转载

ArchSummit微课堂|构建大数据系统的前沿技术概述

引言

本文整理自ArchSummit微信大讲堂线上群分享内容;解释一下这次我为什么不是分享安全方面,反而分享数据方面的,ArchSummit北京2015分享的实际也是数据计算方面的技巧,只不过用在了风控场景上,这次我尝试把那些操作更加往底层架构上延伸一下,更加有逻辑去考虑这个话题。

正文

第一部分存储模型之前,先抛两个问题:

1)这些存储的数据结构,主要是来优化什么操作的?

2)SSD对于这些存储结构有什么样的影响?

一. 存储模型--读和写的取舍

一个好的存储结构,我们希望的是更新数据快,查找特定的数据也快,最好占用空间还小,一般来说,这算得上是对存储的终极要求了。

终极要求,这东西一般都是YY,但是,加上一定的限制条件,在特定的时期,数据大爆炸之前,单机时代,B树这个结构,可以算得上是银弹。基本上所有的关系型数据库系统都采用这种结构。SqlServer和Oracle都采用B树,Mysql,Db2还有informix采用的B+树,

ArchSummit微课堂|构建大数据系统的前沿技术概述

磁盘读数据和写数据的过程,1)移动磁头到对用的扇区,2)然后磁头接触磁道,写或者读数据,3)通过总线传输到内存或者寄存器。

磁头移动时间,十分之一秒的级别,读写的时间,按照普通磁盘,7200转的,差不多在百分之一秒级不到,还有一个耗时就是总线传输时间,这个基本可以忽略,在10的8次方分之秒。

另一个背景知识是,文件系统, 读写是有最小操作单位的块,每次I/O操作,都是整块操作。块大小,跟文件系统的格式有关,fat32,ext3/4等等,常见的块大小4096个字节,块大小可以调整,块,对应到物理的扇区。

通过上面的分析,有效的优化是降低磁头定位的次数;B树就是综合读写两方面的需求,提出的对磁头定位操作优化的结构。隐含的数据特征是:重查询,轻新增,并发写要求不高。总的数据量优先,单挑记录会被反复更新,这刚好就是单机时代的数据特征。在做关系型数据库表设计的时候,知道这点会比较有用。

B+树和B*树是B树的两种变形,B+树降低了中间节点的数据大小,同样的块大小,可以存储更多的数据,检索上更有效率,但是,实际数据读取上有妥协。B*树,相对于B数在节点的分裂,旋转,平衡方面有增强。

进入互联网时代,数据的特征有了变化,写多读少,数据具备热点时间。有效期之后的数据,就相当于传统数据库的归档。另外一个有利的变化,是内存变得很便宜,可以用足够低的成本hold住热点数据。这种前提下,顺序写做持久化,热点数据保持在内存中,并且在内存中进行排序,保证顺序写入的数据是有序的。

基于这样的思路,就有了LSM-Tree和COLA-Tree两种改进。区别在于LSM的MemTable保持固定大小,持久化数据的索引都有compaction阶段完成。COLA的思路,是Memtable就按照固定的逻辑完成索引更新。COLA里面是没有Memtable这个名称的。

ArchSummit微课堂|构建大数据系统的前沿技术概述

ArchSummit微课堂|构建大数据系统的前沿技术概述

基本上现存所有的NoSQL都是采用LSM-Tree的思路,除了TokuDB。

Cassandrda和LevelDB,需要特别提一下,他们两个在Compaction阶段的实现,是参考了COLA的做法的,sstable做了分层合并。COLA在层之间,还引入了分形树(Fractal Tree)的实现,改进索引性能,Cassandra和LevelDB是没有,单层上数据检索,还是采用的BloomFilter和二分法。

二.实时计算-精度和速度的权衡

纯粹从性能对比,COLA跟B树算是公平对决,数据如下:块大小4098字节

查询Cola比B树慢12倍,插入速度是B树的340倍。

LSM不具备可比性,更多靠cache命中的效率。

之前提到的问题,SSD的影响,这么看起来,SSD对B树和Toku的影响要比LSM大(只是相对的),这些算法,对于ssd来说,算法对性能的影响并不重要,比较重要的反而是,通过算法降低,flash的读写次数,达到延长ssd使用寿命和减少损坏率。

除了需要保存检索数据,还需要对数据进行计算,流计算,实时计算的框架,已经是大数据里面到处可见,Storm,Spark Stream等等,这些流行框架更多是调度系统,真正的计算还需要自己来实现。

在我现在的实际工作中,常见的有点难度的计有exist是否存在,distinct count 去重计数,top n 等等在 window内部。

所有这些计算,对于内存都是很巨大的挑战。可行的做法,就是引入精度,接受概率。

这些做法,在数据挖掘的领域,已经是司空见惯的做法,比如关联规则挖掘的Apriori跟Fp-growth等都引入的概率的做法。

很多程序员其实也用过,一说就知道,Bloom Filter做去重,接受一定概率的误差,换来空间的减少,提升性能。

接下来介绍几个,我在实际工作中,用得比较多的方法,实际上是几个概念。

1)Bloom Filter

2)Sketching

3)基数估计

BF略过,大家都知道。Sketching,用于做频率估计,估算数据流中每个数据的出现次数。基本思路也跟BF差不多,通过互相独立的hash函数依次处理输入,接受一定程度的正负错判,估计值在一定概率内正确,这个概率可调整。这类方法的另一个优势是可以很容易实现分布式,能够合并。

Sketch有几个变种,basic sketch, counter sketch和counter min sketch,依次各有改进。

Bf和counter min sketch算是当前最优的top n的方法。Cms对于重复度高的效果较好,重复度不高了,有基于cms基础上的改进,counter-mean-min sketch。

上面在存储模型中间没有提到,cms还能够用在nosql的range query索引上,不追求精确度,在性能方面完爆B树。

基数估计也是类似的思路,用很少的空间,计算集合的势,常见的算法有Linear counter,LogLog counter两类,分别使用在重复情况比较明显和重复情况相对于总量来说较低

Redis在支持bitmap之后,在2.8.9之后,直接提供了hyperloglog的支持,每个 HyperLogLog 键只需要花费 12 KB 内存,就可以计算接近 2^64 个不同元素的基 数。线性的counter也可以直接利用bitmap实现。Hash函数的murmur是比较可以无脑使用的实现。

具体的算法描述,大家可以问百度,不细说了,知道有哪些可用场景就好。我们主要用在风险检测的参数计算方面。

三.分布式持久化-CAP的妥协

对于分布式持久化的内容,也扯两句,我个人很喜欢Dynamo模型的对称结构,BigTable的管理节点实在是不美观。也就是zk和gossip+vector clock的战争,这种选择也就决定了各自在CAP和ACID中间能够达到的水平。

四.日志为中心的基础架构设计

ArchSummit全球架构师峰会 上我也推荐过kafka的作者写的文章,在推荐一次,个人觉得每一个做分布式系统设计的架构师,都应该读几遍才好。

给大家看这样一个图

ArchSummit微课堂|构建大数据系统的前沿技术概述

(点击放大图像)

ArchSummit微课堂|构建大数据系统的前沿技术概述

苏宁现在整体数据系统建设思路,差不多就是这样,通过日志,串行所有操作,避免冲突。基本上满足异地多活的需求。

中间过程,分实时计算,批量计算并且在服务层合并数据。

五.Q&A

Q1.您好,您在处理复杂的任务调度方面,有什么心得体会?

我自己看法,最看重的任务状态的保存或者说状态重现,至于运算能力的调度,现在的调度框架已经做得很好了。rdd在最大程度上保证了状态的可重现,这点上,是我最看好rdd,也就是spark的原因

Q2.你们代码是自动Review的吗?

代码review的问题,讲真,这块我们做得特别土,全人工的,而且还要人工两次,一轮是开发团队内部的。如果谁有好的自动化review工具分享,一定发红包。还有一轮是安全团队的代码审核。安全团队的代码审核倒是有些个工具辅助,但也只是辅助,fb开源的几个代码审核工具,实际上效果都不是很好。

Q3.storm和spark的应用场景有什么区别?

spark 跟 storm的使用场景,实际上,差不多类似作用的是spark和 storm stream,这两个系统,苏宁现在都在使用。最初采用的是storm,后来引入的spark stream原因很简单,仅仅就是为了跟spark更好的集成说道sprak的场景,跟rdd的特性有关系。简单的说,类似与kmeans这种多轮迭代逼近的模型,使用sprak会更加有效,且spark的数据科学方面的周边支持更多

Q.4日志输出是否有自研组件?所有业务线统一一个吗?主要输出哪些内容?

苏宁的日志输出是没有自研的,很普通的组合,flume 采集 kafka订阅 hdfs存储,所有业务线公用,并且汇总。内容和格式要求就是日志必须保证业务能够重放。实际上,只有核心业务能满足这个要求。

Q.5对SSD而言,现有的文件系统已经不太能发挥存储设备的最大速度,未来的SSD文件系统会是什么样?

SSD的文件系统,现在有些实验性的产品,主要是基于log struct FS,但是还不成熟。具体内容大家可以参考这里http://lwn.net/Articles/353411/。另外,现在还有些文件系统综合考虑hdd,ssd,自动地根据文件大小,读写频率写数据到ssd或者hdd里面。

Q6.对于Google任务调度系统Borg,您怎么看?

borg,不是很熟悉,没研究过,跟上面说的一样,我更加喜欢关注状态保持,资源调度基本就是哪个用得多就用哪个,我们团队有这方面的专家,这点我不擅

Q.7能否详细讲解一下sketch算法的计算过程,这个算法在苏宁有哪些应用?

算法的介绍,推荐一个blog: http://www.cnblogs.com/fxjwind/p/3289221.html 大家可以参考。Top n类型的计算基本都在用sketch,热点商品,网络流量模式识别,风控中的支付行为特征也在用。之前as上介绍的argo框架,也提供了sketch实现。

Q.9随着新硬件的快速发展,大数据系统当存储和网络不再成为瓶颈时,会不会呈现出一种新的形态?

这个话题其实吓了我一跳,太高端了,应该kk这样的预言大师才敢想的问题。我想到的第一个词是 grid computer,sun在很多很多年前就希望做成的未来。之前在开源项目JNODE搞文件系统的时候,就尝试去实现分布式的文件系统,比较早,受限在当时网络环境,没能成功。Sun是一个有情怀的公司,grid computer的模式跟科幻电影里面matrix母体是不同的,一个是独裁,一个是民主。悲观的想,未来可能是matrix母体,因为量子。

讲师介绍

季虎,苏宁IT总部安全研发技术总监,ArchSummit北京专题讲师,目前已构建了苏宁电商和金融的风控技术体系,此前,任阿里集团安全部高级技术专家,参与了AE,金融和集团的风控系统建设,并致力推进风控自动化和大数据风控实践。

本文根据ArchSummit微信大讲堂上邀请讲师,苏宁IT技术总监 季虎为大家线上分享内容整理而成, 长按下方二维码,回复“架构师”,获取参与方式,加入围观大牛线上分享,同步大会筹备近况……

ArchSummit微课堂|构建大数据系统的前沿技术概述

ArchSummit 架构师峰会2016深圳站将于7月15-16举行,邀请了来自Uber、Twitter、Netflix、腾讯、百度、阿里等公司的50多位CTO和研发总监,为大家带来更多精彩的线下分享 ,更多精彩 点击这里

原文  http://www.infoq.com/cn/articles/leading-technologies-for-building-large-data-systems
正文到此结束
Loading...