网易大数据体系之时序数据技术

栏目: 数据库 · 发布时间: 4年前

内容简介:分享嘉宾:范欣欣 网易大数据技术专家编辑整理:王吉东

网易大数据体系之时序数据技术

分享嘉宾:范欣欣 网易大数据技术专家

编辑整理:王吉东

内容来源:AI科学前沿大会

出品社区:DataFun

注:欢迎转载,转载请注明出处。

本次分享内容:

  • 时序数据平台主要业务场景

  • 时序数据平台体系架构

  • 时序数据平台核心技术

PART01 时序数据平台主要业务场景

网易大数据体系之时序数据技术

上图为数据的整体架构,大部分公司都是差不多的:

  • 原始数据: MySQL、服务端的Log、APP-Data、Sensor,大家知道现在穿戴设备很多,比如手表等,这样都会产生很多数据,这些数据都称为时序数据,随着时间的变化不断产生数据。

  • 数据采集层: sqoop、DataStream、SDK、Gataway

  • 数据加工层: 数据存在kafka里,再经过一些流计算处理(Flink、Sparkstreaming)

  • 数据存储分析层:

1. 离线存储分析平台: 技术栈包括最底层的 HDFS、Kudu、GP等数据存储,在这之上要做很多的计算,包括Hive、Spark、Impala等,他的应用场景包括数仓报表、机器学习、模型训练等;

2. 在线存储计算平台: 应用的业务场景包括,交易订单,优惠券,用户画像等,这里主要应用的是 HBase;

3. 时间序列存储计算平台: 应用场景包括,业务设备监控,实时广告平台,物联网应用,相关的技术包括 OpenTSDB、Druid、InfluxDB等。

所以会根据不同的业务使用不同的平台来处理相关的数据,对于我们来说最大的工作是在数据存储端。

网易大数据体系之时序数据技术

时序数据主要包括时间列、维度列和指标列,这3列缺一不可(特别是时间列)。

工业互联网时代,会源源不断产生各种各样的时序数据,时序数据平台有以下几种典型场景:

1. 系统监控:

• 物理机、云主机、容器:CPU、内存、IO等

•  组件服务:数据库集群、 Kafka集群、HBase集群

2. 任务监控:

• 查看指定hadoop任务耗用内存、CPU、IO利用率等

•  查看集群消耗资源 TopN任务、节点等

•  统计集群任务执行耗时

3. 应用性能监控:

•  应用调用次数,错误占比,页面加载延迟统计、地域统计分析

•  慢加载追踪,慢 SQL

•  异常会话追踪

4. 链路监控:

• 调用链全息排查

•  全局调用拓扑

•  链路依赖项分析梳理

5. 业务监控统计:

a.  电商

•  业务大盘:查看单量,金额,发货等业务指标

•  异常大盘:查看超卖,库存校准耗时,商品回调耗时,各种类型下单错误等异常指标

b.  广告

•  广告曝光点击消耗实时统计

•  流量地域分配

以基础系统监控服务为例,举例描述两个应用场景:

1. 物理机基础硬件指标监控

网易大数据体系之时序数据技术

2. HBase-RegionServe指标监控

网易大数据体系之时序数据技术

直观地看,以上数据的横坐标都是时间戳,即设备随着时间不断吐数据。

时序数据应用场景的核心特征:

1. 时间区间查询,最近时间区的数据的查询频率远大于历史数据;

2. 多维条件查询,即多维字段随机组合查询;

网易大数据体系之时序数据技术

3. 支持TTL机制,数据可以自动过期;

4. 支持高压缩率,数据压缩比要达到10以上;

5. 支持高效聚合

6. 支持集群可扩展,服务高可用,数据高可靠。

PART02 时序数据平台架构体系

时序序列平台以监控类系统体系架构为例,如下图所示:

网易大数据体系之时序数据技术

将多数据来源的数据(如 Agent采集器,打点日志、流式数据,IoT Hub等),通过Kalfa工具 (分布式消息队列系统) 进行流式处理,汇集到网易时序数据平台上。

PART03 时序数据平台核心技术

在上述架构体系中,数据库作为其核心环节。考虑到DDB(分布式MySQL)实时写入性能不足,HBase/ES等开源NoSQL平台多维查询以及聚合计算等功能不够;针对海量时序数据这类应用场景,因此需要专门的时序数据库。

现有市场上较成熟的时序数据库主要包括Druid、OpenTSDB、InfluxDB等。网易结合以上各类时序数据库的优缺点,自主研发分布式时序数据库平台,支持高性能写入和读取,支持多维条件查询,支持聚合计算,且运行开销较小,可私有化、分布式部署。

网易大数据体系之时序数据技术

该时序数据库的分布式集群结构与 hadoop,Hbase,Kudu等 架构非常相似:多台服务器用来存储数据,并通过 Raft保证数据的一致性。数据的分布式计 算是在分布式节点( node)上完成的,每个node上的数据存储计算系统称之 shard server。在Shard Server的底层数据存储中,原始数据存一份,再按照索引的方式再存一份。

网易大数据体系之时序数据技术

网易时序数据平台的数据存储方式是这样的:

1. DataBase中建立若干StorePolicy(类似 MySQL 数据库中的表结构),其作用为:

(1)   指定数据过期时间;

(2)   指定数据副本数量;

(3)   指定分片时间间隔。

2.  每个 StorePolicy中,按照指定的时间间隔建立若干ShardGroup。将最新写入的数据(称之为热数据)存到对应的ShardGroup中,再通过哈希分片的方式将该ShardGroup分片成若干个Shard,这些Shard会分布至整个集群。

网易大数据体系之时序数据技术

以上图为例,同一时间段不同shard分布到不同的节点上。例如:左侧大方框中包含的6条记录,代表该时间段的记录分布在6个shard里;右侧小方框中的5和6,代表该shard共有2个副本,分别分布在集群中的5号节点和6号节点。

由此可以看出,同一时间段的多个shard是分布在多个节点上。这样做的好处是:查找指定时间段的数据时,只需要在相应节点中查到对应的shard里的数据即可,避免了全局遍历的情况。

3.  数据在 shard中的存储方式:

(1) 时间线列式存储:

具体来说,SeriesKey相当于原始数据(DataSource),具有不同维度;存储的时候,所有的时间存到一起,所有的value单独存在一起,这种存储方法叫做列式存储。列式存储有两大好处:

  • 每一列数据类型相同,因此压缩率非常高;

  • 方便对列做聚合计算。

网易大数据体系之时序数据技术

什么是列式存储?

传统的关系型数据库如 Oracle、MySQL、SQL SERVER 等,都采用的是行式存储法(Row-based),在基于行式存储的数据库中,数据是按照行数据为基础逻辑存储单元进行存储的,每行中的数据在存储介质中以连续存储形式存在。

不同于行式存储,列式存储以列为基础单元,每列的数据在存储介质中以连续存储的形式存在。

针对海量分布式数据背景的OLAP(on-line analysis processing),列式存储可在内存中高效组装各列数据并形成关系集,可避免全表扫描,显著减少IO消耗。

(2) 倒排索引

支持 sql 语句进行条件筛选;在条件筛选的过程中,使用倒排索引方法,实现快速定位,可“直达用户需求”。

  • 正排索引:key-value中,通过key去寻找value;

  • 倒排索引:通过value(或包含value)去寻找对应的key。

正排索引需要首先对全局进行扫描遍历,进而从中做筛选;而倒排索引可以仅抽取符合条件的value值,节省大量的资源。

(3) shard自动扩容

数据库作为分布式系统,需要考虑系统的扩容(即增加节点)。

增加节点后,为保证数据存储的均衡,将不再更新的数据(即历史数据)作为cold shard,平均分布到集群的所有节点(包括新增加的节点)中,而实时更新的数据(即hot  shard,随时间不断写入)不做任何处理。

(4)  多级存储优化

考虑到时序数据的一个特点:热数据查询概率远大于冷数据。针对这一特性,做了如下两个优化:

A.  考虑到数据文件可能存在多级索引,针对冷数据,只加载一级索引即 root索引;针对热数据,会加载所有索引。

B.  因此针对集群服务器配置方面,每个集群 12块盘,只需要1块ssd用来存储hot shard即可,其余均使用普通hhd即可,最大程度降低硬件成本。

  • cluster是整个集群,包含n个node;

  • node通常掌控独立的资源,包括cpu等;一台机器可以多个node。

  • shard一般是从数据角度来说。例如,1000条数据按id分,存10份,就是10个shard。

  • shards分散在多个node上。

最后通过以上手段,来实现刚刚所说的 时序数据应用场景的核心特征:时间区间查询,多维条件查询,支持TTL机制,支持高压缩率,支持高效聚合,支持集群可扩展,服务高可用,数据高可靠。

作者介绍:

网易大数据体系之时序数据技术

范欣欣,网易大数据技术专家,专注于 HBase TSDB 等大数据系统的开发运维,主导网易工业互联网平台建设。

——END——

文章推荐:

网易HBase实践

网易数据基础平台建设

基于Impala平台打造交互查询系统

基于Flink的严选实时数仓实践

加入DataFun社群:

请关注社区公众号,后台回复【 JY

关于DataFun:

DataFun定位于最实用的数据智能社区,主要形式为线下的深度沙龙、线上的内容整理。希望将工业界专家在各自场景下的实践经验,通过DataFun的平台传播和扩散,对即将或已经开始相关尝试的同学有启发和借鉴。

DataFun的愿景是:为大数据、人工智能从业者和爱好者打造一个分享、交流、学习、成长的平台,让数据科学领域的知识和经验更好的传播和落地产生价值。

DataFun成立至今,已经成功在全国范围内举办数十场线下技术沙龙,有超过三百位的业内专家参与分享,聚集了数万大数据、算法相关领域从业者。

网易大数据体系之时序数据技术

看官点下「在看」再走呗!:point_down:


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

互联网运营之道

互联网运营之道

金璞、张仲荣 / 电子工业出版社 / 2016-1 / 49.00

《互联网运营之道》内容由运营方法论切入,包括运营的江湖地位、运营的基本逻辑、运营的三大手段(内容运营、活动运营和用户运营)、数据统计方法,等等。虽然是讲方法论,但内容上却有着深入的运营逻辑思考和大量实战案例验证。在讲解了方法论之后,《互联网运营之道》逐步深入剖析如何反脆弱,如何做运营创新,以及如何从小到大切入细分市场,等等。 对于互联网公司来说,产品设计部门和研发部门保证了创意的实现,是从0......一起来看看 《互联网运营之道》 这本书的介绍吧!

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

RGB CMYK 转换工具
RGB CMYK 转换工具

RGB CMYK 互转工具

HSV CMYK 转换工具
HSV CMYK 转换工具

HSV CMYK互换工具