Flink 在唯品會的實踐

唯品會自 2017 年開始基於 k8s 深入打造高性能、穩定、可靠、易用的實時計算平台，支持唯品會內部業務在平時以及大促的平穩運行。現平台支持 Flink、Spark、Storm 等主流框架。本文主要分享 Flink 的容器化實踐應用以及產品化經驗。內容包括：

發展概覽

Flink 容器化實踐

Flink SQL 平台化建設

應用案例

未來規划

一、發展概覽

平台支持公司內部所有部門的實時計算應用。主要的業務包括實時大屏、推薦、實驗平台、實時監控和實時數據清洗等。

1.1 集群規模

平台現有異地雙機房雙集群，具有 2000 多的物理機節點，利用 k8s 的 namespaces，labels 和 taints 等，實現業務隔離以及初步的計算負載隔離。目前線上實時應用有大概 1000 個，平台最近主要支持 Flink SQL 任務的上線。

1.2 平台架構

上圖是唯品會實時計算平台的整體架構。
最底層是計算任務節點的資源調度層，實際是以 deployment 的模式運行在 k8s 上，平台雖然支持 yarn 調度，但是 yarn 調度是與批任務共享資源，所以主流任務還是運行在 k8s 上。
存儲層這一層，支持公司內部基於 kafka 實時數據 vms，基於 binlog 的 vdp 數據和原生 kafka 作為消息總線，狀態存儲在 hdfs 上，數據主要存入 redis，mysql，hbase，kudu，clickhouse 等。
計算引擎層，平台支持 Flink，Spark，Storm 主流框架容器化，提供了一些框架的封裝和組件等。每個框架會都會支持幾個版本的鏡像滿足不同的業務需求。
平台層提供作業配置、調度、版本管理、容器監控、job 監控、告警、日志等功能，提供多租戶的資源管理（quota，label 管理），提供 kafka 監控。在 Flink 1.11 版本之前，平台自建元數據管理系統為 Flink SQL 管理 schema，1.11 版本開始，通過 hive metastore 與公司元數據管理系統融合。

最上層就是各個業務的應用層。

二、Flink 容器化實踐

2.1 容器化實踐

上圖是實時平台 Flink 容器化的架構。Flink 容器化是基於 standalone 模式部署的。

部署模式共有 client，jobmanager 和 taskmanager 三個角色，每一個角色都由一個 deployment 控制。
用戶通過平台上傳任務 jar 包，配置等，存儲於 hdfs 上。同時由平台維護的配置，依賴等也存儲在 hdfs 上，當 pod 啟動時，會進行拉取等初始化操作。
client 中主進程是一個由 go 開發的 agent，當 client 啟動時，會首先檢查集群狀態，當集群 ready 后，從 hdfs 上拉取 jar 包向 Flink 集群提交任務。同時，client 的主要功能還有監控任務狀態，做 savepoint 等操作。
通過部署在每台物理機上的 smart - agent 采集容器的指標寫入 m3，以及通過 Flink 暴漏的接口將 metrics 寫入 prometheus，結合 grafana 展示。同樣通過部署在每台物理機上的 vfilebeat 采集掛載出來的相關日志寫入 es，在 dragonfly 可以實現日志檢索。

■ Flink 平台化

在實踐過程中，結合具體場景以及易用性考慮，做了平台化工作。

平台的任務配置與鏡像，Flink 配置，自定義組件等解耦合，現階段平台支持 1.7、1.9、1.11、1.12 等版本。
平台支持流水線編譯或上傳 jar、作業配置、告警配置、生命周期管理等，從而減少用戶的開發成本。
平台開發了容器級別的如火焰圖等調優診斷的頁面化功能，以及登陸容器的功能，支持用戶進行作業診斷。

■ Flink 穩定性

在應用部署和運行過程中，不可避免的會出現異常。以下是平台保證任務在出現異常狀況后的穩定性做的策略。

pod 的健康和可用，由 livenessProbe 和 readinessProbe 檢測，同時指定 pod 的重啟策略。
Flink 任務異常時：
1.Flink 原生的 restart 策略和 failover 機制，作為第一層的保證。
2.在 client 中會定時監控 Flink 狀態，同時將最新的 checkpoint 地址更新到自己的緩存中，並匯報到平台，固化到 MySQL 中。當 Flink 無法再重啟時，由 client 重新從最新的成功 checkpoint 提交任務。作為第二層保證。這一層將 checkpoint 固化到 MySQL 中后，就不再使用 Flink HA 機制了，少了 zk 的組件依賴。
3.當前兩層無法重啟時或集群出現異常時，由平台自動從固化到 MySQL 中的最新 chekcpoint 重新拉起一個集群，提交任務，作為第三層保證。
機房容災：
- 用戶的 jar 包，checkpoint 都做了異地雙 HDFS 存儲
- 異地雙機房雙集群

2.2 kafka 監控方案

kafka 監控是我們的任務監控里相對重要的一部分，整體監控流程如下所示。

平台提供監控 kafka 堆積，消費 message 等配置信息，從 MySQL 中將用戶 kafka 監控配置提取后，通過 jmx 監控 kafka，寫入下游 kafka，再通過另一個 Flink 任務實時監控，同時將這些數據寫入 ck，從而展示給用戶。

三、Flink SQL 平台化建設

基於 k8s 的 Flink 容器化實現以后，方便了 Flink api 應用的發布，但是對於 Flink SQL 的任務仍然不夠便捷。於是平台提供了更加方便的在線編輯發布、SQL 管理等一棧式開發平台。

3.1 Flink SQL 方案

平台的 Flink SQL 方案如上圖所示，任務發布系統與元數據管理系統完全解耦。

■ Flink SQL 任務發布平台化

在實踐過程中，結合易用性考慮，做了平台化工作，主操作界面如下圖所示:

Flink SQL 的版本管理，語法校驗，拓撲圖管理等；
UDF 通用和任務級別的管理，支持用戶自定義 UDF；
提供參數化的配置界面，方便用戶上線任務。

■ 元數據管理

平台在 1.11 之前通過構建自己的元數據管理系統 UDM，MySQL 存儲 kafka，redis 等 schema，通過自定義 catalog 打通 Flink 與 UDM，從而實現元數據管理。1.11 之后，Flink 集成 hive 逐漸完善，平台重構了 FlinkSQL 框架，通過部署一個 SQL - gateway service 服務，中間調用自己維護的 SQL - client jar 包，從而與離線元數據打通，實現了實時離線元數據統一，為之后的流批一體做好工作。在元數據管理系統創建的 Flink 表操作界面如下所示，創建 Flink 表的元數據，持久化到 hive里，Flink SQL 啟動時從 hive 里讀取對應表的 table schema 信息。

3.2 Flink SQL 相關實踐

平台對於官方原生支持或者不支持的 connector 進行整合和開發，鏡像和 connector，format 等相關依賴進行解耦，可以快捷的進行更新與迭代。

■ FLINK SQL 相關實踐

connector 層，現階段平台支持官方支持的 connector，並且構建了 redis，kudu，clickhouse，vms，vdp 等平台內部的 connector。平台構建了內部的 pb format，支持 protobuf 實時清洗數據的讀取。平台構建了 kudu，vdp 等內部 catalog，支持直接讀取相關的 schema，不用再創建 ddl。
平台層主要是在 UDF、常用運行參數調整、以及升級 hadoop3。
runntime 層主要是支持拓撲圖執行計划修改、維表關聯 keyBy cache 優化等

■ 拓撲圖執行計划修改

針對現階段 SQL 生成的 stream graph 並行度無法修改等問題，平台提供可修改的拓撲預覽修改相關參數。平台會將解析后的 FlinkSQL 的 excution plan json 提供給用戶，利用 uid 保證算子的唯一性，修改每個算子的並行度，chain 策略等，也為用戶解決反壓問題提供方法。例如針對 clickhouse sink 小並發大批次的場景，我們支持修改 clickhouse sink 並行度，source 並行度 = 72，sink 並行度 = 24，提高 clickhouse sink tps。

■ 維表關聯 keyBy 優化 cache

針對維表關聯的情況，為了降低 IO 請求次數，降低維表數據庫讀壓力，從而降低延遲，提高吞吐，有以下幾種措施：

當維表數據量不大時，通過全量維表數據緩存在本地，同時 ttl 控制緩存刷新的時候，這可以極大的降低 IO 請求次數，但會要求更多但內存空間。
當維表數據量很大時，通過 async 和 LRU cache 策略，同時 ttl 和 size 來控制緩存數據的失效時間和緩存大小，可以提高吞吐率並降低數據庫的讀壓力。
當維表數據量很大同時主流 qps 很高時，可以開啟把維表 join 的 key 作為 hash 的條件，將數據進行分區，即在 calc 節點的分區策略是 hash，這樣下游算子的 subtask 的維表數據是獨立的，不僅可以提高命中率，也可降低內存使用空間。

優化之前維表關聯 LookupJoin 算子和正常算子 chain 在一起。

優化之間維表關聯 LookupJoin 算子和正常算子不 chain 在一起，將 join key 作為 hash 策略的 key。采用這種方式優化之后，例如原先 3000W 數據量的維表，10 個 TM 節點，每個節點都要緩存 3000W 的數據，總共需要緩存 3000W * 10 = 3 億的量。而經過 keyBy 優化之后，每個 TM 節點只需要緩存 3000W / 10 = 300W 的數據量，總共緩存的數據量只有 3000W，大大減少緩存數據量。

■ 維表關聯延遲 join

維表關聯中，有很多業務場景，在維表數據新增數據之前，主流數據已經發生 join 操作，會出現關聯不上的情況。因此，為了保證數據的正確，將關聯不上的數據進行緩存，進行延遲 join。

最簡單的做法是，在維表關聯的 function 里設置重試次數和重試間隔，這個方法會增大整個流的延遲，但主流 qps 不高的情況下，可以解決問題。

增加延遲 join 的算子，當 join 維表未關聯時，先緩存起來，根據設置重試次數和重試間隔從而進行延遲的 join。

四、應用案例

4.1 實時數倉

■ 實時數據入倉

流量數據一級 kafka 通過實時清洗之后，寫到二級清洗 kafka，主要是 protobuf 格式，再通過 Flink SQL 寫入 hive 5min 表，以便做后續的准實時 ETL，加速 ods 層數據源的准備時間。
MySQL 業務庫的數據，通過 VDP 解析形成 binlog cdc 消息流，再通過 Flink SQL 寫入 hive 5min 表。
業務系統通過 VMS API 產生業務 kafka 消息流，通過 Flink SQL 解析之后寫入 hive 5min 表。支持 string、json、csv 等消息格式。
使用 Flink SQL 做流式數據入倉，非常的方便，而且 1.12 版本已經支持了小文件的自動合並，解決了小文件的痛點。
我們自定義分區提交策略，當前分區 ready 時候會調一下實時平台的分區提交 api，在離線調度定時調度通過這個 api 檢查分區是否 ready。

采用 Flink SQL 統一入倉方案以后，我們可以獲得的收益：可解決以前 Flume 方案不穩定的問題，而且用戶可自助入倉，大大降低入倉任務的維護成本。提升了離線數倉的時效性，從小時級降低至 5min 粒度入倉。

■ 實時指標計算

實時應用消費清洗后 kafka，通過 redis 維表、api 等方式關聯，再通過 Flink window 增量計算 UV，持久化寫到 Hbase 里。
實時應用消費 VDP 消息流之后，通過 redis 維表、api 等方式關聯，再通過 Flink SQL 計算出銷售額等相關指標，增量 upsert 到 kudu 里，方便根據 range 分區批量查詢，最終通過數據服務對實時大屏提供最終服務。

以往指標計算通常采用 Storm 方式，需要通過 api 定制化開發，采用這樣 Flink 方案以后，我們可以獲得的收益：將計算邏輯切到 Flink SQL 上，降低計算任務口徑變化快，修改上線周期慢等問題。切換至 Flink SQL 可以做到快速修改，快速上線，降低維護成本。

■ 實時離線一體化 ETL 數據集成

Flink SQL 在最近的版本中持續強化了維表 join 的能力，不僅可以實時關聯數據庫中的維表數據，現在還能關聯 Hive 和 Kafka 中的維表數據，能靈活滿足不同工作負載和時效性的需求。

基於 Flink 強大的流式 ETL 的能力，我們可以統一在實時層做數據接入和數據轉換，然后將明細層的數據回流到離線數倉中。

我們通過將 presto 內部使用的 HyperLogLog ( 后面簡稱 HLL ) 實現引入到 Spark UDAF 函數里，打通 HLL 對象在 Spark SQL 與 presto 引擎之間的互通，如 Spark SQL 通過 prepare 函數生成的 HLL 對象，不僅可以在 Spark SQL 里 merge 查詢而且可以在 presto 里進行 merge 查詢。具體流程如下：

UV 近似計算示例:

Step 1: Spark SQL 生成 HLL 對象

insert overwrite dws_goods_uv partition (dt='${dt}',hm='${hm}') AS select goods_id, estimate_prepare(mid) as pre_hll from dwd_table_goods group by goods_id where dt = ${dt} and hm = ${hm}

Step 2: Spark SQL 通過 goods_id 維度的 HLL 對象 merge 成品牌維度

insert overwrite dws_brand_uv partition (dt='${dt}',hm='${hm}') AS select b.brand_id, estimate_merge(pre_hll) as merge_hll from dws_table_brand A left join dim_table_brand_goods B on A.goods_id = B.goods_id where dt = ${dt} and hm = ${hm}

Step 3: Spark SQL 查詢品牌維度的 UV

select brand_id, estimate_compute(merge_hll ) as uv from dws_brand_uv where dt = ${dt}

Step 4: presto merge 查詢 park 生成的 HLL 對象

select brand_id,cardinality(merge(cast(merge_hll AS HyperLogLog))) uv from dws_brand_uv group by brand_id

所以基於實時離線一體化ETL數據集成的架構，我們能獲得的收益:

統一了基礎公共數據源；
提升了離線數倉的時效性；
減少了組件和鏈路的維護成本。

4.2 實驗平台（Flink 實時數據入 OLAP）

唯品會實驗平台是通過配置多維度分析和下鑽分析，提供海量數據的 A / B - test 實驗效果分析的一體化平台。一個實驗是由一股流量（比如用戶請求）和在這股流量上進行的相對對比實驗的修改組成。實驗平台對於海量數據查詢有着低延遲、低響應、超大規模數據(百億級)的需求。整體數據架構如下：

通過 Flink SQL 將 kafka 里的數據清洗解析展開等操作之后，通過 redis 維表關聯商品屬性，通過分布式表寫入到 clickhouse，然后通過數據服務 adhoc 查詢。業務數據流如下：

我們通過 Flink SQL redis connector，支持 redis 的 sink 、source 維表關聯等操作，可以很方便的讀寫 redis，實現維表關聯，維表關聯內可配置 cache ，極大提高應用的 TPS。通過 Flink SQL 實現實時數據流的 pipeline，最終將大寬表 sink 到 CK 里，並按照某個字段粒度做 murmurHash3_64 存儲，保證相同用戶的數據都存在同一 shard 節點組內，從而使得 ck 大表之間的 join 變成 local 本地表之間的 join,減少數據 shuffle 操作，提升 join 查詢效率。

五、未來規划

5.1 提高 Flink SQL 易用性

當前我們的 Flink SQL 調試起來很有很多不方便的地方，對於做離線 hive 用戶來說還有一定的使用門檻，例如手動配置 kafka 監控、任務的壓測調優，如何能讓用戶的使用門檻降低至最低，是一個比較大的挑戰。將來我們考慮做一些智能監控告訴用戶當前任務存在的問題，盡可能自動化並給用戶一些優化建議。

5.2 數據湖 CDC 分析方案落地

目前我們的 VDP binlog 消息流，通過 Flink SQL 寫入到 hive ods 層，以加速 ods 層數據源的准備時間，但是會產生大量重復消息去重合並。我們會考慮 Flink + 數據湖的 cdc 入倉方案來做增量入倉。此外，像訂單打寬之后的 kafka 消息流、以及聚合結果都需要非常強的實時 upsert 能力，目前我們主要是用 kudu，但是 kudu 集群，比較獨立小眾，維護成本高，我們會調研數據湖的增量 upsert 能力來替換 kudu 增量 upsert 場景。

原文鏈接

本文為阿里雲原創內容，未經允許不得轉載。