您的位置:首页 > 互联网

小红书基于DorisDB实现数据服务平台统一化,简化数据链路

发布时间:2021-06-21 15:13:00  来源:互联网     背景:

  小红书是年轻人的生活记录、分享平台,用户可以通过短视频、图文等形式记录生活点滴,分享生活方式。在2017年后,随着业务类型和用户体量的爆炸式增长,各类数据分析的需求以及应用系统的数据需求快速出现,例如:商业智能分析,数据应用报表,用户行为分析、算法策略数据等。小红书大数据团队逐步引入了多种OLAP分析引擎来更好的满足需求。DorisDB采用了全面向量化的计算技术,是性能非常强悍的新一代MPP数据库。通过引入DorisDB,小红书构建了全新的统一数据服务平台,大大降低了数据链路开发复杂性,提升了高并发极速查询能力。

    一、OLAP引擎在小红书的演进史

  第一阶段,在2017年之前,数据总量还不是特别大,这个阶段使用AWS的Redshift,此时数仓体系还没有完全建立,很多数据需求的实现都是用短平快、烟囱式开发的方式来满足。数据ETL、数仓模型到最后报表端展现,在Redshift中一站式完成。

  但随着业务复杂度不断提升,以及数据量的快速增长,这种模式很快遇到了瓶颈。主要有以下问题:

  ·Redshift无法在不影响线上查询性能的前提下弹性扩展,一旦涉及到扩容,就会涉及到数据重分布,从而影响集群的性能以及可用性。

  ·ETL任务严重影响集群可用性。在Redshift中同时进行ETL任务的时候,会大量抢占资源,从而影响数据分析的效率,导致查询超时甚至因为集群负载过大后整个集群崩溃不可用。

  ·没有良好的存算分离,数据存储容量存在瓶颈,无法满足随业务而快速增长的数据量存储需求。

  第二阶段,随着数据仓库在Hadoop/Hive体系上搭建和完善,ETL任务全部转移至Hadoop集群,这个阶段使用Presto完成OLAP分析。Presto天然和Hive共享元数据信息,且共同使用物理数据存储,即插即用。大量的对数仓表的灵活查询使用Presto完成。

  第三阶段,业务实时性增强,对查询性能的要求不断升高,同时许多数据应用产生。这个阶段引入了ClickHouse,用来建设性能更强悍,响应时间更短的数据分析平台以满足实时性要求。

  第四阶段,小红书大数据团队进行了实时数仓的整体设计和搭建,同时为统一对各业务团队提供数据接口而构建了数据服务平台,外接了多个内部或者To B服务的应用系统。既需要做低延时的复杂查询,同时对并发量也有很高的要求。这个阶段我们又根据场景引入了DorisDB,以满足以上各类需求。

    二、小红书数据分析体系架构

    1、小红书OLAP体系现状

  小红书的整个数据分析体系,由数据采集、数据存储加工/数据共享和应用层组成。

    1)数据采集

  服务器日志或者App日志通过Flume收集埋点日志,数据同时分发到离线存储S3和实时存储kafka;线上业务数据库通过Canal实时采集MySQL binlog等信息。

    2)数据存储加工

  离线数据处理:利用Hive/Spark高可扩展的批处理能力承担所有的离线数仓的ETL和数据模型加工的工作。

  实时数据处理:Flink完成实时侧数据的ETL(包括维度丰富,双流Join,实时汇总);离线表通过调度平台同步到ClickHouse/DorisDB,Flink实现了ClickHouse和DorisDB的sink connector,落地到DorisDB或ClickHouse。

    3)数据共享

  数据共享层的主要提供对外服务的底层数据存储,离线或者实时的数据写入相关的数据库组件中,面向多种服务,不同场景提供查询能力。

  数据共享层主要有TiDB/Hbase/ClickHouse/DorisDB。通过DorisDB和ClickHouse提供的高速OLAP查询能力,在应用侧承接了报表平台,提供即席分析的平台,对开发侧提供数据接口,以及实现多个数据产品(比如流量分析平台,用户标签平台)。

    4)应用层

  应用层主要为面向管理和运营人员的报表,具有并发、延迟、需求更新频繁等要求,面向数据分析师的即席查询,要求支持复杂sql处理、海量数据查询等能力。

    2、各OLAP分析工具选型比较

  #FormatImgID_1#

    1)Clickhouse:

  优点:

  ·很强的单表查询性能,适合基于大宽表的灵活即席查询。

  ·包含丰富的MergeTree Family,支持预聚合。

  ·非常适合大规模日志明细数据写入分析。

  缺点:

  ·不支持真正的删除与更新。

  ·Join方式不是很友好。

  ·并发能力比较低。

  ·MergeTree合并不完全。

    2)DorisDB:

  优点:

  ·单表查询和多表查询性能都很强,可以同时较好支持宽表查询场景和复杂多表查询。

  支持高并发查询。

  ·支持实时数据微批ETL处理。

  ·流式和批量数据写入都能都比较强。

  ·兼容MySQL协议和标准SQL。

  缺点:

  ·周边生态比较不完善。

  ·部分SQL语法不支持。

    3)TiDB/TiFlash:

  优点:

  ·支持更新/删除。

  ·兼顾了OLTP的需求。

  ·支持Flink ExactlyOnce语意,支持幂等。

  缺点:

  ·查询性能弱,无法较好支持OLAP查询场景。

  ·不支持实时预聚合。

  ·TiFlash暂时不支持所有的SQL写法以及函数。

    三、DorisDB在广告数据中心的应用实践

    1、业务场景概述

  广告业务的核心数据有两大块:一个是广告的曝光点击流,即所有广告单元的展点销信息;第二个是广告效果归因数据,比如说在小红书站内的订单转化,相关表单提交,笔记的点赞、收藏、加关注等参与程度。

  基于这些数据,根据不同的业务场景需求,实时汇总出相关业务统计指标,对外提供查询分析服务。

    2、原有解决方案

    1)技术架构

  在引入DorisDB之前,是用大量Flink任务进行写入MySQL/Redis/HDFS/ClickHouse,以达到数据的落地。

  Flink中核心处理逻辑有几类:

  ·前端用户广告展示信息事件流和后端算法推荐流双流关联并去重,完善广告信息。

  ·接入反作弊,清除作弊事件。

  ·按不同业务场景需求汇总结果写入不同的数据库组件中。

    2)技术痛点

  原有架构主要有以下问题:

  ·数据逻辑没有很好做归拢合并,维护工作量大,新需求无法快速响应。

  ·Clickhouse的并发能力不足以及扩容复杂度在可见未来会成为整体广告系统瓶颈。

  ·因为Flink层逻辑散落,由大量小的Flink任务构成,因此导致整个架构无法满足高可用要求,只要任何一个任务出现问题,都会影响线上业务。

    3、基于DorisDB的解决方案

  因此我们希望对原有体系进行优化,核心思路是利用一个OLAP引擎进行这一层的统一,对OLAP引擎的要求是比较高的:

  ·能支撑大吞吐量的数据写入要求。

  ·可以支持多维度组合的灵活查询,TP99在100ms以下。

  ·有实时汇总上卷的能力,提高查询性能,支持qps达到上万的要求。

  ·通过Binlog实时同步MySQL的数据,并及时对数据进行封装。

  ·比较好的支持多表关联。

  经过大量调研,DorisDB比较契合广告数据中心的整体要求。基于DorisDB本身高效的查询能力,支持高QPS的特性,可以为广告的算法策略、广告实时计费、广告平台实时的数据报告提供一体化服务。

  新架构具备以下优点:

  ·结构清晰,Flink专注于数据的清洗,业务逻辑计算从Flink迁到DorisDB内实现,DorisDB就是数据业务逻辑的终点。

  ·可以维护统一的数据口径,一份数据输入,一套广告统计口径输出。

  ·在底层实现DorisDB主备双活,更好的支持高QPS场景。

    1)数据表设计

    数据模型设计

  DorisDB本身提供三种数据模型:明细模型/聚合模型/更新模型。对小红书广告业务来说,三种数据模型各尽其用:

  ·广告曝光点击流写入聚合模型,按照业务所需要的维度,如广告主、广告类型、创意,广告单元,搜索词,地域,用户属性等设计聚合的所有维度,根据所需要的指标进行聚合。

  ·广告侧后端有很多的线上MySQL,通过DorisDB更新模型接入MySQL进行实时的表更新。

  ·在Hadoop离线数仓中还定期统计了一些数据报告同步到DorisDB中,这些数据使用了DorisDB的明细模型。

    数据分区/分桶

  DorisDB提供的数据分区功能,可以很好的提升广告场景下查询的性能。例如,广告侧查询常见的一种查询场景,是查询过去某一段时间内的数据,我们可以在DorisDB中根据时间进行分区,过滤掉不必要的分区数据。另外,广告查询会根据广告主进行筛选,我们将广告主ID作为排序键的最前列,就可以快速定位到广告主的数据,DorisDB还支持按照广告主ID进行Hash分桶,减少整个查询的数据量进行快速定位,这对高并发场景也具有非常大的意义,尽量减少了查询语句所覆盖的数据范围,提高了并发能力。

    物化视图

  我们利用DorisDB物化视图能够实时、批量构建,灵活增加删除以及透明化使用的特性,建立了基于广告主粒度、基于用户特征粒度、基于广告单元粒度、基于具体创意粒度的物化视图。基于这些物化视图,可以极大加速查询。

    2)数据导入

  实时的数据导入分为两种:

  ·有ETL处理需求的,会利用Flink进行ETL逻辑转化,使用Flink DorisDB Connector写入DorisDB。

  ·在实时数仓公共层的,配置Routine Load任务,将数据10s一个batch写入DorisDB表中。

  离线数据报告导入DorisDB:

  ·在DorisDB提供的原生的Broker Load基础上在小红书数仓的调度平台上封装了导数模版,通过界面化配置的方式,将离线数仓的表导入到DorisDB中。

    3)数据查询

  在我们的查询场景中,广告主业务查询服务对查询并发度要求很高。DorisDB采用的是MPP查询架构,底层数据按照Range和Hash两级分片,非常适合广告主业务的查询场景。

  内部做的线上查询压测结果,每个FE能到2000左右的QPS,整个集群能提供上万的QPS,TP99的查询在100毫秒以下。

    4)系统运维

  广告数据中心是非常核心的一个线上服务,因此对高可用及灵活扩容能力有非常高的要求。DorisDB支持fe/be多副本,没有单节点问题,当有节点故障的时候也可以保证整个集群的高可用。另外,DorisDB在大数据规模下可以进行在线弹性扩展,在扩容时无需下线,不会影响到在线业务,这个能力也是我们非常需要的。

    总结

  小红书从今年年初开始调研引入DorisDB,当前已经有五个DorisDB集群在稳定运行中,其中有两个开始稳定提供线上服务,三个还在试运行。引入DorisDB后,实现了数据服务统一化,大大简化了实时数据处理链路,同时也能保障较高的查询并发和较低的响应延迟要求,之后将用来提升更多业务场景的数据服务和查询能力。最后,感谢鼎石科技的大力支持,也期望DorisDB作为性能强悍的新一代MPP数据库引领者越来越好!(作者:吴浩亮 小红书大数据团队,数据仓库架构师)

特别提醒:本网信息来自于互联网,目的在于传递更多信息,并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益,请及时联系我们,本站将会在24小时内处理完毕。


返回网站首页

本文评论
最好的录音笔品牌——搜狗,带你玩转多功能
作为忠实用户,在笔者心中搜狗一直是最好的录音笔品牌。笔者的工作需要经常和文字打交道,大大小小的......
日期:06-30
饿了么为救中小餐厅包下80城4万块广告位:免费打广告
4月13日,饿了么宣布在全国80个城市包下了近4万块户外广告、10万个酒店电视广告位和480万台互联网电......
日期:04-13
从付费会员到会员付费 互联网音娱视频平台相继入局
近日,人气小说改编的古装大剧《庆余年》火了,爱奇艺、腾讯视频也乘势面向已购买VIP会员的用户推出......
日期:12-14
华为云2019:把“云+AI+5G”融合创新推向互联网,让梦想照进现实
2019年,中国正式步入5G商用时代。5G带来的影响将十分深远,不仅将改变我们每个人的生活,更将让各......
日期:12-20
洞见2021大会专访 | 再出发,浪潮inSuite打造成长型企业云社区
多重因素融合加速企业数字化转型。目前中国的企业数字化已经进入了一个新阶段,建设智慧企业成为企......
日期:11-27
潜客留资率轻松超60%,网易七鱼售前留资机器人上线
近几年,随着营销方式和投放渠道花样翻新的飞速发展,消费者触点成倍增加,但潜客留资难仍是营销的......
日期:01-15
爱回收科技资讯:谷歌 Pixel 6/6 Pro 渲染图首曝光
5月14日消息,谷歌新品手机Pixel 6 和 Pixel 6 Pro渲染图曝光,从渲染图来看,整体设计风格活泼时尚......
日期:05-14
瑞欧盈-埃非索2021年工业4.0奖正式启动 源自德国的行业标杆
欧洲知名管理咨询集团瑞欧盈-埃非索近日启动了2021年度工业4.0奖的申报窗口,成为了最近工业届热门议......
日期:06-02
亲测好评率100%早教机,“听”书宝宝爱不释手的好玩具!
2020上半年度最佳爆款网剧《隐秘的角落》已经播放至大结局,剧中的“坏小孩”朱朝阳无疑是......
日期:07-07
在Galaxy Buds Pro正式发布前 有人已开始在Facebook上出售这款产品
据外媒报道,三星已经确定将于1月14日举行Unpacked或Everyday Epic活动。他们将发布Galaxy S21系列......
日期:01-04
拥抱AI视觉,容联打造“智慧加油站”解决方案
油库、油站、卸油车储存大量的成品燃油,安全是重中之重。 尤其卸油过程最容易发生安全隐患,油罐车动态管理困难,卸油...
日期:12-02
数字化新契机 2021MIS制造创新峰会只等你出席!
在大规模停摆下,“劫后余生”是对仍然活跃在市场的企业最好的概括。外部压力对新制造的......
日期:01-13
京深“七人普”数据出炉,转转集团:手机租赁服务助力人口普查工作
5月19日上午,北京市统计局、北京市第七次全国人口普查领导小组办公室相关负责人介绍“七人普...
日期:05-20
比特网:10分钟现场开发一条区块链,怎么做到的?
3月27日,开放原子超级链将宣布一项重大进展。届时,百度资深工程师将现场演示如何10分钟开发一条Xu......
日期:03-25
云栖大会倒计时3天,智慧出行看斑马网络这三个专场就够了
全球顶尖科技盛会——2020云栖大会将在9月17日在在线拉开帷幕,本届大会以“数智未......
日期:09-14
百度上线“新型冠状病毒感染的肺炎”词条由权威专家编审
据最新消息,截止22日上午11点,全国累计确诊441例新型冠状病毒肺炎。本次新型冠状病毒感染疫情,适......
日期:01-22
金融壹账通推五大智能解决方案 迎“战疫科考
2月15日,银保监会发布《关于进一步做好疫情防控金融服务的通知》指出,要加强科技应用,创新金融服务......
日期:02-20
曙光发布“安全可信城市云” 引领云计算全国产时代
12月15日,我国信息技术产业领军企业中科曙光在京举行“曙光安全可信城市云”发布会,这......
日期:12-16
去年全国重点地区快递72小时准时率近80%
1月20日消息 据新京报报道,国家邮政局数据显示,2019年全国重点地区快递服务全程时限为56.2小时,7......
日期:01-20
推动信创生态建设,超越申泰与云轴科技ZStack签署战略合作协议
近日,超越科技股份有限公司(简称超越)同上海云轴信息科技有限公司(简称ZStack)签署战略合作协议,......
日期:12-25