如何用好云原生数据湖？

阿里妹导读：数据湖可以很好地帮助企业应对当前数据场景越来越多、数据结构越来越复杂、数据处理需求越来越多样化的问题。阿里云从2018年起就开始布局数据湖，推出了云原生数据湖分析Data Lake Analytics（DLA），从数据湖管理（帮助客户高效管理构建数据湖），Serverless Spark（提供高性价比的大规模计算），Serverless SQL（提供高性价比的在线交互式分析）三个方面帮助客户挖掘数据价值。本文分享相关技术挑战及解决方案。

一  数据湖的机遇与挑战

数据湖可以很好地帮助企业应对当前数据场景越来越多、数据结构越来越复杂、数据处理的需求越来越多样化的问题。Gartner 2020年发布的报告显示目前已经有39%的用户在使用数据湖，34%的用户考虑在1年内使用数据湖。

从2018年起，阿里云就开始布局数据湖，推出了云原生数据湖分析Data Lake Analytics（简称：DLA）产品，结合对象存储OSS一起，从弹性扩展、按需付费、服务化等方面打造有竞争力的产品。通过采用存储计算分离模式，存储和计算完全按需付费，用户只需要为实际产生价值的计算买单；DLA深度定制云原生弹性能力，实现作业级弹性，一分钟可弹300个节点。云原生数据湖分析DLA从成本、弹性、交付能力方面相对传统数据分析方案，获得了较大的提升。

在云上也已经有数千家企业使用数据湖服务满足数据应用，如友盟+ 的U-DOP数据开放平台根据友盟+多年沉淀的大数据领域经验，形成了以APP、WEB、小程序、广告营销、社会化分享和推送为基础的多端主题数据的采集和处理能力，为客户形成规范化的多端数据资产。尤其是利用了数据湖的弹性能力，应对了双十一峰值期间DAU暴涨的业务变化，例如，通过实施分析搜索关键词的变化，改变首页广告推荐信息，对活跃用户和下单用户分不同渠道的分析梳理，及时调整优惠策略，以吸引更多的客户新购及复购等。

数据库与大数据一体化趋势在加强，传统的数据库使用者与DBA，也可以使用及维护大数据系统，一体化解决大数据的问题。具体在DLA体现在数据库的数据无缝与大数据结合，比如DLA提供的一键入湖建仓的功能；DLA Serverless SQL兼容MySQL协议及部分语法。

DLA Serverless产品形态，开发者只需要使用平台接口即可，如使用DLA SQL的JDBC接口提交SQL，使用DLA Spark的OpenAPI提交Spark作业。开发者只需要关注业务逻辑本身，不需要关心平台的复杂逻辑。原来使用开源组件遇到的很多痛点都可以迎刃而解：

入门门槛高

Hadoop生态往往需要多个组件同时使用，比如Yarn、HDFS、Spark、Hive、Kerberos、Zookeeper等等。开发者需要了解所有组件，因为开发过程中这些组件往往都会接触到。

开发维护困难

开发者在开发过程中会遇到各个组件带来的使用问题，开发者需要了解所有这些组件以应对这些问题。这些加重了开发者的使用负担。

稳定性难以保障

开源组件本身都必须经过细致的调参并加上合适的硬件资源配置，才能良好运行，并且需要修复不少BUG，出现问题没有兜底。

缺乏适应云的性能优化

云上的OSS、PolarDB等组件都是云原生的组件，开源组件对这部分的改造适应不足，没有充分挖掘出更高的性能。

DLA从数据湖管理（帮助客户高效管理构建数据湖），Serverless Spark（提供高性价比的大规模计算），Serverless SQL（提供高性价比的在线交互式分析）三个方面帮助客户挖掘数据价值。整体架构如下所示。接下来，本文将从这三个方面，分别讲述相关技术挑战以及解决方案。

二  如何管理与构建数据湖？

数据湖中数据难以管理主要体现在两个方面：

1. 已经在数据湖存储OSS上面的数据如何高效的构建元数据。

2. 非OSS数据如何高效的入湖建仓。

数据湖管理相关的主要功能包括元数据管理、元数据发现、数据库入湖建仓、实时数据入湖。接下来重点介绍“海量文件元数据自动构建技术”和“入湖建仓数据管理技术”两个关键技术。

1  海量文件元数据自动构建技术

当以OSS作为数据湖存储，存储的数据文件具有以下几个特性：

• 格式丰富：包括CSV、Text、JSON、Parquet、Orc、Avro、hudi、Delta Lake等格式，其中CSV、Text又包含多种自定义的分隔符等。

• 文件数在百万级别：OSS的扩展性及性价比较好，用户存储在OSS的文件会是百万级别。

• 文件动态上传：存储在OSS上面数据文件具有动态持续上传的特性，新的文件如何快速增量修改元数据。

为了高效的为OSS上面的海量数据构建元数据，阿里云DLA提出并实现了“海量文件元数据自动构建技术”。具体技术如下图所示，核心解决了：万表万分区识别、增量感知更新元数据两个问题。

万表万分区识别

用户OSS上面的文件数量会到百万级别，这些文件不仅格式不同，比如JSON、CSV、Text等，而且同一种格式由于业务属性不同具体的Schema字段也不一样。该技术通过文件Schema识别器搭配文件分类器支持自动生成万表万分区。其中文件Schema识别器比如针对JSON单文件识别到0.15s、CSV单文件识别0.2s，搭配可插拔的智能采样策略及分布式策略，百万文件的Schema识别可以到分钟级别。文件分类器通过树的结构进行聚合、剪枝、压缩，百万级别文件的分类识别需要290ms左右。

增量感知更新

户会往OSS上面持续不断的上传文件，元数据自动构建既要把属于已经创建表的文件Schema变化更新到已有的表，同时对独立新增的文件创建新的表。这里一方面“文件Schema识别器”通过获取OSS上面文件的增加、删除变化对变化的文件进行识别，同时“文件分类器”对新增的文件Schema和已经创建的表进行对别生成变化策略，目前支持增加分区、增加字段、字段不更改、不感知文件删除4种策略，后续可以持续添加新的策略。

2  入湖建仓数据组织技术

把DataBase及消息日志服务的数据统一存储到数据湖存储OSS进行管理，能够满足计算加速、构建数仓归档、冷热分离等业务需求。DLA的入湖建仓数据组织技术包括三种数据组织管理模式：镜像模式、分区模式、增量模式，三种模式能够搭配友好支持这些业务场景。

镜像模式

每次全量同步源库一个Database下面所有表的数据到数据湖存储OSS之上，同步期间可以做到源库负载增加控制在10%以内。这里主要使用了全局统一数据分片调度算法。保持数据湖的数据和源库一致。

分区模式

面对归档场景支持按天全量及增量同步源库数据到数据湖，并以时间分区的方式进行组织，方便归档管理。这种模式能够做到小时级别的时间延迟。

增量模式

这种模式通过行列混存技术、commitlog及index管理技术，可以做到T+10min的数据入湖。其中通过delta的增量文件及异步compaction技术解决了小文件问题；通过delta增量文件及索引技术可以支持Database场景更新、删除日志的增量实时写入；通过commitlog的方式记录分区文件的映射，解决百万分区在传统Catalog管理模式性能慢的问题。

三  云原生数据湖平台需打通云基础设施

DLA整体是一个多租户的架构，分Region部署，每个Region的用户共享一套控制逻辑。虚拟集群VC是逻辑的隔离单元。平台支持 Serverless Spark、Serverless SQL等引擎，打造云原生服务。

如上图所示，平台主要面临的挑战有：资源高效供给、安全防护、访问数据源的带宽保障。

1  资源高效供给

云原生平台基于阿里云的底座ECS&ACK&ECI，与阿里云IAAS资源大池打通，本Region跨可用区资源调度，保障资源的供给。支持1分钟弹300个节点，单客户在大Region 5w计算节点资源的保障。

2  安全防护

用户可以写任意的代码平台内运行，可能是故意恶性的攻击行为，如果没有任何保护，则平台面临安全危险。在安全方面，我们通过如下技术保障安全性：

• 一次密钥：每个Job任务都会去TokenServer申请临时的Token，Job失效Token会过期，如果存在攻击行为，则平台会直接让Token过期，则访问Meta等服务会被拒绝。

• 预防DDOS&注入攻击：所有的访问平台服务的请求，都会对接到安全防护中心，安全防护中心检测有任何攻击或者注入行为，直接关闭网络端口。

• 计算容器隔离：计算节点间采用阿里云自研的安全容器，容器本身可以实现VM相同的安全隔离级别。

• 安全白名单：用户互相之间的网络是完全隔离的。

• ENI虚拟网卡：打通VPC需要配置自己账号下的安全组和虚拟交换机（VSwitch），配置之后结算节点容器会分配用户VPC对应VSwitch网段的的IP，并挂载用户的安全组。

3  高吞吐网络带宽

• 访问OSS服务是通过高吞吐的带宽服务。
• 使用ENI技术访问自持VPC，跟在自持VPC内ECS上部署计算引擎访问自持VPC内数据一样，带宽同样是VPC内网带宽。

四  Serverless Spark服务的技术挑战

Apache Spark是目前社区最为流行的开源引擎，不但具备流、SQL、机器学习以及图等计算能力，也可以连接丰富的数据源。但是，面对数据湖场景，传统集群版Spark方案，除了面临前面提到的数据管理困难、运维成本、计算资源弹性能力不足、企业级能力弱等问题外，还面临访问OSS的性能不佳、复杂作业难以调试等问题。

借助于第二章节提到的数据湖管理机制，可以很好地解决数据管理难题。借助于第三章节提到的多租户安全平台，DLA Spark实现了全新的云原生Serverless产品形态，很好地解决了弹性问题、运维成本问题以及企业级需求问题。本章节对Spark访问OSS的性能优化以多租户UI服务做进一步展开。

1  Spark访问OSS优化

社区版本的问题

开源版Spark访问OSS数据默认采用Hadoop FileFormat接口直接对接OSSFileSystem实现。该方法在实践中发现存在性能差，一致性难以保证等问题。

（1）Spark访问OSS性能差

核心原因在于OSS KV模型跟HDFS文件树模型的差异。FileFormat算法最初设计是基于HDFS文件系统，然而对象存储如OSS，为了解决扩展性，本质上采用的是KV模型。KV模型相对于HDFS文件系统差异较大，比如RenameDirectory接口，在HDFS中只是指针操作，但在KV中，需要将所有子文件和目录的KV执行Rename，性能开销很大，并且保证不了原子性。Hadoop FileOutputFormat在写入数据的时候先写到临时目录，最后写入最终目录，临时目录到最终目录的过程中需要做文件树合并，合并过程中有大量Rename操作。

（2）一致性难保证

FileFormat v1算法中，合并文件树操作全部在AppMaster单点执行，效率非常低，尤其是动态分区场景。为了解决AppMaster单点，社区提供了算法2，其核心思路是将合并过程并行到Task中执行，在性能上会有一定的提高，但是，如果Job执行失败，部分成功的Task会将数据写入最终数据目录，导致脏数据问题。

Spark OSS访问优化

（1）基于MultipartUpload的FileOutputFormat实现

针对Spark访问OSS的特点，我们全新实现了Hadoop FileOutputFormat接口，如上图所示。算法的改进重点在优化合并操作，合并的核心是解决文件何时可见的问题。OSS提供MultipartUpload接口，也就是断点续传功能，文件可以分片上传，上传没有结束，分片文件是不可见的。借助该特性，我们可以让Task直接将数据写入到最终目录，只有作业成功才让文件最终可见，该方法不用先写入临时目录，也就大大减少了元数据的操作。对于执行失败的Task写入的临时分片，我们在作业结束时，执行Abort操作，就可以将其删除，这也就降低了空间占用。

针对Spark典型ETL Benchmark Terasort，在1TB输入数据量的情况下，DLA FileOutputFormat执行时间缩短62%，性能提升163%。而针对动态分区场景，社区算法1运行失败，算法2可以执行成功，DLA FileOutputFormat算法相比算法2性能还要进一步提升124%。

（2）OSS元数据Cache

Spark读取OSS的过程中，在ResolveRelation阶段，Spark会遍历OSS的目录，解析表结构和分区结构，以及解析Schema，该过程中同样会有大量元数据操作，并且同一个OSS 对象的元数据会被访问多次。针对该问题，我们实现了对OSS元数据的缓存，第一次访问到的OSS对象元数据就会被缓存到本地，后续如果访问该对象直接读取本地缓存。这种方式可以最大限度降低对OSS元数据的访问。Cache机制可以让ResolveRelation有1倍左右的性能提升，针对典型的Spark查询场景，该机制整体可以提升60%的性能。

2  多租户UI服务

UI服务对于开发者来说至关重要，开发人员依赖UI服务进行作业调试，以及生产作业的问题排查。好的UI服务可以很好地加速研发效率。

HistoryServer的痛点

Spark社区提供HistoryServer提供对Spark历史作业的UI和日志服务，在实际应用中遇到诸多痛点，典型如下：

（1）Eventlog空间开销大

HistoryServer依赖Spark引擎将运行中的Event信息全部记录到FileSystem中，然后后台回放并绘出UI页面。对于复杂作业和长作业Eventlog量较大，可以达到百GB甚至TB级别。

（2）复杂作业和长作业不支持

复杂作业或者长作业的Eventlog很大，HistoryServer会解析失败，甚至OOM。再加上空间开销大的原因，用户一般都只能关闭Eventlog。

（3）Replay效率差，延迟高

HistoryServer采用后台Replay Eventlog的方式还原Spark UI，相当于把Spark引擎的事件全部重放一遍，开销大，会有延迟。特别是作业较多或者较复杂的情况下，延迟可达分钟甚至十分钟级别。

DLA多租户SparkUI

SparkUI服务是DLA平台自研的多租户UI服务，针对社区方案做了深度优化：

（1）去Eventlog

DLA Spark去掉了Eventlog依赖，在作业结束的时候，Spark Driver只是dump UI的Meta到OSS，保存作业结束前的页面元信息。这部分信息只是相对于Eventlog来说，会大大减少，即使非常复杂的作业也只有MB级别。UiServer读取OSS上的UI Meta，将其反序列化出来即可展示SparkUI页面。

（2）UIServer水平扩展

UIServer主要负责解析历史UI Meta和提供Stderr和Stdout日志服务，是轻量化，无状态的，可以实现水平扩展，进而支持万级别客户同时在线服务。UIServer URL采用加密token作为参数，token代表的用户身份，作业id，UIServer据此实现多租户服务化。

（3）本地日志自动滚动

对于长作业而言，Stderr或者Stdout信息会随着时间增加累积，最终甚至可能打爆磁盘。DLA Spark安全容器内置后台进程，实现日志滚动，保存最有价值的最近一段时间的日志。

五  Serverless SQL服务的技术挑战

DLA Serverless SQL是基于目前托管于Linux基金会之下的PrestoDB打造的云原生数据湖引擎，Alibaba同时也是Presto基金会成员之一，一直在贡献优化Presto。PrestoDB引擎本身具有优秀的特性：

• 全内存计算带来的极致速度。

• 支持完整SQL语义带来的强大表达力。

• 易用的插件机制使得我们可以对任何数据源进行关联查询。

• 强大的社区使得我们使用之后没有后顾之忧。

不过社区PrestoDB是单租户的一个引擎，它假定你是在一个公司内部使用，因此算力隔离、高可用等等方面没有过多投入，这使得要直接使用它来作为云原生服务的引擎存在几个问题：

• 一个用户如果提交大量大查询将可能占用集群所有资源，导致其它用户无法使用。

• 单Coordinator使得整个服务的可用性无法得到保证。

我们做了一系列的优化、改造使得它可以云原生的形态服务所有的用户，今天着重介绍多租户隔离技术以及多Coordinator两个主要的特性。

首先我们看一下DLA Serverless SQL的整体架构：

我们在核心的PrestoDB集群周边建设了诸如接入层、统一元数据等等服务来使得用户可以用得稳定、用得便利，下面我们将在多租户隔离技术和多Coordinator技术的介绍中详细剖析。

1  多租户隔离技术

PrestoDB原生是有资源组的支持，它可以支持在不同资源组间做一定程度的CPU、内存的限制，但是它有一些问题使得我们无法基于它来实现计算力的隔离：

• 全局调度层面：即使一个租户使用了过多的计算力资源也不会及时被惩罚，只有新查询会被Block。

• Worker调度层面：所有租户的Split是在同一个队列里面进行调度，一个租户如果有过多Split会影响其它租户。

我们的计算力多租户方案如下：

我们在集群中引入了一个ResourceManager的模块用于从所有的Coordinator收集所有租户的资源使用信息，ResourceManager把收集到的资源使用信息跟我们预设的计算力的阈值进行对比，计算出哪些租户应该被惩罚，然后把这个惩罚信息通知到所有的Worker。Worker在进行调度的时候会参照ResourceManager通知过来的惩罚信息决定哪些租户的查询得到调度，哪些租户的查询不进行调度。这样不同的租户之间算力就会得到隔离，我们测试了如果有一个租户过量使用资源，它会在最长1.3秒之内得到惩罚，从而释放资源给其它租户，而社区默认版本的“惩罚”要等到租户所有的查询执行完成才会到来。只有元数据和计算力得到隔离，我们才能放心用一个集群来服务我们所有的用户。

2  Multi-Coordinator技术

社区版本的Presto里面，Coordinator是一个单点，它会带来两个方面的问题：

• 可用性隐患: 一旦Coordinator宕机、整个集群将不可用达5到10分钟。

• 无法实现无缝升级，升级过程中影响所有用户的查询使用。

我们采取了如下的架构方案：

首先我们在Presto的Coordinator之上放置了一个新的FrontNode模块，让用户连接到这个模块，而不是直接连接到我们底层的Coordinator，这样我们底层到底有多少个Coordinator，现在哪个Coordinator在给用户提供服务都对用户完全透明，这样架构上就比较灵活，从而方便我们在底层对Coordinator进行扩展。

FrontNode在接收到用户的查询之后会把请求按照Round Robin的方式发送给底层的多个Coordinator，这样多个Coordinator就可以分担压力，但是整个集群还是有一些全局的事情要有单个Coordinator来做，比如Presto的Worker状态监控、OOM Killer等等，因此我们引入了一个Zookeeper来做Coordinator选主的事情，选主之后主Coordinator的职责会跟社区的Presto类似：做全局的Worker状态监控、OOM Killer以及执行分配给它的查询；从Coordinator的职责则比较轻量级: 只负责执行分配给它的查询。

如果其中一个Coordinator因为任何问题宕机，Zookeeper会在秒级发现这个问题并重新选主，用户受到影响的查询只要重试即可。而且我们正在做的一个尝试是做查询的自动重试，对于确定是系统原因造成的失败我们做自动重试，这样一个Coordinator对用户的影响将会很小。

而有了多Coordinator的架构，我们要实现无缝升级就非常简单了，我们在升级的时候只要主动把某个Coordinator/Worker从集群中摘除，进行升级，升级完成再加入集群，客户可以毫不感知，因为在升级过程中始终有一个正常工作的集群在给用户提供服务, 比如我们在升级从Coordinator的时候，整个集群情况如下：

通过诸如多租户隔离技术、多Coordinator架构等等优化，我们基于PrestoDB打造了可以服务所有的用户的阿里云云原生数据湖Serverless SQL引擎。

六  云原生数据湖端到端最佳实践

如上图方案所示，DLA提供了端到端的方案，面对OSS数据开放性带来的管理及入湖困难，DLA数据湖管理，帮助您一站式构建安全数据湖。

• 提供统一开放的Meta服务对OSS数据进行管理，支持库表权限。

• 利用元数据爬取功能，可以一键创建OSS上的元数据信息，轻松自动识别CSV/JSON/Parquet等格式，建立好库表信息，方便后续计算引擎使用。

• 一键将RDS/PolarDB/MongoDB等数据库的数据同步到OSS存储当中，搭建冷热数据分层的业务架构，对多源海量数据进行数据洞察分析。

• 支持流式构建Hudi格式，满足T+10分钟的延迟要求，极大提升分析的端到端的延迟。

• Serverless化SQL分析，帮助您即开即用数据湖。用户无需购买任何资源，即可运行标准的SQL语法查询数据。

• 支持对数据湖存储OSS  Cache加速，提升10倍的性能。

• 支持RDS、PolarDB、ADB、MongoDB数据十种数据源的分析。

• 对比传统的Presto、Impala方案提升10x的性价比提升。

• Serverless化Spark计算，帮助您自主玩转数据湖。用户无需购买任何资源，即可使用云原生的Spark服务，支持OSS 数PB的数据清洗、机器学习、用户可编程，玩转数据湖。

• 每分钟可弹出500个节点参与计算。

• 对比传统的自建Spark方案提升3x的性价比提升。

由于DLA涉及较多的技术点，本文讲述了部分技术细节，更多欢迎关注云原生数据湖分析DLA：

https://www.aliyun.com/product/datalakeanalytics