如何基于日志，同步實現(xiàn)數(shù)據(jù)的一致性和實時抽取?
作者：王東
宜信技術(shù)研發(fā)中心架構(gòu)師
目前就職于宜信技術(shù)研發(fā)中心，任架構(gòu)師，負責流式計算和大數(shù)據(jù)業(yè)務(wù)產(chǎn)品解決方案。
曾任職于Naver china(韓國***搜索引擎公司)中國研發(fā)中心資深工程師，多年從事CUBRID分布式數(shù)據(jù)庫集群開發(fā)和CUBRID數(shù)據(jù)庫引擎開發(fā)
http://www.cubrid.org/blog/news/cubrid-cluster-introduction/
主題簡介：
DWS的背景介紹
dbus+wormhole總體架構(gòu)和技術(shù)實現(xiàn)方案
DWS的實際運用案例
前言
大家好，我是王東，來自宜信技術(shù)研發(fā)中心，這是我來社群的***次分享，如果有什么不足，請大家多多指正、包涵。
本次分享的主題是《基于日志的DWS平臺實現(xiàn)和應(yīng)用》，主要是分享一下目前我們在宜信做的一些事情。這個主題里面包含到2個團隊很多兄弟姐妹的努力的結(jié)果(我們團隊和山巍團隊的成果)。這次就由我代為執(zhí)筆，盡我努力給大家介紹一下。
其實整個實現(xiàn)從原理上來說是比較簡單的，當然也涉及到不少技術(shù)。我會嘗試用盡量簡單的方式來表達，讓大家了解這個事情的原理和意義。在過程中，大家有問題可以隨時提出，我會盡力去解答。
DWS是一個簡稱，是由3個子項目組成，我稍后做解釋。
一、背景
事情是從公司前段時間的需求說起，大家知道宜信是一個互聯(lián)網(wǎng)金融企業(yè)，我們的很多數(shù)據(jù)與標準互聯(lián)網(wǎng)企業(yè)不同，大致來說就是：
玩數(shù)據(jù)的人都知道數(shù)據(jù)是非常有價值的，然后這些數(shù)據(jù)是保存在各個系統(tǒng)的數(shù)據(jù)庫中，如何讓需要數(shù)據(jù)的使用方得到一致性、實時的數(shù)據(jù)呢?
過去的通用做法有幾種是：
- DBA開放各個系統(tǒng)的備庫，在業(yè)務(wù)低峰期(比如夜間)，使用方各自抽取所需數(shù)據(jù)。由于抽取時間不同，各個數(shù)據(jù)使用方數(shù)據(jù)不一致，數(shù)據(jù)發(fā)生沖突，而且重復(fù)抽取，相信不少DBA很頭疼這個事情。
- 公司統(tǒng)一的大數(shù)據(jù)平臺，通過Sqoop 在業(yè)務(wù)低峰期到各個系統(tǒng)統(tǒng)一抽取數(shù)據(jù)， 并保存到Hive表中, 然后為其他數(shù)據(jù)使用方提供數(shù)據(jù)服務(wù)。這種做法解決了一致性問題，但時效性差，基本是T+1的時效。
- 基于trigger的方式獲取增量變更，主要問題是業(yè)務(wù)方侵入性大，而且trigger也帶來性能損失。
這些方案都不算***。我們在了解和考慮了不同實現(xiàn)方式后，***借鑒了 linkedin的思想，認為要想同時解決數(shù)據(jù)一致性和實時性，比較合理的方法應(yīng)該是來自于log。
(此圖來自：https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/)
把增量的Log作為一切系統(tǒng)的基礎(chǔ)。后續(xù)的數(shù)據(jù)使用方，通過訂閱kafka來消費log。
比如：
- 大數(shù)據(jù)的使用方可以將數(shù)據(jù)保存到Hive表或者Parquet文件給Hive或Spark查詢;
- 提供搜索服務(wù)的使用方可以保存到Elasticsearch或HBase 中;
- 提供緩存服務(wù)的使用方可以將日志緩存到Redis或alluxio中;
- 數(shù)據(jù)同步的使用方可以將數(shù)據(jù)保存到自己的數(shù)據(jù)庫中;
- 由于kafka的日志是可以重復(fù)消費的，并且緩存一段時間，各個使用方可以通過消費kafka的日志來達到既能保持與數(shù)據(jù)庫的一致性，也能保證實時性;
為什么使用log和kafka作為基礎(chǔ)，而不使用Sqoop進行抽取呢? 因為：
為什么不使用dual write(雙寫)呢?，請參考https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/
我這里就不多做解釋了。
二、總體架構(gòu)
于是我們提出了構(gòu)建一個基于log的公司級的平臺的想法。
下面解釋一下DWS平臺， DWS平臺是有3個子項目組成：
- Dbus(數(shù)據(jù)總線)：負責實時將數(shù)據(jù)從源端實時抽出，并轉(zhuǎn)換為約定的自帶schema的json格式數(shù)據(jù)(UMS 數(shù)據(jù))，放入kafka中;
- Wormhole(數(shù)據(jù)交換平臺)：負責從kafka讀出數(shù)據(jù) 將數(shù)據(jù)寫入到目標中;
- Swifts(實時計算平臺)：負責從kafka中讀出數(shù)據(jù)，實時計算，并將數(shù)據(jù)寫回kafka中。
圖中：
- Log extractor和dbus共同完成數(shù)據(jù)抽取和數(shù)據(jù)轉(zhuǎn)換，抽取包括全量和增量抽取。
- Wormhole可以將所有日志數(shù)據(jù)保存到HDFS中; 還可以將數(shù)據(jù)落地到所有支持jdbc的數(shù)據(jù)庫，落地到HBash，Elasticsearch，Cassandra等;
- Swifts支持以配置和SQL的方式實現(xiàn)對進行流式計算，包括支持流式j(luò)oin，look up，filter，window aggregation等功能;
- Dbus web是dbus的配置管理端，rider除了配置管理以外，還包括對Wormhole和Swifts運行時管理，數(shù)據(jù)質(zhì)量校驗等。
由于時間關(guān)系，我今天主要介紹DWS中的Dbus和Wormhole，在需要的時候附帶介紹一下Swifts。
三、dbus解決方案
日志解析
如前面所說，Dbus主要解決的是將日志從源端實時的抽出。 這里我們以MySQL為例子，簡單說明如何實現(xiàn)。
我們知道，雖然MySQL InnoDB有自己的log，MySQL主備同步是通過binlog來實現(xiàn)的。如下圖：
圖片來自：https://github.com/alibaba/canal
而binlog有三種模式：
Row 模式：日志中會記錄成每一行數(shù)據(jù)被修改的形式，然后在slave端再對相同的數(shù)據(jù)進行修改。
Statement 模式: 每一條會修改數(shù)據(jù)的sql都會記錄到 master的bin-log中。slave在復(fù)制的時候SQL進程會解析成和原來master端執(zhí)行過的相同的SQL來再次執(zhí)行。
Mixed模式： MySQL會根據(jù)執(zhí)行的每一條具體的sql語句來區(qū)分對待記錄的日志形式，也就是在Statement和Row之間選擇一種。
他們各自的優(yōu)缺點如下：
此處來自：http://www.jquerycn.cn/a_13625
由于statement 模式的缺點，在與我們的DBA溝通過程中了解到，實際生產(chǎn)過程中都使用row 模式進行復(fù)制。這使得讀取全量日志成為可能。
通常我們的MySQL布局是采用 2個master主庫(vip)+ 1個slave從庫 + 1個backup容災(zāi)庫 的解決方案，由于容災(zāi)庫通常是用于異地容災(zāi)，實時性不高也不便于部署。
為了最小化對源端產(chǎn)生影響，顯然我們讀取binlog日志應(yīng)該從slave從庫讀取。
讀取binlog的方案比較多，github上不少，參考https://github.com/search?utf8=%E2%9C%93&q=binlog。最終我們選用了阿里的canal做位日志抽取方。
Canal最早被用于阿里中美機房同步， canal原理相對比較簡單：
- Canal模擬MySQL Slave的交互協(xié)議，偽裝自己為MySQL Slave，向MySQL Slave發(fā)送dump協(xié)議
- MySQL master收到dump請求，開始推送binary log給Slave(也就是canal)
- Canal解析binary log對象(原始為byte流)
圖片來自：https://github.com/alibaba/canal
解決方案
Dbus 的MySQL版主要解決方案如下：
對于增量的log，通過訂閱Canal Server的方式，我們得到了MySQL的增量日志：
- 按照Canal的輸出，日志是protobuf格式，開發(fā)增量Storm程序，將數(shù)據(jù)實時轉(zhuǎn)換為我們定義的UMS格式(json格式,稍后我會介紹)，并保存到kafka中;
- 增量Storm程序還負責捕獲schema變化，以控制版本號;
- 增量Storm的配置信息保存在Zookeeper中，以滿足高可用需求。
- Kafka既作為輸出結(jié)果也作為處理過程中的緩沖器和消息解構(gòu)區(qū)。
- 在考慮使用Storm作為解決方案的時候，我們主要是認為Storm有以下優(yōu)點：
- 技術(shù)相對成熟，比較穩(wěn)定，與kafka搭配也算標準組合;
- 實時性比較高，能夠滿足實時性需求;
- 滿足高可用需求;
- 通過配置Storm并發(fā)度，可以活動性能擴展的能力;
全量抽取
對于流水表，有增量部分就夠了，但是許多表需要知道最初(已存在)的信息。這時候我們需要initial load(***次加載)。
對于initial load(***次加載)，同樣開發(fā)了全量抽取Storm程序通過jdbc連接的方式，從源端數(shù)據(jù)庫的備庫進行拉取。initial load是拉全部數(shù)據(jù)，所以我們推薦在業(yè)務(wù)低峰期進行。好在只做一次，不需要每天都做。
全量抽取，我們借鑒了Sqoop的思想。將全量抽取Storm分為了2 個部分：
- 數(shù)據(jù)分片
- 實際抽取
數(shù)據(jù)分片需要考慮分片列，按照配置和自動選擇列將數(shù)據(jù)按照范圍來分片，并將分片信息保存到kafka中。
下面是具體的分片策略：
全量抽取的Storm程序是讀取kafka的分片信息，采用多個并發(fā)度并行連接數(shù)據(jù)庫備庫進行拉取。因為抽取的時間可能很長。抽取過程中將實時狀態(tài)寫到Zookeeper中，便于心跳程序監(jiān)控。
統(tǒng)一消息格式
無論是增量還是全量，最終輸出到kafka中的消息都是我們約定的一個統(tǒng)一消息格式,稱為UMS(unified message schema)格式。
如下圖所示：
消息中schema部分，定義了namespace 是由 類型+數(shù)據(jù)源名+schema名+表名+版本號+分庫號+分表號 能夠描述整個公司的所有表，通過一個namespace就能唯一定位。
- _ums_op_ 表明數(shù)據(jù)的類型是I(insert)，U(update)，D(刪除);
- _ums_ts_ 發(fā)生增刪改的事件的時間戳，顯然新的數(shù)據(jù)發(fā)生的時間戳更新;
- _ums_id_ 消息的唯一id，保證消息是唯一的，但這里我們保證了消息的先后順序(稍后解釋);
payload是指具體的數(shù)據(jù)，一個json包里面可以包含1條至多條數(shù)據(jù)，提高數(shù)據(jù)的有效載荷。
UMS中支持的數(shù)據(jù)類型，參考了Hive類型并進行簡化，基本上包含了所有數(shù)據(jù)類型。
全量和增量的一致性
在整個數(shù)據(jù)傳輸中，為了盡量的保證日志消息的順序性，kafka我們使用的是1個partition的方式。在一般情況下，基本上是順序的和唯一的。
但是我們知道寫kafka會失敗，有可能重寫，Storm也用重做機制，因此，我們并不嚴格保證exactly once和完全的順序性，但保證的是at least once。
因此_ums_id_變得尤為重要。
對于全量抽取，_ums_id_是唯一的，從zk中每個并發(fā)度分別取不同的id片區(qū)，保證了唯一性和性能，填寫負數(shù)，不會與增量數(shù)據(jù)沖突，也保證他們是早于增量消息的。
對于增量抽取，我們使用的是MySQL的日志文件號 + 日志偏移量作為唯一id。Id作為64位的long整數(shù)，高7位用于日志文件號，低12位作為日志偏移量。
例如：000103000012345678。 103 是日志文件號，12345678 是日志偏移量。
這樣，從日志層面保證了物理唯一性(即便重做也這個id號也不變)，同時也保證了順序性(還能定位日志)。通過比較_ums_id_ 消費日志就能通過比較_ums_id_知道哪條消息更新。
其實_ums_ts_與_ums_id_意圖是類似的，只不過有時候_ums_ts_可能會重復(fù),即在1毫秒中發(fā)生了多個操作，這樣就得靠比較_ums_id_了。
心跳監(jiān)控和預(yù)警
整個系統(tǒng)涉及到數(shù)據(jù)庫的主備同步，Canal Server，多個并發(fā)度Storm進程等各個環(huán)節(jié)。
因此對流程的監(jiān)控和預(yù)警就尤為重要。
通過心跳模塊，例如每分鐘(可配置)對每個被抽取的表插入一條心態(tài)數(shù)據(jù)并保存發(fā)送時間，這個心跳表也被抽取，跟隨著整個流程下來，與被同步表在實際上走相同的邏輯(因為多個并發(fā)的的Storm可能有不同的分支)，當收到心跳包的時候，即便沒有任何增刪改的數(shù)據(jù)，也能證明整條鏈路是通的。
Storm程序和心跳程序?qū)?shù)據(jù)發(fā)送公共的統(tǒng)計topic，再由統(tǒng)計程序保存到influxdb中，使用grafana進行展示，就可以看到如下效果：
圖中是某業(yè)務(wù)系統(tǒng)的實時監(jiān)控信息。上面是實時流量情況，下面是實時延時情況?？梢钥吹?，實時性還是很不錯的，基本上1~2秒數(shù)據(jù)就已經(jīng)到末端kafka中。
Granfana提供的是一種實時監(jiān)控能力。
如果出現(xiàn)延時，則是通過dbus的心跳模塊發(fā)送郵件報警或短信報警。
實時脫敏
考慮到數(shù)據(jù)安全性，對于有脫敏需求的場景，Dbus的全量storm和增量storm程序也完成了實時脫敏的功能。脫敏方式有3種：
總結(jié)一下：簡單的說，Dbus就是將各種源的數(shù)據(jù)，實時的導(dǎo)出，并以UMS的方式提供訂閱， 支持實時脫敏，實際監(jiān)控和報警。
四、Wormhole解決方案
說完Dbus，該說一下Wormhole，為什么兩個項目不是一個，而要通過kafka來對接呢?
其中很大一個原因就是解耦，kafka具有天然的解耦能力，程序直接可以通過kafka做異步的消息傳遞。Dbus和Wornhole內(nèi)部也使用了kafka做消息傳遞和解耦。
另外一個原因就是，UMS是自描述的，通過訂閱kafka，任何有能力的使用方來直接消費UMS來使用。
雖然UMS的結(jié)果可以直接訂閱，但還需要開發(fā)的工作。Wormhole解決的是：提供一鍵式的配置，將kafka中的數(shù)據(jù)落地到各種系統(tǒng)中，讓沒有開發(fā)能力的數(shù)據(jù)使用方通過wormhole來實現(xiàn)使用數(shù)據(jù)。
如圖所示，Wormhole 可以將kafka中的UMS 落地到各種系統(tǒng)，目前用的最多的HDFS，JDBC的數(shù)據(jù)庫和HBase。
在技術(shù)棧上， wormhole選擇使用spark streaming來進行。
在Wormhole中，一條flow是指從一個namaspace從源端到目標端。一個spark streaming服務(wù)于多條flow。
選用Spark的理由是很充分的：
- Spark天然的支持各種異構(gòu)存儲系統(tǒng);
- 雖然Spark Stream比Storm延時稍差，但Spark有著更好的吞吐量和更好的計算性能;
- Spark在支持并行計算方面有更強的靈活性;
- Spark提供了一個技術(shù)棧內(nèi)解決Sparking Job，Spark Streaming，Spark SQL的統(tǒng)一功能，便于后期開發(fā);
- 這里補充說一下Swifts的作用：
- Swifts的本質(zhì)是讀取kafka中的UMS數(shù)據(jù)，進行實時計算，將結(jié)果寫入到kafka的另外一個topic。
- 實時計算可以是很多種方式：比如過濾filter，projection(投影)，lookup， 流式j(luò)oin window aggregation，可以完成各種具有業(yè)務(wù)價值的流式實時計算。
Wormhole和Swifts對比如下：
落HDFS
通過Wormhole Wpark Streaming程序消費kafka的UMS，首先UMS log可以被保存到HDFS上。
kafka一般只保存若干天的信息，不會保存全部信息，而HDFS中可以保存所有的歷史增刪改的信息。這就使得很多事情變?yōu)榭赡埽?/p>
- 通過重放HDFS中的日志，我們能夠還原任意時間的歷史快照。
- 可以做拉鏈表，還原每一條記錄的歷史信息，便于分析;
- 當程序出現(xiàn)錯誤是，可以通過回灌(backfill)，重新消費消息，重新形成新的快照。
可以說HDFS中的日志是很多的事情基礎(chǔ)。
介于Spark原生對parquet支持的很好，Spark SQL能夠?qū)arquet提供很好的查詢。UMS落地到HDFS上是保存到Parquet文件中的。Parquet的內(nèi)容是所有l(wèi)og的增刪改信息以及_ums_id_，_ums_ts_都存下來。
Wormhole spark streaming根據(jù)namespace 將數(shù)據(jù)分布存儲到不同的目錄中，即不同的表和版本放在不同目錄中。
由于每次寫的Parquet都是小文件，大家知道HDFS對于小文件性能并不好，因此另外還有一個job，每天定時將這些的Parquet文件進行合并成大文件。
每個Parquet文件目錄都帶有文件數(shù)據(jù)的起始時間和結(jié)束時間。這樣在回灌數(shù)據(jù)時，可以根據(jù)選取的時間范圍來決定需要讀取哪些Parquet文件，不必讀取全部數(shù)據(jù)。
插入或更新數(shù)據(jù)的冪等性
常常我們遇到的需求是，將數(shù)據(jù)經(jīng)過加工落地到數(shù)據(jù)庫或HBase中。那么這里涉及到的一個問題就是，什么樣的數(shù)據(jù)可以被更新到數(shù)據(jù)?
這里最重要的一個原則就是數(shù)據(jù)的冪等性。
無論是遇到增刪改任何的數(shù)據(jù)，我們面臨的問題都是：
- 該更新哪一行;
- 更新的策略是什么。
對于***個問題，其實就需要定位數(shù)據(jù)要找一個唯一的鍵，常見的有：
- 使用業(yè)務(wù)庫的主鍵;
- 由業(yè)務(wù)方指定幾個列做聯(lián)合唯一索引;
對于第二個問題，就涉及到_ums_id_了，因為我們已經(jīng)保證了_ums_id_大的值更新，因此在找到對應(yīng)數(shù)據(jù)行后，根據(jù)這個原則來進行替換更新。
之所以要軟刪除和加入_is_active_列，是為了這樣一種情況：
如果已經(jīng)插入的_ums_id_比較大，是刪除的數(shù)據(jù)(表明這個數(shù)據(jù)已經(jīng)刪除了)， 如果不是軟刪除，此時插入一個_ums_id_小的數(shù)據(jù)(舊數(shù)據(jù))，就會真的插入進去。
這就導(dǎo)致舊數(shù)據(jù)被插入了。不冪等了。所以被刪除的數(shù)據(jù)依然保留(軟刪除)是有價值的，它能被用于保證數(shù)據(jù)的冪等性。
HBase的保存
插入數(shù)據(jù)到Hbase中，相當要簡單一些。不同的是HBase可以保留多個版本的數(shù)據(jù)(當然也可以只保留一個版本)默認是保留3個版本;
因此插入數(shù)據(jù)到HBase，需要解決的問題是：
- 選擇合適的rowkey：Rowkey的設(shè)計是可以選的，用戶可以選擇源表的主鍵，也可以選擇若干列做聯(lián)合主鍵。
- 選擇合適的version：使用_ums_id_+ 較大的偏移量(比如100億) 作為row的version。
Version的選擇很有意思，利用_ums_id_的唯一性和自增性，與version自身的比較關(guān)系一致：即version較大等價于_ums_id_較大，對應(yīng)的版本較新。
從提高性能的角度，我們可以將整個Spark Streaming的Dataset集合直接插入到HBase，不需要比較。讓HBase基于version自動替我們判斷哪些數(shù)據(jù)可以保留，哪些數(shù)據(jù)不需要保留。
Jdbc的插入數(shù)據(jù)：
插入數(shù)據(jù)到數(shù)據(jù)庫中，保證冪等的原理雖然簡單，要想提高性能在實現(xiàn)上就變得復(fù)雜很多，總不能一條一條的比較然后在插入或更新。
我們知道Spark的RDD/dataset都是以集合的方式來操作以提高性能，同樣的我們需要以集合操作的方式實現(xiàn)冪等性。
具體思路是：
- 首先根據(jù)集合中的主鍵到目標數(shù)據(jù)庫中查詢，得到一個已有數(shù)據(jù)集合;
- 與dataset中的集合比較，分出兩類：
A：不存在的數(shù)據(jù)，即這部分數(shù)據(jù)insert就可以;
B：存在的數(shù)據(jù)，比較_ums_id_， 最終只將哪些_ums_id_更新較大row到目標數(shù)據(jù)庫，小的直接拋棄。
使用Spark的同學(xué)都知道，RDD/dataset都是可以partition的，可以使用多個worker并進行操作以提高效率。
在考慮并發(fā)情況下，插入和更新都可能出現(xiàn)失敗，那么還有考慮失敗后的策略。
比如：因為別的worker已經(jīng)插入，那么因為唯一性約束插入失敗，那么需要改為更新，還要比較_ums_id_看是否能夠更新。
對于無法插入其他情況(比如目標系統(tǒng)有問題)，Wormhole還有重試機制。說起來細節(jié)特別多。這里就不多介紹了。
有些還在開發(fā)中。
插入到其他存儲中的就不多介紹了，總的原則是：根據(jù)各自存儲自身特性，設(shè)計基于集合的，并發(fā)的插入數(shù)據(jù)實現(xiàn)。這些都是Wormhole為了性能而做的努力，使用Wormhole的用戶不必關(guān)心 。
五、運用案例
實時營銷
說了那么多，DWS有什么實際運用呢?下面我來介紹某系統(tǒng)使用DWS實現(xiàn)了的實時營銷。
如上圖所示：
系統(tǒng)A的數(shù)據(jù)都保存到自己的數(shù)據(jù)庫中，我們知道，宜信提供很多金融服務(wù)，其中包括借款，而借款過程中很重要的就是信用審核。
借款人需要提供證明具有信用價值的信息，比如央行征信報告，是具有***信用數(shù)據(jù)的數(shù)據(jù)。 而銀行流水，網(wǎng)購流水也是具有較強的信用屬性的數(shù)據(jù)。
借款人通過Web或手機APP在系統(tǒng)A中填寫信用信息時，可能會某些原因無法繼續(xù)，雖然可能這個借款人是一個優(yōu)質(zhì)潛在客戶，但以前由于無法或很久才能知道這個信息，所以實際上這樣的客戶是流失了。
應(yīng)用了DWS以后，借款人已經(jīng)填寫的信息已經(jīng)記錄到數(shù)據(jù)庫中，并通過DWS實時的進行抽取、計算和落地到目標庫中。根據(jù)對客戶的打分，評價出優(yōu)質(zhì)客戶。然后立刻將這個客戶的信息輸出到客服系統(tǒng)中。
客服人員在很短的時間(幾分鐘以內(nèi))就通過打電話的方式聯(lián)系上這個借款人(潛客)，進行客戶關(guān)懷，將這個潛客轉(zhuǎn)換為真正的客戶。我們知道借款是有時效性的，如果時間太久就沒有價值了。
如果沒有實時抽取/計算/落庫的能力，那么這一切都無法實現(xiàn)。
實時報表系統(tǒng)
另外一個實時報表的應(yīng)用如下：
我們數(shù)據(jù)使用方的數(shù)據(jù)來自多個系統(tǒng)，以前是通過T+1的方式獲得報表信息，然后指導(dǎo)第二天的運營，這樣時效性很差。
通過DWS，將數(shù)據(jù)從多個系統(tǒng)中實時抽取，計算和落地，并提供報表展示，使得運營可以及時作出部署和調(diào)整，快速應(yīng)對。
六、總結(jié)
說了那么多，大致總結(jié)一下：
- DWS技術(shù)上基于主流實時流式大數(shù)據(jù)技術(shù)框架，高可用大吞吐強水平擴容，低延遲高容錯最終一致。
- DWS能力上支持異構(gòu)多源多目標系統(tǒng)，支持多數(shù)據(jù)格式(結(jié)構(gòu)化半結(jié)構(gòu)化非結(jié)構(gòu)化數(shù)據(jù))和實時技術(shù)能力。
- DWS將三個子項目合并作為一個平臺推出，使得我們具備了實時的能力， 驅(qū)動各種實時場景應(yīng)用。
適合場景包括：實時同步/實時計算/實時監(jiān)控/實時報表/實時分析/實時洞察/實時管理/實時運營/實時決策
感謝大家的聆聽，此次分享到此為止。
Q&A
Q1：Oracle log reader有開源方案嗎?
A1：對于Oracle業(yè)界也有許多商業(yè)解決方案，例如：Oracle GoldenGate(原來的goldengate), Oracle Xstream, IBM InfoSphere Change Data Capture(原來的DataMirror)，Dell SharePlex (原來的Quest)，國內(nèi)的DSG superSync等，開源的方案好用的很少。
Q2：這個項目投入了多少人力物力?感覺有點復(fù)雜。
Q2：DWS是三個子項目組成，平均每個項目5~7人。是有點復(fù)雜，其實也是試圖使用大數(shù)據(jù)技術(shù)來解決我們公司目前遇到的困難。
因為是搞大數(shù)據(jù)相關(guān)技術(shù)，所有團隊里面的兄弟姐妹都還是比較happy的：)
其實這里面，Dbus和Wormhole相對固定模式化，容易輕松復(fù)用。Swifts實時計算是與每個業(yè)務(wù)相關(guān)比較大的，自定義比較強，相對比較麻煩一些。
Q3：宜信的這個DWS系統(tǒng)會開源么?
A3：我們也考慮過向社區(qū)貢獻，就像宜信的其他開源項目一樣，目前項目剛剛成形，還有待進一步磨煉，我相信未來的某個時候，我們會給它開源出來。
Q4：架構(gòu)師怎么理解，是不是系統(tǒng)工程師?
A4：不是系統(tǒng)工程師，在我們宜信有多位架構(gòu)師，應(yīng)該算是以技術(shù)驅(qū)動業(yè)務(wù)的技術(shù)管理人員。包含產(chǎn)品設(shè)計，技術(shù)管理等。
Q5：復(fù)制方案是否是OGG?
A5：OGG與上面提到的其他商業(yè)解決方案都是可選方案。
