滴滴海量离线数据的在线化 — FastLoad

0. 目录

1. 业务背景：雄关漫道真如铁
2. 技术探讨：工欲善其事必先利其器
   • Ingest SST
   • Map/Reduce 产出全局有序文件
3. 系统架构：千磨万击还坚劲
4. 总结展望：直挂云帆济沧海
   • 基于 FastLoad 的数据传输给业务带来的收益
   • 发展规划

FastLoad 致力于离线数据在线化，服务业务 300+，单日运行次数 1000+，在线搬运 30TB+ 的数据，提供数百亿次高效查询，服务稳定性达到 99.99%。

1. 业务背景：雄关漫道真如铁

在没有 FastLoad 以前，业务一般都会自己维护读离线数据，写在线存储引擎的业务逻辑。比如，滴滴有很多重要的业务有如下的场景：前一天的订单数据会落到离线平台，经过一些特征提取和分析，转换成业务需要使用的数据。在第二天线上高峰期前，需要把这部分数据及时导入线上，才能够不影响业务逻辑。这些业务都需要定时更新在线数据、线上使用最新数据，下面我们对需求进行提取。

定时更新

像特征数据，一般需要小时级别甚至天级别的更新，所以业务需要有快捷的定时更新功能。

快速更新

特征数据还有一个特点，就是数据量特别大，以乘客特征为例，动辄上 TB 级别数据量。这么大的数据量通过 SDK 写入肯定是不行的。刚开始业务方也确实是这么玩的，直接通过 Hadoop 任务调用 Redis SDK，然后一条条的写入 Fusion，一般是每天凌晨开始写数据，等到早高峰 8 点时大量读取。但是这种方法实践下来，经常导致 Fusion 各类超时，在早高峰打车已经来临时还在写凌晨的数据，非常影响稳定性。因此第 3 个需求是必须快速更新。

稳定性

这个是毋容置疑的。

多表隔离

有些业务有很多类特征数据，他们有隔离存储的需求，也有分类更新、分类查找的需求，因此需要多表来支持逻辑到物理的隔离。

下面我们看下用户正常写存储的流程，如图展示了以 RocksDB 为引擎的存储的写入过程。

如图可见，从 Hive 写到最终存储的链路比较长，数据要经过几次中转才能最终落盘。我们做一个公式换算，1TB 的数据，以 5w 的 QPS 写入存储，每个请求写 512B，需要大约 12 个小时，也就是半天的时间才能将数据完全写入。要是每天更新的任务，在早高峰之前根本不能取到最新的数据，是不满足业务场景的。

为了满足上述提及的 4 点需求，我们需要转换思维，不能拘泥于传统的数据灌入方式。我们萌生了一个快速导入的想法，如果将文件直接拷贝到存储中，就可以避免上图中的 1/2/3/4，直接对外开放读。

2. 技术探讨：工欲善其事必先利其器

Ingest SST

我们需要以文件方式导入到存储引擎中，借助了 RocksDB 提供的 IngestFile 接口，通过用户预先创建好的 SST 文件，直接加载到硬盘的 LSM 结构中，已达到快速导入的目的。直接构造 SST 文件并导入的方式，绕开了上图正常灌库的流程，避免了写 WAL 日志、写内存、刷盘等操作，同时 RocksDB 的 Ingest 能够尽可能地将数据放在 LSM 结构中最底层的位置，减少 L0 到 Ln 层不断 Compact 带来的写放大。

Ingest SST 文件流程为：

• 检查需要导入的 SST 是否合法，包括文件之间 Key 值是否有重叠，文件是否为空，ColumnFamilyID 是否合法等等。
• 阻塞 DB 实例的写入操作，对可能与 Ingest 文件有重叠的 MemTable 进行刷盘操作。阻止 RocksDB 执行新的 Compact 任务导致 LSM 结构更新。
• 确定 Ingest 的文件应该在磁盘 LSM 结构中的哪一层，RocksDB 会尽可能地将文件放在 Key 值不重叠的最底层。如上图所示，Key 值范围为 [E, F] 的 SST 文件将 Ingest 导入到了 L1 层；随后，根据当前存在的快照、LSM 组织形式等设置 SST 文件的元信息。
• 将之前设置的阻塞标记全部删除。

总的来说，Ingest 导入是 RocksDB 的一个很关键的功能特性，适合用户数据的大批量写入。上述描述了一个将新文件 Ingest 到已存在的 DB 实例中的流程，可以看出是比较重的操作，除了会导致停写停 Compact，还会导致 MemTable 强制刷盘。所以对于每天更新的任务，我们完全可以每天往新的 DB 实例里导文件，这样就能避免很多的阻塞。

Map/Reduce 产出全局有序文件

从上述的 Ingest 文件可以看出，导入文件的堵塞需要付出比较大的代价，堵塞在线写和增大系统 Compact。我们可以通过往新 DB 实例中导文件避免堵塞写，通过保证 SST 全局有序避免系统 Compact。从 Hive 到 SST 这一步，我们依赖了大数据引擎进行 Map/Reduce，将原始数据作为输入，按照用户提交的拼接 Key 的方式，启动 Map/Reduce 任务直接构造最终 DB 需要的 SST 文件。

3. 系统架构：千磨万击还坚劲

经过上面的背景和技术细节，我们最终完成了如下图的系统架构。

整个系统分为以下几个模块：

• 控制台服务：对外提供控制台表单和 OpenAPI 方式接入，提供创建任务、Schema 转换规则等服务。
• 大数据调度模块：依赖 Hadoop 的计算资源，将 Hive 数据导出为我们需要的中间文件，在经过 Map/Reduce 的构建，生成全局有序的 SST 文件。
• 文件下载模块：根据分布式存储的路由表，将 SST 文件下载到不同的存储节点。
• 文件导入和 DB 切换：依赖上文提及的 Ingest SST 的方式，将文件一次性导入 DB 实例。为了避免上述提及的堵塞，我们提供往新 DB 实例导数据的选项，这样就可以避免因线上写而导致的堵塞，空数据也可以避免 Compact。假如选择了新 DB 导入的选项，最后还会有一次 DB 新旧实例的切换，相当于一次链接映射。

4. 总结展望：直挂云帆济沧海

基于 FastLoad 的数据传输给业务带来的收益

• 大大缩短业务导数据耗时，1TB 数据平均导入时间为 1 小时；
• 线上服务业务 300+，每天运行次数 1000+，每天导数据量 30TB+；
• 服务稳定性达到 99.99%，上线运行 2 年无任何重大事故；
• 高频运维操作一键自助完成，90% 的问题，5 分钟完成定位；

发展规划

• 架构优化，整体架构目前依赖 Hadoop，可以考虑迁移到 Spark，提升运行效率；
• 管控优化，提供更细致更全面的 FastLoad 监控和报表；
• 多产品应用，目前 FastLoad 主要针对 NoSQL 和 NewSQL 两种场景，同比可以应用在 ES、MQ 等场景；
• 新场景支持，离线数据的实时读取不仅对 OLTP 场景提供了更好的支持，也为接下来大热的 HTAP 场景提供了无限的可能。

作者介绍：

赵锐，滴滴高级工程师

从事分布式存储 NoSQL/NewSQL 的相关研发，参与从零开始构建滴滴分布式存储 Fusion，有 PB 级别存储、千万 QPS 的存储经验。

本文转载自公众号滴滴技术（ID：didi_tech）。

原文链接：

https://mp.weixin.qq.com/s/geS5USJagRNFAk0qYJ40Cg