基于Apache Flink的爱奇艺实时计算平台建设实践

分享嘉宾：梁建煌爱奇艺

编辑整理：张宇轩

内容来源：Flink Forward Asia

导读：随着大数据的快速发展，行业大数据服务越来越重要。同时，对大数据实时计算的要求也越来越高。今天会和大家分享下爱奇艺基于Apache Flink的实时计算平台建设实践。

今天的介绍会围绕下面三点展开：

Flink的现状与改进
平台化的探索和实践：实时计算平台
Flink业务案例

Flink的现状与改进

1. Flink现状

首先和大家分享下爱奇艺大数据服务的发展史。

我们从2012年到2019年，大数据服务经过了一系列持续的改进和发展：

2012年搭建了第一个Hadoop集群，当时只有大概20几个节点，使用的计算框架是MapReduce和Hive等
到2013，2014年，开始使用Hadoop 2.0，上线了Storm和Spark，由于Storm的使用性和稳定性不够好，被放弃使用，转而使用Spark
2015年发布了第一个实时计算平台Europa，上线了Kafka
2017年使用了Flink，同时我们基于Spark和Flink打造了流式计算引擎StreamingSQL
2018年推出了自研的实时计算平台Real-time Analytics Platform (RAP)
2019年基于Flink达到了内部的流数据生态平台；

然后介绍一下Flink在爱奇艺的使用情况：

这是Flink在爱奇艺的一些使用情况，目前的节点规模大约15000多台，总的作业规模有800多个，每天的数据流的生产量大概在万亿级别，约2500TB左右。注：本数据仅代表嘉宾分享时的数据。

下面是目前爱奇艺基于Spark，Flink打造的实时计算平台框架：

底层存储使用的HDFS，HBase，Kafka和OSS。
实时计算框架通过Spark和Flink部署，在这两个服务之上，构建了一个独立的流式系统引擎StreamingSQL。
在引擎之上，打造了多种类型的平台，用来实现管理计算的任务，流数据的生产分发和实时数据分析等不同需求。
实时计算在爱奇艺业务上有些典型的应用场景：实时分析、报警，信息流(如广告类)推荐，内部数据在线训练，实时风控（内容追踪等）。

2. Flink改进

Flink改进-监控和报警：

以前只是做了简单的状态监控，在出现问题之后，不知道内部状态是怎么样的。近期做了一些改进，并和内部的监控平台Hubble进行集成，主要有三个级别的监控指标：

Job级别监控指标：Job状态、Checkpoint状态和耗时。如果没有进入到running状态，会对其进行重启操作，防止其查询卡在不健康状态下
Operator级别监控指标：时延、反压、Source/Sink流量，对每个Operator进行指标聚合
TaskManager级别监控指标：CPU使用率、内存使用率、JVM GC等

Flink改进-状态管理：

问题一：长时间运行Flink job，会因为各种原因导致它重启。Checkpoint只在Flink作业内部有效，一旦主动重启或异常重启时，上一个job的状态会全部丢失。

解决方法：作业重启时，找到上一次运行成功的Checkpoint，从中恢复。

缺陷：对于状态很大的作业，会使用RockDBStateBackend做增量Checkpoint；上一次的Checkpoint被依赖而无法删除，会导致状态堆积（生产环境中的一个作业的Checkpoint总共多达8TB）。

对于这个缺陷也就是：

问题二：Checkpoint无限依赖

解决方法：使用Savepoint打断增量Checkpoint的依赖链，并与流计算平台集成。

主要有两种产品，一种是通过业务通过平台主动重启，重启之前对此job做一次Savepoint操作，启动时从Savepoint的路径去启动。

第二种是发生异常重启时，来不及做Savepoint。那么会在Checkpoint启动起来，一旦job进入到running状态以后，立即做一次Savepoint，解决依赖问题。

StreamingSQL：

StreamingSQL是基于Spark和Flink构建的一个统一的流数据ETL工具，具有以下一些特征：

SQL化：业务上去写流计算任务时，不需要去写Scala程序，只需要编写一些SQL代码即可完成流计算ETL任务的开发。
DDL：流表、临时表、维度表、结果表。
UDF：系统预定义常用函数、用户自定义函数。
提供SQL编辑器。

下面是StreamingSQL的一个实例：

实时计算平台

1. 实时计算管理平台

上图是Spark、Flink任务开发和管理的web IDE的例子，用户可以在页面上配置一些参数和字段，进行任务的开发，上传，作业的重启，运行状态的查看等常规操作。

此外，还提供其他的一些管理：

文件管理：任务Jar包、依赖库。
函数管理：提供丰富的系统函数、支持用户注册UDF。
版本管理：支持任务、文件的版本对比以及回滚。
常规管理：监控大盘、报警订阅、资源审计、异常诊断。

2. 实时数据处理平台

为了确保数据发挥该有的价值，让数据的流转更加通畅，让业务处理数据、使用数据和分析数据更加便捷，我们改进服务，推出了数据处理平台和数据分析平台。

以下是实时数据处理平台演进过程：

2015 – 2016

场景：离线报表为主，少量实时报表需求，数据生产规模50万QPS；
Venus 1.0数据采集平台：基于Apache Flume；在Venus agents上通过tail+grep/awk/sed等脚本过滤；
缺陷：不方便变更过滤规则，需重启所有agents；不同用户需求存在大量重复处理逻辑。

2017 – 2018

场景：实时分析、信息流推荐等实时需求增加，500万QPS
Venus 2.0数据采集分析平台：实时过滤从Venus agent迁移到Flink，采用两级Kafka；无需重启即可动态增减处理规则
缺陷：Kafka数据冗余，不方便分享Kafka数据

2019

场景：大量实时业务需求，1500万QPS
Venus 3.0流数据生产分发平台：通过web配置实时处理规则，可自由组合常见算子；参考离线数仓，按照数据使用场景构建流式数仓
优点：减少流数据重复生产，促进流数据共享

下面是一个例子，流数据处理平台的一个页面。目前平台支持Projection、Filter、Split、Union、Window、UDF等常见算子。

3. 实时分析平台

目前我们实时数据OLAP分析平台主要有两大类：一类是实时报表，主要有A/B测试、精细化运营等；另一类是实时报警，主要有VV/UV、播放故障等。

下图是现在的一个架构图：

目前支持流处理平台，Kafka，Hubble监控系统，MySQL binlog这些数据源。用户可以通过UI配置处理规则，分析规则，需要展示的报表的风格，以及一些报警的规则。这些处理规则和分析规则等，后台会自动把它们的function对应的服务转成一个job，然后自动把结果上传到MySQL里。此外，用户可以在多平台上面进行分析查看、观测报警率等，也可以方便的通过api对接到自己的第三方的定制化平台里。

目前，我们实时分析平台拥有以下一些优势：

开发门槛低：无需写程序或SQL
开发效率高：由以前的几天到现在的半小时就能完成
报表实时：从小时级别优化到现在只需要1分钟
查询更快：支持大规模数据亚秒级查询

下面展示的是一些页面的模块。

配置处理规则：

配置OLAP模型：

Flink业务案例

1. 信息流推荐

我们所有的数据都是通过实时收集到二级Kafka里面，通过Stream处理平台分级成点击、查看、订阅、搜索等一系列行为不同的Kafka里。然后再经过处理平台处理以后，生产相应的用户特征，用户画像等实时流，最后被推荐引擎去使用。

我们从Spark Streaming迁移到Flink，消除了批处理延迟。目前单个任务延迟从1分钟缩短到1-2秒，端到端性能提升86倍，并且显著提升了推荐效果。

2. 使用Flink生产深度学习训练数据

上图是一个广告推荐相关的例子，这是以前的一个架构，通过Hive/Spark离线ETL生成广告深度学习算法所需要的训练数据，算法模型更新周期为6小时。

从2018年初开始，对框架做了实时的一个改造。实时过来的用户行为数据会实时投递到Kafka里，通过Flink处理完以后，生成一些新的Delta数据；过去7天分析的广告特征、用户特征投到Kafka，通过Flink处理完以后，存到HBase里。Kafka实时流（最近24小时）和HBase维度表（最近7天）这两部分数据Join之后生成一个Session流，再给算法预测使用。

通过框架的改进，目前算法模型更新从6小时缩短到1小时，并且支持实时CTR预估，更好指导广告决策，提升广告收益。

3. 端到端Exactly-Once处理

由于目前存在一个问题：Kafka节点故障重启或人工运维时，业务方重复消费数据。因此最近正在研究端到端Exactly-Once处理的一个方案：Kafka Exactly-Once Semantics + Flink two-phase commit.

但是，这个方案会造成Flink任务计算性能的20%损耗，从业务方向角度来讲，这个是在可接受范围内的。

4. 挑战与规划

以下是未来的一些规划：

流批一体化
SQL化：进一步完善和推广StreamingSQL，降低开发门槛
基于Flink的机器学习的尝试和使用
提高Flink作业的资源利用率，支持动态资源调整
Flink on Kubernetes

作者介绍：

梁建煌，爱奇艺大数据服务负责人，2012-硕士毕业于上海交通大学后，先后在 SAP、爱奇艺工作，从 2013 年起开始负责爱奇艺大数据服务体系的建设工作，包括大数据存储、计算、OLAP 以及开发平台等。