一篇搞懂大数据Lambda架构及实践

Posted 2022-05-16 EdwardsWang丶

一、概述：

在聊lambda之前，首先要聊聊大数据中的一个痛点：如何在海量数据里做及时查询？

其实最简单的解决方法就是直接对海量数据做计算做查询，但是效率可想而知，有些计算可能需要几个小时甚至几天来完成，那么在这个需求下，lambda架构就孕育而生了。

Lambda架构由Storm 的作者 [Nathan Marz] 提出， 此架构的设计是为了在处理大规模数据时，同时发挥流处理和批处理的优势。通过批处理提供全面、准确的数据，通过流处理提供低延迟的数据，从而达到平衡延迟、吞吐量和容错性的目的。为了满足下游的即席查询，批处理和流处理的结果会进行合并。
 

Marz认为，大数据系统应当具有以下的关键特性

• Robust and fault-tolerant(容错性和鲁棒性):对大规模分布式系统来说，机器是不可靠的，可能会当机，但是系统需要是健壮，行为正确的，即使是遇到机器错误。除了机器错误，人更可能会犯错误。在软件开发中难免会有一些Bug，系统必须对有Bug的程序写入的错误数据有足够的适应能力，所以比机器容错性更加重要的容错性是人为操作容错性。对于大规模的分布式系统来说，人和机器的错误每天都可能会发生，如何应对人和机器的错误，让系统能够从错误中快速恢复尤其重要。
• Low latencyreadsandupdates(低延时):很多应用对于读和写操作的延时要求非常高，要求对更新和查询的响应是低延时的。
• Scaable(横向扩容):当数据量/负载增大时，可扩展性的系统通过增加更多的机器资源来维持性能。也就是常说的系统需要线性可扩展，通常采用scaleout(通过增加机器的个数)而不是scaleup(通过增强机器的性能)。
• General(通用性):系统需要能够适应广泛的应用，包括金融领域、社交网络、电子商务数据分析等。
• Extensible(可扩展):需要增加新功能、新特性时，可扩展的系统能以最小的开发代价来增加新功能。
• Allows ad hoc queries(方便查询):数据中蕴含有价值，需要能够方便，快速的查询出所需要的数据。
• Minimal maintenance(易于维护):系统要想做到易于维护，其关键是控制其复杂性，越是复杂的系统越容易出错、越难维护。
• Debuggable(易调试):当出问题时，系统需要有足够的信息来调试错误，找到问题的根源。其关键是能够追根溯源到每个数据生成点。

对于数据系统，可以简化为：数据系统 = 数据 + 查询

lambda架构中对数据存储采用的方式是：数据不可变，存储所有数据。

通过采用不可变方式存储的数据，可以有以下好处

1. 简单，采用不可变的数据模型，存储数据时只需要简单的往主数据集后追加数据即可。相比于采用可变的数据模型，为了Update操作，数据通常需要被索引，从而能快速找到要更新的数据去做更新操作。
2. 应对人为和机器的错误。前述中提到人和机器每天都可能会出错，如何应对人和机器的错误，让系统能够从错误中快速恢复极其重要。不口变性(Immutability)和重新计算(Recomputation)则是应对人为和机器错误的常用方法。采用可变数据模型，引发错误的数据有可能被覆盖而丢失。相比于采用不可变的数据模型，因为所有的数据都在，引发错误的数据也在。

修复的方法就可以简单的是遍历数据集上存诸的所有的数据，丢弃错误的数据，重新计算得到Views。重新计算的关键点在于利用数据的时间特性决定的全局次序，依次顺序重新执行。必然能得到正确的结果。

——引用自 微信公众号 大数据肌肉猿

对于数据系统中的查询，有一类成为Monoid特性的函数应用非常广泛，简单来说有些类似于加法的结合律 ( a + b ) + c = a + ( b + c )，比如多个数的平均值Avg函数，多个平均值没法直接通过结合来得到最终的值，可以通过拆成分母除以分子，分母和分子都是证书的加法，从而来达到目的，这个特性在分布式计算中极其重要，我们可以使用这个特性，将计算分解到多个节点并行计算，再结合各自的部分运算结果得到最终结果，同时也意味着部分运算结果可以储存下来被别的运算共享利用，从而减少重复运算工作量。

 二、lambda架构

正如我们文章开头提出的问题，海量数据的即时计算即使查询的痛点，我们可以使用lambda架构来解决。

lambda架构分为三层

1. Batch Layer：批处理层，对离线的历史数据进行预计算，为了下游能够快速查询想要的结果。由于批处理基于完整的历史数据集，因此准确性可以得到保证。批处理层可以用 Hadoop、Spark 和 Flink 等框架计算
2. Speed Layer：加速处理层，处理实时的增量数据，这一层重点在于低延迟。加速层的数据不如批处理层那样完整和准确，但是可以填补批处理高延迟导致的数据空白。加速层可以用 Storm、Spark streaming 和 Flink 等框架计算
3. Serving Layer：合并层，计算历史数据和实时数据都有了， 合并层的工作自然就是将两者数据合并，输出到数据库或者其他介质，供下游分析。

这里涉及到上文中提到的加法结合律数据合并问题，只需要简单的合并Batch View和Realtime View。否则，需要把查询函数转换为多个满足Monoid性质的查询函数的运算，单独对每个满足Monoid性质的查询函数进行Batch View和Realtime View中的结果数据集合并，然后再计算得到最终的结果数据集。也可以根据业务自身特性，运用业务自身的规则来对Batch View和Realtime View中的结果数据集合并。

Speed Layer中处理的数据也不断写入Batch Layer，当Batch Layer中重新计算的数据集包含Speed Layer处理的数据集后，当前的Realtime View就可以丢弃，这也就意味着Speed Layer处理中引入的错误，在Batch Layer重新计算时都可以得到修正。这点也可以看成是CAP理论中的最终一致性（Eventual Consistency）的体现。

 

        上面分别讨论了Lambda架构的三层：Batch Layer，Speed Layer和Serving Layer。下图给出了Lambda架构的一个完整视图和流程。数据流进入系统后，同时发往Batch Layer和Speed Layer处理。Batch Layer以不可变模型离线存储所有数据集，通过在全体数据集上不断重新计算构建查询所对应的Batch Views。Speed Layer处理增量的实时数据流，不断更新查询所对应的Realtime Views。Serving Layer响应用户的查询请求，合并Batch View和Realtime View中的结果数据集到最终的数据集。

 三、实践

我们创建一个示例应用来演示Lambda架构，这个实力的主要目的是统计从某时刻到现在此时此刻的#标签

Batch Layer

为了简单起见，假设我们的主数据集包含自时间开始以来的所有标签数据，此外我们做了一个预计算的批处理View，其中包含自项目运行时间开始依赖的#标签统计信息

apache - 6
spark - 15
flink - 14
beam - 2
lambda - 5
ranger - 7
kerberos - 9
hbase - 3

Speed Layer

当程序运行中，我们的程序接收到了新的标签信息，如下

#lambda#ranger#spark#apache

这是我们的Speed Layer层会对新数据做实时统计，并生成Realtime View，如下

lambda - 1
ranger - 1
spark - 1
apache - 1

Serving Layer

当终端用户查询结果时，我们只需要将Batch View和Realtime View合并即可

apache - 7
spark - 16
flink - 14
beam - 2
lambda - 6
ranger - 8
kerberos - 9
hbase - 3

四、lambda优缺点

lambda不只有优点，也还是存在一些缺点，我们在做架构选型时，也要考虑当前现有的场景、硬件条件来做选择。

优点：

• 职责边界清晰。Speed Layer处理数据为最近的增量数据流，Batch Layer处理的是全体数据集。Speed Layer为了效率，接收到新数据时不断更新Realtime View，而Batch Layer根据全体离线数据集直接得到Batch View。Speed Layer是一种增量计算，而非重新计算（recomputation）。
• 容错性。Speed Layer中处理的数据也不断写入Batch Layer，当Batch Layer中重新计算的数据集包含Speed Layer处理的数据集后，当前的Realtime View就可以丢弃，这意味着Speed Layer处理中引入的错误，在Batch Layer重新计算时都可以得到修正。这点也可以看成是CAP理论中的最终一致性（Eventual Consistency）的体现。
• 复杂性隔离。Batch Layer处理的是离线数据，可以很好的掌控。Speed Layer采用增量算法处理实时数据，复杂性比Batch Layer要高很多。通过分开Batch Layer和Speed Layer，把复杂性隔离到Speed Layer，可以很好的提高整个系统的鲁棒性和可靠性。

缺点：

• 实时与批量计算结果不一致引起的数据口径问题：因为批量和实时计算走的是两个计算程序，算出的结果往往不同，经常看到一个数字当天看是一个数据，第二天看昨天的数据反而发生了变化。
• 批量计算在计算窗口内无法完成：在IOT时代，数据量级越来越大，经常发现夜间只有4、5个小时的时间窗口，已经无法完成白天20多个小时累计的数据，保证早上上班前准时出数据已成为每个大数据团队头疼的问题。
• 开发和维护的复杂性问题：Lambda 架构需要在两个不同的 API（application programming interface，应用程序编程接口）中对同样的业务逻辑进行两次编程：一次为批量计算的ETL系统，一次为流式计算的Streaming系统。针对同一个业务问题产生了两个代码库，各有不同的漏洞。这种系统实际上非常难维护
• 服务器存储大：数据仓库的典型设计，会产生大量的中间结果表，造成数据急速膨胀，加大服务器存储压力。