基于 Hologres+Flink 的曹操出行实时数仓建设

云布道师

曹操出行创立于 2015 年 5 月 21 日，是吉利控股集团布局“新能源汽车共享生态”的战略性投资业务，以“科技重塑绿色共享出行”为使命，将全球领先的互联网、车联网、自动驾驶技术以及新能源科技，创新应用于共享出行领域，以“用心服务国民出行”为品牌主张，致力于打造服务口碑最好的出行品牌。

曹操出行业务背景介绍

作为一家互联网出行平台，主要提供了网约车、顺风车、专车等一些出行服务。打车为其主要的一个业务场景。用户会在我们的平台中去进行下单，然后我们的系统会给司机进行派单，接到订单之后，进行履约服务。结束一次订单服务后，乘客会在平台做出支付。

曹操出行业务痛点分析

整个流程中这些数据会流转到我们的业务系统，主要会有营销、订单、派单、风控、支付、履约这些系统。这些系统的数据会进入到 RDS 数据库，流转到实时数仓中去做一个分析和处理。最终数据会进入到不同的使用场景中，比如实时的标签，实时大屏、多维 BI，还有业务监控以及算法决策。

在传统 lambda 架构中，架构主要会分做实时数据流和离线数据流。在实时链路中，业务数据库会在 RDS 中通过 Canal、Binlog 同步的方式进入 Kafka，同时 app 的 log 也会通过实时采集的方式进入到 Kafka。在这些数据准备完成之后，在 Kafka 中构建实时数仓。整个数仓也是基于数仓分层理念去构建，主要是 ODS、DWD、DWS 和 ADS，整个链路中会通过 Flink Streaming Sql 去做一个串联。

在离线链路中，数据主要是通过 DataX 定时同步的方式，将 RDS 数据同步到HDFS。同时App的log会通过定时任务同步到 HDFS，整个离线数仓会通过 Spark Sql 的定时调度任务去逐层执行。数据在离线数仓中会通过不同的数据域去组织不同粒度的计算，最终数据会通过 Flink Sink 以及离线同步工具写到不同的数据应用组件中。同时为了保证某些应用场景中数据的一致性，有可能会对离线和实时两条链路的数据做些合并处理加工。

基于曹操出行整体对于成本的诉求，对于传统 lambda 架构，从架构中可以看到一些问题：

• 需要使用非常丰富的大数据组件，来适配不同应用场景。
• 研发成本非常高，不仅在实时链路中做大量的处理，而且在离线链路中也是多做一套研发。
• 运维效率较为低效，整个实时数仓是构建在 Kafka 上，因此我们这种数据探查以及这种数据订正就会变得非常困难。
• 资源成本较大，主要体现在组件使用多，需要专门的工作人员进行运维与管理；一些场景需要精准的一致性需求，因此在链路中需要做出数据的同步和计算。
• 在某些 Flink 场景中，需要处理大状态场景下，可能会造成额外性能与资源的浪费。

另外从对于公司开发者使用的角度，我们对实时数仓提出了以下几点诉求：

• 拥有统一组件满足不同业务场景诉求。
• 再实施复杂链路中保证数据的订正。
• Flink 中一些大状态下的技术难点需要克服。

Hologres+Flink 企业级实时数仓构建

Hologres 能力分析
曹操出行作为 Hologres 的深度用户，在前期调研与测试阶段，我们对 Hologres 的相关能力做了比较详细的分析，主要有以下优势：

1、业务场景能力丰富：

• 具备 OLAP 分析能力
• 具备高并发点查能力
• 具备半结构化日志分析能力
• 具备基于 PostGIS 的扩展能力，支持空间地理信息信息数据的分析与使用，对于曹操出行的业务属性来说非常重要。

2、一站式实时开发能力

• 契合数仓分层结构理念（可以像离线数仓一样去构建分层体系，数据实时流动，实时存储)
• Flink Streaming 态高度融(Flink CDC组件集成，Flink Catalog集成)
• 统一 Ad-hoc 能力，能以外表加载离线数仓中数据进行加速联邦分析

3、解决的痛点问题

• 全链路低时延
• 多流 join 场景很好提供数据打宽的能力，支持主键模型和行级，局部字段更新的能力
• 支持 Count distinct 大状态精确去重场景

Hologres 支持高并发更新

通过观察存储架构，我们发现 Hologres 在最底层是分布式存储系统，在此之上是一个存储引擎，主要是有 Block Cache，shard 是分多个 Tablet 与 WAL，市面上主流的这种服务产品大多数都是基于这种 LSM 架构。

主流数据主键模型更新模式也有 Copy On Write 和 Merge On Read。这两种场景都有各自的问题，Copy On Write 具有写放大的问题，数据的延迟会比较高。Merge On Read 由于在读的过程中需要做数据的大量合并，因此其读的性能会非常差。在 Hologres 中，行存使用 Merge On Read 方式，列存主要基于 Merge On Write。基于这种架构，一条数据在进入 Hologres 中，首先会到达 WAL Manager中，同时也会进入到 Memtable，在 Memtable 中主要会存储三类数据：数据文件、删除标志的文件、例如基于 RoaringBitmap、索引文件。当数据积累到一定阶段后会生成不可变的 Memtable，后面会通过异步的线程，定时做 flush 到 Data File。

Hologres Binlog 支持

Hologres Binlog 也是一种物理表的存储方式，其跟原表的主要区别是内置的几种自身结构，包含自身递增序列，数据修改类型以及数据修改的时间，Binlog 本质上也是分 shard 做存储，所以也为一种分布式表，并且在 WAL 之前生成，因此在数据上可以与原表保证强一致性。

其次 Hologres Binlog 修改类型也还原了 Flink 中四种 RowKind 类型。在数据更新过程中可以产生两条更新记录，并且保证更新记录是一个连续的存储。右边展示中，写入一个数据一个 PK1，然后再写入一个 PK2 数据，PK2 的数据再做更新，Binlog 中它会产生四个数据结果。

Hologres 数据模型介绍

Hologres 主要会分做行存引擎以及列存引擎，包括行列共存场景。

• 在聚合场景中主要是用到列存的引擎，适合 OLAP 场景，适合复杂查询，统计，关联等场景。同时也提供了非常丰富的索引，包括技术聚簇索引，位图索引，字典，以及基于时间序列的范围索引。
• 在 KV 场景中主要是用到行存的引擎，主要支持高并发组件查询。包括在 Flink 中做维表反查也是非常适合。
• 在订阅场景中主要是用到行存的引擎，主要在表属性中要进行声明，比如说Binlog 是否开启，Binlog 的 TTL。在订阅方的话，Hologres 支持 CDC 以及非 CDC 的模式。
• 在日志场景中主要针对聚合场景，主要是支持 JsonB 数据类型。JsonB在这个数据的这种处理过程中，它能够自动地平铺成列式的存储结构，就可以做聚合场景的灵活分析。同时它可以自动去对这种数据类型做解析，包括对数据类型做泛化处理，以及数据的对齐，非常适合这种非稀疏场景。

曹操出行实时数仓构建实践

实时数仓架构设计

基于以上 Hologres 的能力，接下来是对于曹操内部实时数仓的架构设计，左边为RDS 数据库，最右边是应用系统，最下边为元数据管理，中间部分是实时数仓的部分。数据通过 Binlog 进入到 Kafka 的 ODS 层之后，再会通过 Flink 会写入到 Hologres 里的 DIM 层，然后再通过 Flink 做 ODS 的多流汇聚，再写入到 Hologres 的 DWD 层。在 DWD 中可以做宽表打宽的是实现。再下一层，通过 Binlog 的订阅的方式，再写入到 Hologres 的 DWS 层，后面会统一通过 One Service 的一个统一查询服务对外暴露这个服务。

dwd 宽表构建实践

接下来介绍一下Hologres DWD宽表层的一个构建实践。基于之前提到的Hologres列更新能力，能够很好实现宽表Join能力。在整个生产过程中，首先关注维表的应用场景，其应用场景可能含有多种：一种是维表是不变的，或者缓慢的变化，另一种是维表频繁变化的。因此需要像离线的方式去构建一个维表拉链的数据，通过用过Start Time和End Time的方式去存储维度状态有效的一个周期。

其次需要关注维表延迟的问题。在实际生产过程中，维表链路与主表的链路是一个异步的过程，有可能在维表延迟的情况下，主表关联的数据是空的，或者主表关联到的一个数据是过时的维度状态。在这种场景下，需要在 Hologres 做维度缺失记录的过滤，通过补偿机制再去做维度的补偿处理，同时也需要做定时的维度检查，然后增量地把不一致的状态做一个修正。

聚合计算场景优化

接下来介绍我们对聚合场景的优化，针对我们多预聚合计算场景，将其统一收敛到Rollup 计算模型中，主要解决以下问题：

• 在 Flink 聚合场景中经常会出现状态兼容性的问题
• 整个数据的复用性非常差，研发人员收到新的需求，例如新的指标或者新增维度粒度时，为了不影响生产数据的稳定性，往往选择自己去构建新的任务，久而久之这种零散的任务会变得非常多，整个管理随之会变的非常混乱。

因此曹操出行主要优化了两点：

• 构建 MapSumAgg 算子，MapSum 主要通过对 SumAgg 算子做了重新设计，使之能够支持 Map 内部结构的求和逻辑
• 对 Grouping Sets 进行动态配置化，这样 Grouping Sets 动态增加维度粒度，使整个任务在不重启的情况下也能自动去做自适应

结合这两点，把已有的指标放入 map 结构中进行封装，这样在不改变原有的算子状态，也可以得到很好的处理。在下游中可以针对不用维度，指标做好选择，然后通过同步工具做好数据路由，提供给下游的服务。

对于第二个聚合场景的优化，是对精确去重场景的拆分。在前面例子中，我们把 Count Distinct 的精确去重做了剥离，主要解决两个问题：

• 维度爆炸的问题。在 Flink 回撤机制下做精确去重时，存储的全量状态。那么在 cube 场景中，这种状态爆炸式的情况，在 Flink 中是难以持续去建设。解决思路是通过 Hologres 去构建细粒度的 RoaringBitmap 存储方案。
• 查询灵活高效的问题。整个流程中，在 Hologres 中构建自身序列的 UID 维表，在主表中通过反差逻辑将 UID 自身序列反查出来，随之在 Flink 中做出 Group by 的操作，最终通过聚合计算，算出 RoaringBitmap 的结果，随之写入 Hologres 的 DWS 层中，形成 UV 计算的轻度汇总表，解决应用端灵活维度查询时的高效性，同时也能满足解决
  Flink 爆炸维度问题。

链路中吞吐能力调优

整个流链路中吞吐能力的调优主要分作两个部分：

• 数据写入侧。在 Flink 写入到 Hologres 之前，针对字段状态变更频繁的场景做了一层 Union 层，在 Union 层以及 ODS 层中，数据都是基于 PK 进行分区，然后在 Union 层中做了一层小的窗口进行预聚合的计算，这样可以大大减少对Hologres 写入压力，从而提升整个数据吞吐量，但这种方式有一个缺点就是比如一些中间状态的数据，会变得无法捕获。
• 数据读取侧。在 Binlog 中更新数据，它会产生连续的变更前后数据，在这种场景中，可以通过 lag 开窗的这种方式获取到一次变更中连续上下游数据的情况，根据两者数据之间的信息差异，可以过滤出数据的冗余变更，从而减轻整个处理下游的压力。

元数据血缘的改造

元数据血缘的改造主要解决了以下问题：

• Schema 的演进提供了一个更便利的管控
• 整个依赖链需要解决实时链路发布流程的问题
• 可以对任务元数据信息进行有效的管理

曹操出行主要进行以下措施：

• Flink Catalog 集成。在元数据中去整合 Hologres 的 Catalog，也支持 Kafka Topic 表中自定义
  Catalog，支持多版本 schema 和任务数据的多版本。
• Kafka Source 和 Kafka Sink 的改造。结合整合整个上线发布的流程，对于数据的版本信息，通过 Kafka Sink 对 Header 进行记录，Kafka Source 对 header 的版本信息进行过滤，从而把数据版本引入到整个上下游的链路，提供上下游数据灵活的迭代。这种做法的好处是，在整个链路中可以感知到整个下游数据的使用情况，因此可以帮助用户在下线过程中可以快速定位到下游，还有没有任务做依赖，右边的图片主要是展示一个开发流程中元数据的集成。

链路保障体系

在日常开发过程中，对于任务健康以及任务出现异常后的判断和检测，都是通过异常检测诊断工具去做支持。主要体现四个方面：

• 对于基础信息采集，通过采集工具，把 Flink 内置的 Metric 以及 Kafka 信息进行采集，提供基础数据，包括作业信息，Kafka 一些 Topic 信息，作业最新指标情况。
• 对于异常的判断，通过内存以及 Topic 增长情况，包括 CPU 使用情况，以及任务有无出现反压，任务有无倾斜做出异常的判断。
• 对于异常原因的诊断-内部原因，内部原因主要会看 CheckPoint 的失败情况，Kafka LAG 具体是什么算子造成的反压，Restart的次数；
• 对于异常原因的诊断-外部原因，外部原因主要是看 Job Manager 以及 Task Manger 所在节点自身的情况，包括 CPU 的使用率，包括 ioutil，内存情况，然后做出综合判断，帮助用户去快速定位具体问题的原因。
  
  链路保障体系另外一个比较重要的环节就是全链路的感知能力。曹操出行主要是在流量监控与 Latency 监控两方面：
• 流量监控层面：通过 Kafka Cueernt Offset 以及 Hologres 内置的 Offset 信息做定时的采集，从而推算出 Kafka 以及 Hologres 表的生产速率。
• Latency 监控层面：主要采集 Kafka Offset 以及 Flink Source 的 Offset 情况，结合 Kafka
  Massage Timestamp 去推算出每个任务自身延迟情况，再结合整个数据血缘进行一个串联，可以得出端到任务自身整体的延迟时间，再通过任务上下游生产速率比，以及任务自身延迟情况，可以在整个生产链路中快速定位出具体异常和问题发生的节点。

数据订正能力建设

在传统的 Streaming 链路中，数据订正是一个非常复杂的过程。主要要解决两个问题：

• 如何知晓订正的数据为正确数据？验证其具有一定困难。
• 在整个验证过程中，如何保证对下游的透明？如果丢状态去做重启的订正，肯定会对下游造成很大的影响。

因此我们主要思路是基于 Hologres 去做实现。首先对于原始任务进行代码修正后，并维持原有状态去做重启。第二步将对 Hologres 表做 Schema 的拷贝，然后新建一个订正的临时表。第三步会将任务进行拷贝，并将Sink调整到订正临时表，去做无状态从头消费的重启。这样可以把订正的结果数据订正进 Hologres 订正表中。等待消费结束后停止订正任务，然后通过修正脚本去对比原表以及订正表中关键信息，去做数据的订正。由于数据的订正，它处于数据终态，对于下游来说，不会造成大起大落。并且在整个链路中，因为正确数据可以通过整个数据链路做回撤的传导，因此整个下游就可以完成数据的自动订正。

曹操出行业务成果分析

架构清晰简单：

• 对比 Lamada 架构，Hologres+Flink 整体架构更加清晰，使用数据组件大大减少
• 整体技术复杂难度降低，原先为了解决数据一致性问题，数据需要在不同的异构存储和异构链路中来回传输和计算，整个技术复杂度较高

开发效率提高：

• 整个开发模式变得简单易用，大大缩短人力周期
• 数据实时模型分层非常清晰，整体下游复用性以及使用门槛大幅度降低

运维体验提升：

• 由于数据存储在 Hologres 之上，因此数据探查更加便捷，数据订正难易程度大幅度减少。

成本减少：

• 组件维护成本减少。
• 数据的离线存储和实时存储，从双份存储降低到一份存储，以及降低了数据在异构存储之间的同步与计算成本
• 解 Fflink 中各类计算场景中大状态的成本，减少了计算开销并提升了处理性能。

未来展望

未来展望主要分为以下几个层面：

• 当前 Flink 集群还是一个自建的集群，对于这些集群我们业务最关心的是使用过程中，其业务的稳定性和可靠性。特别是在高峰场景，资源不足时，怎么去做快速的缩扩容。在高峰期过去后怎么去做到无缝缩容，降低业务风险，包括减少业务的数据中断时间。
• 在任务级别的动态感知和智能调控上。很多时候研发根据自己的经验去设置Flink的资源参数，往往有很多资源其实是多设或者是额外设置的。通过动态感知能力的引入，能够有效提升整体的资源使用情况，包括未来也可能会引入智能算法，包括自适应的机制去达到节约成本的目的。
• Flink CDC 来统一 ODS 入仓的方案。我们在离线使用 DataX 的入仓方案，后来实时使用了 Flink CDC 的入仓方案，其实本质上数据可以提供一个统一的解决思路，来解决数据的一致性和灵活性的诉求。包括在 CDC 方案中，也会有一些定制上的需求。比如说在 CDC 过程中，怎么去解决加解密的一些问题，包括 RDS 数据库中数据归档的一些问题。后续的话也会分阶段的做一些调整，包括一些高频迭代的诉求，会在后续的规划中提前去做解决。
• 关于数据服务的一个规划。因为曹操出行有很多服务的场景，特别是在线应用的这种场景，包括分析型的这种服务也在上面，需要高可用的数据服务以及服务可扩展性，那怎么样通过同一份数据来做到不同服务的扩展。后续会考虑基于 Hologres 主从隔离的能力，通过一主多从的能力去支持多种数据服务的扩展。