• 新时代 新担当 新作为 2019-03-20
  • 习近平:坚决打好污染防治攻坚战 推动生态文明建设迈上新台阶 2019-03-18
  • 重庆市渝北区:积极打造“律师驻所”新模式 2019-03-18
  • 游走休闲马德里,做一个阳光收割机 2019-02-16
  • 你好,游客 登录
    背景:
    阅读新闻

    青海快三零三高楼:大数据时代数据库-云HBase架构&生态&实践

    [日期:2018-05-22] 来源:云栖团队博客  作者: [字体: ]

    广西快3 www.eemm1.com   2018第九届中国数据库技术大会,阿里云高 技术专家、架构师封神(曹龙)带来题为大数据时代数据库-云HBase架构&生态&实践的演讲。主要内容有三个方面:先介绍了业务挑战带来的架构演进,其次分析了ApsaraDB HBase及生态,较后分享了大数据数据库的实际案例。

      数十款阿里云产品限时折扣中, 赶快点击这里 , 领券开始云上实践吧!

      直播视频回顾

      以下是精彩视频内容整理:

      业务的挑战

      存储量量/并发计算增大

    大数据

      现如今大量的中小型公司并没有大规模的数据,如果 家公司的数据量超过100T,且能通过数据产生新的价值,基本可以说是大数据公司了 。起初, 个创业公司的基本思路就是先架构 个或者几个ECS,后面加入MySQL,如果有图片需求还可加入磁盘,该架构的基本能力包括事务、存储、索引和计算力。随着公司的慢慢发展,数据量在不断地增大,其通过MySQL及磁盘基本无法满足需求,只有分布式化。 这个时候MySQL变成了HBase,检索变成了Solr/ES,再ECS提供的计算力变成了Spark。但这也会面临存储量大且存储成本高等问题。

      非结构化业务增多

      另外 个趋势就是非结构化的数据越来越多,数据结构的模式不仅仅是SQL,时序、时空、graph模式也越来越多,需要 些新的存储结构或新的算法去解决这类问题,也意味着所需要做的工程量就会相对较高。

      引入更多的数据

      对于数据处理大致可归类为四个方面,分别是复杂性、灵活性、延迟<读,写>和分布式,其中分布式肯定是不可少的, 旦缺少分布式就无法解决大规模问题 。灵活性的意思是业务可以任意改变的;复杂性就是运行 条SQL能够访问多少数据或者说SQL是否复杂;延迟也可分为读与写的延迟。hadoop & Spark可以解决计算复杂性和灵活性,但是解决不了延迟的问题;HBase&分布式索引、分布式数据库可以解决灵活性与延迟的问题,但由于它没有很多计算节点,所以解决不了计算复杂性的问题。Kylin(满足读延迟)在计算复杂性与延迟之间找了 个平衡点,这个平衡点就是怎样快速出报表,但对于这个结果的输入时间我们并不关心,对于大部分的报表类的需求就是这样的。每个引擎都是 定的侧重,没有银弹!

      ApsaraDB HBase产品架构及改进

      应对的办法

      我们也不能解决所有的问题,我们只是解决其中大部分的问题。如何找到 个在工程上能够解决大部分问题的方案关重要,应对办法:

      分布式:提供扩展性

      计算力延伸:算子+SQL,从ECS到Spark其本质其实就是 种计算力的延伸

      分层设计:降低复杂性,提供多模式的存储模型

      云化:复用资源&弹性,降低成本

      基本构架

      先包含了两个分离

      分别是HDFS与分布式Region分布式检索分离

      SQL时空图时序Cube与分布式Region检索分离

      大致的分层机构如下:

      第 层:介质层,热SSD介质、温SSD&SATA 混合、冷纯SATA(做EC)

      层:分布式文件系统,也就是盘古。事实上越是底层越容易做封装优化。

      第三层:分布式安全隔离保障层QOS,如果我们做存储计算分离,就意味着底层的三个集群需要布三套,这样每个集群就会有几十台甚几百台的节点,此时存储力是由大家来均摊的,这就意味着分布式安全隔离保障层要做好隔离性,引入QOS就意味着会增加延迟,此时会引入 些新的硬件(比如RDMA)去尽可能的减小延迟。

      第四层:分布式文件接口:HDFS & API(此层看情况可有可无)

      第五层:我们提供了两个组件,分布式Region-HBase与分布式检索-Solr,在研究分布索引的时候发现单机索引是相对简单的,我们提供针对二 索引采取内置的分布式Region的分布式架构,针对全文索引采取外置Solr分布式索引方案

      第六层:建设在分布式KV之上,有NewSQL套件、时空套件、时序套件、图套件及Cube套件

      另外,可以引入spark来分析,这个也是社区目前通用的方案

      解决成本的方案

      对于解决成本的方案简单介绍如下:

      分 存储:SSD与SATA的价格相差很多,在冷数据上,我们建议直接采取冷存储的方式 ,可以节约500%的成本

      高压缩比:在分 存储上有 个较好的压缩,尤其是在冷数据,我们可以提高压缩比例,另外分布式文件系统可以采取EC进 步降低存储成本,节约100%的成本

      基础设施共享:库存压力分担,云平台可以释放红利给客户

      存储与计算分离:按需计费

      优化性能:再把性能提升1倍左右

      云数据库基本部署结构

      假设在北京有三个机房可用区A、B和C,我们会在可用区A中部署 个热的存储集群,在北京整体区域部 个冷的存储集群,实际上有几个可用区就可以有几个热集群,主要是保障延迟的;冷集群对延迟相对不敏感,可以地域单独部署,只要交换机满足冷集群所需的带宽即可。这样的好处是三个区共享 个冷集群,就意味着可以共享库存。

      ApsaraDB HBase产品能力

      我们提供两个版本, 是单节点版,其特点是给开发测试用或者可用性不高,数据量不大的场景。二是集群版本其特点是高5000w QPS,多达10P存储与高可靠低延迟等。

      • 数据可靠性:99.99999999%:之所以可靠性可以达到如此之高,其核心的原因就是存储集群是单独部署的,其会根据机架等进行副本放置优化

      服务可用性:单集群99.9% 双集群99.99%。

      服务保障:服务未满足SLA赔付。

      数据备份及恢复。

      数据热冷分离分 存储。

      企业 安全:认证授权及加密。

      提供检索及二 索引及NewSQL能力。

      提供时序/图/时空/Cube相关能力。

      与Spark无缝集成,提供AP能力。

      数据备份及恢复

      备份分为全量备份HFile与 增量量备份HLog;恢复分为HLog转化为HFile和BulkLoad加载。阿里云集团迄今为止已经有 万两千多台的HBase,大部分都是主备集群的,在云上由于客户成本的原因,大部分不选择主备,所以需要对数据进行备份。其难点在于备份需要引入计算资源,我们需要引入弹性的计算资源来处理备份的相关计算任务

      Compaction 离线Compaction(研究中)

      我们在内部研究如何通FPGA对Compaction进行加速,这会使得集群运行比较平缓,特别是对计算资源少,存储量大的情况下,可以通过离线的作业处理Compaction。

      组件层

      我们有5中组件,NewSQL(Phoenix)、时序OpenTSDB、时空GeoMesa、图JanusGraph及Cube的Kylin,及提供HTAP能力的Spark。这里简单描述几个,如下:

      NewSQL-Phoenix

      客户还是比较喜欢用SQL的,Phoenix会支持SQL及二 索引,在超过1T的数据量的情况下,对事务的需求就很少(所以我们并没有支持事务);二 索引是通过再新建 张HBase表来实现的。在命中索引的情况下,万亿 别的访问基本在毫秒 别,但由于Phoenix聚合点在 个节点,所以不能做Shuffle类似的事情,同时也就不能处理复杂的计算,所以任何说我是HTAP架构的,如果不能做Shuffle,就基本不能做复杂的计算。

      HTAP-Spark

      在HTAP-Spark这部分主要介绍 下RDD API、 SQL、直接访问HFile,它们的特点如下:

      RDD API具有简单方便,默认支持的特点,但高并发scan大表会影响稳定性;

      SQL支持算子下推、schema映射、各种参数调优,高并发scan大表会影响稳定性;

      直接访问HFile,直接访问存储不经过计算,大批量量访问性能较好,需要snapshot对齐数据。

      时序-OpenTSDB & HiTSDB

      TSD没有状态,可以动态加减节点,并按照时序数据的特点设计表结构,其内置针对浮点的高压缩比的算法,我们云上专业版的HiTSDB增加倒排等能力,并能够针对时序增加插值、降精度等优化。

      大数据数据库的实际案例

      以下简单介绍几个客户的案例,目前已经在云上ApsaraDB HBase运行,数据量基本在10T以上:

      某车联网公司

      这是 个车联网的客户,有100万车,每辆车每10秒上传 次,每次1KB,这样 年就有300T数据,六个月以上是数据低频访问,所以他要做分 存储,把冷数据放到低介质上

      某大数据控公司

      这是 个大数据控公司,它大约有200T+的数据量,将HBase数据 (在线实时大数据存储)作为主数据库,先用HBase做算法训练,再用HBase SQL出报表,另外做了 套ECS进行实时查以便与客户之间进行数据交换。

      某社交公司

      社交会有大量的推荐,所以SLA要求高达99.99,并采用双集群保障,单集群读写高峰QPS 可以达到1000w+,数据量在30T左右。

      某基金公司

      这是 个金融公司,它有10000亿以上的交易数据,目前用多个二 索引支持毫秒 别的查询,数据量在100T左右

      某公司报表系统

      先离线建好Cube再把数据同步到HBase中,实时数据通过Blink对接进行更新,数据量在可达20T左右。

      封神:真名曹龙,09年加入阿里,现任阿里云高 技术专家、架构师,专注于大数据分布式计算、数据库、存储领域,先后研发上万台Hadoop、ODPS集群,负责阿里YARN、Spark及自主研发内存计算引擎,目前为广大公共云用户提供专业的云HBase数据库及计算服务。

      本文由云栖志愿小组毛鹤整理,百见编辑。





    收藏 推荐 打印 | 录入:Cstor | 阅读:
    本文评论   查看全部评论 (0)
    表情: 表情 姓名: 字数
    点评:
           
    评论声明
    • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
    • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
    • 本站管理人员有权保留或删除其管辖留言中的任意内容
    • 本站有权在网站内转载或引用您的评论
    • 参与本评论即表明您已经阅读并接受上述条款
  • 新时代 新担当 新作为 2019-03-20
  • 习近平:坚决打好污染防治攻坚战 推动生态文明建设迈上新台阶 2019-03-18
  • 重庆市渝北区:积极打造“律师驻所”新模式 2019-03-18
  • 游走休闲马德里,做一个阳光收割机 2019-02-16