Flink+Paimon在阿里云大数据云原生运维数仓的实践

1. 背景

随着大数据产品云原生化的推进，云原生集群的规模和数量都在增加，云原生集群的运维难度也在不断增加，云原生集群的资源审计、资源拓扑、资源趋势的需要就比较迫切。云原生集群的资源审计主要是 node 资源、pod 资源，如当前集群的 node 数量以及Pod 数量；资源拓扑主要构建用户->实例->pod->node->集群的关联关系，例如一个公有云用户，提供给运维团队可以通过 uid 查询到用户实例以及实例所在的节点/集群信息。资源趋势是整个团队所管理的集群资源使用趋势，pod 数量趋势、node 数量趋势、以及用户使用资源趋势。

为了提升大数据产品云原生集群的运维能力，我们构建一个实时云原生运维数仓，业务能力提供资源审计、资源拓扑、资源趋势等能力。在数据性能方面最终数据需要具备实时性（分钟级）和一致性。

目前 Flink 已经是实时计算的标准解决方案，在这个基础上阿里云开源大数据团队推出 Paimon 为低成本的数据湖解决方案。本文我们使用 Flink+Paimon 为流式数仓解决方案应用到云原生运维数仓中，提供实时（分钟级）的数据服务，提升云原生集群的运维能力。

2. 总体设计

2.1 方案选型

如 1 中背景所述，因为数据的实时性需求，所以我们不考虑离线数仓解决方案，直接考虑实时数仓解决方案。目前阿里云实时数仓解决方案中，比较推荐使用的是 Flink+Hologres 和 Flink+Paimon 两种解决方案。其中 Flink+Hologres 已经比较成熟，本文中我们不详细描述，其主要缺点是 Hologres 存储成本比较高。最终我们选择使用 Flink+Paimon 的方案，优势在于存储成本低，实时性高。

2.2 最终方案

数据采集采用 exporter operator 实现 kubernet 负载数据到 sls，为了适配阿里云多 region 网络隔离的问题，我们在数据出 region 之前先同步到 sls 中，再直接同步到 sls 的跨域网络同步到 paimon ods 表中，同步的过程需要处理数据排序问题。flink 作业通过运维数仓本身有比较高的实时性的要求，我们在数据处理过程中采用 Flink+Paimon 的解决方案，paimon 支持元数据注册到 maxcompute 中，可以直接使用 dataworks /flink 查询数据；最终数据报表采用 FBI 进行展示，资源拓扑数据写入到 CMDB 中给运维系统使用。

3. 落地实践

3.1 数据采集

我们研发了 exporter-operator 工具，嵌入 Kubernetes 集群中的哨兵，实时监听 Kubernetes api server 中 workload 数据变化。作为集群生态系统的 addon 组件，exporter-operator 以高效的响应机制驻留内部。

通过配置 Informer 中的自定义资源（CR），exporter-operator 灵活启用了多个 workload-informer 实例，针对各类工作负载实施监听，赋予系统卓越的灵活性，使其能够灵活监控多种工作负载信息。

exporter-operator 不断捕获并即时传输这些关键的工作负载数据，无缝对接阿里云日志服务（SLS）或 Apache Kafka 流处理平台，实现实时记录与深度分析集群运行状态，为优化集群效能提供强有力的数据支持。

3.2 数据清洗

为了数据分析可以使用 dataworks 进行分析，数据清洗前需要按照文档Paimon外部表进行配置。配置完成后创建 Paimon 表的元数据会直接同步到 dataworks 中，就可以直接进行数据分析。

3.2.1 ods 层

ods 层数据直接把 sls/kafka 中的数据同步到 paimon ods 表，保存有所有同步到的负载数据。

sql 复制代码

CREATE TABLE IF NOT EXISTS `abm-exporter-paimon`.`abm_exporter_db`.`ods_realtime_exporter_lakehouse`
 (
     `sls_time`  bigint
     ,`cluster`  varchar
     ,`content`  varchar
 ) PARTITIONED BY (cluster) with( 'orc.write.batch-size' = '128','file.format' = 'avro','bucket' = '8')
insert into `abm-exporter-paimon`.`abm_exporter_db`.`ods_realtime_exporter_lakehouse` /*+ OPTIONS('orc.write-buffer-size' = '128','file.format' = 'avro') */
select
    `__timestamp__` as sls_time
    ,`__topic__` as cluster
    ,`content`
from source_k8s_meta;

注意：

paimon 默认文件格式是 orc，orc 是列存，所以需要先在内存里攒批然后写出去。默认一批是 1024 行，目前写入数据一行几 mb ，1024 行的 buffer 就几 G 了，堆内存会不够。所以选择使用行存：设置 'file.format' = 'avro'，用 avro 格式；另外也可以设置 'orc.write.batch-size' = '128'，把批的大小改成 128 来解决。

3.2.2 dwd 层

dwd 层的功能有三个部分，1.将数据按照 primary key 聚合，确保资源数据的唯一性 2.将数据进行排序，确保 delete 的数据在最后发生 3.集群维度进行维表 join，丰富集群维度字段。

sql 复制代码

  CREATE TABLE IF NOT EXISTS `abm-exporter-paimon`.`abm_exporter_db`.`dwd_realtime_exporter_lakehouse`
 (
   type                 varchar
   ,obj                 varchar
   ,k8s_group           varchar
   ,version             varchar
   ,kind                varchar
   ,namespace           varchar
   ,name                varchar
   ,resourceversion     varchar
   ,region_id           varchar NOT NULL
   ,cluster             varchar NOT NULL
   ,watchname           varchar NOT NULL
   ,watchsetuptimestamp bigint NOT NULL
   ,uid                 varchar PRIMARY KEY NOT ENFORCED
   ,collect_time        bigint NOT NULL
   ,sls_time            bigint
   ,cluster_id          varchar
   ,region              varchar
   ,zone                varchar
 )
 with (
   'merge-engine' = 'partial-update'
   ,'changelog-producer' = 'lookup'
,'partial-update.ignore-delete'='true'
 );

sql 复制代码

set 'table.exec.sink.upsert-materialize' = 'NONE';
insert into `abm-exporter-paimon`.`abm_exporter_db`.`dwd_realtime_exporter_lakehouse`  /*+ OPTIONS('orc.write-buffer-size' = '128','file.format' = 'avro') */
select
  json_value(`content`, '$.type')             as `type`
  ,json_value(`content`, '$.obj')              as `obj`
  ,json_value(`content`, '$.group')            as `k8s_group`
  ,json_value(`content`, '$.version')          as `version`
  ,json_value(`content`, '$.kind')             as `kind`
  ,json_value(`content`, '$.namespace')        as `namespace`
  ,json_value(`content`, '$.name')             as `name`
  ,json_value(`content`, '$.resourceversion')  as `resourceversion`
  ,'cn-zhangjiakou'                               as `region_id`
  ,`cluster`                                as `cluster`
  ,json_value(`content`, '$.watchname')        as `watchname`
  ,cast(json_value(`content`, '$.watchsetuptimestamp') as bigint)    as `watchsetuptimestamp`
  ,json_value(`content`, '$.uid')              as `uid`
  ,cast(UNIX_TIMESTAMP() as bigint)                      as `collect_time`
  ,`sls_time`                            as `sls_time`
  ,NULL
  ,NULL
  ,NULL
from (
  SELECT
    *
  FROM (
    SELECT
      *
      ,ROW_NUMBER()
      OVER (
        PARTITION BY `cluster`, json_value(`content`, '$.uid')
        ORDER BY cast(json_value(`content`, '$.resourceversion') as bigint) DESC,cast(json_value(`content`, '$.__time_milli__') as bigint) DESC
      ) as rowNum
    FROM `abm-exporter-paimon`.`abm_exporter_db`.`ods_realtime_exporter_lakehouse`
  )
  WHERE rowNum = 1
);

3.2.3 ads 层

ads 层进行数据聚合，flink 处理逻辑只负责将数据写入到 Paimon 中，使用 Paimon 的merge-engine='aggregation'进行字段的聚合。这样计算逻辑不在 flink 中，不需要在 flink state 中进行，大量减少 state 的资源消耗。因为 Paimon 的计算是在 flink checkpoint 结束后触发，所以减少 flink checkpoint 的间隔时间可以提高数据的实时性。

sql 复制代码

CREATE TABLE IF NOT EXISTS `abm-exporter-paimon`.`abm_exporter_db`.`ads_realtime_exporter_lakehouse`
(
    kind          varchar
    ,cluster      varchar NOT NULL
    ,workload_num bigint
    ,PRIMARY KEY (kind, cluster) NOT ENFORCED
)
with (
    'merge-engine' = 'aggregation'
    ,'changelog-producer' = 'lookup'
    ,'fields.workload_num.aggregate-function' = 'sum'
)
;
insert into `abm-exporter-paimon`.`abm_exporter_db`.`ads_realtime_exporter_lakehouse`
select
    kind
    ,cluster
    ,case
        when type = 'ADDED' then 1
        when type = 'DELETED' then -1
        ELSE  0
    end as workload_num
from `abm-exporter-paimon`.`abm_exporter_db`.`dwd_realtime_exporter_lakehouse`;

3.3 数据分析

如果只需要查询一次的情况可以使用 dataworks 进行数据查询，当然也可以直接使用 flink 进行数据查询，当前 VVP 里面已经开发了查询的功能。如果需要生成报表就使用fbi 等工具进行数据分析，也可以使用 flink 将相关的数据清洗到 cmdb 系统中去。

sql 复制代码

use bigdata_sre;
SET odps.table.scan-options.odps.external.sub.disable.hyper=true;
SET odps.sql.common.table.planner.ext.hive.bridge = true;
set odps.sql.submit.ddltask.via.common.table=true;
SET odps.sql.hive.compatible = false;
set odps.compiler.verify=true;
set odps.isolation.session.enable=true;
-- select * from ods_realtime_exporter_lakehouse limit 100;
-- select * from dwd_realtime_exporter_lakehouse where kind='Node' limit 100;
select * from ads_realtime_exporter_lakehouse order by workload_num desc limit 100;

4. 总结

目前 Flink+Paimon 实时数据湖的方案已经比较成熟，使用成本不高，相关的生态也比较完善，在低成本和低延迟的要求下，这个方案还是非常好的选择。如果对成本没太高的要求，Flink+Hologres 在延迟方面会有些优势。

参考文件：

《Flink+Paimon构建流式数据湖仓》

https://ata.atatech.org/articles/11000268231?spm=ata.25287382.0.0.6be65f6948opbG
《Paimon外部表》

https://help.aliyun.com/zh/maxcompute/user-guide/paimon-external-table
《当流计算邂逅数据湖：Paimon 的前生今世》

https://xie.infoq.cn/article/63890f6dc8afcbfaac312444f