网易的Spark技术实践

http://www.infoq.com/cn/news/2014/04/netease-spark-practice?utm_source=infoq&utm_medium=popular_links_homepage

网易的实时计算需求

对于大多数的大数据而言，实时性是其所应具备的重要属性，信息的到达和获取应满足实时性的要求，而信息的价值需在其到达那刻展现才能利益最大化，例如电商网站，网站推荐系统期望能实时根据顾客的点击行为分析其购买意愿，做到精准营销。

实时计算指针对只读（Read Only）数据进行即时数据的获取和计算，也可以成为在线计算，在线计算的实时级别分为三类：Real-Time(msec/sec级)、Near Real-Time(min/hours)以及Batch(days)。在批处理方面，MapReduce(MR)已经证明其为最有效的工具，随着MR的开源实现Hadoop为代表的大数据分析技术的普及，其在大处理方面的能力已经得到认可，但是它更适用于对集群上大数据的批处理，并不适用于实时处理大规模流数据。为了满足实时性的要求，基于数据仓库所构建的流计算和实时性计算框架也不断涌现，相关围绕MR的实时性优化技术也蓬勃发展，比较代表性的系统Google Dremel、Twitter Storm以及Yahoo S4等。

大数据的应用类型主要分为：批处理（Batch Processing）和流处理（Stream Processing）两方面。批处理是先存储后处理（Store-Then-Process）,流处理是直接处理（Straight-Through-Processing）,为提高商业智能的反映时间，目前广泛所采取的大数据处理框架,例如MR和Dryad所面向的主要是大规模数据分析，以批处理计算为主，其实时性需求得不到满足。常用的应用有在线推荐、网页点击分析、传感网络、交通分析以及金融中的高频交易，对实时分析处理（Real Time Analytic Processing, RTAP）的需求越来显著，网易公司作为国内最大的门户网站之一，实时性也是公司目前互联网产品所应具备的重要属性。

网易大数据Spark技术应用

Spark技术代表未来数据处理的新方向，Spark是UC Berkeley AMP lab开源的类Hadoop MapReduce的通用并行计算框架，Spark基于MapReduce实现分布式计算，拥有Hadoop MapReduce具有的优点。不同于MapReduce的是，Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

在网易大数据平台中，数据存储在HDFS之后，提供Hive的数据仓库计算和查询，要提高数据处理的性能并达到实时级别，网易公司采用的是Impala和Shark结合的混合实时技术。Cloudera Impala是基于Hadoop的实时检索引擎开源项目，其效率比Hive提高3-90倍，其本质是Google Dremel的模仿，但在SQL功能上青出于蓝胜于蓝。Shark是基于Spark的SQL实现，Shark可以比 Hive 快40倍（其论文所描述），如果执行机器学习程序，可以快 25倍，并完全和Hive兼容。

图1和图2分别测试的计算能力和实时查询性能经过初步测试，在网易的实时计算平台，在大数据实时查询系统中，Impala在数据处理方面的速度可以相比HIVE达到3倍到30倍的加速比，Shark可以相比HIVE达到 1.5到15倍的加速比，相比较Impala和Shark引擎，通常Impala会比Shark快一倍，这里可能会引出思考，既然Impala实时性如此好，为何还需要Shark呢？

在设计大数据平台的时候，我们发现Impala性能不错，但是其对旧Hive的数据不兼容，因为目前的大数据应用中很多都是Hive的组织方式，而Shark可以完全兼容旧的数据，因此在目前的数据结构中必须采用混合的数据处理模式。Hive和Impala会协同存在一段时间， Hive主要为Predefined Queries，并主要处理批处理相关作业，而Impala则处理交互的查询（AD-HOC Queries），使得大数据系统既支持OLTP，也支持OLAP,以达到实时分析处理（Real Time Analytic Processing, RTAP）的水平。

图1 网易大数据平台性能测试(Count/Sum/Avg操作)

图2网易大数据平台性能测试(Join/Ad-hoc查询操作)

总结

如果要评价2012到2013年度IT业界热词，非“大数据”一词莫属。ROI（Return On Investment）投资回报率已经演化为Return On Information,信息的回报率成为互联网公司的一个重要指标，如果所掌握的海量数据都是一堆“垃圾”，没有金矿去挖掘，那大数据也无从谈起，而提高ROI的一个重要属性就是实时性，提高数据的反应时间需要技术做支撑和保障，网易作为中国顶尖的互联网公司之一，在大数据方面也是最早的先行者，特别实时计算技术方面，公司很早就开始采用最新的技术来提供服务，例如Impala和Shark等，不难发现，网易的大数据系统可以灵活的选择计算实时引擎，总体上系统在实时处理方面的能力可以提升2到15倍，这对于提升公司的生产效率有显著成效，在后续的工作中期望可以进一步提升实时级别，目前只能做到秒级，能否达到毫秒级甚至微秒级别是将来的一个研发方向,总之对于海量数据计算、实时性方面有强烈需求的公司应用落地Spark是很好的选择。

参考资料

[1] Storm Distributed and fault-tolerant real time computation

[2] Leonardo Neumeyer, Bruce Robbins, Anish Nair, Anand Kesari. S4: Distributed Stream Computing Platform. 2010 IEEE International Conference on Data Mining Workshops (ICDMW).

[3] Cloudera Impala https://github.com/cloudera/impala

Reynold S. Xin, Josh Rosen, et al. Shark: SQL and rich analytics at scale. SIGMOD Conference 2013.

感谢包研对本文的策划。