车纷享：基于阿里云HBase构建车联网平台实践

Posted 2021-04-19 阿里云云栖号

一、业务介绍

车纷享是国内首家进行汽车共享开发和运营的公司。旗下共享汽车平台采用新能源汽车作为运营工具，以B2C+C2C汽车共享作为商业运营模式，采用车联网技术作为运营管理技术，目前已与国内多个城市建立合作。

公司打造会员制的分时自助租赁平台“车纷享”与“众车纷享”，以及纯电动新能源汽车分时租赁平台“彩虹车”，向会员提供以分钟加里程为计费单位的自助租车服务。通过公司自助租车系统，用户可以进行车辆预定、费用支付、自助取车、还车及自动结算等，无需人工干预，非常简单，真正实现了家门口或公司门口的自助租车，便捷、时尚、经济。 公司汽车共享（分时自助、智能租车）系统为自主研发，具有完全自主知识产权，能够根据需求进行改进和定制，是国内第一个成功商业运营的汽车共享系统，处于国内领先。

二、选型

对于车纷享这种初创公司来说，技术选型首要考虑的是：轻运维，业务快速落地。自建机房以及运维团队意味着前期较大的投入以及高昂的运维成本，随着业务规模的扩张，资源水平扩展以及垂直扩展也是未来无法避免的痛点。

技术团队进行了多次内部讨论，同时对类似行业公司的解决方案进行了详细调研，新方案必须满足我们以下的基本需求：

（1）支持大量IoT数据的不间断写入，至少能存放百T以内的数据，随着数据规模的增长，能够方便的进行垂直和水平扩展。

（2）支持基于时间戳的历史数据查询，响应时间至少达到秒级，后期根据业务需要，支持对一些关键字段进行索引，以满足某些查询场景

（3）与目前的大数据生态产品(MapReduce，Spark，Hive)能友好兼容，支持离线和准实时OLAP

（4）优先选择有雄厚实力的商业公司支持的云平台，最大限度减少运维成本。

最终我们技术团队选择的是阿里云平台，阿里是国内大数据领域技术最雄厚的公司，比如HBase，阿里拥有2 HBase PMC、3 Committer、数十位内核贡献者，贡献200+ Patch，同时阿里云平台提供了多种方便易上手的数据产品工具。

三、车纷享数据中心

车纷享的数据来自于车载终端上传的数据报文，首先经过系统平台的网关，然后借助规则引擎对数据报文进行解析拆分成有意义的数据项，以数据记录的方式放入消息队列，消息队列采用了阿里的MQ，消息队列的消费程序，会将消费到的数据分别存入Redis以及HBase,其中Redis是用来提供车辆实时状态的查询，HBase提供车辆历史数据的查询,为了对历史数据进行灾备处理，使用了阿里云的OSS存储，将备份数据日志文件按照时间分区存储至OSS。

3.1 项目背景

车联网符合并发量大，数据上传频率高，写多读少的高吞吐型业务场景，对查询要求也接近准实时;原有的关系数据库已经不能满足我们的业务需要，尤其数亿量级下的分页查询和车辆历史轨迹查询的场景下，关系数据库的读取相应延迟已经达到了数分钟级，完全不能满足客户的需要。阿里云HBase为我们提供了HBase+Phoenix的组合方案。

HBase是基于磁盘的NoSql数据库，因为采用了LSM的数据结构，随机写效率较高，特别适合车联网的数据上传特点，在基于Rowkey方面的查询延时接近准实时。但是因为原生HBase的查询方式比较底层，没有SQL查询接口，对于使用者要求较高,而且没有二级索引，如果不是基于Rowkey查询，查询效率会急剧下降，为了减少客户的使用难度，阿里云HBase团队在HBase集群里集成了Phoenix的交互引擎，简单的嵌入架构如下：

Phoenix的架构

Phoenix主要给HBase增加了SQL查询以及二级索引支持，大大降低了我们的二次开发难度，也进一步丰富了我们对多种查询场景的支持。

3.2 性能指标

• 1、系统情况

目前测试集群上有6台服务器，都是16Core 32G的配置

• 2、查询测试

历史数据表(保密需要，字段适当裁剪)：

• 3、建立索引表
  

  车辆状态历史表中目前有记录12亿条左右，Region有52个

基于rowkey查询

基于索引字段查询

通过HBase+Phoenix，丰富了我们的历史查询手段，原先的车辆1个月轨迹历史数据回放查询需要5-10分钟，现在2秒内就能返回所需数据。上面的数据都是我们实际的业务场景数据测试的结果，提升了150倍，大大超出我们的期望。

• 4、集群状况

  
  

目前接入的车辆大约为3万辆，其中比较重要的考察指标就是OPS(operation per second 每秒操作次数),主要针对车辆数据的实时不间断写入，目前HBase集群中，平均在1.5K OPS,峰值可以到达2K OPS,目前的集群配置可以支撑最大约400K的OPS，至少可以满足未来2年左右的业务增长需要。阿里云HBase同时支持资源节点水平，垂直扩展和滚动重启，基本可以做到用户无感知下完成升级，这种能力对适应业务的敏捷变化非常有帮助。

3.3 数据处理

场景实例

以网约车管理平台为例，主要数据来源为车况数据和订单数据，进入Kafka后，拉出两个分支，分别存储进HBase数据库和进入Spark Streaming流式计算引擎，主要用来为运营部门优化网点，车辆分流，监控部门的风控管理和商业BI相关的离线分析提供数据支撑。

3.4 使用感受

现在车纷享的车联网数据平台已迁入阿里云HBase团队已经半年多了，平均日写入数据几十G，到现在还没出现数据服务器的严重故障问题，总体比较稳定，大大降低了我司的运营管理成本。阿里云HBase团队也给我们的开发团队提供了有力的技术支撑，碰到技术问题，我们可以非常及时得到响应，帮助我们排除了业务开发中的许多问题。再次证明我们的当初选择是正确的。

同时也希望阿里云HBase团队未来可以在产品易用性上更上一层楼。展望未来，随着业务的扩展，我们的数据会有一个指数级的增长。

希望新的一年继续和阿里云加大合作，同时将运营中的问题反馈到阿里云技术社区，协助阿里云技术团队将数据产品做得越来越好。

end

更多精彩