基于 MaxCompute 的实时数据处理实践

简介： MaxCompute 通过流式数据高性能写入和秒级别查询能力(查询加速)，提供EB级云原生数仓近实时分析能力；高效的实现对变化中的数据进行快速分析及决策辅助。当前Demo基于近实时交互式BI分析/决策辅助场景，实现指标卡近实时BI分析、近实时市场监测、近实时趋势分析、近实时销量拆分功能。

本文作者隆志强阿里云智能高级产品专家

一、产品功能介绍

基于查询加速的数仓架构

当前比较盛行的实时数仓，基本都是基于Flink来做的。今天分享的内容不是把 MaxCompute定义为一个实时数仓，我们讲的是基于当前数据的实时处理流程，在MaxCompute中是怎么去做支持的，怎么在 MaxCompute 中做实时数据的接入、查询、应用。开源的实时数仓是基于Flink来做的，Flink本质是实时计算，支持流批一体，所以比较实时的场景都是基于Flink+Kafka+存储来做的。本次分享主要不是讲计算环节，本次主要讲解基于BinLog、Flink、Spark Streaming的实时流数据是怎么写入到 MaxCompute 中的。

通过实时流通道，实时写入MaxCompute，写入即可见，这是 MaxCompute 的产品特点。目前市场的数仓产品写入查询绝大多数都有延时存在， MaxCompute 是做到了高QPS的实时写入，写入即可查。可以通过查询加速(MCQA)实时查询写入进 MaxCompute 的数据。对接到BI工具，即席查询可以实时访问到实时写入的数据。

Binlog写到到MaxCompute，是通过DataX，支持增删改查的合并，后续在产品功能迭代中，MaxCompute会支持upsert，支持业务数据库数据的新增、修改、删除。Flink数据计算完之后写入到 MaxCompute 时，直接使用Streaming Tunnel插件写入MaxCompute中，这个过程不需要做代码开发，Kafka也支持了插件。

实时写入目前没有做写入数据的计算处理环节，只是快速的把现在流式数据包括消息服务的数据，直接通过Streaming Tunnel服务写入到MaxCompute中。当前Streaming Tunnel支持了主流消息服务，如Kafka、Flink，做了插件支持。以及Streaming Tunnel SDK，当前只支持Java SDK。可以通过Streaming Tunnel SDK做一些应用读取之后的逻辑处理，再调取Streaming Tunnel SDK写入到MaxCompute中。写入MaxCompute之后，目前主要的处理环节是针对写入的数据，进行直读查询，也可以把写入的数据关联到MaxCompute中的离线数据，做联合查询分析。在查的过程中，如果是通过SDK或者JDBC接入时，可以打开查询加速（MCQA)功能。如果是通过web console或DataWorks，是默认开启查询加速（MCQA）功能。当前主要是BI分析工具和第三方应用层分析工具，通过SDK或JDBC链接MaxCompute时，是可以打开查询加速（MCQA）功能，这样可以做到接近秒级查询实时写入的数据。

整体来看，现在的场景主要是数据的实时流式写入，写入之后可以结合离线数据，做联合分析查询，通过查询加速（MCQA）功能。在数据进入MaxCompute后，是没有做计算的，只是做查询服务。这是目前基于MaxCompute实时数据处理场景。

流式数据写入功能介绍

当前流式数据写入功能已经在中国区商业化发布。当前此功能是免费使用。

功能特定

支持高并发、高QPS（Queries-per-second）场景下流式数据写入，写入即可见。
提供流式语义API：通过流式服务的API可以方便的开发出分布式数据同步服务。
支持自动创建分区：解决数据同步服务并发创建分区导致的并发抢锁问题。
支持增量数据异步聚合（Merge）：提升数据存储效率。
支持增量数据异步zorder by排序功能，zorder by详情请参见插入或覆写数据（INSERT INTO | INSERT OVERWRITE）。

性能优势

更优化的数据存储结构，解决高QPS写入导致的碎片文件问题。
数据链路与元数据访问完全隔离，解决高并发写入场景下元数据访问导致的抢锁延迟和报错问题。
提供了增量数据异步处理机制，可以在使用过程中无感知情况下对新写入的增量数据做进一步处理，已经支持的功能包括：

数据聚合（Merge）：提升存储效率。
zorder by排序：提升存储、查询效率。

流式数据写入-技术架构

Stream API无状态并发数据实时可见

技术架构分为三个部分：数据通道、流计算数据同步、自研应用。

当前数据通道支持的有Datahub、Kafka、TT、SLS

流计算数据同步支持的有Blink、Spark、DTS、DataX、kepler/DD

数据写入MaxCompute中，在计算集群前会有Tunnel集群存在，提供Stream Tnnel服务来完成从客户端到Tunnel服务端数据的写入。写入过程是一个文件最佳的过程，最后会有一个文件的合并。这个过程是消耗了数据通道过程中的计算资源服务，但这一消耗是免费的。

查询加速功能介绍

实现数据实时写入与基于查询加速的交互式分析

目前查询加速功能可以支持日常查询80%-90%的场景。查询加速功能的语法与MaxCompute内置语法完全一致。

MaxCompute查询加速 – 针对实时性要求高的查询作业，全链路加快 MaxCompute 查询执行速度

使用MaxComputeSQL语法和引擎，针对近实时场景进行优化
系统自动进行查询优化选择，同时支持用户选择延时优先还是吞吐优先的执行方式
针对近实时场景使用不同的资源调度策略：latencybased
针对低延时要求的场景进行全链路优化：独立执行资源池；多层次的数据和metaCaching；交互协议优化

收益

简化架构，查询加速与海量分析自适应的一体化方案
对比普通离线模式快几倍甚至数十倍
结合MaxCompute流式上传能力，支持近实时分析
支持多种接入方式，易集成
支持自动识别离线任务中的短查询，后付费模式是默认开启。预付费当前支持为使用包年包月资源的实例下SQL扫描量在10 GB以内的查询作业提供免费查询加速服务。
低成本，免运维，高弹性

查询加速-技术架构

自适应执行引擎、多层次缓存机制

当SQL提交到MaxCompute计算引擎时，会分为两个模式，离线作业(吞吐量优化）和短查询(延迟优化）。两个模式从技术底层来说，查询加速作业做了执行计划的缩减和优化，计算资源是预拉起资源，是向量化执行，会基于内存/网络shuffle以及多层次的缓存机制。相比于离线作业的代码生产到磁盘shuffle，再进行资源排队申请。查询加速会进行识别作业，如果符合条件，则直接进入预拉起资源。在数据缓存部分，基于Pangu分布式文件系统，对表跟字段会有一个缓存机制。

查询加速-性能比对

TPCDS测试集与某业界领先竞品的性能比较

100GB超越30%以上
1TB规模性能不相上下

二、应用场景

流式数据写入-应用场景

查询加速-应用场景

固定报表快速查询

数据ETL处理为面向消费的聚合数据
满足固定报表/在线数据服务需求，秒级查询
弹性并发/数据缓存/易集成

通过数据应用工具或者是BI分析工具通过JDBC/SDK接入到MaxCompute，可以直读到MaxCompute内的表数据。

Ad-hoc数据探索分析

自动识别作业特征，根据数据规模、计算复杂度选择不同的执行模式，简单查询跑的快、复杂查询算得动
配合存储层建模优化，如分区、HashClustering等进一步优化查询性能

近实时运营分析

支持批量和流式数据接入
历史数据和近实时数据融合分析
产品级别集成消息服务：

Datahub-日志/消息
DTS-数据库日志
SLS-行为日志
Kafka-物联网/日志接入

三、工具及接入

流式数据写入-接入

消息&服务

消息队列Kafka（插件支持）
Logstash的输出插件（插件支持）
Flink版内置插件
DataHub实时数据通道(内部插件）

SDK类新接口-Java

参考上述示例可以自己封装相应的业务逻辑。

查询加速-接入

工具类

DataWorks（默认开启）
ODPS CMD（需要配置）
MaxCompute Studio（需要配置）

SDK类接口

ODPS JavaSDK
ODPS PythonSDK
JDBC

老接口兼容

自动识别模式

四、Demo&总结