今天的文章來自斗魚大數(shù)據(jù)高級專家張龍，本文講述了從 Apache Hadoop 階段到 Cloudera CDH 階段斗魚大數(shù)據(jù)架構(gòu)的發(fā)展歷程。提出了上云過程中斗魚遇到的問題和挑戰(zhàn)，包括數(shù)據(jù)安全、數(shù)據(jù)同步以及任務(wù)遷移。概括了混合云模式給斗魚帶來資源效率更高和資源成本更低的變化。

斗魚大數(shù)據(jù)架構(gòu)發(fā)展歷程

??

 在2014年中期，斗魚就開始使用大數(shù)據(jù)，最開始使用的是簡單的HBase和Hadoop。在2015年，開始使用CDH運維大數(shù)據(jù)集群，主要針對可視化運維。在2017年的下半年，斗魚開始接觸阿里云大數(shù)據(jù)的一些產(chǎn)品，并且與其他產(chǎn)品做了對比。最終選擇了阿里云的MaxCompute。

Apache Hadoop階段

由于業(yè)務(wù)場景比較簡單，組件較少，并且使用的人也少，但可以靈活的操作，同時集群規(guī)模較小，運維要求低，可以自由的利用開源，培養(yǎng)了許多人才。但在發(fā)展過程中也遇到了一些阻礙，例如：組件增多，運維成本高，業(yè)務(wù)增長快，集群擴容操作繁瑣，人員增加，數(shù)據(jù)安全要求高，物理機操作，環(huán)境安全難保障。

Cloudera CDH階段

斗魚為何選擇Cloudera CDH?原因主要有：首先，它能滿足業(yè)務(wù)發(fā)展需要，多組件運維成本低，集群擴容操作簡單，數(shù)據(jù)安全及環(huán)境安全有保障。其次，CDH在國內(nèi)被廣泛使用。最主要的一點是斗魚的團隊內(nèi)部有CDH人才。

Cloudera CDH給斗魚帶來了許多便利，包括支持豐富的組件，不用考慮兼容性，可以通過CM統(tǒng)一管理，進行Web化管理，同時支持中文。另外，支持安全管理，以及對Kerberos安全認證。

自建集群遇到了發(fā)展瓶頸，涉及到資源效率問題和資源成本問題。資源效率問題包括資源預(yù)算審批慢、機器采購周期長以及機房部署效率低。資源成本問題包括機器資源成本高、機房成本高還不穩(wěn)定以及閑時資源空置較多。

??

 大數(shù)據(jù)上云的挑戰(zhàn)

上云面臨的挑戰(zhàn)主要是如何保證數(shù)據(jù)安全，因為數(shù)據(jù)是企業(yè)核心的資源，安全性是非常關(guān)鍵的。其次是如何保持數(shù)據(jù)同步，是因為云上云下存在著海量數(shù)據(jù)。最后，因為云下存在大量的歷史業(yè)務(wù)，那該如何將業(yè)務(wù)安全遷移到云上也是一個問題。

如何保證數(shù)據(jù)安全?

對于數(shù)據(jù)丟失的問題，阿里使用原始數(shù)據(jù)進行備份，這是很關(guān)鍵的。對于核心數(shù)據(jù)泄露問題，幾率是很小的，因為泄露數(shù)據(jù)之后所要承擔的風險遠大于打敗競爭對手所提供的收益。對于云環(huán)境面向外網(wǎng)，如何保證安全訪問的問題，可以增加賬號訪問IP白名單及審計，設(shè)置公司內(nèi)部才可訪問。

如何保持數(shù)據(jù)同步?

由于每天會產(chǎn)生PB級歷史數(shù)據(jù)和TB級數(shù)據(jù)增量。如何快速準確同步數(shù)據(jù)問題，可以使用數(shù)據(jù)同步工具，主要是基于DataX的改造。同時提高網(wǎng)絡(luò)專線能力，增加多根專線，自動地進行異常切換，與云上平臺業(yè)務(wù)進行隔離。利用數(shù)據(jù)校驗工具，校驗數(shù)據(jù)同步任務(wù)以及數(shù)據(jù)量。

如何安全遷移業(yè)務(wù)?

業(yè)務(wù)的安全遷移需要做到三個要求：1.不能引起故障，保證遷移可行性驗證。2.遷移成本不能太高，業(yè)務(wù)側(cè)盡量少改動。3.能上云也要能下云，盡量保證云上云下操作一致性。

為了做到不引起故障，要做到三個需要：需要做業(yè)務(wù)場景測試，保證業(yè)務(wù)場景全部覆蓋到，并且能夠識別能夠遷移的業(yè)務(wù)場景。需要數(shù)據(jù)質(zhì)量檢驗，確保相同業(yè)務(wù)云上云下產(chǎn)出數(shù)據(jù)的一致性。需要數(shù)據(jù)效率驗證，確保云上任務(wù)數(shù)據(jù)產(chǎn)出時間，同時不影響業(yè)務(wù)。

如何保證較低的遷移成本?

斗魚在IDC中運行的任務(wù)主要分兩部分，第一部分是Java任務(wù)，占比很小，特點是基于封裝的HiveClient工具進行查詢計算。第二部分是XML配置化任務(wù)，特點是基于自定義XML文件，支持HiveSQL統(tǒng)計后導(dǎo)入其他存儲。針對這些任務(wù)的特點，斗魚也做了相應(yīng)的改造。針對封裝OdpsClient，可以將HiveClient改成OdpsClient，并且改Hive URL為云環(huán)境。針對加模板改URL，可以引入MaxCompute參數(shù)模型，改Hive URL為云環(huán)境。

為了保證能上云也能下云，第一，需要數(shù)據(jù)能上能下，就是前面提到的數(shù)據(jù)同步中心。第二，需要完善的配套工具，云上云下環(huán)境盡量透明化使用。第三，多使用通用功能，通過SQL+UDF能覆蓋大部分場景。

混合云模式帶來的變化

??

??

混合云模式帶來的變化主要針對資源效率低，難以跟上業(yè)務(wù)發(fā)展，以及資源成本高，企業(yè)財務(wù)壓力大兩方面。在資源效率方面，從自建集群到MaxCompute有一些變化，包括提前半年或一年提預(yù)算變成按量付費，采購耗時1到3個月變成資源可以無限使用，機房上架1周以上變?yōu)闊o機房概念。相比于IDC自建集群，MaxCompute每年大概節(jié)約1000w成本，保障集群零故障。同時也有一些附加的收益，包括阿里云的專業(yè)服務(wù)，當遇到技術(shù)問題時可以請教阿里的專家來幫助解決，以及計算資源可以量化，可以知道錢花在哪些業(yè)務(wù)了，以及與阿里專家交流，幫助解決業(yè)務(wù)難題。

??

在自建機房時，斗魚也做了一些開發(fā)，下圖所示為數(shù)據(jù)開發(fā)，包括基于Hue的查詢計算和云上的DataStudio數(shù)據(jù)開發(fā)，然后將Hue的API和DataStudio的API集中起來形成斗魚的大數(shù)據(jù)開放平臺，作用是可以提供給數(shù)據(jù)部門的人使用，也可以提供給業(yè)務(wù)部門的分析人員使用。

??

 此外，斗魚也做了一些實踐，稱為多活數(shù)據(jù)中心，如下圖所示。斗魚通過確立自建機房的數(shù)據(jù)和阿里云數(shù)據(jù)在這兩個數(shù)據(jù)中心的角色，保證可以在多活數(shù)據(jù)中心的狀態(tài)下支撐更多的業(yè)務(wù)。

??

 混合云帶來的變化總結(jié)起來，資源成本和資源效率是最大的兩個變化，還有可量化的成本、增值服務(wù)、額外的專業(yè)服務(wù)等，不僅可以給我們自己部門人員用，還可以給其他業(yè)務(wù)部門的人來用，并且他們對使用成本也是直接可見的。

??

 【編輯推薦】

1. ??這樣“撩”大數(shù)據(jù)，小白都能看懂！??
2. ??揭秘：“撩”大數(shù)據(jù)的正確姿勢??
3. ??企業(yè)安全應(yīng)從防御攻擊轉(zhuǎn)向遏制攻擊嗎？??
4. ??Kafka 集群在馬蜂窩大數(shù)據(jù)平臺的優(yōu)化與應(yīng)用擴展??
5. ??中國移動設(shè)計院：基于大數(shù)據(jù)的人工智能運維服務(wù)支撐方案??