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

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。

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

2. HBase-RegionServe指标监控

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；

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：

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。

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 为 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。

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。

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：

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。

看官点下「在看」再走呗！:point_down: