實時計算 流數(shù)據(jù)處理系統(tǒng)簡單分析_數(shù)據(jù)分析師

一． 實時計算的概念

實時計算一般都是針對海量數(shù)據(jù)進行的，一般要求為秒級。實時計算主要分為兩塊:數(shù)據(jù)的實時入庫、數(shù)據(jù)的實時計算。

主要應用的場景：

1) 數(shù)據(jù)源是實時的不間斷的，要求用戶的響應時間也是實時的（比如對于大型網站的流式數(shù)據(jù)：網站的訪問PV/UV、用戶訪問了什么內容、搜索了什么內容等，實時的數(shù)據(jù)計算和分析可以動態(tài)實時地刷新用戶訪問數(shù)據(jù)，展示網站實時流量的變化情況，分析每天各小時的流量和用戶分布情況）

2) 數(shù)據(jù)量大且無法或沒必要預算，但要求對用戶的響應時間是實時的。比如說：

昨天來自每個省份不同性別的訪問量分布，昨天來自每個省份不同性別不同年齡不同職業(yè)不同名族的訪問量分布。

二．  實時計算的相關技術

主要分為三個階段（大多是日志流）:

數(shù)據(jù)的產生與收集階段、傳輸與分析處理階段、存儲對對外提供服務階段

下面具體針對上面三個階段詳細介紹下

1）數(shù)據(jù)實時采集：

需求：功能上保證可以完整的收集到所有日志數(shù)據(jù)，為實時應用提供實時數(shù)據(jù)；響應時間上要保證實時性、低延遲在1秒左右；配置簡單，部署容易；系統(tǒng)穩(wěn)定可靠等。

目前的產品：Facebook的Scribe、LinkedIn的Kafka、Cloudera的Flume，淘寶開源的TimeTunnel、Hadoop的Chukwa等，均可以滿足每秒數(shù)百MB的日志數(shù)據(jù)采集和傳輸需求。他們都是開源項目。

2）數(shù)據(jù)實時計算

在流數(shù)據(jù)不斷變化的運動過程中實時地進行分析，捕捉到可能對用戶有用的信息，并把結果發(fā)送出去。

實時計算目前的主流產品：

1. Yahoo的S4：S4是一個通用的、分布式的、可擴展的、分區(qū)容錯的、可插拔的流式系統(tǒng)，Yahoo開發(fā)S4系統(tǒng)，主要是為了解決：搜索廣告的展現(xiàn)、處理用戶的點擊反饋。
2. Twitter的Storm：是一個分布式的、容錯的實時計算系統(tǒng)?？捎糜谔幚硐⒑透聰?shù)據(jù)庫（流處理），在數(shù)據(jù)流上進行持續(xù)查詢，并以流的形式返回結果到客戶端（持續(xù)計算），并行化一個類似實時查詢的熱點查詢（分布式的RPC）。
3. Facebook 的Puma：Facebook使用puma和HBase相結合來處理實時數(shù)據(jù)，另外Facebook發(fā)表一篇利用HBase/Hadoop進行實時數(shù)據(jù)處理的論文（ApacheHadoop Goes Realtime at Facebook），通過一些實時性改造，讓批處理計算平臺也具備實時計算的能力。

關于這三個產品的具體介紹架構分析：http://www.kuqin.com/system-analysis/20120111/317322.html

下面是S4和Storm的詳細對比

其他的產品：

早期的：IBM的Stream Base、 Borealis、Hstreaming、Esper

4. 淘寶的實時計算、流式處理

1) 銀河流數(shù)據(jù)處理平臺：通用的流數(shù)據(jù)實時計算系統(tǒng)，以實時數(shù)據(jù)產出的低延遲、高吞吐和復用性為初衷和目標，采用actor模型構建分布式流數(shù)據(jù)計算框架（底層基于akka），功能易擴展、部分容錯、數(shù)據(jù)和狀態(tài)可監(jiān)控。銀河具有處理實時流數(shù)據(jù)（如TimeTunnel收集的實時數(shù)據(jù)）和靜態(tài)數(shù)據(jù)（如本地文件、HDFS文件）的能力，能夠提供靈活的實時數(shù)據(jù)輸出，并提供自定義的數(shù)據(jù)輸出接口以便擴展實時計算能力。銀河目前主要是為魔方提供實時的交易、瀏覽和搜索日志等數(shù)據(jù)的實時計算和分析。

2) 基于Storm的流式處理，統(tǒng)計計算、持續(xù)計算、實時消息處理。

在淘寶，Storm被廣泛用來進行實時日志處理，出現(xiàn)在實時統(tǒng)計、實時風控、實時推薦等場景中。一般來說，我們從類kafka的metaQ或者基于HBase的timetunnel中讀取實時日志消息，經過一系列處理，最終將處理結果寫入到一個分布式存儲中，提供給應用程序訪問。我們每天的實時消息量從幾百萬到幾十億不等，數(shù)據(jù)總量達到TB級。對于我們來說，Storm往往會配合分布式存儲服務一起使用。在我們正在進行的個性化搜索實時分析項目中，就使用了timetunnel +HBase + Storm + UPS的架構，每天處理幾十億的用戶日志信息，從用戶行為發(fā)生到完成分析延遲在秒級。

3) 利用Habase實現(xiàn)的Online應用

4）實時查詢服務

•  半內存：使用Redis、Memcache、MongoDB、BerkeleyDB等內存數(shù)據(jù)庫提供數(shù)據(jù)實時查詢服務，由這些系統(tǒng)進行持久化操作。
•  全磁盤：使用HBase等以分布式文件系統(tǒng)（HDFS）為基礎的NoSQL數(shù)據(jù)庫，對于key-value引擎，關鍵是設計好key的分布。
•  全內存：直接提供數(shù)據(jù)讀取服務，定期dump到磁盤或數(shù)據(jù)庫進行持久化。

關于實時計算流數(shù)據(jù)分析應用舉例：

對于電子商務網站上的店鋪：

1） 實時展示一個店鋪的到訪顧客流水信息，包括訪問時間、訪客姓名、訪客地理位置、訪客IP、訪客正在訪問的頁面等信息；

2） 顯示某個到訪顧客的所有歷史來訪記錄，同時實時跟蹤顯示某個訪客在一個店鋪正在訪問的頁面等信息；

3） 支持根據(jù)訪客地理位置、訪問頁面、訪問時間等多種維度下的實時查詢與分析。

下面對Storm詳細介紹下：

整體架構圖

整個數(shù)據(jù)處理流程包括四部分：

第一部分是數(shù)據(jù)接入該部分從前端業(yè)務系統(tǒng)獲取數(shù)據(jù)。

第二部分是最重要的Storm 實時處理部分，數(shù)據(jù)從接入層接入，經過實時處理后傳入數(shù)據(jù)落地層；

第三部分為數(shù)據(jù)落地層，該部分指定了數(shù)據(jù)的落地方式；

第四部分元數(shù)據(jù)管理器。

數(shù)據(jù)接入層

該部分有多種數(shù)據(jù)收集方式，包括使用消息隊列（MetaQ），直接通過網絡Socket傳輸數(shù)據(jù)，前端業(yè)務系統(tǒng)專有數(shù)據(jù)采集API，對Log問價定時監(jiān)控。(注：有時候我們的數(shù)據(jù)源是已經保存下來的log文件，那Spout就必須監(jiān)控Log文件的變化，及時將變化部分的數(shù)據(jù)提取寫入Storm中，這很難做到完全實時性。)

Storm實時處理層

首先我們通過一個 Storm 和Hadoop的對比來了解Storm中的基本概念。

(Storm關注的是數(shù)據(jù)多次處理一次寫入，而Hadoop關注的是數(shù)據(jù)一次寫入，多次處理使用（查詢）。Storm系統(tǒng)運行起來后是持續(xù)不斷的，而Hadoop往往只是在業(yè)務需要時調用數(shù)據(jù)。兩者關注及應用的方向不一樣。)

1.     Nimbus：負責資源分配和任務調度。

2.     Supervisor：負責接受nimbus分配的任務，啟動和停止屬于自己管理的worker進程。

3.     Worker：運行具體處理組件邏輯的進程。

4.     Task：worker中每一個spout/bolt的線程稱為一個task. 在Storm0.8之后，task不再與物理線程對應，同一個spout/bolt的task可能會共享一個物理線程，該線程稱為executor。

具體業(yè)務需求：條件過濾、中間值計算、求topN、推薦系統(tǒng)、分布式RPC、熱度統(tǒng)計

數(shù)據(jù)落地層：

MetaQ

如圖架構所示，Storm與MetaQ是有一條虛線相連的，部分數(shù)據(jù)在經過實時處理之后需要寫入MetaQ之中，因為后端業(yè)務系統(tǒng)需要從MetaQ中獲取數(shù)據(jù)。這嚴格來說不算是數(shù)據(jù)落地，因為數(shù)據(jù)沒有實實在在寫入磁盤中持久化。

Mysql

數(shù)據(jù)量不是非常大的情況下可以使用Mysql作為數(shù)據(jù)落地的存儲對象。Mysql對數(shù)據(jù)后續(xù)處理也是比較方便的，且網絡上對Mysql的操作也是比較多的，在開發(fā)上代價比較小，適合中小量數(shù)據(jù)存儲。

HDFS

HDFS及基于Hadoop的分布式文件系統(tǒng)。許多日志分析系統(tǒng)都是基于HDFS搭建出來的，所以開發(fā)Storm與HDFS的數(shù)據(jù)落地接口將很有必要。例如將大批量數(shù)據(jù)實時處理之后存入Hive中，提供給后端業(yè)務系統(tǒng)進行處理，例如日志分析，數(shù)據(jù)挖掘等等。

Lustre

Lustre作為數(shù)據(jù)落地的應用場景是，數(shù)據(jù)量很大，且處理后目的是作為歸檔處理。這種情形，Lustre能夠為數(shù)據(jù)提供一個比較大（相當大）的數(shù)據(jù)目錄，用于數(shù)據(jù)歸檔保存。

元數(shù)據(jù)管理器