七牛是如何搞定每天500亿条日志的

4B303C75-82D4-4A7B-B508-4DE06469AC13

7月30日,七牛数据平台工程师王团结在CSDN Spark微信用户群,与近千名Spark技术开发人员,结合七牛内部使用的数据平台,深入分享了团队是如何利用Flume、Kafka、Spark Streaming等技术搞定每天500亿条日志的,并详细讲解了各个工具使用的注意点。王团结,主要负责七牛数据平台的设计研发工作,关注大数据处理和高性能系统服务,对Hadoop、Flume、Kafka、Spark等离线、分布式计算技术十分感兴趣。以下为演讲实录。

 

概述

 

数据平台在大部分公司都属于支撑性平台,做的不好立刻会被吐槽,这点和运维部门很像。所以在技术选型上优先考虑现成的工具,快速出成果,没必要去担心有技术负担。早期,我们走过弯路,认为没多少工作量,收集存储和计算都自己研发,发现是吃力不讨好。去年上半年开始,我们全面拥抱开源工具,搭建自己的数据平台。

 

公司的主要数据来源是散落在各个业务服务器上的半结构化日志,比如系统日志、程序日志、访问日志、审计日志等。日志是最原始的数据记录,如果不是日志,肯定会有信息上的丢失。说个简单的例子,需求是统计Nginx上每个域名的的流量,这个完全可以通过一个简单的Nginx模块去完成,但是如果需要统计不同来源的流量就无法做了,所以需要原始的完整的日志。

 

有种手法是业务程序把日志通过网络直接发送出去,但是这并不可取,因为网络和接收端并不完全可靠,当出问题时会对业务造成影响或者日志丢失。因此,对业务侵入最小最自然的方式是把日志落到本地硬盘上。

 

数据平台设计架构

 

Agent设计需求

每台机器上会有一个Agent去同步这些日志,这是个典型的队列模型,业务进程在不断的push,Agent在不停地pop。Agent需要有记忆功能,用来保存同步的位置(offset),这样才尽可能保证数据准确性,但不可能做到完全准确。由于发送数据和保存offset是两个动作,不具有事务性,不可避免的会出现数据不一致性情况,通常是发送成功后保存offset,那么在Agent异常退出或机器断电时可能会造成多余的数据。 Agent需要足够轻,这主要体现在运维和逻辑两个方面。Agent在每台机器上都会部署,运维成本、接入成本是需要考虑的。Agent不应该有解析日志、过滤、统计等动作,这些逻辑应该给数据消费者。倘若Agent有较多的逻辑,那它是不可完成的,不可避免的经常会有升级变更动作。

 

数据收集流程

数据收集这块的技术选择,Agent是用Go自己研发的,消息中间件Kafka,数据传输工具Flume。说到数据收集经常有人拿Flume和Kafka做比较,我看来这两者定位是不同的,Flume更倾向于数据传输本身,Kakfa是典型的消息中间件用于解耦生产者消费者。

 

具体架构上,Agent并没把数据直接发送到Kafka,在Kafka前面有层由Flume构成的forward。这样做有两个原因:

  • Kafka的API对非JVM系的语言支持很不友好,forward对外提供更加通用的HTTP接口。
  • forward层可以做路由、Kafka topic和Kafka partition key等逻辑,进一步减少Agent端的逻辑。

 

forward层不含状态,完全可以做到水平扩展,不用担心成为瓶颈。出于高可用考虑,forward通常不止一个实例,这会带来日志顺序问题,Agent按一定规则(round-robin、failover等)来选择forward实例,即使Kafka partition key一样,由于forward层的存在,最终落入Kafka的数据顺序和Agent发送的顺序可能会不一样。我们对乱序是容忍的,因为产生日志的业务基本是分布式的,保证单台机器的日志顺序意义不大。如果业务对顺序性有要求,那得把数据直接发到Kafka,并选择好partition key,Kafka只能保证partition级的顺序性。

 

多机房的情形,通过上述流程,先把数据汇到本地机房Kafka集群,然后汇聚到核心机房的Kafka,最终供消费者使用。由于Kafka的mirror对网络不友好,这里我们选择更加的简单的Flume去完成跨机房的数据传送。

 

Flume使用要点

Flume在不同的数据源传输数据还是比较灵活的,但有以下几个点需要注意。

  • memory-channel效率高但可能有丢数据的风险,file-channel安全性高但性能不高。我们是用memory-channel,但把capacity设置的足够小,使内存中的数据尽可能少,在意外重启和断电时丢的数据很少。个人比较排斥file-channel,效率是一方面,另一个是对Flume的期望是数据传输,引入file-channel时,它的角色会向存储转变,这在整个流程中是不合适的。通常Flume的sink端是Kafka和HDFS这种可用性和扩张性比较好的系统,不用担心数据拥堵问题。
  • 默认的HTTP source没有设置线程池,有性能问题,如果有用到,需要修改代码。
  • 单sink速度跟不上时,需要多个sink。像跨机房数据传输网络延迟高单rpc sink吞吐上不去和HDFS sink效率不高情形,我们在一个channel后会配十多个sink。

 

Kafka使用要点

Kafka在性能和扩展性很不错,以下几个点需要注意下。

  • topic的划分,大topic对生产者有利且维护成本低,小topic对消费者比较友好。如果是完全不相关的相关数据源且topic数不是发散的,优先考虑分topic。
  • Kafka的并行单位是partition,partition数目直接关系整体的吞吐量,但parition数并不是越大越高,3个partition就能吃满一块普通硬盘IO了。所以partition数是由数据规模决定,最终还是需要硬盘来抗。
  • partition key选择不当,可能会造成数据倾斜。在对数据有顺序性要求才需使用partition key。Kafka的producer sdk在没指定partition key时,在一定时间内只会往一个partition写数据,这种情况下当producer数少于partition数也会造成数据倾斜,可以提高producer数目来解决这个问题。

 

数据离线和实时计算

数据到Kafka后,一路数据同步到HDFS,用于离线统计,另一路用于实时计算。由于今天时间有限,接下来只能和大家分享下实时计算的一些经验。

 

实时计算选择的是Spark Streaming。目前只有统计需求,没迭代计算的需求,Spark Streaming使用比较保守。从Kakfa读数据统计完存入MongoDB中,中间状态数据很少,好处是系统吞吐量很大,但没遇到内存相关问题。

 

Spark Streaming对保存计算结果的数据库TPS要求较高。假如有10w个域名需要统计流量,batch interval为10s,每个域名有4个相关统计项,算下来平均是4w TPS,这只是平均值,实际峰值更高,固态硬盘上的MongoDB也只能抗1w TPS,后续我们会考虑用Redis来抗这么高的TPS。

 

当开启speculation参数或代码层面没处理好异常时,task可能会被重放。但是有外部状态的task是不可重入的,否则会造成计算结果的不准确。说个简单的例子,如下:

3F806540-C499-48A6-ABB6-4512E768195C

这个任务,如果被重放了,会造成落入MongoDB的结果比实际多。

 

有些对象会包含状态,这些状态的生成需要较大的代价,不能做到在每次使用时都去new一个。我们对这种对象的处理策略是JVM内一个对象,同时在代码层面做好并发控制。类似下面:

22E99505-FEAA-4C45-8BFF-C5432E03BCD4

如果这种使用形式有性能问题,可以考虑实现一个pool来管理。

 

在Spark1.3的后版本,streaming为Kafka引入了新的Direct API试图解决数据准确性问题。Direct API把Kafka consumer offset的管理暴露出来(旧版本是异步存入Zookeeper),让使用者透明的管理consumer offset,这在一定程度上能缓解准确性问题,但不可避免还会有一致性问题。为什么这样说呢?只有计算结果和offset两者的保存具有事务性,才能完全准确。这个事务有两种手段做到,一种是用Mysql这种支持事务的数据库,把计算结果和offset的保存放在一个事务里,另一种是自己实现两阶段提交。Direct API 还会有性能问题,因为它到计算的时候才实际从Kafka读数据,这对整体吞吐有很大影响。

 

七牛数据平台规模

要分享的就这些了,最后秀下实时计算这边规模:Flume+Kafka+Spark 混部在8台高配机器,日均500亿条数据,峰值80w TPS。

64A88E58-E63A-421B-97AD-60903D7EB3CA