唯品会自2017年开始基于k8s深入打造高性能、稳定、可靠、易用的实时计算平台，支持唯品会内部业务在平时以及大促的平稳运行。现平台支持Flink、Spark、Storm等主流框架。本文主要分享Flink的容器化实践应用以及产品化经验。

01

发展概览

平台支持公司内部所有部门的实时计算应用。主要的业务包括实时大屏，推荐，实验平台，实时监控和实时数据清洗等。

1.1 集群规模

平台现有异地双机房双集群，具有2000多的物理机节点，利用k8s的namespaces，labels和taints等实现业务隔离以及初步的计算负载隔离。目前线上实时应用有大概1000个，平台最近主要支持Flink SQL任务的上线。

1.2 平台架构

如上图所示，是唯品会实时计算平台的整体架构。

★最底层是计算任务节点的资源调度层，实际以deployment的模式运行k8s上，平台虽然是支持yarn调度，但是yarn调度是与批任务共享资源，所以主流任务还是运行在k8s上。

★存储层这一层，支持公司内部基于kafka实时数据vms，基于binlog的vdp数据和原生kafka作为消息总线，状态存储在hdfs上，数据主要存入redis，mysql，hbase，kudu，clickhouse等。

★计算引擎层，平台支持Flink,Spark,Storm主流框架容器化，提供了一些框架的封装和组件等。每个框架会都会支持几个版本的镜像满足不同的业务需求。

★平台层提供作业配置、调度、版本管理、容器监控、job监控、告警、日志等功能，提供多租户的资源管理（quota，label管理），提供kafka监控。在Flink 1.11版本之前，平台自建元数据管理系统为Flink SQL管理schema，1.11版本开始，通过hive metastore与公司元数据管理系统融合。

★最上层就是各个业务的应用层。

02

Flink容器化实践

2.1 容器化实践

如上图所示，是实时平台Flink容器化的架构。Flink容器化是基于standalone模式部署的。

★部署模式共有client，jobmanager和taskmanager三个角色，每一个角色都由一个deployment控制。

★用户通过平台上传任务jar包，配置等，存储于hdfs上。同时由平台维护的配置，依赖等也存储在hdfs上，当pod启动时，会进行拉取等初始化操作。

★client中主进程是一个由go开发的agent，当client启动时，会首先检查集群状态，当集群ready后，从hdfs上拉取jar包向flink集群提交任务，client的主要功能还有监控任务状态，做savepoint等操作。

★通过部署在每台物理机上的smart-agent采集容器的指标写入m3，以及通过Flink暴漏的接口将metrics写入prometheus，结合grafana展示。同样通过部署在每台物理机上的vfilebeat采集挂载出来的相关日志写入es，在dragonfly可以实现日志检索。

（1）Flink平台化

在实践过程中，结合具体场景以及易用性考虑，做了平台化工作。

★平台的任务配置与镜像，Flink配置，自定义组件等解耦合，现阶段平台支持1.7、1.9、1.11、1.12等版本。

★平台支持流水线编译或上传jar，作业配置，告警配置，生命周期管理等，从而减少用户的开发成本。

★平台开发了容器级别的如火焰图等调优诊断的页面化功能，以及登陆容器的功能，支持用户进行作业诊断。

（2）Flink稳定性

在应用部署和运行过程中，不可避免的会出现异常。平台保证任务在出现异常状况后的稳定性做的策略。

a.pod的健康和可用，由livenessProbe和readinessProbe检测，同时指定pod的重启策略。

b.Flink任务异常时：

    Flink原生的restart策略和failover机制，作为第一层的保证。

    在client中会定时监控Flink状态，同时将最新的checkpoint地址更新到自己的缓存中，并汇报到平台，固化到MySQL中。当Flink无法再重启时，由client重新从最新的成功checkpoint提交任务。作为第二层保证。这一层将checkpoint固化到MySQL中后，就不再使用Flink HA机制了，少了zk的组件依赖。

    当前两层无法重启时或集群出现异常时，由平台自动从固化到MySQL中的最新chekcpoint重新拉起一个集群，提交任务，作为第三层保证。

c.机房容灾：

    用户的jar包，checkpoint都做了异地双HDFS存储

    异地双机房双集群

2.2kafka监控方案

kafka监控是我们的任务监控里相对重要的一部分，整体监控流程如下所示。

平台提供监控kafka 堆积，消费message等配置信息，从MySQL中将用户kafka监控配置提取后，通过jmx监控kafka，写入下游kafka，再通过另一个Flink任务实时监控，同时将这些数据写入ck，从而展示给用户。

03

Flink SQL平台化建设

基于k8s的Flink容器化实现以后，方便了Flink api 应用的发布，但是对于Flink SQL的任务仍然不够便捷。于是平台提供了更加方便的在线编辑发布、SQL管理等一栈式开发平台。

3.1 Flink SQL方案

平台的Flink SQL方案如上图所示，任务发布系统与元数据管理系统完全解耦。

（1）Flink SQL 任务发布平台化

在实践过程中，结合易用性考虑，做了平台化工作，主操作界面如下图所示:

★Flink SQL的版本管理，语法校验，拓扑图管理等；

★UDF 通用和任务级别的管理，支持用户自定义udf；

★提供参数化的配置界面，方便用户上线任务。

（2）元数据管理

平台在1.11之前通过构建自己的元数据管理系统UDM，mysql存储kafka，redis等schema，通过自定义catalog打通Flink与UDM，从而实现元数据管理。1.11之后，Flink集成hive逐渐完善，平台重构了FlinkSQL框架，通过部署一个SQL-gateway service服务，中间调用自己维护的sql-client jar包，从而与离线元数据打通，实现了实时离线元数据统一，为之后的流批一体做好工作。在元数据管理系统创建的flink表操作界面如下所示,创建Flink表的元数据，持久化到hive里，Flink SQL启动时从hive里读取对应表的table schema信息。

3.2 Flink SQL相关实践

平台对于官方原生支持或者不支持的connector进行整合和开发，镜像和connector，format等相关依赖进行解耦，可以快捷的进行更新与迭代。

3.2.1 FLINK SQL 相关实践

★connector层，现阶段平台支持官方支持的connector，并且构建了redis，kudu，clickhouse，vms，vdp等平台内部的connector。平台构建了内部的pb format，支持protobuf实时清洗数据的读取。平台构建了kudu，vdp等内部catalog，支持直接读取相关的schema，不用再创建ddl。

★平台层主要是在UDF、常用运行参数调整、以及升级hadoop3。

★runntime层主要是支持拓扑图执行计划修改、维表关联keyBy cache优化等

3.2.2 拓扑图执行计划修改

针对现阶段SQL生成的stream graph并行度无法修改等问题，平台提供可修改的拓扑预览修改相关参数。平台会将解析后的FlinkSQL的excution plan json提供给用户，利用uid保证算子的唯一性，修改每个算子的并行度，chain策略等，也为用户解决反压问题提供方法。例如针对clickhouse sink 小并发大批次的场景，我们支持修改clickhouse sink并行度,source并行度=72，sink 并行度=24，提高clickhouse sink tps。

3.2.3 维表关联keyBy优化cache

针对维表关联的情况，为了降低IO请求次数，降低维表数据库读压力，从而降低延迟，提高吞吐，有以下几种措施：

★当维表数据量不大时，通过全量维表数据缓存在本地，同时ttl控制缓存刷新的时候，这可以极大的降低IO请求次数，但会要求更多但内存空间。

★当维表数据量很大时，通过async和LRU cache策略，同时ttl和size来控制缓存数据的失效时间和缓存大小，可以提高吞吐率并降低数据库的读压力。

★当维表数据量很大同时主流qps很高时，可以开启把维表join的key作为hash的条件，将数据进行分区，即在calc节点的分区策略是hash，这样下游算子的subtask的维表数据是独立的，不仅可以提高命中率，也可降低内存使用空间。

优化之前维表关联LookupJoin算子和正常算子chain在一起。

优化之间维表关联LookupJoin算子和正常算子不chain在一起，将join key 作为hash策略的key。采用这种方式优化之后，例如原先3000W 数据量的维表，10个TM节点，每个节点都要缓存3000W的数据，总共需要缓存3000W*10=3亿的量。而经过keyBy优化之后，每个TM节点只需要缓存3000W/10 =300W的数据量，总共缓存的数据量只有3000W，大大减少缓存数据量。

3.2.4 维表关联延迟join

维表关联中，有很多业务场景，在维表数据新增数据之前，主流数据已经发生join操作，会出现关联不上的情况。因此，为了保证数据的正确，将关联不上的数据进行缓存，进行延迟join。

★最简单的做法是，在维表关联的function里设置重试次数和重试间隔，这个方法会增大整个流的延迟，但主流qps不高的情况下，可以解决问题。

★增加延迟join的算子，当join维表未关联时，先缓存起来，根据设置重试次数和重试间隔从而进行延迟的join。

04

应用案例

4.1.实时数仓

4.1.1实时数据入仓

★流量数据一级kafka通过实时清洗之后，写到二级清洗kafka，主要是protobuf格式，再通过Flink SQL写入hive 5min表，以便做后续的准实时ETL，加速ods层数据源的准备时间。

★MySQL 业务库的数据，通过VDP解析形成binlog cdc消息流，再通过Flink SQL写入hive 5min表。

★业务系统通过VMS API产生业务kafka消息流，通过Flink SQL解析之后写入hive 5min表。支持string、json、csv等消息格式。

★使用 Flink SQL 做流式数据入仓，非常的方便，而且 1.12 版本已经支持了小文件的自动合并，解决了小文件的痛点。

★我们自定义分区提交策略，当前分区ready时候会调一下实时平台的分区提交api,在离线调度定时调度通过这个api检查分区是否ready。

采用Flink SQL统一入仓方案以后，我们可以获得的收益：可解决以前Flume方案不稳定的问题，而且用户可自助入仓，大大降低入仓任务的维护成本。提升了离线数仓的时效性，从小时级降低至5min粒度入仓。

4.1.2 实时指标计算

★实时应用消费清洗后kafka，通过redis维表、api等方式关联，再通过Flink window 增量计算UV,持久化写到Hbase里。

★实时应用消费VDP消息流之后，通过redis维表、api等方式关联，再通过Flink SQL 计算出销售额等相关指标,增量upsert到kudu里，方便根据range分区批量查询，最终通过数据服务对实时大屏提供最终服务。

以往指标计算通常采用Storm方式，需要通过api定制化开发，采用这样Flink方案以后，我们可以获得的收益：将计算逻辑切到Flink SQL上，降低计算任务口径变化快，修改上线周期慢等问题。切换至Flink SQL可以做到快速修改，快速上线，降低维护成本。

4.1.3 实时离线一体化ETL数据集成

①Flink SQL 在最近的版本中持续强化了维表 join 的能力，不仅可以实时关联数据库中的维表数据，现在还能关联 Hive 和 Kafka 中的维表数据，能灵活满足不同工作负载和时效性的需求。

②基于Flink强大的流式 ETL的能力，我们可以统一在实时层做数据接入和数据转换，然后将明细层的数据回流到离线数仓中。

③我们通过将presto内部使用的HyperLogLog( 后面简称HLL) 实现引入到Spark UDAF函数里，打通HLL对象在Spark SQL与presto引擎之间的互通，如Spark SQL通过prepare函数生成的HLL对象，不仅可以在Spark SQL里merge查询而且可以在presto里进行merge查询。具体流程如下：

UV近似计算示例:

--Step 1: Spark SQL 生成HLL对象

insert overwrite dws_goods_uv  partition (dt='${dt}',hm='${hm}')  AS select goods_id, estimate_prepare(mid)  as pre_hll  from dwd_table_goods group by goods_id where dt =  ${dt} and hm = ${hm} 

--Step 2:Spark SQL 通过goods_id维度的HLL对象merge成品牌维度

insert overwrite dws_brand_uv  partition (dt='${dt}',hm='${hm}') AS select b.brand_id, estimate_merge(pre_hll) as merge_hll from dws_table_brand  A left join dim_table_brand_goods B on  A.goods_id = B.goods_id where dt = ${dt} and hm = ${hm}  

--Step 3:Spark SQL 查询品牌维度的UV 

select brand_id, estimate_compute(merge_hll ) as uv from dws_brand_uv where dt = ${dt}  

--Step 4: presto merge 查询spark生成的HLL对象

select brand_id,cardinality(merge(cast(merge_hll AS HyperLogLog))) uv from dws_brand_uv group by brand_id

所以基于实时离线一体化ETL数据集成的架构，我们能获得的收益:

★统一了基础公共数据源；

★提升了离线数仓的时效性；

★减少了组件和链路的维护成本。

4.2 实验平台（Flink实时数据入OLAP）

唯品会实验平台是通过配置多维度分析和下钻分析，提供海量数据的A/B-test实验效果分析的一体化平台。一个实验是由一股流量（比如用户请求）和在这股流量上进行的相对对比实验的修改组成。实验平台对于海量数据查询有着低延迟、低响应、超大规模数据(百亿级)的需求。整体数据架构如下：

通过Flink SQL将kafka里的数据清洗解析展开等操作之后，通过redis维表关联商品属性，通过分布式表写入到clickhouse,然后通过数据服务adhoc查询。业务数据流如下：

我们通过Flink SQL redis connector，支持redis的sink 、source维表关联等操作，可以很方便的读写redis，实现维表关联，维表关联内可配置cache ，极大提高应用的TPS。通过Flink SQL 实现实时数据流的pipeline,最终将大宽表sink到CK 里，并按照某个字段粒度做murmurHash3_64 存储，保证相同用户的数据都存在同一shard 节点组内，从而使得ck大表之间的join 变成 local本地表之间的join,减少数据shuffle操作，提升join查询效率。

05

未来规划

5.1 提高Flink SQL易用性

当前我们的Flink SQL 调试起来很有很多不方便的地方，对于做离线hive用户来说还有一定的使用门槛，例如手动配置kafka监控、任务的压测调优，如何能让用户的使用门槛降低至最低，是一个比较大的挑战。将来我们考虑做一些智能监控告诉用户当前任务存在的问题，尽可能自动化并给用户一些优化建议。

5.2数据湖CDC分析方案落地

目前我们的VDP binlog消息流，通过Flink SQL写入到hive ods层，以加速ods层数据源的准备时间，但是会产生大量重复消息去重合并。我们会考虑Flink + 数据湖的cdc入仓方案来做增量入仓。此外，像订单打宽之后的kafka消息流、以及聚合结果都需要非常强的实时upsert能力，目前我们主要是用kudu，但是kudu集群，比较独立小众，维护成本高，我们会调研数据湖的增量upsert能力来替换kudu增量upsert场景。