今天的文章來自斗魚大數(shù)據(jù)高級(jí)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(jiǎn)單的HBase和Hadoop。在2015年，開始使用CDH運(yùn)維大數(shù)據(jù)集群，主要針對(duì)可視化運(yùn)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(duì)比。最終選擇了阿里云的MaxCompute。

Apache Hadoop階段

由于業(yè)務(wù)場(chǎng)景比較簡(jiǎn)單，組件較少，并且使用的人也少，但可以靈活的操作，同時(shí)集群規(guī)模較小，運(yùn)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(yùn)維成本高，業(yè)務(wù)增長(zhǎng)快，集群擴(kuò)容操作繁瑣，人員增加，數(shù)據(jù)安全要求高，物理機(jī)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(yùn)維成本低，集群擴(kuò)容操作簡(jiǎn)單，數(shù)據(jù)安全及環(huán)境安全有保障。其次，CDH在國(guó)內(nèi)被廣泛使用。最主要的一點(diǎn)是斗魚的團(tuán)隊(duì)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(jìn)行Web化管理，同時(shí)支持中文。另外，支持安全管理，以及對(duì)Kerberos安全認(rèn)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(jī)器采購周期長(zhǎng)以及機(jī)房部署效率低。資源成本問題包括機(jī)器資源成本高、機(jī)房成本高還不穩(wěn)定以及閑時(shí)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?yàn)閿?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?jǐn)?shù)據(jù)同步，是因?yàn)樵粕显葡麓嬖谥Ａ繑?shù)據(jù)。最后，因?yàn)樵葡麓嬖诖罅康臍v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(gè)問題。

如何保證數(shù)據(jù)安全?

對(duì)于數(shù)據(jù)丟失的問題，阿里使用原始數(shù)據(jù)進(jìn)行備份，這是很關(guān)鍵的。對(duì)于核心數(shù)據(jù)泄露問題，幾率是很小的，因?yàn)樾孤稊?shù)據(jù)之后所要承擔(dān)的風(fēng)險(xiǎn)遠(yuǎn)大于打敗競(jìng)爭(zhēng)對(duì)手所提供的收益。對(duì)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(hào)訪問IP白名單及審計(jì)，設(shè)置公司內(nèi)部才可訪問。

如何保持?jǐn)?shù)據(jù)同步?

由于每天會(huì)產(chǎn)生PB級(jí)歷史數(shù)據(jù)和TB級(jí)數(shù)據(jù)增量。如何快速準(zhǔn)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(shí)提高網(wǎng)絡(luò)專線能力，增加多根專線，自動(dòng)地進(jìn)行異常切換，與云上平臺(tái)業(yè)務(wù)進(jìn)行隔離。利用數(shù)據(jù)校驗(yàn)工具，校驗(yàn)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(gè)要求：1.不能引起故障，保證遷移可行性驗(yàn)證。2.遷移成本不能太高，業(yè)務(wù)側(cè)盡量少改動(dòng)。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(gè)需要：需要做業(yè)務(wù)場(chǎng)景測(cè)試，保證業(yè)務(wù)場(chǎng)景全部覆蓋到，并且能夠識(shí)別能夠遷移的業(yè)務(wù)場(chǎng)景。需要數(shù)據(jù)質(zhì)量檢驗(yàn)，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(yàn)證，確保云上任務(wù)數(shù)據(jù)產(chǎn)出時(shí)間，同時(shí)不影響業(yè)務(wù)。

如何保證較低的遷移成本?

斗魚在IDC中運(yùn)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(diǎn)是基于封裝的HiveClient工具進(jìn)行查詢計(jì)算。第二部分是XML配置化任務(wù)，特點(diǎn)是基于自定義XML文件，支持HiveSQL統(tǒng)計(jì)后導(dǎo)入其他存儲(chǔ)。針對(duì)這些任務(wù)的特點(diǎn)，斗魚也做了相應(yīng)的改造。針對(duì)封裝OdpsClient，可以將HiveClient改成OdpsClient，并且改Hive URL為云環(huán)境。針對(duì)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(chǎng)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(duì)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(cái)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(fèi)，采購耗時(shí)1到3個(gè)月變成資源可以無限使用，機(jī)房上架1周以上變?yōu)闊o機(jī)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(shí)也有一些附加的收益，包括阿里云的專業(yè)服務(wù)，當(dāng)遇到技術(shù)問題時(shí)可以請(qǐng)教阿里的專家來幫助解決，以及計(jì)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(jī)房時(shí)，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(jì)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(tái)，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(shí)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(jī)房的數(shù)據(jù)和阿里云數(shù)據(jù)在這兩個(gè)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(gè)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(duì)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(shì)??
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(tái)的優(yōu)化與應(yīng)用擴(kuò)展??
5. ??中國(guó)移動(dòng)設(shè)計(jì)院：基于大數(shù)據(jù)的人工智能運(yùn)維服務(wù)支撐方案??