,计算型系列价格降低超过30%,大幅降低企业成本;
- 在性能方面,物理核的倚天机型性能更高,CPU占用率更低;在EMR对倚天机型适配后,进行了 TPC-DS 的 Benchmark 测试,在G8Y与G7的对比中,同样采用了六台8core 32G的机型,倚天的TPC-DS耗时减少25%。
全新分析场景
EMR结合自身的技术优势和实践经验,对大数据场景进行了分类,方便用户快速构建适合业务的大数据集群:
数据湖
- 数据湖集群包含 Spark、Hive、Yarn、Presto、Hudi、Deltalake、RSS、Kyuubi 等组件; 支持用户构建数据仓库,进行数据 ETL 以及数据湖分析;
实时数据流
- 实时数据流包含 Flink、Kafka 等组件; 支持用户进行实时计算,构建在线决策、实时监控、实时计算等系统;
数据分析
- 数据分析主要包含 StarRocks、Doris、ClickHouse 等组件; 广泛应用于用户画像分析,交互式分析,构建BI报表系统和对接业务系统;
数据服务
- 数据服务主要包含 Hbase、Phoenix 组件; 支持时序数据分析、feeds流推送和用户行为收集;
数据科学
- 数据科学主要包含 Tensorflow、PyTorch 组件;
- 面向机器学习、数据挖掘、特征建模等场景;
对于部分客户出于成本控制的考虑,希望将多种业务混部在一个集群,EMR 还支持自定义集群,可以将多种场景下的组件混合部署在一起。
以用户使用最多的数据湖场景为例,EMR 在计算、存储和治理方面都做了大量的优化。
- 在存储层面,EMR 推出 OSS-HDFS,可完全兼容 HDFS API,用户可以平滑的将 HDFS 迁移到 OSS 上;
- 在计算层面,计算任务无需二次开发,可以直接运行在存算分离的数据湖架构上;
- 在1PB的场景下测算,经过合理的冷热分层,可以节省40%的资源成本,同时计算资源也可以实现按需或者按负载弹性使用,大大降低了资源消耗;
- 在计算引擎层面,EMR 对 Spark/Hive/Trino/StarRocks 等引擎进行优化,ETL 和分析场景下性能有明显提升;
- 在数据湖管理层面,DLF湖管理实现湖数据生命周期管理,包括:元数管理与服务、权限控制与审计、数据质量控制、湖表管理与优化、存储管理与优化、全新数据迁移入湖。
总结
EMR2.0 从管控到引擎,从资源形态到应用场景都在积极创新,希望更好的解决用户在开源大数据遇到的痛点问题。
EMR2.0 的控制台入口也升级到了emr-next,欢迎前往使用新版EMR:https://emr-next.console.aliyun.com/
欢迎对EMR感兴趣的朋友加入EMR钉钉交流群,一起交流和学习。