作者：字节跳动数据平台
在直播、电商等业务场景中存在着大量实时数据，这些数据对业务发展至关重要。而在处理实时数据时，我们也遇到了诸多挑战，比如实时数据开发门槛高、运维成本高以及资源浪费等。
此外，实时数据处理比离线数据更复杂，需要应对多流 JOIN、维度表变化等技术难题，并确保系统的稳定性和数据的准确性。本文将分享基于 Apache Doris 的实时数仓架构在不同业务场景的实践经验，以及该架构带来的收益。
存储实时数仓架构背景
首先介绍存储实时数仓架构的背景。
01 实时数据数仓链路
目前实时数据主要使用 Flink 作为中转工具，Kafka 作为 Flink 的逻辑表，实现数据在不同数据分层之间的流转。Kafka 本身没有逻辑表，无法像 Hive 那样清晰地进行开发过程。
实时数据和离线数据的内容生产量级会有比较大落差，主要原因在于实时数据开发成本、运维成本以及资源成本，尤其是前两者相较离线开发更高，因此尽管有一部分实时数据的需求，我们经常会想办法将其降级。
02 Flink 数仓问题与挑战
-
开发门槛高：Flink 是有状态的一套数据流引擎，具有状态的增量特性，需要更清晰的底层认知，特别是在多流 JOIN 等场景下。增量的状态，导致无法像 Hive 那样把全量的数据状态存到内存里，进一步进行简单的数据操作。
实时数据涉及的数据存储量较大，需要使用多种计算引擎，如 OLTP 引擎（MySQL、PostgreSQL）、OLAP 引擎（ClickHouse、Doris）、KV 存储（Abase、Tier、Redis）等，以适应不同的计算需求，这也增加了开发难度。另外，由于其增量状态，也让测试变得困难。
-
开发运维成本高：复杂的多流 JOIN 操作经常需要存储大量状态数据，这可能会导致稳定性问题，尤其是在处理连续直播等情况下。
在多个业务线的平台中，一些发展中的业务线由于需要不断进行业务创新，业务口径随之变化，而 Flink 作为增量状态存储的系统，遇到状态不可恢复的问题是不可避免的。当数据口径变更时，直接上线可能会由于状态结构改变而无法进行数据恢复。
-
资源浪费：在实时场景中，资源浪费是很常见的情况，虽然资源浪费不是核心问题，但是目前各个公司都有治理的需求。
对于一个任务来说，比如在大促活动刚开始的时候，会有大的潮汐洪峰，但过了几分钟之后，流量会迅速地递减退变，为了保证稳定性，我们需要保持高资源位，来稳定地进行 24x7 的运行，这就会导致资源浪费。
03 目标与愿景
我们希望找到一个架构，能在三个方面做出提升：
- 降低开发门槛，为终极目标。 通过降低门槛，提升效率，希望能够达到类似于离线开发一样的效率。同时，解决实时领域复杂的方案设计问题，比如多表 JOIN 和维度表实时变更。维表实施变更之后，相应的值如何迅速进行更正，这也是一大业务痛点。从而更好地应对创新业务口径经常变更的情况。
- 提高开发效率，只需开发 SQL，无需关心底层运维设置，实现单一职责化。由于 Flink 状态中间数据不可查，如何进行更快速更高效的数据测试也非常关键，毕竟不是把数据开发好就够了，还要保障数据的准确性。实时数据的错误，可能会造成主播、电商或平台三方的资损。
- 资源成本节省。 Flink 任务是常驻任务会有大量的资源消耗，我们希望通过架构优化降低资源成本。
存储实时数仓架构体系
接下来介绍实时数仓的运转方式。
01 存储实时数仓架构
上图中简明地展示了目前运行架构。
左侧是我们所采用的一套已较为成熟的架构，主要用于一些成熟业务。数据存储方面使用了 Kafka 的逻辑表形式。虽然这种逻辑表缺少字段和约束，并且数据的可查性也不是很好，但却负责了一半以上的实时数据开发。
右侧的架构则更为简单，类似于离线 Hive，采用了 Doris 存储架构。通过 OLAP 引擎和秒级调度，实现了数据分层，可以复用离线开发的内容，使实时数据开发变得更加清晰简洁。整体架构的核心是调度引擎（秒级调度）加上 OLAP 引擎。
02 存储实时数仓架构生态
这个架构看似简单，但实际上有着复杂的生态系统在支撑。
这套架构已经运行多年，但仍需要相应的生态系统配合，比如数据质量检查平台和数据质量保障措施。另外，数据治理也是必不可少的，特别是在处理大量数据表、数据模型和数据任务时。
应用数据开发方面，可以通过 Doris 引擎进行数据生产，但如何对外提供数据则需要考虑不同的透出形式。我们通过数仓表直接透出，也可以通过 ETL 数据集成将数据导入到 KV 存储，以满足一些高 QPS 的场景需求。
此外，从数仓模型、数据开发、开发规范到指标体系的建设也是必要的。
这套架构在宏观上与离线系统有类似之处。
03 一站式研发平台
我们提供了一站式的数据开发服务。首先是注册数据源，然后通过简单的 SQL 语句即可轻松地进行任务开发。
开发完成后，通过一些配置，实现版本管理、上线、Review、数据回溯、告警、大盘等一系列操作。
04 调度引擎挑战
实时生态系统非常复杂，实践中会遇到一些困难。
实时场景核心有两套引擎：调度引擎和 OLAP 引擎。
调度引擎面临的挑战主要有以下三方面：
4-1: T+0 调度支持
原本我们计划直接复用离线调度引擎，但实际落地时发现了一些问题。比如，离线调度通常是 T+1 的，业务时间的替换可能是不符合准实时开发要求的，准实时或实时开发需要 T+0 的日期参数，一些重跑和依赖调度能力等都需要重新构建。
T+1 离线调度对延时的容忍度较高，稍微延迟几分钟是可以接受的，并且离线调度引擎会采用打散任务的策略来处理这种情况。比如，在 0 点的时候，系统会将一些任务进行打散，部分任务稍晚执行，这在离线环境中非常常见。
但是，在实时场景下，这种延迟是不允许的。另外，实时场景和离线场景的数据量差异很大，实例存储的数据量可能有两、三个数量级以上的差距。
比如天级任务每天只有一个实例，小时级任务有几十个，而分钟级任务则有上千个实例，相差了两个数量级以上了，而秒级任务相差的数量级会更大。这种数据量的差异对存储和调度造成挑战。
4-2: 实时数据容易晚到
因为要处理当天或小时内的数据，而数据的到达可能会有延迟。在这里，类似 Flink 中的 watermark 概念变得非常重要，调度引擎需要支持类似的机制来容忍数据的晚到，并保证数据的完整性。
4-3: 调度间隔
这是一个非常严格的要求，比如 15 秒间隔的任务可能因数据量的关系需要 16 秒完成，这也是需要解决的难题之一。
针对 T+0 调度中的三个难题，我们采取了相应的解决方案：
- 首先，支持了 T+0 参数替换功能，提供了高级的运算法则，可以进行秒级或分钟级的时间偏移。
- 其次，对调度引擎进行了深度改造，实现了水平扩展，支持多个 scheduler，使得调度引擎可以横向无限扩展。
- 调度间隔。这是一个非常严格的要求，比如 15 秒间隔的任务可能因数据量的关系需要 16 秒完成，这也是需要解决的难题之一。
- 另外，针对数据容易晚到的问题，我们采取了数据补偿机制，即定时进行数据补偿操作来确保数据的完整性。例如，对于一个分钟级时效的任务，每分钟执行一次后，我们会在数据可能晚到的情况下进行定时补偿，以覆盖完整数据。
针对任务跑的时间长于调度间隔的问题，我们提出了 MisFire 处理策略，这个策略源自于 Quartz 的一些思想。 针对不同的情况，有多种处理方式。最简单的是任务并行，这也是离线开发的默认方式。
另外一种方式是任务串行，特别适用于实时数据场景，避免数据乱序导致数据不准确。
还有一种方式是数据跳过，如果出现任务积压的情况，系统会自动跳过一些任务实例，以确保任务能够相对健康地运行。比如说，当任务积压了几百个实例时，下一次运行时会将相应的实例 Kill 掉，然后继续运行最新的实例。具体的处理方式需要根据业务场景来确定。
05 Doris 引擎挑战
前面介绍了调度引擎面临的挑战和解决方案，接下来看一下 OLAP 引擎。OLAP 引擎主要面临以下三方面挑战：
-
跨机房容灾能力：准实时领域跟服务端的一些情况有些类似，即在稳定性方面有着高的要求。一旦出现主播跟播时在线人数突然跳零，就会导致主播的一些话术无法及时组织和应变，进而产生严重的资损。
因此，我们需要跨机房容灾的能力，来应对单机房故障带来的整体服务不可用，以及实时数据无法对外提供的问题。
-
读写隔离能力：这涉及到 Doris 平台上的操作。我们同时进行数据的生产和消费，但在数据最初阶段，缺乏有效的隔离措施，而这对数据的稳定性是至关重要的。
-
跨集群 ETL 能力：我们对不同业务场景有着严格的重要等级要求，会将数据分散到多个集群中，比如 A 业务集群、B 业务集群和 C 业务集群等。
B 或 C 都是交易类的依赖订单流的数据，会有公共数仓的建设，这些公共数仓的建设如果无法实现从 B 集群同步到 C 集群，就会导致不同业务线或集群之间的重复建设，无论从人力还是资源方面都会给我们带来负担。
特别是对于涉及交易类数据的集群，这种同步工作显得尤为重要。因此，跨集群 ETL 是我们数仓建设中非常核心的一个能力。
针对上述问题，一一进行解决。
- 首先，关于多机房容灾能力的问题，在三个机房中每个机房都有一张表的情况下，每张表有三个副本，其中一个副本分摊在一个机房，从生产端的 MQ 数据写入到 Doris 后，经过中间加工端再到消费端，最终形成了数据服务的全链路高可用性。在单个机房挂掉时，无论是生产还是消费，都会有同机房优先和跨机房降级策略来保障高效性和稳定性。
- 读写隔离机制较为简单，将读写流量分流到不同的集群组上。
- 跨集群读写采用两种机制：一种是借助 Spark 将数据源格式读到 Yarn 集群，再同步到不同集群；另一种是在 Doris 内部使用 Doris 原生能力将集群数据同步到另一个集群。两种方式各有优势，Spark on Doris 相对更加稳定且不消耗 Doris 计算资源，而第二种方案效率更高，根据业务场景和时效性诉求选择不同的跨集群读写方式。
存储实时数仓架构实践
接下来简要介绍一些实际的应用场景。
01 Flink 链路
Flink 链路如上图所示，第一条链路看起来比较复杂，需要执行多条流的 JOIN 操作。
使用基于存储的实时数仓架构后，整体结构变得更加简洁，虽然数据来源仍为多条流，但实际上在一张表里进行了 JOIN 操作。整体涉及了四五个甚至更多流式 JOIN，流式 JOIN 复杂度大家都比较了解。不过，实际负责的 JOIN 可能仅有三个。开发成本和后期维护成本都大幅降低。
02 实时榜单解决方案
另一个是实时榜单解决方案。
针对这种场景，我们进行了解决方案的抽象，并在存储数仓中实施了一个方案。
最初的方案是基于 Flink 的，出现了一些问题，于是后期迁移到了基于 Doris 的存储数仓方案。这套方案的特点是元数据定义比较清晰。
元数据由实时表从 MQ 中的字段解析而来，解析后对其进行了一些元数据定义，即对榜单场景业务逻辑进行抽象，比如会定义周期、原子指标以及如何加工这些原子指标。
另外，还定义了榜单如何进行分区，分区可以根据实体类型来确定，例如对商家、视频或直播进行排名。通过简单的配置，能够快速创建出相应的 Flink 任务。
在业务实际运营中，有许多类似的榜单场景，这样的榜单场景过多导致出现了两个问题。
首先，榜单场景过多导致任务量激增，这会给资源治理带来较多困难。特别是对于实时流处理，需要 24 小时全天候运行，任务量增加会让资源治理问题变得更加严峻。
其次，报警运维也是一个挑战，实时任务报警频率高，甚至一个任务可能随时都会产生警报。而随着任务数量的增加，报警更加频繁。此外，由于大量任务消费同一个消息队列，会放大流量，给 HDFS 带来额外负担。
另外，电商领域的大型促销活动常常伴随着长周期状态，这种长周期计算会对 Flink 的大状态稳定性产生影响，同时也使回溯变得困难。为应对这些问题，运维人员经常需要在零点进行操作，只有在这个时间点才重新计算，相对来说状态比较小，回溯压力也比较小。
基于上述痛点，我们将 Flink 架构迁移到了存储数仓架构，使得运维工作变得更加高效。相比 Flink，在榜单场景下资源量和报警量都有下降。并且解决了长周期计算的难题。由于状态保存在 Doris 的表中，长周期计算变得更加灵活。
存储实时数仓架构规划
最后分享我们在未来要做的一些工作。
首先是对解决方案的封装。我们已经封装了一个榜单业务场景，还有许多其他场景，比如 DMP、标签和中间层数据等，这些场景都可以被打包成解决方案。除了模式和方法论的封装之外，还有存储架构的封装。
在存储架构方面，不断演进自研的数据湖产品，扩展更多的存储架构。
另外是智能化运维整合，实时数据的稳定性对开发和运维人员压力是非常大的，我们希望整合一些规则和算法，实现自动化处理部分场景，剩下的做推荐化预案，从而提升 MTTR，提升故障恢复的时效性并降低成本。
以上就是本次分享的内容，谢谢大家。