基于 MaxCompute 的实时数据处理实践-阿里云开发者社区

开发者社区> 阿里巴巴大数据计算> 正文
登录阅读全文

基于 MaxCompute 的实时数据处理实践

简介: MaxCompute 通过流式数据高性能写入和秒级别查询能力(查询加速),提供EB级云原生数仓近实时分析能力;高效的实现对变化中的数据进行快速分析及决策辅助。当前Demo基于近实时交互式BI分析/决策辅助场景,实现指标卡近实时BI分析、近实时市场监测、近实时趋势分析、近实时销量拆分功能。

本文作者 隆志强 阿里云智能 高级产品专家


直播视频请点击 直播 观看。

一、产品功能介绍

基于查询加速的数仓架构

当前比较盛行的实时数仓,基本都是基于Flink来做的。今天分享的内容不是把 MaxCompute 定义为一个实时数仓,我们讲的是基于当前数据的实时处理流程,在MaxCompute中是怎么去做支持的,怎么在 MaxCompute 中做实时数据的接入、查询、应用。开源的实时数仓是基于Flink来做的,Flink本质是实时计算,支持流批一体,所以比较实时的场景都是基于Flink+Kafka+存储来做的。本次分享主要不是讲计算环节,本次主要讲解基于BinLog、Flink、Spark Streaming的实时流数据是怎么写入到 MaxCompute 中的。


通过实时流通道,实时写入MaxCompute,写入即可见,这是 MaxCompute 的产品特点。目前市场的数仓产品写入查询绝大多数都有延时存在, MaxCompute 是做到了高QPS的实时写入,写入即可查。可以通过查询加速(MCQA)实时查询写入进 MaxCompute 的数据。对接到BI工具,即席查询可以实时访问到实时写入的数据。


Binlog写到到MaxCompute,是通过DataX,支持增删改查的合并,后续在产品功能迭代中,MaxCompute会支持upsert,支持业务数据库数据的新增、修改、删除。Flink数据计算完之后写入到 MaxCompute 时,直接使用Streaming Tunnel插件写入MaxCompute中,这个过程不需要做代码开发,Kafka也支持了插件。


实时写入目前没有做写入数据的计算处理环节,只是快速的把现在流式数据包括消息服务的数据,直接通过Streaming Tunnel服务写入到MaxCompute中。当前Streaming Tunnel支持了主流消息服务,如Kafka、Flink,做了插件支持。以及Streaming Tunnel SDK,当前只支持Java SDK。可以通过Streaming Tunnel SDK做一些应用读取之后的逻辑处理,再调取Streaming Tunnel SDK写入到MaxCompute中。写入MaxCompute之后,目前主要的处理环节是针对写入的数据,进行直读查询,也可以把写入的数据关联到MaxCompute中的离线数据,做联合查询分析。在查的过程中,如果是通过SDK或者JDBC接入时,可以打开查询加速(MCQA)功能。如果是通过web console或DataWorks,是默认开启查询加速(MCQA)功能。当前主要是BI分析工具和第三方应用层分析工具,通过SDK或JDBC链接MaxCompute时,是可以打开查询加速(MCQA)功能,这样可以做到接近秒级查询实时写入的数据。


整体来看,现在的场景主要是数据的实时流式写入,写入之后可以结合离线数据,做联合分析查询,通过查询加速(MCQA)功能。在数据进入MaxCompute后,是没有做计算的,只是做查询服务。这是目前基于MaxCompute实时数据处理场景。


 1.png


流式数据写入功能介绍

当前流式数据写入功能已经在中国区商业化发布。当前此功能是免费使用。


功能特定

  • 支持高并发、高QPS(Queries-per-second)场景下流式数据写入,写入即可见。
  • 提供流式语义API:通过流式服务的API可以方便的开发出分布式数据同步服务。
  • 支持自动创建分区:解决数据同步服务并发创建分区导致的并发抢锁问题。
  • 支持增量数据异步聚合(Merge):提升数据存储效率。
  • 支持增量数据异步zorder by排序功能,zorder by详情请参见插入或覆写数据(INSERT INTO | INSERT OVERWRITE)。

性能优势

  • 更优化的数据存储结构,解决高QPS写入导致的碎片文件问题。
  • 数据链路与元数据访问完全隔离,解决高并发写入场景下元数据访问导致的抢锁延迟和报错问题。
  • 提供了增量数据异步处理机制,可以在使用过程中无感知情况下对新写入的增量数据做进一步处理,已经支持的功能包括:
    • 数据聚合(Merge): 提升存储效率。
    • zorder by排序:提升存储、查询效率。


流式数据写入-技术架构

Stream API无状态并发数据实时可见

技术架构分为三个部分:数据通道、流计算数据同步、自研应用。

当前数据通道支持的有Datahub、Kafka、TT、SLS

流计算数据同步支持的有Blink、Spark、DTS、DataX、kepler/DD

数据写入MaxCompute中,在计算集群前会有Tunnel集群存在,提供Stream Tnnel服务来完成从客户端到Tunnel服务端数据的写入。写入过程是一个文件最佳的过程,最后会有一个文件的合并。这个过程是消耗了数据通道过程中的计算资源服务,但这一消耗是免费的。


2.png

查询加速功能介绍

实现数据实时写入与基于查询加速的交互式分析

目前查询加速功能可以支持日常查询80%-90%的场景。查询加速功能的语法与MaxCompute内置语法完全一致。


MaxCompute查询加速 – 针对实时性要求高的查询作业,全链路加快 MaxCompute 查询执行速度

  • 使用MaxComputeSQL语法和引擎,针对近实时场景进行优化
  • 系统自动进行查询优化选择,同时支持用户选择延时优先还是吞吐优先的执行方式
  • 针对近实时场景使用不同的资源调度策略:latencybased
  • 针对低延时要求的场景进行全链路优化:独立执行资源池;多层次的数据和metaCaching;交互协议优化


收益

  • 简化架构,查询加速与海量分析自适应的一体化方案
  • 对比普通离线模式快几倍甚至数十倍
  • 结合MaxCompute流式上传能力,支持近实时分析
  • 支持多种接入方式,易集成
  • 支持自动识别离线任务中的短查询,后付费模式是默认开启。预付费当前支持为使用包年包月资源的实例下SQL扫描量在10 GB以内的查询作业提供免费查询加速服务。
  • 低成本,免运维,高弹性


查询加速-技术架构

自适应执行引擎、多层次缓存机制

当SQL提交到MaxCompute计算引擎时,会分为两个模式,离线作业(吞吐量优化)和短查询(延迟优化)。两个模式从技术底层来说,查询加速作业做了执行计划的缩减和优化,计算资源是预拉起资源,是向量化执行,会基于内存/网络shuffle以及多层次的缓存机制。相比于离线作业的代码生产到磁盘shuffle,再进行资源排队申请。查询加速会进行识别作业,如果符合条件,则直接进入预拉起资源。在数据缓存部分,基于Pangu分布式文件系统,对表跟字段会有一个缓存机制。


3.png


查询加速-性能比对

TPCDS测试集与某业界领先竞品的性能比较

  • 100GB超越30%以上
  • 1TB规模性能不相上下

测试项目

指标

MaxCompute后付费

MaxCompute查询加速

竞品

TPC-DS 100GB

总运行时长(s)


449.99

741.35

平均运行时长(s)


4.54

7.49

TPC-DS 1TB

总运行时长(s)

5757

1100

1065.88

平均运行时长(s)

58.15

11.1

10.76

二、应用场景

流式数据写入-应用场景

场景

说明

特点

大量事件日志实时写入MaxCompute(大量、高QPS、没有业务数据变更)

日志采集数据直接写入MaxCompute进行批量处理。

无需通过中间存储服务做中转,节约成本。

流式计算结果实时写入MaxCompute(结合离线数据做关联查询、计算)

流式服务写入MaxCompute解除并发数及batch size的限制。

解决高并发抢锁导致流式服务不可用,避免batch size太小导致MaxCompute产生大量小文件的问题。

流式存储服务(DataHub、Kafka)实时同步MaxCompute

消息服务实时同步MaxCompute解除并发数及batch size的限制。

解决消息服务实时同步到MaxCompute的问题,支持高并发、大批量同步。

查询加速-应用场景

固定报表快速查询

  • 数据ETL处理为面向消费的聚合数据
  • 满足固定报表/在线数据服务需求,秒级查询
  • 弹性并发/数据缓存/易集成

通过数据应用工具或者是BI分析工具通过JDBC/SDK接入到MaxCompute,可以直读到MaxCompute内的表数据。


4.png

Ad-hoc数据探索分析

  • 自动识别作业特征,根据数据规模、计算复杂度选择不同的执行模式,简单查询跑的快、复杂查询算得动
  • 配合存储层建模优化,如分区、HashClustering等进一步优化查询性能


5.png

近实时运营分析

  • 支持批量和流式数据接入
  • 历史数据和近实时数据融合分析
  • 产品级别集成消息服务:
    • Datahub-日志/消息
    • DTS-数据库日志
    • SLS-行为日志
    • Kafka-物联网/日志接入


6.png


三、工具及接入

流式数据写入-接入

消息&服务

  • 消息队列Kafka(插件支持)
  • Logstash的输出插件(插件支持)
  • Flink版内置插件
  • DataHub实时数据通道(内部插件)


SDK类新接口-Java

参考上述示例可以自己封装相应的业务逻辑。


查询加速-接入

工具类

  • DataWorks(默认开启)
  • ODPS CMD(需要配置)
  • MaxCompute Studio(需要配置)


SDK类接口

  • ODPS JavaSDK
  • ODPS PythonSDK
  • JDBC


老接口兼容

  • 自动识别模式


7.png


四、Demo&总结

基于MaxCompute的实时数据处理实践

实现对变化中的数据进行快速高性能分析及决策辅助,10亿条数据查询秒级获取。

本次Demo实践是通过MaxCompute+QuickBI实现。QuickBI现在已支持直连的MaxCompute查询加速模式,QuickBI本身已有加速引擎,如DLA、CK等。当前最优的模式,直连MaxCompute走查询加速模式是最快的。


实践Demo请点击视频查看。


8.png


实践总结

优点

  • Streaming Tunnel:  实时写入可见,解决了高QPS写入导致的碎片文件问题;
  • 查询加速:低延迟-多级缓存&快速资源调度、易用-一套SQL语法、弹性-存储计算分离

提升

  • 目前下游应用消费/汇总时每次只能全量查询,无法做进一步实时流计算处理;实时入库不支持修改、删除;
  • 后续MC提供流式SQL引擎运行实时流作业,做到流批一体


更多关于大数据计算、云数据仓库技术交流,欢迎扫码查看咨询。

MaxCompute 二维码拼图.png

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
阿里巴巴大数据计算
使用钉钉扫一扫加入圈子
+ 订阅

阿里大数据官方技术圈

官方博客
最新文章
相关文章
链接