Kylin 2.0 Spark Cubing 优化改进

Kylin 2.0 引入了Spark Cubing beta版本，本文主要介绍我是如何让 Spark Cubing 支持启用Kerberos的HBase集群，再介绍下Spark Cubing的性能测试结果和适用场景。

Spark Cubing 简介

在简介Spark Cubing之前，我简介下MapReduce Batch Cubing。所谓的MapReduce Batch Cubing就是利用MapReduce 计算引擎批量计算Cube，其输入是Hive表，输出是HBase的KeyValue，整个构建过程主要包含以下6步：

建立Hive的大宽表； （MapReduce计算）
对需要字典编码的列计算列基数； （MapReduce计算）
构建字典； （JobServer计算 or MapReduce计算）
分层构建Cuboid； （MapReduce计算）
将Cuboid转为HBase的KeyValue结构（HFile）； （MapReduce计算）
元数据更新和垃圾回收。

详细的Cube生成过程可以参考 Apache Kylin Cube 构建原理。

而Kylin 2.0的Spark Cubing就是在Cube构建的第4步替换掉MapReduce。

如下图，就是将5个MR job转换为1个Spark job：

（注：以下两个图片引自 Apache Kylin 官网的blog： By-layer Spark Cubing，更详细的介绍也可以参考这篇blog。）

MapReduce 计算5层的Cuboid会用5个MR Application计算：此处输入图片的描述

Spark 计算Cuboid只会用1个 Application计算：此处输入图片的描述

Spark Cubing的核心实现类是SparkCubingByLayer。

为什么目前只有计算Cuboid这一步用Spark计算？

个人认为主要有以下两点：

实现并不复杂。
收益会比较明显。Cuboid的分层计算方法天然可以利用RDD的Cache特性来加速Cuboid 计算，最理想的情况，如果executor的内存能够完全cache住每层Cuboid的RDD，那就可以完全避免读写磁盘，必然会比MapReduce快很多。

我认为第2点是主要原因。

Cube构建的其他步骤不可以用Spark计算吗？

当然可以！其中第1步建立Hive的大宽表和第5步生成HFile 替换为Spark是十分简单的，但是性能提升可能不会十分明显。至于2步计算列基数，其代码逻辑应该是整个Cube构建中最复杂的一步，复杂的主要原因就是这一步肩负的使命略多。还有第3步MR构建字典，因为MR构建本身尚不成熟，自然不急着迁移到Spark。

Spark Cubing beta版本目前最大的问题就是不支持启用Kerberos认证的HBase集群，而事实上不少企业级的HBase服务都启用了Kerberos认证。不支持的原因主要是Spark Cubing需要直接从HBase中访问cube，dict等元数据信息。

Spark Cubing 访问 Kerberos认证的 HBase 解1

第一种简单的做法是将访问HBase的token从Kylin的JobServer传递到executor中，这种做法的限制是只能运行在Yarn-client模式中，即必须让driver运行在Kylin的JobServer中。关于yarn-cluster mode和yarn-client mode两种模式的区别可以参考： Apache Spark Resource Management and YARN App Models。

这种做法的实现方式很简单，只需在SparkCubingByLayer的new SparkConf()之前加入以下3行代码：

        Configuration configuration = HBaseConnection.getCurrentHBaseConfiguration();
        HConnection connection = HConnectionManager.createConnection(configuration);
        TokenUtil.obtainAndCacheToken(connection, UserProvider.instantiate(configuration).create(UserGroupInformation.getCurrentUser()));

但是如果只能在yarn-client模式下运行，必然无法运行在生产环境，因为Kylin JobServer机器的内存肯定不够用。

Spark Cubing 访问 Kerberos认证的 HBase 解2

既然Spark Cubing在启用Kerberos认证的 HBase集群下无法运行的根本原因是 Spark Cubing需要从HBase 直接访问Job相关的Kylin元数据，那我们把元数据换个地方存不就可以了，所以我们将每个Spark Job相关的Kylin元数据上传到HDFS，并用Kylin的HDFSResourceStore来管理元数据。

在介绍实现思路前，我先简介下Kylin元数据的存储结构和Kylin的ResourceStore。

首先，Kylin每个具体的元数据都是一个JSON文件，整个元数据的组织结构是个树状的文件目录。 如图是Kylin元数据的根目录：屏幕快照 2017-07-02 下午3.51.43.png-20.7kB 下图是project目录下的具体内容，其中learn_kylin和kylin_test都是project名称：屏幕快照 2017-07-02 下午3.54.59.png-11.8kB

我们知道Kylin元数据的组织结构后，再简介下Kylin元数据的存储方式。元数据存储的抽象类是ResourceStore，具体的实现类共有3个：

FileResourceStore 本地文件系统
HBaseResourceStore HBase
HDFSResourceStore HDFS

其中只有HBase可以用于生产环境，本地文件系统主要用来测试，HDFS不能用于生产的原因是并发处理方面还有些问题。具体用哪个ResourceStore是通过配置文件的kylin.metadata.url来决定的。

所以下面的问题就是我们如何将HBase中的元数据转移到HDFS 和如何将HBaseResourceStore 转为 HDFSResourceStore？

确定Spark Job需要读取哪些Kylin元数据
将需要的Kylin元数据dump到本地
改写kylin.metadata.url并将所有配置写到本地的元数据目录
利用ResourceTool将本地的元数据上传到指定的HDFS目录
在Spark executor中根据指定HDFS元数据目录的Kylin配置文件构造出HDFSResourceStore。

当然，在最后我们需要清理掉指定HDFS目录的元数据。整个思路比较简单清晰，但是实际实现中还是有很多细节需要去考虑。

Spark Cubing 参数配置

以下是我使用的Spark配置，目的是尽可能让用户不需要关心Spark的配置

//运行在yarn-cluster模式
kylin.engine.spark-conf.spark.master=yarn
kylin.engine.spark-conf.spark.submit.deployMode=cluster 

//启动动态资源分配，个人认为在Kylin生产场景中是必须的，因为我们不可能让每个用户自己去指定executor的个数
kylin.engine.spark-conf.spark.dynamicAllocation.enabled=true
kylin.engine.spark-conf.spark.dynamicAllocation.minExecutors=10
kylin.engine.spark-conf.spark.dynamicAllocation.maxExecutors=1024
kylin.engine.spark-conf.spark.dynamicAllocation.executorIdleTimeout=300
kylin.engine.spark-conf.spark.shuffle.service.enabled=true
kylin.engine.spark-conf.spark.shuffle.service.port=7337

//内存设置
kylin.engine.spark-conf.spark.driver.memory=4G
//数据规模较大或者字典较大时可以调大executor内存
kylin.engine.spark-conf.spark.executor.memory=4G 
kylin.engine.spark-conf.spark.executor.cores=1

//心跳超时
kylin.engine.spark-conf.spark.network.timeout=600

//队列设置
kylin.engine.spark-conf.spark.yarn.queue=root.rz.hadoop-hdp.test

//分区大小
kylin.engine.spark.rdd-partition-cut-mb=100

Spark Cubing 的构建性能

对于百万级，千万级，亿级的源数据，且无很大字典的情况下，我的测试结果和官方By-layer Spark Cubing 的结果基本一致，构建速度提升比较明显，而且Cuboid的层次数越多，提速越明显。

此外，我专门测试了数十亿级源数据或者有超大字典的情况，构建提速也十分明显：

测试Cube1

原始数据量： 27亿行 9个维度包含1个精确去重指标字典基数7千多万

MR Cuboid构建耗时： 75分钟

Spark Cuboid第一次构建耗时： 40分钟（spark.executor.memory = 8G，没有加spark.memory.fraction参数）

Spark Cuboid第二次构建耗时： 24分钟（spark.executor.memory = 8G，spark.memory.fraction = 0.5）

为什么减小spark.memory.fraction可以加速构建？

因为减小spark.memory.fraction，可以增大executor中User Memory的大小，给Kylin字典更多的内存，这样就可以避免全局字典换入换出，减少GC。

测试Cube2

原始数据量：24亿行 13个维度 38个指标（其中9个精确去重指标）不过这个cube的精确去重指标基数比较小，只有几百万。

MR Cuboid构建耗时： 31分钟

Spark Cuboid构建耗时： 8分钟

总结来说，Spark Cubing的构建性能相比MR有1倍到3倍的提升。

Spark Cubing 的资源消耗

除了构建性能，我们肯定还会关注资源消耗。在这次测试中我没有对所以测试结果进行资源消耗分析，只分析了几个Cube。

我的结论是，在我采用的Spark配置情况下，对于中小规模数据集Spark的资源消耗是小于MR的（executor的内存是4G）；对于有大字典的情况（executor的内存是8G），CPU资源Spark是小于MR的，但是内存资源Spark会比MR略多，在这种情况下，我们相当于用内存资源来换取了执行效率。

Spark Cubing 的优缺点

优点：

利用RDD的Cache特性，尽可能利用内存来避免重复IO
大部分场景下Cuboid构建速度有明显提升
在集群资源充足的情况下，我们可以用更多的资源换取更好的构建性能

缺点：

目前版本还未历经生产环境考验，稳定性不确定
不适合有超大字典的场景
引入Spark Cubing将带来额外的运维成本和沟通成本

Spark Cubing 的适用场景

个人的结论是，除了有好几亿基数超大字典的这种情况，其他情况应该都适用Spark Cubing，其中：

Cuboid层次越多越适用。
数据规模越小越适用。
字典越小越适用。

Spark Cubing 字典加载优化

Spark和MR有一点重要的区别就是Spark的Task是在线程中执行的，MR的Task是在进程中执行的。这点区别会对Kylin的Cube 构建造成重要影响，在MR Cubing中，每个Mapper task 只需要load一次字典，但是在Spark Cubing中，一个executor的多个task会多次load 字典，如果字典较大，就会造成频繁GC，导致执行变慢。

针对这个问题，我做了两点优化：