微信号:ApacheKylin

介绍:Apache Kylin 公众号,介绍Kylin的各种功能,特性以及相关的新闻,活动等.更多信息,请访问Kylin网站:http://kylin.io 相关技术问题,请订阅Apache Kylin邮件列表

【案例分享】Apache Kylin在链家的实践——链家数据分析引擎的演变史

2018-04-02 17:37 王龙帅 张如松

王龙帅、张如松 


链家网工程师,大数据架构团队成员,目前主要负责 OLAP 平台建设及大数据应用拓展。



1. 前言


伴随链家业务线的拓宽和发展,以及数据生态的建设,数据规模快速增长。从 2015 年大数据部门成立至今,集群数据存储量为 9PB,服务器规模为 200+ 台。与此同时,数据需求也随着业务的发展落地不断增长,如统计分析、指标 API、运营报表等,不同业务需求差异较大,维度越来越多,需要定制化开发。面对数十亿行级别的数据,低延迟响应的特性,保障服务稳定、数据准确,链家的数据分析引擎经历了如下的发展历程。


2. 早期的 ROLAP 架构


起初,数据规模不大,增长不是很快。而且,数据需求比较零散,处于摸索阶段。采用如下 ROLAP 引擎,支撑数据分析:

具体处理流程:数据源接入 Hdfs,加载进 Hive。数据开发工程师根据业务需求,开发 ETL 脚本,配置 OOZIE 任务调度执行,根据数据仓库分层模型,逐层生成数据,最终推送到 Mysql,根据维度筛选、聚合展示。


 随着数据规模的增长和需求的增多,瓶颈逐渐显现。每个需求都要开发数据脚本,维度增加,开发周期拉长,同时需要耗费更多的人力,无法快速产出数据和响应需求变化。


3. 链家 OLAP 平台及 Kylin 使用


如上,为链家 OLAP 平台结构,于16年底搭建。Apache Kylin 采用集群部署模式,共部署 6 台机器,3 台用于分布式构建 Cube,3 台用于负载均衡查询,Query 单台可用内存限制在 80G。同时,计算集群一旦运行大任务,内存压力大的时候,HBase 就会性能非常差,为避免和计算集群互相影响,Kylin 集群依赖独立的 Hbase 集群。同时,对 Hbase 集群做了相应的优化,包括:读写分离、SSD_FIRST 优先读取远程 SSD、并对依赖的 Hdfs做了相应优化。


由于 Kylin 只专注预计算,不保存明细数据,对于即席查询和明细查询,通过自研 QE 引擎实现,底层依赖 Spark、Presto、Hive,通过特定规则,路由到相应查询引擎执行查询。多维分析查询,由 Kylin 集群提供查询服务,可实现简单的实时聚合计算。

当前 Kylin 主要查询方为指标 API 平台,能根据查询 SQL 特征,做相应缓存。指标 API 作为数据统一出口,衍生出其他一些业务产品。使用统计,如下:Cube 数量 350+,覆盖公司 12 个业务线。Cube 存储总量 200+TB,数据行万亿级,单 Cube 最大 40+ 亿行。日查询量 27+ 万,缓存不命中情况下,时延 < 500ms(70%), < 1s(90%),少量复杂 SQL 查询耗时 10s 左右。


4. Kylin 应用场景及使用规范


适用场景:数据规模大,非实时,目前能支持小时级别;维度组合和查询条件组合在可预见的范围内;查询条件扫描范围不会太大;不适合需要大范围模糊搜索排序的场景(类似 Search)。

如何能规范的使用 Kylin 很重要,在 Kylin 建设初期,踩过很多坑。并不是程序的错误,而是未能详细了解 Kylin 使用流程及规范,逐渐摸清积累了一些经验,沉淀到公司 wiki,供相关人员参考。大致如下:


1

维度优化

预计算的结果需要存储到 Hbase,且支持实时查询,因此,在配置维度时,要考虑到存储和查询的优化。包括:维度的编码,根据维度的值类型,选择合适的存储类型,可节省空间,加快 Hbase scan 效率;可根据业务需要,对维度进行分片存储,增加查询的并发度,缩短查询时间;基数允许范围内的维度,尽量采用字典编码;对于分区字段,一般格式为 yy-MM-dd hh:mm:ss,若只需要细化到天级别,可保存为数字类型 yyMMdd,极大降低维度基数。

2

考虑查询场景

根据 Hbase 的查询特性,Rowkeys 是由维度组合拼接而成,因此要考虑到以后查询场景:对于查询频繁的维度,在设置 Rowkeys 时,优先放在前面。

3

维度组合优化

由于维度的组合影响最终的数据量,因此如何能减少维度的组合,是 Cube 配置时所要考虑的。根据业务需要,及 Kylin 支持的特性,可进行的维度组合优化有:使用衍生维度,只物化维度表的主键,牺牲部分运行时性能进行实时 Join 聚合;使用聚合组,将相关维度内聚成一组,并在聚合组内,根据维度的特征,配置强制维度、层级维度、联合维度。聚合组的设计可以非常灵活,例如,高基数的维度,可以单独一个 Group。

4

及时清理失效数据

由于构建过程出错或者集群故障,会导致一些垃圾文件,随着时间积累的一些无用 segment,不但占用存储空间,增加 namenode 内存压力,以及占用 Hbase、Hive 及 Kylin 元数据空间,因此需要定期清理掉,保持存储环境干净。


应该实时监控集群状态,重点关注 Cube 构建和查询的低延迟,不断优化数据模型及 Cube 的设计和存储,根据用户真正的需求,在存储、构建及查询性能间找到最佳的平衡点。


5. 链家 Kylin 能力扩展


当前,Kylin在用版本为 1.6,最新版本为 2.3。自 2.0 版本之后,又新增了一些新的特性,配置文件和属性也做了一些调整。由于,Cube 数据量大,涉及业务方多,在当前无明显瓶颈的情况下,没有实时更新新版本。但是,引入了 2.0+ 新增的一些重要特性,如分布式构建和分布式锁。

我们维护了自己的一套 Kylin 代码,使用过程中,针对特定场景的进行一些优化开发,包括:


一、支持分布式构建。原生 Kylin 是只能有一台机器进行构建。的当 Kylin 上的 Cube 越来越多,单台机器显然不能满足任务需求,除了任务数据有限制,任务多时也会互相影响数据构建的效率。通过修改 Kylin 的任务调度策略,支持了多台机器同时构建数据。使 Kylin 的构建能力可以横向扩展,来保证数据构建;


二、优化构建时字典下载策略。原生 Kylin 在 Build Cubiod Data 时用的字典,会将该字段的全部字典下载到节点上,当字段的字典数量很多或者字典文件很大时,会在文件传输上消耗很多不必要的时间。通过修改代码,使任务只下载需要的字典文件,从而减少文件传输时间消耗,加快构建;


三、全局字典锁。在同一 Cube 所任务构建时,由于共享全局字典锁,当某执行任务异常时,会导致其他任务获取不到锁,此 bug已修复并提交官方(https://issues.apache.org/jira/browse/KYLIN-3087);


四、当有多台 Query 情况下,元数据同步时,RestClient 采用的 BasicClientConnManager会遇到并发瓶颈,抛出异常,解决方案为替换成 PoolingClientConnectionManager,并提交官方(https://issues.apache.org/jira/browse/KYLIN-2862);


五、同一 Cube 构建多个 Segment 时,假如第一次构建的 Segment 时间段晚于第二个Segment,会取第一次的last_build_time作为最后一次构建时间,取值错误,已修复提交官方(https://issues.apache.org/jira/browse/KYLIN-2789);


六、支持设置Cube强制关联维表,过滤事实表中无效的维度数据。kylin创建的临时表作为数据源。当使用 OLAP 表和维表关联字段作为维度时,会默认不关联维表,直接使用 OLAP 中的字段做维度。而在 Build Cube 这一步又会使用维表的字典来转换维度的值。如果 OLAP 中的值维表中没有就会产生问题。我们通过增加配置项,可以使 Kylin 强制关联维表,来过滤掉 OLAP 表中的脏数据;


七、Kylin query 机器,查询或者聚合,会加载大量的数据到内存,内存占用大,甚至存在频繁 Full GC 的情况。这种情况下,CMS 垃圾回收表现不是很好,因此更换为 G1 收集器,尽量做到 STW 时间可控,并及时调优。  

     

除了上述对 Kylin 本身的修改外,我们开发了 Kylin 中间件实现了任务调度、状态监控、权限管理等功能。



6. Kylin 中间件


中间件承接 Cube 管理及任务的调度,对外屏蔽了 Kylin 集群,架构图如下:


可实现如下功能增强:


01

理论上,可实现无限容量队列,现实中不会有这么大任务量,也不会一直堆积;

02


同时,针对特定的 Cube,实现优先调度,保障重要数据的及时产出;

03


元数据管理平台,可通过中间件执行 SQL 查询,而指标 API 平台,需要预先在元数据管理平台配置 API 查询接口,配置时可看到自身权限对应的数据,由此实现权限的管控;

04


当任务执行失败,可进行有限次数重试,重试不成功会报警;

05


同时,可实现并发控制,由于 Kylin 集群的承载能力有限,过多的任务同时执行,会造成大量任务失败,目前设置最多提交 50 个构建任务同时运行。



7. 总结


Kylin 引擎核心组件可扩展,支持超大规模数据,ANSI SQL 易用性高,作为链家 OLAP 平台的关键组件,基本承载了全部的多维分析需求,提升了数据产出效率和查询性能。相比 ROLAP 架构,现在只需关注基础数据建设和数据探索,节省了大量人力,并提高了整体可维护性。   

 
在 OLAP 平台建设期间,Kyligence 给予我们很大帮助,并和其他公司保持技术交流。Apache Kylin 社区很活跃,核心开发团队也非常热心、高效,作为国人主持开源的 Apache 顶级项目,希望 Kylin 和社区有更好的发展。

未来,我们会持续跟踪业务需求,不断优化集群性能,提升集群稳定性和易用性。并重点关注大结果集查询性能、Spark 构建引擎、任务资源隔离等。


    链家大数据架构团队


链家网大数据架构团队负责公司大数据存储平台、计算平台、实时数据流平台的架构、性能优化、研发等,提供高效的大数据 OLAP 引擎、以及大数据工具链组件研发,为公司提供稳定、高效、开放的大数据基础组件与基础平台。


点击【阅读原文】了解更多【Kylin 详情】


 "Apache and Apache Kylin are either registered trademarks or trademarks of The Apache Software Foundation in the US and/or other countries. No endorsement by The Apache Software Foundation is implied by the use of these marks."

您可能还会想看

2018年第一期 | Apache Kylin 管理员认证培训圆满结束

【报名啦】Apache Kylin 认证培训开课啦!

Kyligence - Apache Kylin™认证培训第一期开放报名

【案例分享】Apache Kylin在绿城客户画像系统中的实践

【征集令】欢迎加入Apache Kylin Tech Blog征集计划

【干货分享】Apache Kylin:一个 OLAP 利器

【技术帖】将OLAP用到极致——Mondrian非功能优化

【Meetup 访谈实录 & 讲师PPT】Kylin 李扬对话 Alluxio 李浩源

 
apachekylin 更多文章 2018年第一期 | Apache Kylin 管理员认证培训圆满结束 【Workshop 报名啦】零基础搭建云上大数据平台:Kyligence on AWS Apache Kylin v2.3.0 正式发布 【Workshop 报名啦】零基础搭建云上大数据平台:Kyligence on Microsoft 【附PPT】东京JAWS DAYS 2018 | Apache Kylin的“
猜您喜欢 互联网+案例 | 中国连锁餐企50强的互联网+转型实践 喵叔叔是谁 大众点评支付渠道网关系统的实践之路 ATF论坛双11技术创新专场视频新鲜出炉!今晚视频直播预告! 新课速递 | 系统学习Android自动化测试