发布在即!企业 AIGC 应用程度测评,3 步定制专属评估报告。抢首批测评权益>>> 了解详情
写点什么

ArchSummit 微课堂|构建大数据系统的前沿技术概述

  • 2016-04-26
  • 本文字数:4217 字

    阅读完需:约 14 分钟

引言

本文整理自 ArchSummit 微信大讲堂线上群分享内容;解释一下这次我为什么不是分享安全方面,反而分享数据方面的,ArchSummit 北京 2015 分享的实际也是数据计算方面的技巧,只不过用在了风控场景上,这次我尝试把那些操作更加往底层架构上延伸一下,更加有逻辑去考虑这个话题。

正文

第一部分存储模型之前,先抛两个问题:

1)这些存储的数据结构,主要是来优化什么操作的?

2)SSD 对于这些存储结构有什么样的影响?

一. 存储模型–读和写的取舍

一个好的存储结构,我们希望的是更新数据快,查找特定的数据也快,最好占用空间还小,一般来说,这算得上是对存储的终极要求了。

终极要求,这东西一般都是 YY,但是,加上一定的限制条件,在特定的时期,数据大爆炸之前,单机时代,B 树这个结构,可以算得上是银弹。基本上所有的关系型数据库系统都采用这种结构。SqlServer 和 Oracle 都采用 B 树,Mysql,Db2 还有 informix 采用的 B+ 树,

磁盘读数据和写数据的过程,1)移动磁头到对用的扇区,2)然后磁头接触磁道,写或者读数据,3)通过总线传输到内存或者寄存器。

磁头移动时间,十分之一秒的级别,读写的时间,按照普通磁盘,7200 转的,差不多在百分之一秒级不到,还有一个耗时就是总线传输时间,这个基本可以忽略,在 10 的 8 次方分之秒。

另一个背景知识是,文件系统, 读写是有最小操作单位的块,每次 I/O 操作,都是整块操作。块大小,跟文件系统的格式有关,fat32,ext3/4 等等,常见的块大小 4096 个字节,块大小可以调整,块,对应到物理的扇区。

通过上面的分析,有效的优化是降低磁头定位的次数;B 树就是综合读写两方面的需求,提出的对磁头定位操作优化的结构。隐含的数据特征是:重查询,轻新增,并发写要求不高。总的数据量优先,单挑记录会被反复更新,这刚好就是单机时代的数据特征。在做关系型数据库表设计的时候,知道这点会比较有用。

B+ 树和 B* 树是 B 树的两种变形,B+ 树降低了中间节点的数据大小,同样的块大小,可以存储更多的数据,检索上更有效率,但是,实际数据读取上有妥协。B* 树,相对于 B 数在节点的分裂,旋转,平衡方面有增强。

进入互联网时代,数据的特征有了变化,写多读少,数据具备热点时间。有效期之后的数据,就相当于传统数据库的归档。另外一个有利的变化,是内存变得很便宜,可以用足够低的成本 hold 住热点数据。这种前提下,顺序写做持久化,热点数据保持在内存中,并且在内存中进行排序,保证顺序写入的数据是有序的。

基于这样的思路,就有了 LSM-Tree 和 COLA-Tree 两种改进。区别在于 LSM 的 MemTable 保持固定大小,持久化数据的索引都有 compaction 阶段完成。COLA 的思路,是 Memtable 就按照固定的逻辑完成索引更新。COLA 里面是没有 Memtable 这个名称的。

基本上现存所有的 NoSQL 都是采用 LSM-Tree 的思路,除了 TokuDB。

Cassandrda 和 LevelDB,需要特别提一下,他们两个在 Compaction 阶段的实现,是参考了 COLA 的做法的,sstable 做了分层合并。COLA 在层之间,还引入了分形树(Fractal Tree)的实现,改进索引性能,Cassandra 和 LevelDB 是没有,单层上数据检索,还是采用的 BloomFilter 和二分法。

二. 实时计算 - 精度和速度的权衡

纯粹从性能对比,COLA 跟 B 树算是公平对决,数据如下:块大小 4098 字节

查询 Cola 比 B 树慢 12 倍,插入速度是 B 树的 340 倍。

LSM 不具备可比性,更多靠 cache 命中的效率。

之前提到的问题,SSD 的影响,这么看起来,SSD 对 B 树和 Toku 的影响要比 LSM 大(只是相对的),这些算法,对于 ssd 来说,算法对性能的影响并不重要,比较重要的反而是,通过算法降低,flash 的读写次数,达到延长 ssd 使用寿命和减少损坏率。

除了需要保存检索数据,还需要对数据进行计算,流计算,实时计算的框架,已经是大数据里面到处可见,Storm,Spark Stream 等等,这些流行框架更多是调度系统,真正的计算还需要自己来实现。

在我现在的实际工作中,常见的有点难度的计有 exist 是否存在,distinct count 去重计数,top n 等等在 window 内部。

所有这些计算,对于内存都是很巨大的挑战。可行的做法,就是引入精度,接受概率。

这些做法,在数据挖掘的领域,已经是司空见惯的做法,比如关联规则挖掘的 Apriori 跟 Fp-growth 等都引入的概率的做法。

很多程序员其实也用过,一说就知道,Bloom Filter 做去重,接受一定概率的误差,换来空间的减少,提升性能。

接下来介绍几个,我在实际工作中,用得比较多的方法,实际上是几个概念。

1)Bloom Filter

2)Sketching

3)基数估计

BF 略过,大家都知道。Sketching,用于做频率估计,估算数据流中每个数据的出现次数。基本思路也跟 BF 差不多,通过互相独立的 hash 函数依次处理输入,接受一定程度的正负错判,估计值在一定概率内正确,这个概率可调整。这类方法的另一个优势是可以很容易实现分布式,能够合并。

Sketch 有几个变种,basic sketch, counter sketch 和 counter min sketch,依次各有改进。

Bf 和 counter min sketch 算是当前最优的 top n 的方法。Cms 对于重复度高的效果较好,重复度不高了,有基于 cms 基础上的改进,counter-mean-min sketch。

上面在存储模型中间没有提到,cms 还能够用在 nosql 的 range query 索引上,不追求精确度,在性能方面完爆 B 树。

基数估计也是类似的思路,用很少的空间,计算集合的势,常见的算法有 Linear counter,LogLog counter 两类,分别使用在重复情况比较明显和重复情况相对于总量来说较低

Redis 在支持 bitmap 之后,在 2.8.9 之后,直接提供了 hyperloglog 的支持,每个 HyperLogLog 键只需要花费 12 KB 内存,就可以计算接近 2^64 个不同元素的基 数。线性的 counter 也可以直接利用 bitmap 实现。Hash 函数的 murmur 是比较可以无脑使用的实现。

具体的算法描述,大家可以问百度,不细说了,知道有哪些可用场景就好。我们主要用在风险检测的参数计算方面。

三. 分布式持久化 -CAP 的妥协

对于分布式持久化的内容,也扯两句,我个人很喜欢 Dynamo 模型的对称结构,BigTable 的管理节点实在是不美观。也就是 zk 和 gossip+vector clock 的战争,这种选择也就决定了各自在 CAP 和 ACID 中间能够达到的水平。

四.日志为中心的基础架构设计

ArchSummit 全球架构师峰会 上我也推荐过 kafka 的作者写的文章,在推荐一次,个人觉得每一个做分布式系统设计的架构师,都应该读几遍才好。

给大家看这样一个图

(点击放大图像)

苏宁现在整体数据系统建设思路,差不多就是这样,通过日志,串行所有操作,避免冲突。基本上满足异地多活的需求。

中间过程,分实时计算,批量计算并且在服务层合并数据。

五.Q&A

Q1.您好,您在处理复杂的任务调度方面,有什么心得体会?

我自己看法,最看重的任务状态的保存或者说状态重现,至于运算能力的调度,现在的调度框架已经做得很好了。rdd 在最大程度上保证了状态的可重现,这点上,是我最看好 rdd,也就是 spark 的原因

Q2.你们代码是自动 Review 的吗?

代码 review 的问题,讲真,这块我们做得特别土,全人工的,而且还要人工两次,一轮是开发团队内部的。如果谁有好的自动化 review 工具分享,一定发红包。还有一轮是安全团队的代码审核。安全团队的代码审核倒是有些个工具辅助,但也只是辅助,fb 开源的几个代码审核工具,实际上效果都不是很好。

Q3.storm**** 和 spark 的应用场景有什么区别?

spark 跟 storm 的使用场景,实际上,差不多类似作用的是 spark 和 storm stream,这两个系统,苏宁现在都在使用。最初采用的是 storm,后来引入的 spark stream 原因很简单,仅仅就是为了跟 spark 更好的集成说道 sprak 的场景,跟 rdd 的特性有关系。简单的说,类似与 kmeans 这种多轮迭代逼近的模型,使用 sprak 会更加有效,且 spark 的数据科学方面的周边支持更多

Q.4**** 日志输出是否有自研组件?所有业务线统一一个吗?主要输出哪些内容?

苏宁的日志输出是没有自研的,很普通的组合,flume 采集 kafka 订阅 hdfs 存储,所有业务线公用,并且汇总。内容和格式要求就是日志必须保证业务能够重放。实际上,只有核心业务能满足这个要求。

Q.5**** 对 SSD 而言,现有的文件系统已经不太能发挥存储设备的最大速度,未来的 SSD 文件系统会是什么样?

SSD 的文件系统,现在有些实验性的产品,主要是基于 log struct FS,但是还不成熟。具体内容大家可以参考这里 http://lwn.net/Articles/353411/。另外,现在还有些文件系统综合考虑 hdd,ssd,自动地根据文件大小,读写频率写数据到 ssd 或者 hdd 里面。

Q6.对于 Google 任务调度系统 Borg,您怎么看?

borg,不是很熟悉,没研究过,跟上面说的一样,我更加喜欢关注状态保持,资源调度基本就是哪个用得多就用哪个,我们团队有这方面的专家,这点我不擅

Q.7**** 能否详细讲解一下 sketch 算法的计算过程,这个算法在苏宁有哪些应用?

算法的介绍,推荐一个 blog: http://www.cnblogs.com/fxjwind/p/3289221.html 大家可以参考。Top n 类型的计算基本都在用 sketch,热点商品,网络流量模式识别,风控中的支付行为特征也在用。之前 as 上介绍的 argo 框架,也提供了 sketch 实现。

Q.9**** 随着新硬件的快速发展,大数据系统当存储和网络不再成为瓶颈时,会不会呈现出一种新的形态?

这个话题其实吓了我一跳,太高端了,应该 kk 这样的预言大师才敢想的问题。我想到的第一个词是 grid computer,sun 在很多很多年前就希望做成的未来。之前在开源项目 JNODE 搞文件系统的时候,就尝试去实现分布式的文件系统,比较早,受限在当时网络环境,没能成功。Sun 是一个有情怀的公司,grid computer 的模式跟科幻电影里面 matrix 母体是不同的,一个是独裁,一个是民主。悲观的想,未来可能是 matrix 母体,因为量子。

讲师介绍

季虎,苏宁 IT 总部安全研发技术总监,ArchSummit 北京专题讲师,目前已构建了苏宁电商和金融的风控技术体系,此前,任阿里集团安全部高级技术专家,参与了 AE,金融和集团的风控系统建设,并致力推进风控自动化和大数据风控实践。

本文根据 ArchSummit 微信大讲堂上邀请讲师,苏宁 IT 技术总监 季虎为大家线上分享内容整理而成,长按下方二维码,回复“架构师”,获取参与方式,加入围观大牛线上分享,同步大会筹备近况……

ArchSummit**** 架构师峰会 2016 深圳站将于 7 月 15-16 举行,邀请了来自 Uber、Twitter、Netflix、腾讯、百度、阿里等公司的 50 多位 CTO 和研发总监,为大家带来更多精彩的线下分享 ,更多精彩点击这里

2016-04-26 17:461768

评论

发布
暂无评论
发现更多内容

Mobileye如何在云上进行深度学习模型训练

Randy

自动驾驶 学习 AI AWS

John 易筋 ARTS打卡Week 01

John(易筋)

ARTS 打卡计划

手把手透析C语言堆内存申请malloc及扩容realloc

卓丁

c 堆内存管理 heap memory malloc realloc

Service Provider Interface介绍

Skysper

spi

【ARTS】Week 1

Amos

ARTS 打卡计划

Python 3.6.1 官方文档练习——初入江湖(三)

小匚

Python python教程

ARTS 01 - 为什么写作在远程工作中那么重要?

Calvin

ARTS 打卡计划

你所不知道的淘宝325秘密

毒手疯波

ios 淘宝 325

ARTS 第一周

onee

ARTS 打卡计划

转行程序员浅谈Linux下的多线程编程

WB

Linux 程序员 多线程

职位拆解:互联网-运营

Taylor

行业资讯 移动互联网 运营 AARRR

ARTS打卡 week 1

猫吃小怪兽

ARTS 打卡计划

鄙视链 & 全栈

伯薇

学习 能力提升 全栈

LeetCode 241. Different Ways to Add Parentheses

liu_liu

LeetCode

字节跳动:高级人才的五个基本素质

池建强

人才培养

我的读书生涯-小学到大学: 没有成长, 只有不断加深的疑惑

lmymirror

人生 读书 经历 半虚构

游戏夜读 | 刀塔选手比较老吗?

game1night

Spring Data R2DBC 入门

稻草鸟人

MySQL WebFlux springboot R2DBC

leetcode练级-只出现一次的数字

幸福三寸日光

算法 LeetCode js

【应用异常监控利器Sentry搭建与学习笔记】

卓丁

Docker Sertry Fasthttp CI/CD Go 语言

Lucene的Smart CN实现分词、停用词、扩展词

Page

中文分词 lucene 停用词 扩展词 SmartCN

Java 火焰图

wong

Java flamegraph

LeetCode 1048. Longest String Chain

liu_liu

LeetCode

修改Tomcat窗口的名称

阡陌r

Java tomcat 踩坑 实施

leetcode练级-只出现一次的数字 升级版

幸福三寸日光

算法 LeetCode js

“数据资产”究竟是“数据”还是“资产”

马踏飞机747

大数据 数据中台 数据治理 数据资产

Linux如何调试内存泄漏

泰伦卢

c c++ C#

ARTS week 1

刘昱

Kubernetes 资料集合

倪朋飞

学习 Kubernetes 架构模式

向往优雅的代码

Janenesome

编码习惯 读书

我的 Windows Terminal 配置

FeiLong

Windows Terminal

ArchSummit微课堂|构建大数据系统的前沿技术概述_大数据_季虎_InfoQ精选文章