如何在AWS上构建Apache DolphinScheduler

引言

随着云计算技术的发展，Amazon Web Services (AWS) 作为一个开放的平台，一直在帮助开发者更好的在云上构建和使用开源软件，同时也与开源社区紧密合作，推动开源项目的发展。

本文主要探讨2024年值得关注的一些开源软件及其在AWS上的应用情况，希望能够给大家参考使用！

2024年数据开源软件的趋势

这张图是根据海外的数据工程师总结的数据开源软件landscape，我们可以观察到一些关键的趋势：

数据存储与管理

国内软件的崛起：越来越多的中国开源软件在数据存储领域崛起，例如Pingcap、OceanBase和ShardingSphere。这些项目不仅由中国的社区主导，也得到了背后商业公司的大力支持。
存储系统：开源软件在数据存储或数据库系统方面依旧是讨论的热点，表明存储解决方案的重要性在不断增加。

数据湖与数据处理

数据湖技术：数据湖的构建和管理是近年来广泛讨论的主题，显示出企业对于整合不同来源数据的高需求。

DataOps

数据调度：传统工具如Airflow和Azkaban以及新兴的Apache DolphinScheduler，都在数据工作流和DataOps平台领域中被广泛使用。特别是Apache DolphinScheduler，近年来受到了开发者和企业的广泛关注。
数据集成工具：以 Apache SeaTunnel 等为代表的工具在数据处理和数据接入方面扮演着重要角色，帮助企业有效地管理和转换数据。

作为一个开放的云平台，AWS不仅提供技术支持，还积极与全球社区进行深度合作，帮助开发者和企业在云上构建和扩展他们的开源项目。

接下来我们总结一下开源软件为什么这么重要？是因为它们不仅提供了灵活性和创新的加速，而且还帮助企业优化成本并提高产品的健壮性。

开源软件的四大优势

灵活性和可定制性

开源软件的一个主要优点是其灵活性和高度的可定制性。因为源码直接掌握在开发者或客户手中，用户可以根据自己企业的特定需求来修改和优化软件，使其更加符合自己的业务场景。

加速创新

从流式数据处理到数据仓库和湖仓一体化，再到DataOps和人工智能，许多创新技术都是首先在开源社区中提出并发展起来的。关注开源软件，就是紧跟创新的步伐。

成本优化

无论是传统IDC机房的客户还是在云上有较大规模的客户，他们都关注如何优化成本。开源软件提供了一种降低商业软件成本、优化资源使用的有效途径，帮助企业减轻经济负担。

社区里边有一句名言“社区重于代码”，一个开源项目的的成功不仅仅是代码的产出，而是整个社区生态的繁荣，开源软件通常拥有活跃的社区支持，代码和功能不断迭代和更新。像Apache DolphinScheduler这样的项目，其成为Apache基金会顶级项目证明了其在代码质量、功能成熟度和社区活跃度等多个维度的高标准。社区的活跃不仅仅体现在代码产出上，更重要的是社区的建设和生态的完善。

我们刚才讲到帮助我们的开发者在云上去构建开源软件，那AWS能提供给开发者什么样的内容，帮助开发者做哪些东西？

数据分析服务

数据接入和处理

首先我们可以看一下下面这张图，这张图是亚马逊云科技数据分析的服务的一个整体介绍，这里边会去按照像刚才的开源项目的一些分类，就是我们把从数据接入、数据处理、数据湖再到数据分析，还有一些结合 AI 模型 learning 的一些服务，做了一个分类。

AWS为数据接入和处理提供了多种服务：

实时处理：利用完全托管的Flink服务，即Amazon Kinesis，为实时数据流提供强大支持。
批处理和离线处理：通过Data Firehouse等服务支持批量离线数据处理，这些服务的底层技术部分源自开源社区。

数据湖和数据分析

AWS不仅支持数据存储和管理，还提供了强大的数据分析工具：

Amazon Glue：作为一个完整的托管ETL服务，Glue支持数据准备和加载工作，使得数据分析工作变得更加高效。
Amazon EMR：提供了一个可扩展的Apache Hadoop框架来分析大规模数据集。

DolphinScheduler的集成

为了满足更广泛的客户需求，在数据解决方案中引入了Apache DolphinScheduler：：

调度和工作流管理：DolphinScheduler与AWS服务如Amazon Kinesis和Amazon EMR集成，为开发者提供了强大的数据调度能力。
定制化任务调度：开发者可以通过DolphinScheduler定制EMR作业的参数，使任务调度更加灵活和高效。

当然我们通过链接社区的反馈，不断调整其服务以更好地服务于用户。

例如，基于用户反馈，AWS持续优化DolphinScheduler的集成，比如说现在已经集成了EMR，在 DolphinScheduler 的一个Task怎么去调度？EMR 的里面的一些参数能不能定制化，或者是做参数传递，或者是有一些更好地去更或者更方便的形式用 DolphinScheduler 去很好地去调度EMR提供更灵活的任务调度选项。

其实大部分用户都是基于开源软件，然后做了很多的二次开发，然后帮助客户更快地去实现他们的业务价值，AWS通过与开源软件的深度结合，开发了多种服务和解决方案以满足不同客户的需求：

数据接入与处理：利用如Amazon Kinesis和Data Firehouse等服务，AWS结合开源项目如Apache Flink，提供实时与批量数据处理能力。
数据存储优化：通过开源软件如ClickHouse、Apache Hudi和Apache Iceberg等，这些软件能够直接利用AWS的对象存储服务S3，为数据湖等应用提供支持。

存储服务的云原生优化

AWS不仅在功能上进行优化，还通过云原生技术确保存储服务的高效与成本效益：

对象存储S3：作为业界标准，S3为大量开源软件提供了可靠的底层存储支持。
弹性块存储EBS：EBS支持高性能的服务器挂载，适用于需要高吞吐量和低延迟的应用场景。

高效的成本管理

成本优化：AWS通过提供高性能的存储服务如新一代EBS，帮助客户降低存储成本。
原生备份服务：AWS的备份服务为数据提供了额外的安全保障，同时优化了数据恢复的成本和时间。

AWS负载均衡服务

AWS的负载均衡服务提供以下关键功能：

多协议支持：支持多种协议，确保不同场景下的负载均衡需求得到满足。
基于流量的收费模式：此服务基于流量收费，为开源项目提供成本优势，特别是在流量波动大的应用场景下。
加密协议支持：原生支持加密协议，增强了数据传输的安全性。

弹性和可扩展性

通过AWS负载均衡，开源软件能够更好地应对访问量的波动，自动调整资源以保持高性能和稳定性。

Serverless的优势

对于依赖数据库的开源调度工具（如DolphinScheduler），选择合适的数据库配置是一个挑战。AWS的Serverless数据库服务提供了灵活的解决方案：

自动化的资源管理：Serverless架构允许数据库自动根据负载调整计算资源，无需人工干预。
弹性扩缩容：支持快速扩容和缩容，响应时间可以达到秒级，非常适合需求波动大的场景。
计算单元的粒度：最小计算单元为0.5 ACU（含2GB内存），允许精细控制资源使用，优化成本。

场景应用

在高峰期，如夜间数据处理作业增多时，Serverless数据库能够自动增加资源，确保数据库性能满足需求。这种模式为开发者节省了显著的资源预算，并简化了数据库的管理工作。

我们希望通过利用AWS的负载均衡和Serverless数据库服务，开源软件项目可以获得更高的弹性、安全性和成本效率。

容器服务

容器技术已成为支持分布式系统的关键技术，海豚调度恰恰是分布式架构，AWS的Elastic Kubernetes Service (EKS) 提供了一个完全托管的Kubernetes服务，帮助开发者轻松部署和管理容器化应用。

AWS EKS的核心优势

AWS EKS允许用户在几分钟内部署一个完全兼容Kubernetes的集群，极大地简化了容器集群的设置和管理过程。

EKS保证与开源Kubernetes社区的100%兼容性，确保任何标准的Kubernetes应用都可以无缝迁移至AWS。

EKS集成了多种AWS服务，包括但不限于AWS的负载均衡和自动扩缩容服务，这些服务增强了开源软件的性能和可观测性。

Data On EKS（DoEKS）解决方案

DoEKS是一个由AWS架构师团队开发的开源项目，它旨在提供一个一键部署解决方案，使开发者能够快速在EKS上部署流行的开源软件，如Spark和Flink。

功能与优势

一键部署：用户可以通过执行一个脚本快速启动一个完整的开源软件集群。
降低技术门槛：DoEKS项目简化了传统的开源软件部署流程，从而让开发者可以避免复杂的安装和配置步骤。

应用场景无论是AI模型学习、数据分析还是大数据处理，DoEKS都提供了快速和高效的部署选项，帮助开发者专注于业务逻辑而非底层基础设施。

AWS EKS和DoEKS项目为开源社区提供了强大的支持，甚至是可以一键执行脚本，直接把这个开源组件拉起来，使得开发者可以更加便捷地部署和管理分布式系统。

数据采集与处理

Kafka on EKS: 完全托管的服务，用于处理大规模的实时数据流。
Flink & Spark on EKS: 提供实时和批量数据处理能力，已与EKS完美集成，支持高效的数据分析任务。
DolphinScheduler on EKS: 我们计划提供调度和工作流管理，使任务自动化和优化更加容易。

一键部署与管理

DolphinScheduler: 已开发出专门的一键部署解决方案和指导文档，帮助用户快速在EKS上部署并管理DolphinScheduler。
ECR镜像版本管理: 提供操作指南，帮助管理和维护DolphinScheduler及其他开源软件的容器镜像版本。

Serverless 计算与ELB

Serverless 解决方案: 主要以Serverless计算为目标，提供无需管理服务器的高性能计算选项，特别适用于弹性需求高的应用。
Elastic Load Balancing (ELB): 支持多种协议，提供弹性扩缩容操作，确保应用在不同负载下的高可用性和性能。

综合解决方案

解决方案地图: 涵盖从数据集成到数据湖的全方位解决方案，例如利用Kafka Connect集成数据至Redshift数据仓或数据湖。
Apche Paimon与AWS Glue: 结合使用Apche Paimon和AWS Glue进行数据湖建设，提供全面的数据管理解决方案。

对于海豚调度我们也做了很多内容。比如说像刚才提到的 AWS 部署无服务器的 DolphinScheduler，我们就提供了一个无服务器的在 EKS 上快速部署的解决方案。然后还有包括 EMR Serverless，还有我们有客户或者有客户也跟我们一起合作了，帮助我们的开发者或者用户实现这种精确的监控或者是成本优化。

监控和运维支持

AWS不仅关注软件的部署和性能优化，还提供一系列监控和告警解决方案，帮助客户有效管理云上资源：

可观测性：AWS提供工具和服务来监控云组件的性能，确保系统的可靠性和效率。
安全和权限管理：结合先进的权限管理策略，AWS加强了数据和应用的安全性。

AWS Marketplace的第三方产品支持

订阅服务：在AWS Marketplace，用户可以轻松订阅第三方提供的产品，如商业版的DolphinScheduler，进一步简化了软件的获取和部署过程。

AWS的架构师团队也致力于为客户提供最佳的架构选择和优化建议，确保云上开源软件的高性能和可扩展性。

社区贡献和生态发展

社区参与：AWS积极参与开源社区，不仅贡献代码，还分享案例和最佳实践，促进开源软件的发展和创新。
技术探讨和解决方案分享：通过公开讨论和技术分享，AWS帮助开发者更好地理解和应用最新的云技术。

云原生服务和操作指南

AWS不仅提供基础的虚拟机服务，还通过云原生技术和详细的操作指南帮助客户构建和优化业务流程：

Workshops和指导：AWS定期举办Workshop，提供实操指导，帮助客户充分利用云平台的潜力。

结论

AWS致力于成为企业使用和构建开源软件的首选平台。通过提供强大的服务、解决方案和社区支持，AWS确保客户能够在全球范围内顺利实施和扩展他们的业务。最后希望本文的分享对大家有所帮助。

延展阅读：使用 Apache DolphinScheduler 构建和部署大数据平台，将任务提交至 AWS 的实践经验

本文由白鲸开源提供发布支持！