還能再漲23%!AI寵兒NVIDIA成大摩明年首選AMD FSR 4.0將與RX 9070 XT顯卡同步登場羅永浩細紅線最新進展,暫別AR,迎來AI Jarvis構(gòu)建堅實數(shù)據(jù)地基,南京打造可信數(shù)據(jù)空間引領(lǐng)數(shù)字城市建設(shè)下單前先比價不花冤枉錢 同款圖書京東價低于抖音6折日媒感慨中國電動汽車/智駕遙遙領(lǐng)先:本田、日產(chǎn)、三菱合并也沒戲消委會吹風(fēng)機品質(zhì)檢測結(jié)果揭曉 徠芬獨占鰲頭 共話新質(zhì)營銷力,2024梅花數(shù)據(jù)峰會圓滿落幕索尼影像專業(yè)服務(wù) PRO Support 升級,成為會員至少需注冊 2 臺 α 全畫幅相機、3 支 G 大師鏡頭消息稱vivo加碼電池軍備競賽:6500mAh 旗艦機+7500mAh中端機寶馬M8雙門轎跑車明年年初將停產(chǎn),后續(xù)無2026款車型比亞迪:2025 款漢家族車型城市領(lǐng)航智駕功能開啟內(nèi)測雷神預(yù)告2025年首次出席CES 將發(fā)布三款不同技術(shù)原理智能眼鏡realme真我全球首發(fā)聯(lián)發(fā)科天璣 8400 耐玩戰(zhàn)神共創(chuàng)計劃iQOO Z9 Turbo長續(xù)航版手機被曝電池加大到6400mAh,搭驍龍 8s Gen 3處理器普及放緩 銷量大跌:曝保時捷將重新評估電動汽車計劃來京東參與榮耀Magic7 RSR 保時捷設(shè)計預(yù)售 享365天只換不修國補期間電視迎來換機潮,最暢銷MiniLED品牌花落誰家?美團旗下微信社群團購業(yè)務(wù)“團買買”宣布年底停運消息稱微軟正與第三方廠商洽談,試圖合作推出Xbox游戲掌機設(shè)備
  • 首頁 > 數(shù)據(jù)存儲頻道 > 數(shù)據(jù)庫頻道 > 操作系統(tǒng)與開源

    網(wǎng)易數(shù)帆開源Arctic,lceberg、Hive上增加更多實時場景

    2022年08月23日 10:30:02   來源:CSDN

      湖倉一體,可以提供數(shù)據(jù)湖的開放格式、低成本存儲,以及強大的管理能力。數(shù)據(jù)分析、機器學(xué)習(xí)、實時計算、音視頻檢索等都可以從“湖”里汲取數(shù)據(jù),從而讓數(shù)據(jù)治理更加便捷高效。

      在傳統(tǒng)行業(yè)數(shù)字化轉(zhuǎn)型過程中,尤其像在金融行業(yè),全域數(shù)據(jù)統(tǒng)一管理、集中開發(fā)和融合共享是必然趨勢,這是時下湖倉一體被寄予厚望的重要原因。那么,如何架構(gòu)經(jīng)過驗證的湖倉一體解決方案,并推動它很好的演進?

      近日,網(wǎng)易數(shù)帆舉辦了“企業(yè)級流式湖倉服務(wù)Arctic開源發(fā)布會”。發(fā)布會上,詳細介紹了網(wǎng)易數(shù)帆如何理解湖倉一體、Arctic項目的孵化和成型,這一項目可以解決哪些問題、發(fā)揮怎樣的能力、能夠為大數(shù)據(jù)從業(yè)者帶來什么,以及社區(qū)的建設(shè)和未來的發(fā)展。

      產(chǎn)品發(fā)布:開放式架構(gòu)下的開源流式數(shù)倉平臺

      在長期服務(wù)客戶的過程中,網(wǎng)易數(shù)帆總結(jié)出自己的數(shù)據(jù)建設(shè)方法論:DataOps、DataFusion,以及DataProduct。發(fā)布會開始,網(wǎng)易數(shù)帆大數(shù)據(jù)產(chǎn)品線總經(jīng)理余利華就如何在這一方法論之下架構(gòu)開源流式數(shù)倉平臺,以及如何進行Arctic項目孵化進行了深入分享。

      在網(wǎng)易數(shù)帆的大數(shù)據(jù)技術(shù)體系架構(gòu)中,最底層是基礎(chǔ)設(shè)施,即存儲計算能力架設(shè);底層之上是數(shù)據(jù)研發(fā)層,提供包括數(shù)據(jù)傳輸、實時開發(fā)、離線開發(fā)、數(shù)據(jù)測試、任務(wù)發(fā)布、任務(wù)運維等能力,覆蓋DataOps整個過程;再往上是數(shù)據(jù)中臺,在這一層,數(shù)據(jù)研發(fā)和治理的一體化、中臺架構(gòu)解決數(shù)據(jù)孤島,以及設(shè)計基于ROI的數(shù)據(jù)資產(chǎn)沉淀方法是主要亮點;數(shù)據(jù)中臺再往上是數(shù)據(jù)產(chǎn)品,可基于無代碼的方式建設(shè)場景化的數(shù)據(jù)產(chǎn)品。

      首先,在技術(shù)架構(gòu)上,該體系最大的特點是開放式,可讓各模塊獨立成為一個項目:存儲單拉出來是HDFS,緩存單拉出來是Alluxio,執(zhí)行引擎和查詢拉出來是Spark、Impala,等等。每個模塊獨立成一個項目,通過松耦合的方式組裝在一起就形成了開放式大數(shù)據(jù)技術(shù)體系。這樣的架構(gòu)好處顯而易見,包括能力全面、生命力強,以及建設(shè)成本較低。

      其次,第二個技術(shù)特點是開源,包括采用直接開源的軟件,以及在開源軟件不能滿足的情況下給社區(qū)做Patch。這樣一來不僅能夠被社區(qū)評審和檢驗,公司本身也不用長期維護Patch,降低維護成本。截至目前,網(wǎng)易數(shù)帆在Spark領(lǐng)域累計合入提交了近600多個Patch,同時也培養(yǎng)了一位Spark committer。網(wǎng)易數(shù)帆在整個大數(shù)據(jù)發(fā)展史上,培養(yǎng)了多位Apache的committer。

      此外,如果社區(qū)確實無法滿足開源需求,才會進行自研開源,比如Kyuubi。這個項目在立項時,開放式架構(gòu)的其他層有Spark、Impala、Parquet等開源技術(shù)可選,但是缺少統(tǒng)一的多租戶安全的SQL網(wǎng)關(guān),因此Kyuubi誕生。目前這個項目已進入Apache孵化,并在阿里云、騰訊云、中國移動、小米等公司落地,有17位committer和83位貢獻者。

      當(dāng)然,在建設(shè)中臺的過程中,也面臨不小的挑戰(zhàn)。首先,是技術(shù)不統(tǒng)一,實時技術(shù)和離線技術(shù)采用兩套技術(shù)棧,帶來的問題是整個系統(tǒng)的運維復(fù)雜,同時存儲冗余也浪費成本;其次,研發(fā)體系的割裂讓成本增加。此外,應(yīng)用開發(fā)也十分復(fù)雜,將實時表和離線表通過兩種存儲方式存儲,不僅增加了用戶理解困難度,冗余數(shù)據(jù)也帶來了數(shù)據(jù)口徑的指標(biāo)二義性問題。

      在余利華看來,以上問題的解決核心在于提供流式數(shù)倉平臺,把實時表和離線表相結(jié)合,一張表既可以支持流式消費、流式寫入,也要支持批量查詢和更新。

      在基于數(shù)據(jù)湖的開放式架構(gòu)中,從下到上分別是文件系統(tǒng)層,實現(xiàn)數(shù)據(jù)的存儲和訪問;文件格式,定義文件和數(shù)據(jù)之間的關(guān)系;表格式層,定義文件與表之間的邏輯關(guān)系;最上層是接口,是以SQL的方式統(tǒng)一訪問的入口。

      如果要支持流式數(shù)倉,需要在表格式層動點“小手術(shù)”,引入Iceberg、Delta等新型表格式。新型表格式解決了數(shù)據(jù)更新、大表訪問性能、數(shù)據(jù)增量消費等問題,但是仍然遺留了不少問題。余利華舉了三個例子:第一是小文件問題,頻繁數(shù)據(jù)寫入,帶來很多小文件,導(dǎo)致查詢性能很差,有時候性能會下降一半; 第二是兼容性問題,是否能兼容目前最主流的HIVE格式,簡化應(yīng)用推廣,是否能兼容Iceberg/Delta等格式,數(shù)據(jù)中臺還是那個數(shù)據(jù)中臺,我們只是多了選擇表格式的自由; 第三是流式更新問題,Iceberg、Delta表格式流式更新能力較弱, 用在數(shù)據(jù)庫到大數(shù)據(jù)實時同步場景性能有所不足, 短期內(nèi)需要做一些增強。

      為對以上問題進行針對性解決,網(wǎng)易數(shù)帆和華泰證券一起研發(fā)了企業(yè)級的流式湖倉服務(wù)Arctic,并將其開源。

      Arctic技術(shù)架構(gòu):實現(xiàn)開箱即用的元數(shù)據(jù)服務(wù)

      據(jù)網(wǎng)易數(shù)帆大數(shù)據(jù)實時計算技術(shù)專家、湖倉一體項目負責(zé)人馬進介紹,公司自2020年開始關(guān)注數(shù)據(jù)湖新技術(shù)便聚焦于構(gòu)建流批一體和湖倉一體的架構(gòu)。最初想要采用Flink+Iceberg,但在真實場景應(yīng)用時發(fā)現(xiàn)過多問題,因而進行了自主設(shè)計,便是Arctic的雛形。

      也是從2020年開始,Hudi和Iceberg進入不少開發(fā)者的視野,隨著它們從Apache孵化到畢業(yè),Table format的概念逐漸被更多人接受。首先,Table format定義了哪些文件可以構(gòu)成一張表,像Flink、Spark、Trino、Impala,任何引擎都可以根據(jù)Table format去查詢檢索數(shù)據(jù);其次,Table format規(guī)范了數(shù)據(jù)和文件的分布方式,任何引擎寫入數(shù)據(jù)都要遵照這個標(biāo)準(zhǔn)。

      事實上,在有了Table format之后,可以基于數(shù)據(jù)湖來實現(xiàn)類似于消息隊列的功能,數(shù)據(jù)延遲會從毫秒或者秒級降級為分鐘級別,像實時更新、讀時合并。行業(yè)內(nèi)很多公司推廣數(shù)據(jù)湖的主要場景時,主要以實時更新以及讀時合并平替如Kudu、Doris、Greenplum這些支持更新的數(shù)倉系統(tǒng)。

      進一步,在企業(yè)需要怎樣的數(shù)據(jù)湖這個問題上,有三點值得注意:首先,如果只關(guān)注數(shù)據(jù)湖Table Format個別中間功能,推廣起來會比較困難;其次,當(dāng)用數(shù)據(jù)湖做消息隊列時,可能引入很多小文件,小文件的管理需要保持關(guān)注;最后,還有一個隱形的問題——成本分?jǐn),以前消息隊列的成本由業(yè)務(wù)團隊承擔(dān),現(xiàn)在用一個公共的數(shù)據(jù)湖底座,成本的合理分?jǐn)傄残枰⒁狻?/p>

      因為存在以上問題,業(yè)內(nèi)很多公司在是否使用數(shù)據(jù)庫新技術(shù)作為替代解決方案這個問題上都比較糾結(jié)。那么,Lakehouse技術(shù)如何給企業(yè)帶來更大價值?

      在馬進看來,應(yīng)用場景一般期望在數(shù)據(jù)中臺層、方法論層可以使用一套規(guī)范或流程把實時和離線,以及更多的AI場景統(tǒng)一起來。而Lakehouse這個概念創(chuàng)造出來的意義,就是拓展產(chǎn)品的邊界,讓數(shù)據(jù)湖能更多的服務(wù)于流的場景和AI的場景,他表示:“Lakehouse,或者說湖倉一體給業(yè)務(wù)終端帶來的是體系上的收益,而不在于對某個功能的使用。”

      為了實現(xiàn)這樣的效果,Arctic在lceberg和Hive之上增加了更多實時場景的能力,面向DataOps提供開箱即用的元數(shù)據(jù)服務(wù),讓數(shù)據(jù)湖更加合用和實用。

      具體來說,Arctic包含兩個核心組件:元數(shù)據(jù)服務(wù)AMS,在系統(tǒng)中的定位是下一代HMS的角色;以及包含了整套optimizer的組件和機制,可以實現(xiàn)持續(xù)的后臺數(shù)據(jù)自優(yōu)化。

      具體到架構(gòu)和組件的設(shè)置,在數(shù)據(jù)湖層包括change files、base files,分別對應(yīng)changestore和basestore;上層則設(shè)置了一個AMS,是三元組的元數(shù)據(jù)中心,支持和HMS做同步。同時,AMS會提供事務(wù)和沖突解決API;在Optimizer層,有一整套完整的擴展機制和管理機制,包括Optimizer container和Optimize group。此外,在Arctic架構(gòu)中匹配了單獨的管理界面Dashboard,提升湖倉本身的管理體驗。而在Table format的兼容性設(shè)定上,主要提供兩種方案,其一是Iceberg,包括basestore、changestore都是獨立的Iceberg表,均可兼容到Iceberg的V2版本;其二是Hive的兼容模式,如果用戶使用的是Hive formate兼容,它的change數(shù)據(jù)還是存在Iceberg里面。

      談及做開源的初衷,馬進表示說:“過去我們做開源可能缺少統(tǒng)一的步調(diào),去年領(lǐng)導(dǎo)層也下定決心,明確了未來做開源會以更加專注的方式。以Arctic項目為例,我們不會做任何的商業(yè)隱藏。從組織架構(gòu)上,會以獨立的團隊推進開源,如果有商業(yè)轉(zhuǎn)化會由其他的團隊來推進。”

      在發(fā)布會最后,來自華泰證券的大數(shù)據(jù)流計算技術(shù)專家陳豐進行了關(guān)于Arctic在金融數(shù)據(jù)平臺的應(yīng)用實踐案例分享——幫助公司初步建成了數(shù)智中臺實時湖倉,并在業(yè)務(wù)支撐中取得了預(yù)期的效果。

      湖倉一體最大應(yīng)用難點在選型,好的開源氣質(zhì)是“不隱藏”

      1、湖倉一體能解決最核心的問題是什么,是如何解決的?

      馬進:對湖倉一體的概念理解,在國內(nèi)可能有一些分歧。這個詞最早是阿里提出的,當(dāng)時提湖倉一體更多是想把MaxCompute和私有化的Hive結(jié)合起來,讓用戶私有化的Hive擴展到云端的MaxCompute中來。但我們?nèi)缃袼f的湖倉一體概念更多是指Databricks提出的Lakehouse這樣的概念,它解決的核心問題是基于數(shù)據(jù)湖的技術(shù),包括云端的對象存儲,比如亞馬遜的S3,阿里云的OSS,以及在私有化場景中主要是Hadoop,在這些數(shù)據(jù)湖的生態(tài)之上構(gòu)建BI、AI和流計算,包括各種應(yīng)用場景中的工具使用。

      湖倉一體要做分層,首先要有對基礎(chǔ)軟件的需求,需要有一套管理系統(tǒng)以及對應(yīng)的底層技術(shù),能夠讓數(shù)據(jù)湖滿足我們對各種各樣場景的需求,包括對離線的需求、實時的需求,以及機器學(xué)習(xí)、特征計算這些不同應(yīng)用的需求。

      另外,我們可能需要在產(chǎn)品端,針對Lakehouse湖倉一體的技術(shù)做一些適配,讓它的整個規(guī)范流程能夠用這樣一個底座實現(xiàn)最簡潔的方式。所以回到這個問題,湖倉一體核心的問題其實就是將產(chǎn)品的邊界、方法論的邊界拓展到實時場景、AI場景,形成完整的、對用戶友好和便捷的工具到基礎(chǔ)軟件的生態(tài)。

      2、湖倉一體在各產(chǎn)業(yè)場景中面臨著哪些共通的應(yīng)用難點,有哪些解決方案?

      馬進:我覺得湖倉一體最大的應(yīng)用難點在于選型,我們現(xiàn)在的湖倉一體選型非常多,有Delta、Iceberg、Hudi等。因為不可能讓數(shù)據(jù)分析師、算法工程師、數(shù)據(jù)科學(xué)家們直接操作底層的東西,肯定會有一層產(chǎn)品的包裝,以及相應(yīng)的工具配套。但是這些做工具的人或者做產(chǎn)品的團隊很難選型,比如選出什么樣的東西對我來說最合理、最好。

      所以我們會發(fā)現(xiàn)一個現(xiàn)狀,雖然這個技術(shù)方向很熱,但真正把數(shù)據(jù)湖Format這套技術(shù)應(yīng)用到生產(chǎn)場景中,進而做大規(guī)模的推廣其實是非常少的,用一句更加通俗的話說,這屬于“雷聲大雨點小”。所以,最重要的原因是我們現(xiàn)在開源的這些技術(shù)功能和產(chǎn)品需求還有很大的距離。

      我們推出的開源項目,它的目標(biāo)或者核心意義在于拉平目前開源Table format與產(chǎn)品之間的距離,我們的定位叫做流式湖倉服務(wù)。從概念上就能看出來,并不會基于數(shù)據(jù)湖重新造一套東西出來。我們更關(guān)注怎么能幫助企業(yè)和用戶把這個東西用起來。在這個過程中,比如說存在管理的問題、適配的問題,都會在這一層基礎(chǔ)軟件層解決。

      3、剛才我們談到了DataOps,您是怎么看這個技術(shù)的?

      馬進:說起DataOps,很多人會說一長串,不管是流程上還是規(guī)范上,說明這個概念還比較抽象,所以需要很多的解釋。我個人認(rèn)為DataOps有點類似于DevOps,更多是給用戶提供一套工具集,讓用戶可以開發(fā)數(shù)據(jù),同時使用數(shù)據(jù)的流程變得簡單,這個事情是可以體系化的運作的。

      比如,我們最早面向數(shù)據(jù)分析師的數(shù)量是幾個、幾十個,現(xiàn)在大的企業(yè)有幾百個數(shù)據(jù)分析師和數(shù)據(jù)科學(xué)家,這就需要多租戶的能力。我們通過一套DataOps平臺,從數(shù)據(jù)開發(fā)到持續(xù)集成,到后續(xù)運維,其實有一套方法論。所以,簡單來說,我覺得DataOps就是對這套方法論進一步的抽象,它有進化的過程,最原始是數(shù)據(jù)開發(fā)運維平臺,到后面有數(shù)據(jù)中臺,可以在平臺層沉淀更多的業(yè)務(wù)能力,在這后面我們強調(diào)業(yè)務(wù)在持續(xù)迭代過程中的敏捷性,就到了DataOps。

      4、Arctic有持續(xù)自優(yōu)化的能力,具體是怎么實現(xiàn)的?如果已經(jīng)用了Delta或者Iceberg,遷移到Arctic需要做什么準(zhǔn)備工作?有什么需要注意的?

      馬進:Arctic的持續(xù)自優(yōu)化功能實現(xiàn)涉及兩個方面:一是判斷湖倉表數(shù)據(jù)發(fā)生了哪些變化,要了解用戶新寫進來的數(shù)據(jù),尤其是小文件,會在引擎的connector中提供對接能力,用戶每一次數(shù)據(jù)提交都會上報到元數(shù)據(jù)中心,可以實時感知到用戶新寫入了哪些數(shù)據(jù)。之后,元數(shù)據(jù)服務(wù)后臺會提供一套優(yōu)化器——optimizer調(diào)度服務(wù),可以調(diào)度一些持續(xù)在進展中的進程做小文件合并,并且我們有整套機制為用戶提供一套最佳優(yōu)化實踐。

      至于企業(yè)已經(jīng)用了Delta或者Iceberg,遷移到Arctic需要做哪些工作這個問題,首先我們的架構(gòu)是開放的,從生態(tài)位角度來講可以擁抱Delta,但目前這個工作還沒有做,主要還是面向Iceberg。如果企業(yè)已經(jīng)用了Iceberg,把一張表變成Arctic其實非常方便,后續(xù)會在社區(qū)中提供相應(yīng)原地升級方案,用戶只需要通過一個命令,就能把Iceberg表變成Arctic表,并且它同時依然是一張Iceberg表,可以用之前Iceberg表的所有功能。在使用的時候只需要區(qū)分它是用Arctic catalog還是Iceberg Catalog訪問,就可以選擇用各自的哪些功能,升級的過程是原地升級,而且只是個元數(shù)據(jù)的變更,會非?焖。

      5、您認(rèn)為好的開源項目是什么樣的?Arctic未來會怎么做開源的建設(shè)?

      馬進:一個好的開源項目應(yīng)該是比較純粹,符合開源氣質(zhì)的項目?梢阅肈elta和Iceberg兩個項目來舉例,從我的角度講,Iceberg是非常符合開源氣質(zhì)的項目,因為它本身早期就是從Netflix內(nèi)部需求孵化出的項目,然后開源出來給更多企業(yè)使用,不會說哪個功能是內(nèi)部使用不對外開放,或者跟自家的某些功能做深度綁定。

      Delta是一個非常優(yōu)秀的項目,它的理念也非常好,自開源伊始它的理念在整個行業(yè)都是很超前的。但從當(dāng)時開源的狀態(tài)來說,并不是非常純粹的開源項目,包括有些功能沒有放在開源社區(qū)里,以及跟Spark深度綁定,有比較強的商業(yè)氣息。

      從我個人視角來看,一個好的開源項目首先應(yīng)該符合開源氣質(zhì),不管是團隊還是項目本身,不應(yīng)該有任何隱藏。目標(biāo)應(yīng)該通往基金會孵化,貢獻給更多的用戶和開發(fā)者,不只是國內(nèi),還有國外的用戶。所以,Arctic未來做開源社區(qū)建設(shè),我們也會秉承不隱藏的理念,包括和更多的國內(nèi)外用戶溝通,盡可能把項目推向更高的舞臺。

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險自擔(dān)。

    即時

    新聞

    明火炊具市場:三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進了21600元。

    3C消費

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實質(zhì)性的幫助,雙十一期間低至2799元,性價比很高,簡直是創(chuàng)作者們的首選。

    研究

    中國信通院羅松:深度解讀《工業(yè)互聯(lián)網(wǎng)標(biāo)識解析體系

    9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標(biāo)識解析專題論壇在沈陽成功舉辦。