一、前言

傳統(tǒng)的大數(shù)據(jù)技術(shù)起源于 Google 三架馬車 GFS、MapReduce、Bigtable，以及其衍生的開源分布式文件系統(tǒng) HDFS，分布式計算引擎 MapReduce，以及分布式數(shù)據(jù)庫 HBase。最初的大數(shù)據(jù)技術(shù)與需求往往集中在超大規(guī)模數(shù)據(jù)存儲、數(shù)據(jù)處理、在線查詢等。在這個階段，很多公司會選擇自建機(jī)房部署 Hadoop 的方式，大數(shù)據(jù)技術(shù)與需求集中在離線計算與大規(guī)模存儲上，常見的體現(xiàn)方式有 T+1 報表，大規(guī)模數(shù)據(jù)在線查詢等。

隨著互聯(lián)網(wǎng)技術(shù)的日漸發(fā)展、數(shù)據(jù)規(guī)模的擴(kuò)大與復(fù)雜的需求場景的產(chǎn)生，傳統(tǒng)的大數(shù)據(jù)架構(gòu)無法承載。大數(shù)據(jù)架構(gòu)在近些年的演進(jìn)主要體現(xiàn)下以下幾方面：

1. 規(guī)?；哼@里的規(guī)?；饕w現(xiàn)在大數(shù)據(jù)技術(shù)的使用規(guī)模上和數(shù)據(jù)規(guī)模的增長。大數(shù)據(jù)技術(shù)的使用規(guī)模增長代表越來越多的復(fù)雜需求產(chǎn)生，而數(shù)據(jù)規(guī)模的增長決定了傳統(tǒng)的準(zhǔn)大數(shù)據(jù)技術(shù)（如 MySQL）無法解決所有問題。因此，拿存儲組件舉例來說，通常會劃分到不同的數(shù)據(jù)分層，面向規(guī)模、成本、查詢和分析性能等不同維度的優(yōu)化偏向，以滿足多樣性的需求。

2. 實時化：傳統(tǒng)的 T+1 的離線大數(shù)據(jù)技術(shù)無法滿足推薦、監(jiān)控類近實時的需求，整個大數(shù)據(jù)生態(tài)和技術(shù)架構(gòu)在過去十年發(fā)生了很大的升級換代。就存儲上來說，傳統(tǒng)的 HDFS 文件存儲、Hive 數(shù)倉無法滿足低成本，可更新迭代的需求，因此滋生出 Hudi 等數(shù)據(jù)方案。就計算上來說，傳統(tǒng)的 MapReduce 批處理的能力無法做到秒級的數(shù)據(jù)處理，先后出現(xiàn) Storm 較原始的實時處理和 Spark Streaming 的微批處理，目前由 Flink 基于 Dataflow 模型的實時計算框架在實時計算領(lǐng)域占據(jù)絕對主導(dǎo)地位。

3. 云原生化：傳統(tǒng)的公司往往會選擇自建機(jī)房，或者在云上購買機(jī)器部署實例這種云托管的形式，但這種架構(gòu)存在低谷期利用率低，存儲計算不分離導(dǎo)致的存儲和計算彈性差，以及升級靈活度低等各種問題。云原生大數(shù)據(jù)架構(gòu)就是所謂的數(shù)據(jù)湖，其本質(zhì)就是充分利用云上的彈性資源來實現(xiàn)一個統(tǒng)一管理、統(tǒng)一存儲、彈性計算的大數(shù)據(jù)架構(gòu)，變革了傳統(tǒng)大數(shù)據(jù)架構(gòu)基于物理集群和本地磁盤的計算存儲架構(gòu)。其主要技術(shù)特征是存儲和計算分離和 Serverless。在云原生大數(shù)據(jù)架構(gòu)中，每一層架構(gòu)都在往服務(wù)化的趨勢演進(jìn)，存儲服務(wù)化、計算服務(wù)化、元數(shù)據(jù)管理服務(wù)化等。每個組件都被要求拆分成不同的單元，具備獨立擴(kuò)展的能力，更開放、更靈活、更彈性。

本篇文章將基于云原生大數(shù)據(jù)架構(gòu)的場景，詳細(xì)討論實時計算中的維表和結(jié)果表的架構(gòu)選型。

二、大數(shù)據(jù)架構(gòu)中的實時計算

1、實時計算場景

大數(shù)據(jù)的高速發(fā)展已經(jīng)超過 10 年，大數(shù)據(jù)也正在從計算規(guī)?；蚋訉崟r化的趨勢演進(jìn)。實時計算場景主要有以下幾種最常見的場景：

• 實時數(shù)倉：實時數(shù)倉主要應(yīng)用在網(wǎng)站 PV / UV 統(tǒng)計、交易數(shù)據(jù)統(tǒng)計、商品銷量統(tǒng)計等各類交易型數(shù)據(jù)場景中。在這種場景下，實時計算任務(wù)通過訂閱業(yè)務(wù)實時數(shù)據(jù)源，將信息實時秒級分析，最終呈現(xiàn)在業(yè)務(wù)大屏中給決策者使用，方便判斷企業(yè)運營狀況和活動促銷的情況。
• 實時推薦：實時推薦主要是基于 AI 技術(shù)，根據(jù)用戶喜好進(jìn)行個性化推薦。常見于短視頻場景、內(nèi)容資訊場景、電商購物等場景。在這種場景下，通過用戶的歷史點擊情況實時判斷用戶喜好，從而進(jìn)行針對性推薦，以達(dá)到增加用戶粘性的效果。
• 數(shù)據(jù) ETL：實時的 ETL 場景常見于數(shù)據(jù)同步任務(wù)中。比如數(shù)據(jù)庫中不同表的同步、轉(zhuǎn)化，或者是不同數(shù)據(jù)庫的同步，或者是進(jìn)行數(shù)據(jù)聚合預(yù)處理等操作，最終將結(jié)果寫入數(shù)據(jù)倉庫或者數(shù)據(jù)湖進(jìn)行歸檔沉淀。這種場景主要是為后續(xù)的業(yè)務(wù)深度分析進(jìn)行前期準(zhǔn)備工作。
• 實時診斷：這種常見于金融類或者是交易類業(yè)務(wù)場景。在這些場景中，針對行業(yè)的獨特性，需要有反作弊監(jiān)管，根據(jù)實時短時間之內(nèi)的行為，判定用戶是否為作弊用戶，做到及時止損。該場景對時效性要求極高，通過實時計算任務(wù)對異常數(shù)據(jù)檢測，實時發(fā)現(xiàn)異常并進(jìn)行及時止損。

2、Flink SQL 實時計算

實時計算需要后臺有一套極其強(qiáng)大的大數(shù)據(jù)計算能力，Apache Flink 作為一款開源大數(shù)據(jù)實時計算技術(shù)應(yīng)運而生。由于傳統(tǒng)的 Hadoop、Spark 等計算引擎，本質(zhì)上是批計算引擎，通過對有限的數(shù)據(jù)集進(jìn)行數(shù)據(jù)處理，其處理時效性是不能保證的。而 Apache Flink ，從設(shè)計之初就以定位為流式計算引擎，它可以實時訂閱實時產(chǎn)生的流式數(shù)據(jù)，對數(shù)據(jù)進(jìn)行實時分析處理并產(chǎn)生結(jié)果，讓數(shù)據(jù)在第一時間發(fā)揮價值。

Flink 選擇了 SQL 這種聲明式語言作為頂層 API，方便用戶使用，也符合云原生大數(shù)據(jù)架構(gòu)的趨勢：

• 大數(shù)據(jù)普惠，規(guī)模生產(chǎn)：Flink SQL 能夠根據(jù)查詢語句自動優(yōu)化，生成最優(yōu)的物理執(zhí)行計劃，屏蔽大數(shù)據(jù)計算中的復(fù)雜性，大幅降低用戶使用門檻，以達(dá)到大數(shù)據(jù)普惠的效果。
• 流批一體：Flink SQL 具備流批統(tǒng)一的特性，無論是流任務(wù)還是批處理任務(wù)都給用戶提供相同的語義和統(tǒng)一的開發(fā)體驗，方便業(yè)務(wù)離線任務(wù)轉(zhuǎn)實時。
• 屏蔽底層存儲差異：Flink 通過提供 SQL 統(tǒng)一查詢語言，屏蔽底層數(shù)據(jù)存儲的差異，方便業(yè)務(wù)在多樣性的大數(shù)據(jù)存儲中進(jìn)行靈活切換，對云上大數(shù)據(jù)架構(gòu)進(jìn)行更開放、靈活的調(diào)整。

上圖是 Flink SQL 的一些基本操作?？梢钥吹?SQL 的語法和標(biāo)準(zhǔn) SQL 非常類似，示例中包括了基本的 SELECT、FILTER 操作，可以使用內(nèi)置函數(shù)（如日期的格式化），也可以在注冊函數(shù)后使用自定義函數(shù)。

Flink SQL 將實時計算拆分成源表，結(jié)果表和維表三種，將這三種表的 DDL 語句（比如 CREATE TABLE）注冊各類輸入、輸出的數(shù)據(jù)源，通過 SQL 的 DML（比如 INSERT INTO）表示實時計算任務(wù)的拓?fù)潢P(guān)系，以達(dá)到通過 SQL 完成實時計算任務(wù)開發(fā)的效果。

• 源表：主要代表消息系統(tǒng)類的輸入，比如 Kafka，MQ（Message Queue），或者 CDC（Change Data Capture，例如將 MySQL binlog 轉(zhuǎn)換成實時流）輸入。
• 結(jié)果表：主要代表 Flink 將每條實時處理完的數(shù)據(jù)寫入的目標(biāo)存儲，如 MySQL，HBase 等數(shù)據(jù)庫。
• 維表：主要代表存儲數(shù)據(jù)維度信息的數(shù)據(jù)源。在實時計算中，因為數(shù)據(jù)采集端采集到的數(shù)據(jù)往往比較有限，在做數(shù)據(jù)分析之前，就要先將所需的維度信息補全，而維表就是代表存儲數(shù)據(jù)維度信息的數(shù)據(jù)源。常見的用戶維表有 MySQL，Redis 等。

下圖是一個完整的實時計算示例，示例中的 Flink SQL 任務(wù)，這個任務(wù)的目標(biāo)是計算每分鐘不同商品分類的 GMV (Gross Merchandise Volume，即商品交易總額)。在這個任務(wù)中，F(xiàn)link 實時消費用戶訂單數(shù)據(jù)的 Kafka 源表，通過 Redis 維表將商品 id 關(guān)聯(lián)起來獲取到商品分類，按照 1 分鐘間隔的滾動窗口按商品分類將總計的交易金額計算出來，將最后的結(jié)果寫入 RDS（Relational Database Service，如 MySQL） 結(jié)果表中。

# 源表 - 用戶訂單數(shù)據(jù)，代表某個用戶（user_id）在 timestamp 時按 price 的價格購買了商品（item_id） 
CREATE TEMPORARY TABLE user_action_source ( 
  `timestamp` BIGINT, 
  `user_id` BIGINT, 
  `item_id` BIGINT, 
  `price` DOUBLE,SQs 
) WITH ( 
  'connector' = 'kafka', 
  'topic' = '<your_topic>', 
  'properties.bootstrap.servers' = 'your_kafka_server:9092', 
  'properties.group.id' = '<your_consumer_group>' 
  'format' = 'json', 
  'scan.startup.mode' = 'latest-offset' 
); 
 
 
# 維表 - 物品詳情 
CREATE TEMPORARY TABLE item_detail_dim ( 
  id STRING, 
  catagory STRING, 
  PRIMARY KEY (id) NOT ENFORCED 
) WITH ( 
  'connector' = 'redis', 
  'host' = '<your_redis_host>', 
  'port' = '<your_redis_port>', 
  'password' = '<your_redis_password>', 
  'dbNum' = '<your_db_num>' 
); 
 
 
# 結(jié)果表 - 按時間（分鐘）和分類的 GMV 輸出 
CREATE TEMPORARY TABLE gmv_output ( 
   time_minute STRING, 
   catagory STRING, 
   gmv DOUBLE, 
   PRIMARY KEY (time_minute, catagory) 
) WITH ( 
   type='rds', 
   url='<your_jdbc_mysql_url_with_database>', 
   tableName='<your_table>', 
   userName='<your_mysql_database_username>', 
   password='<your_mysql_database_password>' 
); 
 
 
# 處理過程 
INSERT INTO gmv_output  
SELECT  
  TUMBLE_START(s.timestamp, INTERVAL '1' MINUTES) as time_minute, 
  d.catagory, 
  SUM(d.price) as gmv 
FROM 
  user_action_source s 
  JOIN item_detail_dim FOR SYSTEM_TIME AS OF PROCTIME() as d 
    ON s.item_id = d.id 
GROUP BY TUMBLE(s.timestamp, INTERVAL '1' MINUTES), d.catagory; 

這是一個很常見的實時計算的處理鏈路。后續(xù)章節(jié)中，我們將針對實時計算的維表和結(jié)果表的關(guān)鍵能力進(jìn)行展開分析，并分別進(jìn)行架構(gòu)選型的討論。

三、實時計算維表

1、關(guān)鍵需求

在數(shù)據(jù)倉庫的建設(shè)中，一般都會圍繞著星型模型和雪花模型來設(shè)計表關(guān)系或者結(jié)構(gòu)。實時計算也不例外，一種常見的需求就是為數(shù)據(jù)流補齊字段。因為數(shù)據(jù)采集端采集到的數(shù)據(jù)往往比較有限，在做數(shù)據(jù)分析之前，就要先將所需的維度信息補全。比如采集到的交易日志中只記錄了商品 id，但是在做業(yè)務(wù)時需要根據(jù)店鋪維度或者行業(yè)緯度進(jìn)行聚合，這就需要先將交易日志與商品維表進(jìn)行關(guān)聯(lián)，補全所需的維度信息。這里所說的維表與數(shù)據(jù)倉庫中的概念類似，是維度屬性的集合，比如商品維度、用戶度、地點維度等等。

作為保存用戶維度信息的數(shù)據(jù)存儲，需要應(yīng)對實時計算場景下的海量低延時訪問。根據(jù)這樣的定位，我們總結(jié)下對結(jié)構(gòu)化大數(shù)據(jù)存儲的幾個關(guān)鍵需求：

（1）高吞吐與低延時的讀取能力

首當(dāng)其沖，在不考慮開源引擎 Flink 自身維表的優(yōu)化外，維表必須能承擔(dān)實時計算場景下的海量（上萬 QPS）的數(shù)據(jù)訪問，也能在極低（毫秒級別）的延時下返回查詢數(shù)據(jù)。

（2）與計算引擎的高整合能力

在維表自身的能力之外，出于性能、穩(wěn)定性和成本的考慮，計算引擎自身往往也會有些流量卸載的能力，在一些情況下無需每次請求都需要去訪問下游維表。例如，F(xiàn)link 在維表場景下支持 Async IO 和緩存策略等優(yōu)化特性。 一個比較好的維表需要和開源計算引擎有著較高程度的對接，一方面可以提升計算層的性能，一方面也可以有效的卸載部分流量，保障維表不被過多訪問擊穿，并降低維表的計算成本。

（3）輕存儲下的計算能力的彈性

維表通常是一張共享表，存儲維度屬性等元數(shù)據(jù)信息，訪問規(guī)模往往較大，而存儲規(guī)模往往不會特別大。對維表的訪問規(guī)模極大地依賴實時數(shù)據(jù)流的數(shù)據(jù)量。比如，如果實時流的數(shù)據(jù)規(guī)模擴(kuò)大了數(shù)十倍，此時對維表的訪問次數(shù)會大大提升；又比如，如果新增了多個實時計算任務(wù)訪問該維表，該維表的查詢壓力會激增。在這些場景下，存儲規(guī)模往往不會顯著增加。

所以，計算最好是按需的，是彈性的。無論是新增或者下線實時計算任務(wù)，或者增加訪問流量，都不會影響訪問性能。同時，計算和存儲是應(yīng)該分離的，不會單純因為訪問計算量的激增就增加存儲成本。

2、架構(gòu)選型

MySQL

大數(shù)據(jù)和實時計算技術(shù)起步之初，互聯(lián)網(wǎng)早期大量流行 LAMP （Linux + Apache + MySQL + PHP）架構(gòu)快速開發(fā)站點。因此，由于業(yè)務(wù)歷史數(shù)據(jù)已經(jīng)存在 MySQL 中，在最初的實時計算維表選型中大量使用 MySQL 作為維表。

隨著大數(shù)據(jù)架構(gòu)的更新，MySQL 云上架構(gòu)也在不斷改進(jìn)，但在維表的應(yīng)用場景下仍然存在以下問題：

• 存儲側(cè)擴(kuò)展靈活性差，擴(kuò)展成本較高：MySQL 在存儲側(cè)的擴(kuò)展需要進(jìn)行數(shù)據(jù)復(fù)制遷移，擴(kuò)展周期長且靈活性差。同時 MySQL 的分庫分表每次擴(kuò)展需要雙倍資源，擴(kuò)展成本較高。
• 存儲成本高：關(guān)系數(shù)據(jù)庫是結(jié)構(gòu)化數(shù)據(jù)存儲單位成本最高的存儲系統(tǒng)，所以對于大數(shù)據(jù)場景來說，關(guān)系型數(shù)據(jù)庫存儲成本較高。

以上這些限制使 MySQL 在大數(shù)據(jù)維表場景下存在性能瓶頸，成本也比較高。但總體來說，MySQL 是非常優(yōu)秀的數(shù)據(jù)庫產(chǎn)品，在數(shù)據(jù)規(guī)模不怎么大的場景下，MySQL 絕對是個不錯的選擇。

Redis

在云上應(yīng)用架構(gòu)中，由于 MySQL 難以承載不斷增加的業(yè)務(wù)負(fù)載，往往會使用 Redis 作為 MySQL 的查詢結(jié)果集緩存，幫助 MySQL 來抵御大部分的查詢流量。

在這種架構(gòu)中，MySQL 作為主存儲服務(wù)器，Redis 作為輔助存儲，MySQL 到 Redis 的同步可以通過 binlog 實時同步或者 MySQL UDF + 觸發(fā)器的方式實現(xiàn)。在這種架構(gòu)中，Redis 可以用來緩存提高查詢性能，同時降低 MySQL 被擊穿的風(fēng)險。

由于在 Redis 中緩存了一份弱一致性的用戶數(shù)據(jù)，Redis 也常常用來作為實時計算的維表。相比于 MySQL 作為維表，Redis 有著獨特的優(yōu)勢：

• 查詢性能極高：數(shù)據(jù)高速緩存在內(nèi)存中，可以通過高速 Key-Value 形式進(jìn)行結(jié)果數(shù)據(jù)查詢，非常符合維表高性能查詢的需求。
• 存儲層擴(kuò)展靈活性高：Redis 可以非常方便的擴(kuò)展分片集群，進(jìn)行橫向擴(kuò)展，支持?jǐn)?shù)據(jù)多副本的持久化。

Redis 有其突出的優(yōu)點，但也有一個不可忽視的缺陷：雖然 Redis 有著不錯的擴(kuò)展方案，但由于高速緩存的數(shù)據(jù)存在內(nèi)存中，成本較高，如果遇到業(yè)務(wù)數(shù)據(jù)的維度屬性較大（比如用戶維度、商品維度）時，使用 Redis 作為維表存儲時成本極高。

Tablestore

Tablestore是阿里云自研的結(jié)構(gòu)化大數(shù)據(jù)存儲產(chǎn)品，具體產(chǎn)品介紹可以參考 官網(wǎng) 以及 權(quán)威指南 。在大數(shù)據(jù)維表的場景下，Tablestore 有著獨特的優(yōu)勢：

• 高吞吐訪問：Tablestore 采用了存儲計算分離架構(gòu)，可以彈性擴(kuò)展計算資源，支持高吞吐下的數(shù)據(jù)查詢。
• 低延時查詢：Tablestore 按照 LSM 存儲引擎實現(xiàn)，支持 Block Cache 加速查詢，用戶也通過配置豐富的索引，優(yōu)化業(yè)務(wù)查詢。
• 低成本存儲和彈性計算成本：在存儲成本上，Tablestore 屬于結(jié)構(gòu)化 NoSQL 存儲類型，數(shù)據(jù)存儲成本比起關(guān)系型數(shù)據(jù)庫或者高速緩存要低很多；在計算成本上，Tablestore 采用了存儲計算架構(gòu)，可以按需彈性擴(kuò)展計算資源。
• 與 Flink 維表優(yōu)化的高度對接：Tablestore 支持 Flink 維表優(yōu)化的所有策略，包括 Async IO 和不同緩存策略。

方案對比

上面是前文提到的幾個維表方案在各個維度的對比。接下來，將舉幾個具體的場景細(xì)致對比下成本：

1. 高存儲高計算：維表需要存 100 億條訂單維度的數(shù)據(jù)，總計存儲量需要 1T，盡管業(yè)務(wù)在 Flink 任務(wù)端配置了緩存策略，但仍然有較高的 KV 查詢下沉到維表，到維表的 QPS 峰值  10 萬，均值 2.5 萬。不同維表所需的配置要求和購買成本如下：

2. 低存儲低計算：維表需要存 100 萬條地域維度的數(shù)據(jù)，總計存儲量需要 10M，業(yè)務(wù)端在 Flink 任務(wù)中的維表配置了 LRU 緩存策略抵御了絕大部分的流量，到維表的 QPS 峰值 1000 均值 250。不同維表所需的配置要求和購買成本如下：

3. 高存儲低計算：維表需要存 100 億條訂單維度的數(shù)據(jù)，總計存儲量需要 1T，業(yè)務(wù)端在 Flink 任務(wù)中的維表配置了 LRU 緩存策略抵御了絕大部分的流量，到維表的 QPS 峰值 1000 均值 250。不同維表所需的配置要求和購買成本如下：

4. 低存儲高計算：Redis 作為內(nèi)存數(shù)據(jù)庫，具有超高頻的數(shù)據(jù) KV 查詢能力，僅 4 核 8G 內(nèi)存的 Redis集群，即可支持 16 萬 QPS的并發(fā)訪問，成本預(yù)計 1600 元 / 月，在低存儲高計算場景有著鮮明的成本優(yōu)勢。

從上面的成本對比報告中可見：

1）MySQL 由于缺乏存儲和計算的彈性，以及關(guān)系型數(shù)據(jù)庫固有的缺點，在不同程度的存儲和計算規(guī)模下成本均較高。

2）Redis 作為內(nèi)存數(shù)據(jù)庫，在低存儲（約 128G 以下）高計算場景有著鮮明的成本優(yōu)勢，但由于內(nèi)存存儲成本很高、缺乏彈性，隨著數(shù)據(jù)規(guī)模的提升，成本呈指數(shù)增長。

3）Tablestore 基于云原生架構(gòu)可以按量對存儲和計算進(jìn)行彈性，在數(shù)據(jù)存儲和訪問規(guī)模不大時成本較低。

4）Tablestore 作為 NoSQL 數(shù)據(jù)庫存儲成本很低，在高存儲（128G 以上）場景下有著鮮明的成本優(yōu)勢。

四、實時計算結(jié)果表

1、需求分析

結(jié)果表作為實時計算完成后數(shù)據(jù)導(dǎo)入的存儲系統(tǒng)，主要可分為關(guān)系數(shù)據(jù)庫、搜索引擎、結(jié)構(gòu)化大數(shù)據(jù)離線存儲、結(jié)構(gòu)化大數(shù)據(jù)在線存儲幾種分類，具體差異通過以下表格進(jìn)行了歸納。

對于這幾種數(shù)據(jù)產(chǎn)品，在各自場景下各有優(yōu)勢，起源的先后也各有不同。為了方便探究，我們將問題域縮小，僅僅考慮實時計算的場景下，一個更好的結(jié)果表存儲需要承擔(dān)什么樣的角色。

上文提到了實時計算的主要幾個場景中，實時數(shù)倉，實時推薦，實時監(jiān)控三個場景需要考慮結(jié)果表的選型。我們一一分析。

• 實時數(shù)倉：實時數(shù)倉主要應(yīng)用在網(wǎng)站實時 PV / UV 統(tǒng)計、交易數(shù)據(jù)統(tǒng)計等實時分析場景。實時分析（即OLAP）場景分為預(yù)聚合、搜索引擎和 MPP（Massively Parallel Processing，即大規(guī)模并行處理）三種 OLAP 模型。對于預(yù)聚合模型來說，可以通過 Flink 計算層進(jìn)行數(shù)據(jù)聚合寫入結(jié)果表，也可以全量寫入結(jié)果表中，通過結(jié)果表自身的預(yù)聚合能力進(jìn)行數(shù)據(jù)存儲，在這種形態(tài)中極大地依賴結(jié)果表數(shù)據(jù)查詢與分析能力的支撐。對于搜索引擎模型來說，數(shù)據(jù)將全量寫入結(jié)果表中，通過搜索引擎的倒排索引和列存特性進(jìn)行數(shù)據(jù)分析，在這種形態(tài)中需要結(jié)果表有高吞吐的數(shù)據(jù)寫入能力和大規(guī)模數(shù)據(jù)存儲能力。MPP 模型是計算引擎，如果訪問的是列式存儲，可以更好地發(fā)揮分析查詢特性。實時 OLAP 存儲和計算引擎眾多，在一個完整的數(shù)據(jù)系統(tǒng)架構(gòu)下，需要有多個存儲組件并存。并且根據(jù)對查詢和分析能力的不同要求，需要數(shù)據(jù)派生派生能力在必要時擴(kuò)展到其他類型存儲。另外，實時數(shù)倉中隨著業(yè)務(wù)規(guī)模的擴(kuò)大，存儲量會大幅增長，相較來說數(shù)據(jù)查詢等計算規(guī)模變化一般不會特別明顯，所以結(jié)果表需要做到存儲和計算成本分離，極大地控制資源成本。
• 實時推薦：實時推薦主要是根據(jù)用戶喜好進(jìn)行個性化推薦，在常見的用戶商品個性化推薦場景下，一種常見的做法是將用戶的特征寫入結(jié)構(gòu)化大數(shù)據(jù)存儲（如 HBase ）中，而該存儲將作為維表另一條用戶點擊消費行為數(shù)據(jù)進(jìn)行關(guān)聯(lián)，提取出用戶特征與行為關(guān)聯(lián)輸入，作為推薦算法的輸入。這里的存儲既需要作為結(jié)果表提供高吞吐的數(shù)據(jù)寫入能力，也需要作為維表提供高吞吐低延時的數(shù)據(jù)在線查詢能力。
• 實時監(jiān)控：應(yīng)用的實時監(jiān)控常見于金融類或者是交易類業(yè)務(wù)場景，該場景對時效性要求極高，通過對異常數(shù)據(jù)檢測，可以實時發(fā)現(xiàn)異常情況而做出一個止損的行為。在這種場景下無論是通過閾值進(jìn)行判斷還是通過異常檢測算法，都需要實時低延時的數(shù)據(jù)聚合查詢能力。

2、關(guān)鍵能力

通過以上的需求分析，我們可以總結(jié)出幾項實時大數(shù)據(jù)結(jié)果表的關(guān)鍵能力：

1. 大規(guī)模數(shù)據(jù)存儲

結(jié)果表存儲的定位是集中式的大規(guī)模存儲，作為在線數(shù)據(jù)庫的匯總，或者是實時計算（或者是離線）的輸入和輸出，必須要能支撐 PB 級規(guī)模數(shù)據(jù)存儲。

2. 豐富的數(shù)據(jù)查詢與聚合分析能力

結(jié)果表需要擁有豐富的數(shù)據(jù)查詢與聚合分析能力，需要為支撐高效在線查詢做優(yōu)化。常見的查詢優(yōu)化包括高速緩存、高并發(fā)低延遲的隨機(jī)查詢、復(fù)雜的任意字段條件組合查詢以及數(shù)據(jù)檢索。這些查詢優(yōu)化的技術(shù)手段就是緩存和索引，其中索引的支持是多元化的，面向不同的查詢場景提供不同類型的索引。例如面向固定組合查詢的基于 B+tree 的二級索引，面向地理位置查詢的基于 R-tree 或 BKD-tree 的空間索引或者是面向多條件組合查詢和全文檢索的倒排索引。

3. 高吞吐寫入能力

實時計算的數(shù)據(jù)表需要能承受大數(shù)據(jù)計算引擎的海量結(jié)果數(shù)據(jù)集導(dǎo)出。所以必須能支撐高吞吐的數(shù)據(jù)寫入，通常會采用一個為寫入而優(yōu)化的存儲引擎。

4. 數(shù)據(jù)派生能力

一個完整的數(shù)據(jù)系統(tǒng)架構(gòu)下，需要有多個存儲組件并存。并且根據(jù)對查詢和分析能力的不同要求，需要在數(shù)據(jù)派生體系下對存儲進(jìn)行動態(tài)擴(kuò)展。所以對于大數(shù)據(jù)存儲來說，也需要有能擴(kuò)展存儲的派生能力，來擴(kuò)展數(shù)據(jù)處理能力。而判斷一個存儲組件是否具備更好的數(shù)據(jù)派生能力，就看是否具備成熟的 CDC 技術(shù)。

5. 云原生架構(gòu)：存儲與計算成本分離

在云原生大數(shù)據(jù)架構(gòu)中，每一層架構(gòu)都在往服務(wù)化的趨勢演進(jìn)，存儲服務(wù)化、計算服務(wù)化、元數(shù)據(jù)管理服務(wù)化等。每個組件都被要求拆分成不同的單元，作為結(jié)果表也不例外，需要具備獨立擴(kuò)展的能力，更開放、更靈活、更彈性。

單就從結(jié)果表來說，只有符合云原生架構(gòu)的組件，即基于存儲計算分離架構(gòu)實現(xiàn)的產(chǎn)品，才能做到存儲和計算成本的分離，以及獨立擴(kuò)展。存儲和計算分離的優(yōu)勢，在大數(shù)據(jù)系統(tǒng)下會更加明顯。舉一個簡單的例子，結(jié)構(gòu)化大數(shù)據(jù)存儲的存儲量會隨著數(shù)據(jù)的積累越來越大，但是數(shù)據(jù)寫入量是相對平穩(wěn)的。所以存儲需要不斷的擴(kuò)大，但是為了支撐數(shù)據(jù)寫入或臨時的數(shù)據(jù)分析而所需的計算資源，則相對來說比較固定，是按需的。

3、架構(gòu)選型

MySQL

和維表一樣，大數(shù)據(jù)和實時計算技術(shù)起步之初，MySQL 是一個萬能存儲，幾乎所有需求都可以通過 MySQL 來完成，因此應(yīng)用規(guī)模非常廣，結(jié)果表也不例外。隨著數(shù)據(jù)規(guī)模的不斷擴(kuò)展和需求場景的日漸復(fù)雜，MySQL 有點難以承載，就結(jié)果表的場景下主要存在以下問題：

1. 大數(shù)據(jù)存儲成本高：這個在之前討論維表時已經(jīng)提到，關(guān)系數(shù)據(jù)庫單位存儲成本非常高。

2. 單一存儲系統(tǒng)，提供的查詢能力有限：隨著數(shù)據(jù)規(guī)模的擴(kuò)大，MySQL 讀寫性能的不足問題逐漸顯現(xiàn)了出來。另外，隨著分析類 AP 需求的產(chǎn)生，更適合 TP 場景的 MySQL 查詢能力比較有限。

3. 高吞吐數(shù)據(jù)寫入能力較差：作為 TP 類的關(guān)系型數(shù)據(jù)庫，并不是特別擅長高吞吐的數(shù)據(jù)寫入。

4. 擴(kuò)展性差，擴(kuò)展成本較高：這個在之前討論維表時已經(jīng)提到，MySQL 在存儲側(cè)的擴(kuò)展需要進(jìn)行數(shù)據(jù)復(fù)制遷移，且需要雙倍資源，因此擴(kuò)展靈活性差，成本也比較高。

以上這些限制使 MySQL 在大數(shù)據(jù)結(jié)果表場景下存在性能瓶頸，成本也比較高，但作為關(guān)系型數(shù)據(jù)庫，不是特別適合作為大數(shù)據(jù)的結(jié)果表使用。

HBase

由于關(guān)系型數(shù)據(jù)庫的天然瓶頸，基于 BigTable 概念的分布式 NoSQL 結(jié)構(gòu)化數(shù)據(jù)庫應(yīng)運而生。目前開源界比較知名的結(jié)構(gòu)化大數(shù)據(jù)存儲是 Cassandra 和 HBase，Cassandra 是 WideColumn 模型 NoSQL 類別下排名 Top-1 的產(chǎn)品，在國外應(yīng)用比較廣泛。這篇文章中，我們重點提下在國內(nèi)應(yīng)用更多的 HBase。      HBase 是基于 HDFS 的存儲計算分離架構(gòu)的 WideColumn 模型數(shù)據(jù)庫，擁有非常好的擴(kuò)展性，能支撐大規(guī)模數(shù)據(jù)存儲，它的優(yōu)點為：

1. 大數(shù)據(jù)規(guī)模存儲，支持高吞吐寫入：基于 LSM 實現(xiàn)的存儲引擎，支持大規(guī)模數(shù)據(jù)存儲，并為寫入優(yōu)化設(shè)計，能提供高吞吐的數(shù)據(jù)寫入。

2. 存儲計算分離架構(gòu)：底層基于 HDFS，分離的架構(gòu)可以按需對存存儲和計算分別進(jìn)行彈性擴(kuò)展。

3. 開發(fā)者生態(tài)成熟，與其他開源生態(tài)整合較好：作為發(fā)展多年的開源產(chǎn)品，在國內(nèi)也有比較多的應(yīng)用，開發(fā)者社區(qū)很成熟，與其他開源生態(tài)如 Hadoop，Spark 整合較好。

HBase有其突出的優(yōu)點，但也有幾大不可忽視的缺陷：

1. 查詢能力弱，幾乎不支持?jǐn)?shù)據(jù)分析：提供高效的單行隨機(jī)查詢以及范圍掃描，復(fù)雜的組合條件查詢必須使用 Scan + Filter 的方式，稍不注意就是全表掃描，效率極低。HBase 的 Phoenix 提供了二級索引來優(yōu)化查詢，但和 MySQL 的二級索引一樣，只有符合最左匹配的查詢條件才能做索引優(yōu)化，可被優(yōu)化的查詢條件非常有限。

2. 數(shù)據(jù)派生能力弱：前面章節(jié)提到 CDC 技術(shù)是支撐數(shù)據(jù)派生體系的核心技術(shù)，HBase 不具備 CDC 技術(shù)。

3. 非云原生 Serverless 服務(wù)模式，成本高：前面提到結(jié)構(gòu)化大數(shù)據(jù)存儲的關(guān)鍵需求之一是存儲與計算的成本分離，HBase 的成本取決于計算所需 CPU 核數(shù)成本以及磁盤的存儲成本，基于固定配比物理資源的部署模式下 CPU 和存儲永遠(yuǎn)會有一個無法降低的最小比例關(guān)系。即隨著存儲空間的增大，CPU 核數(shù)成本也會相應(yīng)變大，而不是按實際所需計算資源來計算成本。因此，只有云原生的 Serverless 服務(wù)模式，才要達(dá)到完全的存儲與計算成本分離。

4. 運維復(fù)雜：HBase 是標(biāo)準(zhǔn)的 Hadoop 組件，最核心依賴是 Zookeeper 和 HDFS，沒有專業(yè)的運維團(tuán)隊幾乎無法運維。

國內(nèi)的高級玩家大多會基于 HBase 做二次開發(fā)，基本都是在做各種方案來彌補 HBase 查詢能力弱的問題，根據(jù)自身業(yè)務(wù)查詢特色研發(fā)自己的索引方案，例如自研二級索引方案、對接 Solr 做全文索引或者是針對區(qū)分度小的數(shù)據(jù)集的 bitmap 索引方案等等?？偟膩碚f，HBase 是一個優(yōu)秀的開源產(chǎn)品，有很多優(yōu)秀的設(shè)計思路值得借鑒。

HBase + Elasticsearch

為了解決 HBase 查詢能力弱的問題，國內(nèi)很多公司通過 Elasticsearch 來加速數(shù)據(jù)檢索，按照 HBase + Elasticsearch 的方案實現(xiàn)他們的架構(gòu)。其中，HBase 用于做大數(shù)據(jù)存儲和歷史冷數(shù)據(jù)查詢，Elasticsearch 用于數(shù)據(jù)檢索，其中，由于 HBase 不具備 CDC 技術(shù)，所以需要業(yè)務(wù)方應(yīng)用層雙寫 HBase 和 Elasticsearch，或者啟動數(shù)據(jù)同步任務(wù)將 HBase 同步至 Elasticsearch。

這個方案能通過 Elasticsearch 極大地補足 HBase 查詢能力弱的問題，但由于 HBase 和 Elasticsearch 本身的一些能力不足，會存在以下幾個問題：

1. 開發(fā)成本高，運維更加復(fù)雜：客戶要維護(hù)至少兩套集群，以及需要完成 HBase 到 Elasticsearch 的數(shù)據(jù)同步。如果要保證 HBase 和 Elasticsearch 的一致性，需要通過前文提到的應(yīng)用層多寫的方式，這不是解耦的架構(gòu)擴(kuò)展起來比較復(fù)雜。另外整體架構(gòu)比較復(fù)雜，涉及的模塊和技術(shù)較多，運維成本也很高。

2. 成本很高：客戶需要購買兩套集群，以及維護(hù) HBase 和 Elasticsearch 的數(shù)據(jù)同步，資源成本很高。

3. 仍沒有數(shù)據(jù)派生能力：這套架構(gòu)中，只是將數(shù)據(jù)分別寫入 HBase 和 Elasticsearch 中，而 HBase 和 Elasticsearch 均沒有 CDC 技術(shù)，仍然無法靈活的將數(shù)據(jù)派生到其他系統(tǒng)中。

Tablestore

Tablestore 是阿里云自研的結(jié)構(gòu)化大數(shù)據(jù)存儲產(chǎn)品，具體產(chǎn)品介紹可以參考 官網(wǎng) 以及 權(quán)威指南 。Tablestore 的設(shè)計理念很大程度上顧及了數(shù)據(jù)系統(tǒng)內(nèi)對結(jié)構(gòu)化大數(shù)據(jù)存儲的需求，并且基于派生數(shù)據(jù)體系這個設(shè)計理念專門設(shè)計和實現(xiàn)了一些特色的功能。簡單概括下 Tablestore 的技術(shù)理念：

1. 大規(guī)模數(shù)據(jù)存儲，支持高吞吐寫入：LSM 和 B+ tree 是主流的兩個存儲引擎實現(xiàn)，其中 Tablestore 基于 LSM 實現(xiàn)，支持大規(guī)模數(shù)據(jù)存儲，專為高吞吐數(shù)據(jù)寫入優(yōu)化。

2. 通過多元化索引，提供豐富的查詢能力：LSM 引擎特性決定了查詢能力的短板，需要索引來優(yōu)化查詢。而不同的查詢場景需要不同類型的索引，所以 Tablestore 提供多元化的索引來滿足不同類型場景下的數(shù)據(jù)查詢需求。

3. 支持 CDC 技術(shù)，提供數(shù)據(jù)派生能力：Tablestore 的 CDC 技術(shù)名為 Tunnel Service，支持全量和增量的實時數(shù)據(jù)訂閱，并且能無縫對接 Flink 流計算引擎來實現(xiàn)表內(nèi)數(shù)據(jù)的實時流計算。

4. 存儲計算分離架構(gòu)：采用存儲計算分離架構(gòu)，底層基于飛天盤古分布式文件系統(tǒng)，這是實現(xiàn)存儲計算成本分離的基礎(chǔ)。

5. 云原生架構(gòu)，Serverless 產(chǎn)品形態(tài)，免運維：云原生架構(gòu)的最關(guān)鍵因素是存儲計算分離和 Serverless 服務(wù)化，只有存儲計算分離和 Serverless 服務(wù)才能實現(xiàn)一個統(tǒng)一管理、統(tǒng)一存儲、彈性計算的云原生架構(gòu)。由于是 Serverless 產(chǎn)品形態(tài)，業(yè)務(wù)方無需部署和維護(hù) Tablestore，極大地降低用戶的運維成本。

方案對比

舉一個具體的場景，結(jié)果表需要存千億級別的電商訂單交易數(shù)據(jù)，總計存儲量需要 1T，用戶需要對于這類數(shù)據(jù)進(jìn)行查詢與靈活的分析。日常訂單查詢與數(shù)據(jù)檢索頻率為 1000 次/秒，數(shù)據(jù)分析約每分鐘查詢 10 次左右。

以下是不同架構(gòu)達(dá)到要求所需的配置，以及在阿里云上的購買成本：

五、總結(jié)

本篇文章談了云原生大數(shù)據(jù)架構(gòu)下的實時計算維表和結(jié)果表場景下的架構(gòu)設(shè)計與選型。其中，阿里云 Tablestore 在這些場景下有一些特色功能，希望能通過本篇文章對我們有一個更深刻的了解。