概要：刚刚结束的2020天猫双11中，MaxCompute交互式分析（Hologres）+实时计算Flink搭建的云原生实时数仓首次在核心数据场景落地，为大数据平台创下一项新纪录。借此之际，我们将陆续推出云原生实时数仓双11实战系列内容，本篇将重点介绍Hologres在阿里巴巴网络监控部门成功替换Druid的最佳实践，并助力双11实时网络监控大盘毫秒级响应。
3...
2...
1...
00:00:00 。购物车，结算，提交订单，付款
00:01:00...。滴，您的支付宝消费xxx万元。
亿万人同时参与的千亿级项目，破记录的峰值58万笔/秒，剁手党们在整个交易过程中如丝般顺滑，好像参加了一个假的双11，而这一切的背后都离不开阿里巴巴网络能力的强大支持。随着技术的发展，尤其是近年来云和电商业务的愈发兴盛，基础网络也变得越来越庞大和复杂，如何保障这张膨胀网络的稳定性，提供云上用户畅通无阻的购物体验，对网络系统建设者和运维者说更是极大的考验。
理论上来说，故障不可避免，但是如果能够做到快速发现，定位，修复甚至预防故障，缩短故障时长，即可让用户轻微或无感是稳定性追求的终极目标。2015年的微软提出了pingmesh，成为业界事实的解决方案，但是由于天生的某些缺陷性，导致故障发现时间过长。阿里巴巴网络研发事业部从2017年就开始研发站在世界前沿的探测系统AliPing，AliPing实时系统的出现将阿里故障发现带入了秒级响应，数据采集到处理到大盘呈现最快时间延迟在数秒之间，告警+故障定位分钟级，7*24全天候监控着整个阿里的网络状况。
AliPling的核心架构图如下：
在整个系统中，监控大盘作为故障发现的核心元素，承担着实时呈现网络状况的重任，每一条曲线的起起伏伏，就有可能代表用户的业务在受损， 如何快速实时展示网络状态，并预警/发现网络故障，帮助用户迅速止血，这对于监控团队的监控大盘也是重大的考验。对于监控人员使用的监控大盘来说，困难有多个：
1）数据时效性要求高：需要实时的将处理完的结构化数据（告警，监控）7*24小时的呈现在使用者（GOC, 各个或者监控人员面前，以便及时地发现处理全阿里+蚂蚁的网络故障。
2）数据源复杂：网络数据源众多，业务场景众多，有一分钟数百G的流量监控数据，也有一分钟几十K的IDC网络数据，如何将这些不同种类，不同数据量的业务数据，纳入监控体系发现异常，对整体端到端监控大盘来说也是一种考验。
3）数据指标维度多：对于监控人员来说，需要监控的数据指标维度特别多，可以看作是一个复杂的OLAP查询系统，如何根据自身业务场景从大盘中实时查询所需的业务数据，这对于处理后端数据的OLAP框架也是一个重大挑战。
技术选型
对于监控大盘来说，用户的组合查询条件具有不可预知性，其结构化数据没有办法提前算好，只通过OLAP(联机分析处理)技术，实时对基础数据分析组合，并将结果呈现给用户。Aliping大盘实际就是OLAP技术体现，将不同维度的故障数据（机房、区域、DSW、ASW、PSW、部门、应用等等）通过大盘形式展现在用户面前。
2017年在AliPing系统实施的时候，我们对比了多项OLAP数据库， 其中选择比较有代表性的进行了对比：
1）HIVE
底层基于HDFS存储，将SQL语句分解为MapReduce任务进行查询。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。但是由于底层是HDFS分布式文件系统的限制性，不能进行常见的CUD(对表记录操作)操作，同时Hive需要从已有的数据库或日志进行同步最终入到HDFS文件系统中，当前要做到增量实时同步都相当困难。最重要的是：查询速度慢，无法满足监控大盘秒级相应需求。
2）Kylin
传统OLAP根据数据存储方式的不同分为ROLAP（relational olap）以及MOLAP（multi-dimension olap）。ROLAP 以关系模型的方式存储用作多为分析用的数据，优点在于存储体积小，查询方式灵活，然而缺点也显而易见，每次查询都需要对数据进行聚合计算，为了改善短板，ROLAP使用了列存、并行查询、查询优化、位图索引等技术。Kylin中数据立方的思想就是以空间换时间，通过定义一系列的纬度，对每个纬度的组合进行预先计算并存储。有N个纬度，就会有2的N次种组合。所以最好控制好纬度的数量，因为存储量会随着纬度的增加爆炸式的增长，产生灾难性后果。这个对于庞大的网络数据和不可确定性维度组合，是不可以接受的。
3）ClickHouse
这个是由俄罗斯yandex公司开发的，专门为在线数据分析而设计。根据官方提供的文档来看，ClickHouse 日处理记录数"十亿级"（没测过）。其机制采用列式存储，数据压缩，支持分片，支持索引，并且会将一个计算任务拆分分布在不同分片上并行执行，计算完成后会将结果汇总，支持SQL和联表查询但是支持不够好，支持实时更新，自动多副本同步。总体来说，ClickHouse还算不错，但是由于不够成熟，官方支持度不够，bug也多多，最重要的是集团内也没看到人用，只能放弃。
4）Druid
是一种能对历史和实时数据提供亚秒级别的查询的数据存储系统。Druid 支持低延时的数据摄取，灵活的数据探索分析，高性能的数据聚合，简便的水平扩展。适用于数据量大，可扩展能力要求高的分析型查询系统。其机制将热点和实时数据存储在实时节点（Realtime Node）内存中，将历史数据存储在历史节点（history node）的硬盘中，实时+伪实时的结构，保证查询基本都在毫秒级。高速摄入，快速查询正是满足了我们的需求，同时还有通用计算引擎团队的有力支持，在早期我们选择了druid作为了我们监控大盘的OLAP支持系统。
新OLAP网络监控系统
随着业务的复杂化，业务进一步增多，Druid使用过程中也暴露出一系列问题：
1）数据量摄入的瓶颈， 集团上云，流量的引入，使我们数据量激增，数据写入出现了数次大故障
2）由于业务复杂多变，我们需要增加维度数据，Druid增加相对来说过程比较复杂
3）Druid的查询方式不友好，有一套自己的查询语言，对于SQL支持太差，浪费大量时间学习
4）不支持高并发，对于大促来说简直是灾难。有两年双十一，我们只能上线踢用户保证监控大盘可用。
随着暴露出的问题越来越多，我们也在寻找一款既能替代Druid解决当前问题，又能满足实时OLAP多维分析场景需求的产品。
也是在集团内其他部门沉淀的最佳实践中知道Hologres，并且了解到Hologres支持行存模式下的高并发点查和列存模式下的实时OLAP多维分析，觉得这一点很贴合我们网络监控系统的要求，于是就抱着试试的心态先去测试体验Hologres。通过全链路的测试和大量的场景数据验证，能满足我们场景需求，于是就决定上线Hologres至正式生产中。
改造后的新OLAP监控系统如下图所示，整体的数据流程大致如下：
- Kafka实时采集网络相关的监控指标数据，并写入Flink中轻度汇总加工
- Flink将初步加工完成的基础粒度的实时数据实时写入Hologres中，由Hologres提供统一的存储
- Hologres直接实时对接监控大屏，大屏实时展示多种监控指标的变化情况，不符合预期的数据实时报警，相应的业务人员立即排查问题并解决。
业务价值
今年也是Hologres第一年参与AIS网络故障监控的双11作战，作为新秀交出了令我们比较满意的答卷。整体来说对于业务的价值主要表现如下：
1）TB级数据毫秒级响应
对于实时监控来说，时间就是生命线，越快发现故障就能越快止血，如何根据用户输入的复杂组合条件，在TB级数据中，仅仅以秒级甚至是毫秒级的响应筛选出符合要求的数据（OLAP），这对很多系统来说都是很大的挑战，而实战证明，合理的利用Hologres索引功能，并通过资源的合理分配等，在OLAP实时性上完美的满足了监控业务的需要。
2）支持高并发
双11的监控大屏往往需要查询查询历史数据，并根据历史数据做报警预测，以往的系统最多只能支撑不到数十用户的查询（数10天数据），而Hologres能支撑数百用户的大规模并行查询并且依旧没有达到上限，在今年双11的0点时，面对数百倍的平时数据量冲击，监控曲线依旧平滑如旧，毫无滞涩之感。
3）写入性能高
对于之前数十万/秒，数百万/秒的写入能力，Druid的表现不是很好容易出现涌塞现象，而Hologres可以轻松做到，这也就轻松解决了我们的实时写入瓶颈问题。
4）学习成本低
Hologres兼容Postgres，全SQL支持，非常方便新用户上手，无需再花费时间和精力去研究语法。同时Hologres对于BI工具的兼容性很好，无需做改造就能对接监控大屏，节约大量时间。
对每一个天猫双11剁手人来说，每一次的丝滑般购物体验都离不开阿里网络能力的支撑，而监控大盘就是阿里网络状况的眼睛。Hologres作为大盘的核心环节，给大盘持续赋能。但是，作为一个新生儿，HOLO仍然有一些不太成熟的地方，在透明升级、稳定性等环节上依存在提升空间。我们也愿意同Hologres一起成长，期待明年双11 Hologres更优秀的表现。
作者简介：唐傥，隶属网络研发事业部网络，现从事网络稳定性开发研究工作，前北邮研究生导师，拥有数个网络和算法相关专利。
