DataPipeline CTO 陈肃：构建批流一体数据融合平台的一致性语义保证

文 | 陈肃 DataPipeline CTO

交流微信 | datapipeline2018

本文完整PPT获取 | 关注公众号后，后台回复“陈肃”



首先，本文将从数据融合角度，谈一下DataPipeline对批流一体架构的看法，以及如何设计和使用一个基础框架。其次，数据的一致性是进行数据融合时最基础的问题。如果数据无法实现一致，即使同步再快，支持的功能再丰富，都没有意义。



另外，DataPipeline目前使用的基础框架为Kafka Connect。为实现一致性的语义保证，我们做了一些额外工作，希望对大家有一定的参考意义。



最后，会提一些我们在应用Kafka Connect框架时，遇到的一些现实的工程问题，以及应对方法。尽管大家的场景、环境和数据量级不同，但也有可能会遇到这些问题。希望对大家的工作有所帮助。





一、批流一体架构

批和流是数据融合的两种应用形态



下图来自Flink官网。传统的数据融合通常基于批模式。在批的模式下，我们会通过一些周期性运行的ETL JOB，将数据从关系型数据库、文件存储向下游的目标数据库进行同步，中间可能有各种类型的转换。



另一种是Data Pipeline模式。与批模式相比相比， 其最核心的区别是将批量变为实时：输入的数据不再是周期性的去获取，而是源源不断的来自于数据库的日志、消息队列的消息。进而通过一个实时计算引擎，进行各种聚合运算，产生输出结果，并且写入下游。

现代的一些处理框架，包括Flink、Kafka Streams、Spark，或多或少都能够支持批和流两种概念。只不过像Kafka，其原生就是为流而生，所以如果基于Kafka Connect做批流一体，你可能需要对批量的数据处理做一些额外工作，这是我今天重点要介绍的。



数据融合的基本问题



如果问题简化到你只有一张表，可能是一张MySQL的表，里面只有几百万行数据，你可能想将其同步到一张Hive表中。基于这种情况，大部分问题都不会遇到。因为结构是确定的，数据量很小，且没有所谓的并行化问题。



但在一个实际的企业场景下，如果做一个数据融合系统，就不可避免要面临几方面的挑战：



第一，“动态性”

数据源会不断地发生变化，主要归因于：表结构的变化，表的增减。针对这些情况，你需要有一些相应的策略进行处理。



第二，“可伸缩性”

任何一个分布式系统，必须要提供可伸缩性。因为你不是只同步一张表，通常会有大量数据同步任务在进行着。如何在一个集群或多个集群中进行统一的调度，保证任务并行执行的效率，这是一个要解决的基本问题。



第三，“容错性”

在任何环境里你都不能假定服务器是永远在正常运行的，网络、磁盘、内存都有可能发生故障。这种情况下一个Job可能会失败，之后如何进行恢复？状态能否延续？是否会产生数据的丢失和重复？这都是要考虑的问题。



第四，“异构性”

当我们做一个数据融合项目时，由于源和目的地是不一样的，比如，源是MySQL，目的地是Oracle，可能它们对于一个字段类型定义的标准是有差别的。在同步时，如果忽略这些差异，就会造成一系列的问题。



第五，“一致性”

一致性是数据融合中最基本的问题，即使不考虑数据同步的速度，也要保证数据一致。数据一致性的底线为：数据先不丢，如果丢了一部分，通常会导致业务无法使用；在此基础上更好的情况是：源和目的地的数据要完全一致，即所谓的端到端一致性，如何做到呢？ 



Lambda架构是批流一体化的必然要求



目前在做这样的平台时，业界比较公认的有两种架构：一种是Lambda架构，Lambda架构的核心是按需使用批量和流式的处理框架，分别针对批式和流式数据提供相应的处理逻辑。最终通过一个服务层进行对外服务的输出。



为什么我们认为Lambda架构是批流一体化的必然要求？这好像看起来是矛盾的（与之相对，还有一种架构叫Kappa架构，即用一个流式处理引擎解决所有问题）。



实际上，这在很大程度来自于现实中用户的需求。DataPipeline在刚刚成立时只有一种模式，只支持实时流同步，在我们看来这是未来的一种趋势。



但后来发现，很多客户实际上有批量同步的需求。比如，银行在每天晚上可能会有一些月结、日结，证券公司也有类似的结算服务。基于一些历史原因，或出于对性能、数据库配置的考虑，可能有的数据库本身不能开change log。所以实际上并不是所有情况下都能从源端获取实时的流数据。



考虑到上述问题，我们认为一个产品在支撑数据融合过程中，必须能同时支撑批量和流式两种处理模式，且在产品里面出于性能和稳定性考虑提供不同的处理策略，这才是一个相对来说比较合理的基础架构。



数据融合的Ad-Hoc模式



具体到做这件事，还可以有两种基础的应用模式。假如我需要将数据从MySQL同步到 Hive，可以直接建立一个ETL的JOB（例如基于Flink），其中封装所有的处理逻辑，包括从源端读取数据，然后进行变换写入目的地。在将代码编译好以后，就可以放到Flink集群上运行，得到想要的结果。这个集群环境可以提供所需要的基础能力，刚才提到的包括分布式，容错等。





数据融合的MQ模式



另一种模式是ETL JOB本身输入输出实际上都是面对消息队列的，实际上这是现在最常使用的一种模式。在这种模式下，需要通过一些独立的数据源和目的地连接器，来完成数据到消息队列的输入和输出。ETL JOB可以用多种框架实现，包括Flink、Kafka Streams等，ETL JOB只和消息队列发生数据交换。





DP选择MQ模式的理由



DataPipeline选择MQ模式，主要有几点考虑：



第一，在我们产品应用中有一个非常常见的场景：要做数据的一对多分发。数据要进行一次读取，然后分发到各种不同的目的地，这是一个非常适合消息队列使用的分发模型。详情见：数据融合重磅功能丨一对多实时分发、批量读取模式



第二，有时会对一次读取的数据加不同的处理逻辑，我们希望这种处理不要重新对源端产生一次读取。所以在多数情况下，都需将数据先读到消息队列，然后再配置相应的处理逻辑。



第三，Kafka Connect就是基于MQ模式的，它有大量的开源连接器。基于Kafka Connect框架，我们可以重用这些连接器，节省研发的投入。



第四，当你把数据抽取跟写入目的地，从处理逻辑中独立出来之后，便可以提供更强大的集成能力。因为你可以在消息队列上集成更多的处理逻辑，而无需考虑重新写整个Job。



相应而言，如果你选择将MQ作为所有JOB的传输通道，就必须要克服几个缺点：



第一，所有数据的吞吐都经过MQ，所以MQ会成为一个吞吐瓶颈。



第二，因为是一个完全的流式架构，所以针对批量同步，你需要引入一些边界消息来实现一些批量控制。



第三，Kafka是一个有持久化能力的消息队列，这意味着数据留存是有极限的。比如，你将源端的读到Kafka Topic里面，Topic不会无限的大，有可能会造成数据容量超限，导致一些数据丢失。



第四，当批量同步在中间因为某种原因被打断，无法做续传时，你需要进行重传。在重传过程中，首先要将数据进行清理，如果基于消息队列模式，清理过程就会带来额外的工作。你会面临两个困境：要么清空原有的消息队列，要么你创造新的消息队列。这肯定不如像直接使用一些批量同步框架那样来的直接。



二、一致性语义保证

来自DataPipeline客户的需求



先简单介绍一下我们客户对于数据同步方面的一些基本要求：

第一种需求，批量同步需要以一种事务性的方式完成同步

无论是同步一整块的历史数据，还是同步某一天的增量，该部分数据到目的地，必须是以事务性的方式出现的。而不是在同步一半时，数据就已经在目的地出现了，这可能会影响下游的一些计算逻辑。



第二种需求，流式数据尽可能快的完成同步

大家都希望越快越好，但相应的，同步的越快，吞吐量有可能因为你的参数设置出现相应的下降，这可能需要有一个权衡。



第三种需求，批量和流式可能共存于一个JOB

作为一个数据融合产品，当用户在使用DataPipeline时，通常需要将存量数据同步完，后面紧接着去接增量。然后存量与增量之间需要进行一个无缝切换，中间的数据不要丢、也不要多。



第四种需求，按需灵活选择一致性语义保证

DataPipeline作为一个产品，在客户的环境中，我们无法对客户数据本身的特性提出强制要求。我们不能要求客户数据一定要有主键或者有唯一性的索引。所以在不同场景下，对于一致性语义保证，用户的要求也不一样的：



比如在有主键的场景下，一般我们做到至少有一次就够了，因为在下游如果对方也是一个类似于关系型数据库这样的目的地，其本身就有去重能力，不需要在过程中间做一个强一致的保证。但是，如果其本身没有主键，或者其下游是一个文件系统，如果不在过程中间做额外的一致性保证，就有可能在目的地产生多余的数据，这部分数据对于下游可能会造成非常严重的影响。



数据一致性的链路视角



如果要解决端到端的数据一致性，我们要处理好几个基本环节：



第一，在源端做一个一致性抽取

一致性抽取是什么含义？即当数据从通过数据连接器写入到MQ时，和与其对应的offset必须是以事务方式进入MQ的。



第二，一致性处理

如果大家用过Flink，Flink提供了一个端到端一致性处理的能力，它是内部通过checkpoint机制，并结合Sink端的二阶段提交协议，实现从数据读取处理到写入的一个端到端事务一致性。其它框架，例如Spark Streaming和Kafka Streams也有各自的机制来实现一致性处理。



第三，一致性写入

在MQ模式下，一致性写入，即consumer offset 跟实际的数据写入目的时，必须是同时持久化的，要么全都成功，要么全部失败。



第四，一致性衔接

在DataPipeline的产品应用中，历史数据与实时数据的传输有时需要在一个任务中共同完成。所以产品本身需要有这种一致性衔接的能力，即历史数据和流式数据，必须能够在一个任务中，由程序自动完成它们之间的切换。



Kafka Connect的一致性保证



Kafka Connect如何保证数据同步的一致性？就目前版本，Kafka Connect只能支持端到端的at least once，核心原因在于，在Kafka Connect里面，其offset 的持久化与数据发送本身是异步完成的。这在很大程度上是为了提高其吞吐量考虑，但相应产生的问题是，如果使用Kafka Connect，框架本身只能为你提供at least once的语义保证。



在该模式下，如果没有通过主键或下游应用进行额外地去重，同步过程当中的数据会在极端情况下出现重复，比如源端发送出一批数据已经成功，但offset持久化失败了，这样在任务恢复之后，之前已经发送成功的数据会再次重新发送一批，而下游对这种现象完全是不知情的。目的端也是如此，因为consumer的offset也是异步持久化，就会到导致有可能数据已经持久化到Sink，但实际上consumer offset还没有推进。这是我们在应用原生的Kafka Connect框架里遇到最大的两个问题。





三、DP的解决之道

二阶段提交协议



DataPipeline如何解决上述问题？首先，需要用协议的方式保证每一步都做成事务。一旦做成事务，由于每个环节都是解耦的，其最终数据就可以保证一致性。下图为二阶段提交协议的最基础版本，接下来为大家简单介绍一下。



首先，在二阶段提交协议中，对于分布式事务的参与方，在DataPipeline的场景下为数据写入与offset写入，这是两个独立组件。两者之间的写入操作由Coordinator进行协调。第一步是一个prepare阶段，每一个参与方会将数据写入到自己的目的地，具体持久化的位置取决于具体应用的实现。



第二步，当prepare阶段完成之后，Coordinator会向所有参与者发出commit指令，所有参与者在完成commit之后，会发出一个ack，Coordinator收到ack之后，事务就完成了。如果出现失败，再进行相应的回滚操作。其实在分布式数据库的设计领域中，单纯应用一个二阶段提交协议会出现非常多的问题，例如Coordinator本身如果不是高可用的，在过程当中就有可能出现事务不一致的问题。



所以应用二阶段提交协议，最核心的问题是如何保证Coordinator高可用。所幸在大家耳熟能详的各种框架里，包括Kafka和Flink，都能够通过分布式一致协议实现Coordinator高可用，这也是为什么我们能够使用二阶段提交来保证事务性。



Kafka事务消息原理



关于Kafka事务消息原理，网上有很多资料，在此简单说一下能够达到的效果。Kafka通过二阶段提交协议，最终实现了两个最核心的功能。



第一，一致性抽取

上文提到数据要被发送进Kafka，同时offset要被持久化到Kafka，这是对两个不同Topic的写入。通过利用Kafka事务性消息，我们能够保证offset的写入和数据的发送是一个事务。如果offset没有持久化成功，下游是看不到这批数据的，这批数据实际上最终会被丢弃掉。



所以对于源端的发送，我们对Kafka Connect的Source Worker做了一些改造，让其能够提供两种模式，如果用户的数据本身是具备主键去重能力的，就可以继续使用Kafka Connect原生的模式。



如果用户需要强一致时，首先要开启一个源端的事务发送功能，这就实现了源端的一致性抽取。其可以保证数据进Kafka一端不会出现数据重复。这里有一个限制，即一旦要开启一致性抽取，根据Kafka必须要将ack设置成all，这意味着一批数据有多少个副本，其必须能够在所有的副本所在的broker都已经应答的情况下，才可以开始下一批数据的写入。尽管会造成一些性能上的损失，但为了实现强一致，你必须要接受这一事实。



第二，一致性处理

事务性消息最早就是为Kafka Streams设计和准备的。可以写一段Kafka Streams应用，从Kafka里读取数据，然后完成转化逻辑，进而将结果再输出回Kafka。Sink端再从Kafka中消费数据，写入目的地。



数据一致性写入



之前简要谈了一下二阶段提交协议的原理，DataPipeline实现的方式不算很深奥，基本是业界的一种统一方式。其中最核心的点是，我们将consumer offset管理从Kafka Connect框架中独立出来，实现事务一致性提交。另外，在Sink端封装了一个类似于Flink的TwoPhaseCommitSinkFunction方式，其定义了Sink若要实现一个二阶段提交所必须要实现的一些功能。



DataPipeline将Sink Connector分为两类，一类是Connector本身具备了事务能力，比如绝大部分的关系型数据库，只需将offset跟数据同时持久化到目的地即可。额外的可能需要有一张offset表来记录提交的offset。还有一类Sink不具备事务性能力，类似像FTP、OSS这些对象存储，我们需要去实现一个二阶段提交协议，最终才能保证Sink端的数据能够达到一致性写入。



数据一致性衔接



关于批量数据与实时数据如何衔接的问题，主要有两个关键点：



第一，当开始进行一个批量数据同步时，以关系型数据库为例，你应该拿到当时一个整体数据的Snapshot，并在一个事务中同时记录当时对应的日志起始值。以MySQL为例，当要获取一个Binlog起始偏移量时，需要开启一个START TRANSACTION WITH CONSISTENT SNAPSHOT，这样才能保证完成全量之后，后期的读取增量日志同步不会产生重复数据。



第二，如果采用增量同步模式，则必须根据实际的数据业务领域，采用一种比较灵活的增量表达式，才能避免读到写到一半的数据。比如在你的数据中，其ID是一个完全自增，没有任何重复的可能，此时只需每次单纯的大于上一次同步的最后一条记录即可。



但如果是一个时间戳，无论精度多高，都有可能在数据库产生相同的时间戳，所以安全的做法是每次迭代时，取比当前时间稍微少一点，保证留出一个安全时间，比如五秒甚至一分钟，这样你永远不会读到一些时间戳可能会产生冲突的这部分数据，避免遗漏数据。这是一个小技巧，但如果没有注意，在使用过程中就会产生各种各样的问题。



还有一点是上面提及的，如何能够在一个流式框架实现批量同步的一致性，对于所有的流式框架，需要引入一些边界条件来标志着一次批量同步的开始和结束。DataPipeline在每次批量发送开始和结束后，会引入一些控制量信号，然后在Sink端进行相应处理。同样为了保证事务一致性，在Sink端处理这种批量同步时，依然要做一些类似于二阶段提交这样的方式，避免在一些极端情况下出现数据不一致的问题。



四、问题和思考



上文介绍的是DataPipeline如何基于Kafka Connect做事务同步一致性的方案。



DataPipeline在使用Kafka Connect过程中遇到过一些问题，目前大部分已经有一些解决方案，还有少量问题，可能需要未来采用新的方法/框架才能够更好的解决。



第一，反压的问题

Kafka Connect设计的逻辑是希望实现源端和目的端完全解耦，这种解偶本身是一个很好的特性。但也带来一些问题，源和目的地的task完全不知道彼此的存在。刚才我提到Kafka有容量限制，不能假定在一个客户环境里面，会给你无限的磁盘来做缓冲。通常我们在客户那边默认Topic为100G的容量。如果源端读的过快，大量数据会在Kafka里堆积，目的端没有及时消费，就有可能出现数据丢失，这是一个非常容易出现的问题。



怎么解决？DataPipeline作为一个产品，在Kafka Connect之上，做了控制层，控制层中有像Manager这样的逻辑组件，会监控每一个Topic消费的lag，当达到一定阈值时，会对源端进行限速，保证源和目的地尽可能匹配。



第二，资源隔离

Connect Worker集群无法对task进行资源预留，多个task并行运行会相互影响。Worker的rest接口是队列式的，单个集群任务过多会导致启停缓慢。



我们正在考虑利用外部的资源调度框架，例如K8s进行worker节点管理；以及通过路由规则将不同优先级任务运行在不同的worker集群上，实现预分配和共享资源池的灵活配置。

第三，Rebalance

在2.3版本以前，Kafka Connect的task rebalance采用stop-the-world模式，牵一发动全身。在2.3版本之后，已经做了非常大优化，改为了具有粘性的rebalance。所以如果使用Kafka Connect，强烈推荐一定要升级到2.3以上的版本，也就是目前的最新版本。



五、未来演进路线



基于MQ模式的架构，针对大批量数据的同步，实际上还是容易出现性能瓶颈。主要瓶颈是在MQ的集群，我们并不能在客户环境里无限优化Kafka集群的性能，因为客户提供的硬件资源有限。所以一旦客户给定了硬件资源，Kafka吞吐的上限就变为一个固定值。所以针对批量数据的同步，可能未来会考虑用内存队列替代MQ。



同时，会采用更加灵活的Runtime，主要是为了解决刚才提到的预分配资源池和共享资源池的统一管理问题。



另外，关于数据质量管理，实际上金融类客户对数据质量的一致性要求非常高。所以对于一些对数据质量要求非常高的客户，我们考虑提供一些后校验功能，尤其是针对批量同步。