攜程基于Flink的實時特征平臺

作者：劉康

本文來自7月26日在上海舉行的 Flink Meetup 會議，分享來自于劉康，目前在大數(shù)據(jù)平臺部從事模型生命周期相關(guān)平臺開發(fā)，現(xiàn)在主要負責基于flink開發(fā)實時模型特征計算平臺。熟悉分布式計算，在模型部署及運維方面有豐富實戰(zhàn)經(jīng)驗和深入的理解，對模型的算法及訓(xùn)練有一定的了解。

本文主要內(nèi)容如下：

• 在公司實時特征開發(fā)的現(xiàn)狀基礎(chǔ)上，說明實時特征平臺的開發(fā)背景、目標以及現(xiàn)狀

• 選擇Flink作為平臺計算引擎的原因

• Flink的實踐：有代表性的使用示例、為兼容Aerospike（平臺的存儲介質(zhì)）的開發(fā)以及碰到的坑

• 當前效果&未來規(guī)劃

一、在公司實時特征開發(fā)的現(xiàn)狀基礎(chǔ)上，說明實時特征平臺的開發(fā)背景、目標以及現(xiàn)狀

1、原實時特征作業(yè)的開發(fā)運維；

1.1、選擇實時計算平臺：依據(jù)項目的性能指標要求（latency，throughput等），在已有的實時計算平臺:Storm Spark flink進行選擇

1.2主要的開發(fā)運維過程：

• 80%以上的作業(yè)需要用到消息隊列數(shù)據(jù)源，但是消息隊列為非結(jié)構(gòu)化數(shù)據(jù)且沒有統(tǒng)一的數(shù)據(jù)字典。所以需要通過消費對應(yīng)的topic，解析消息并確定所需的內(nèi)容

• 基于需求中的場景，設(shè)計開發(fā)計算邏輯

• 在實時數(shù)據(jù)不能完全滿足數(shù)據(jù)需求的情況，另外開發(fā)單獨的離線作業(yè)以及融合邏輯；

  例如：在需要30天數(shù)據(jù)的場景下，但消息隊列中只有七天內(nèi)的數(shù)據(jù)時（kafka中消息的默認保留時間），剩下23天就需要用離線數(shù)據(jù)來補充。

• 設(shè)計開發(fā)數(shù)據(jù)的校驗和糾錯邏輯

  消息的傳輸需要依賴網(wǎng)絡(luò)，消息丟失和超時難以完全避免，所以需要有一個校驗和糾錯的邏輯。

• 測試上線

• 監(jiān)控和預(yù)警

2、原實時特征作業(yè)的開發(fā)痛點

• 消息隊列數(shù)據(jù)源結(jié)構(gòu)沒有統(tǒng)一的數(shù)據(jù)字典

• 特征計算邏輯高度定制化，開發(fā)測試周期長

• 實時數(shù)據(jù)不能滿足需求時，需要定制離線作業(yè)和融合邏輯

• 校驗和糾錯方案沒有形成最佳實踐，實際效果比較依賴個人能力

• 監(jiān)控和預(yù)警方案需要基于業(yè)務(wù)邏輯定制

3、基于整理的痛點，確定下來的平臺目標

• 實時數(shù)據(jù)字典：提供統(tǒng)一的數(shù)據(jù)源注冊、管理功能，支持單一結(jié)構(gòu)消息的topic和包含多種不同結(jié)構(gòu)消息的topic

• 邏輯抽象：抽象為SQL，減少工作量&降低使用門檻

• 特征融合：提供融合特征的功能，解決實時特征不能完全滿足數(shù)據(jù)需求的情況

• 數(shù)據(jù)校驗和糾錯：提供利用離線數(shù)據(jù)校驗和糾錯實時特征的功能

• 實時計算延遲：ms級

• 實時計算容錯：端到端 exactly-once

• 統(tǒng)一的監(jiān)控預(yù)警和HA方案

4、特征平臺系統(tǒng)架構(gòu)

cdn.xitu.io/2019/4/26/16a58bda2256a5fc?w=865&h=525&f=png&s=57691">

現(xiàn)在的架構(gòu)是標準lamda架構(gòu)，離線部分由spark sql + dataX組成?，F(xiàn)在使用的是KV存儲系統(tǒng)Aerospike，跟redis的主要區(qū)別是使用SSD作為主存，我們壓測下來大部分場景讀寫性能跟redis在同一個數(shù)據(jù)量級。

實時部分：使用flink作為計算引擎，介紹一下用戶的使用方式：

• 注冊數(shù)據(jù)源：目前支持的實時數(shù)據(jù)源主要是Kafka和Aerospike，其中Aerospike中的數(shù)據(jù)如果是在平臺上配置的離線或者實時特征，會進行自動注冊。Kafka數(shù)據(jù)源需要上傳對應(yīng)的schemaSample文件

• 計算邏輯：通過SQL表達

• 定義輸出：定義輸出的Aerospike表和可能需要的Kafka Topic,用于推送Update或者Insert的數(shù)據(jù)的key

用戶完成上面的操作后，平臺將所有信息寫入到j(luò)son配置文件。下一步平臺將配置文件和之前準備好的flinkTemplate.jar(包含所有平臺所需的flink功能)提交給yarn，啟動flink job。

5、平臺功能展示

1）平臺功能展示-數(shù)據(jù)源注冊

2）實時特征編輯-基本信息

3）實時特征編輯-數(shù)據(jù)源選擇

4）實時特征編輯-SQL計算

5）實時特征編輯-選擇輸出

二、選擇Flink的原因

我們下面一個我們說一下我們選擇flink來做這個特征平臺的原因。

分為三個維度：最高延遲、容錯、sql功能成熟度

• 延遲：storm和flink是純流式，最低可以達到毫秒級的延遲。spark的純流式機制是continuous模式，也可以達最低毫秒級的延遲

• 容錯：storm使用異或ack的模式，支持atLeastOnce。消息重復(fù)解決不。spark通過checkpoint和WAL來提供exactlyOnce。flink通過checkpoint和SavePoint來做到exactlyOnce。

• sql成熟度：storm現(xiàn)在的版本中SQL還在一個實驗階段,不支持聚合和join。spark現(xiàn)在可以提供絕大部分功能，不支持distinct、limit和聚合結(jié)果的order by。flink現(xiàn)在社區(qū)版中提供的sql，不支持distinct aggregate

  三、Flink實踐

  1、實?示例

2、兼容開發(fā)：flink現(xiàn)在沒有對Aerospike提供讀寫支持，所以需要二次開發(fā)

3、碰到的坑

四、平臺當前效果&未來規(guī)劃

當前效果：將實時特征上線周期從原平均3天-5天降至小時級。未來規(guī)劃：

• 完善特征平臺的功能：融合特征等

• 簡化步驟，提高用戶體驗

• 根據(jù)需求，進一步完善SQL的功能例如支持win的開始時間offset，可以通過countTrigger的win等

下一步的規(guī)劃是通過sql或者DSL來描述模型部署和模型訓(xùn)練

更多資訊請訪問 Apache Flink 中文社區(qū)網(wǎng)站