傳統系統的問題

“我們正在從IT時代走向DT時代(數據時代)。IT和DT之間，不僅僅是技術的變革，更是思想意識的變革，IT主要是為自我服務，用來更好地自我控制和管理，DT則是激活生產力，讓別人活得比你好”——阿裏巴巴董事局主席馬雲。

數據量從M的級別到G的級別到現在T的級、P的級別。數據量的變化數據管理系統（DBMS）和數倉系統（DW）也在悄然的變化著。

傳統應用的數據系統架構設計時，應用直接訪問數據庫系統。當用戶訪問量增加時，數據庫無法支撐日益增長的用戶請求的負載時，從而導致數據庫服務器無法及時響應用戶請求，出現超時的錯誤。出現這種情況以後，在系統架構上就采用圖（A）的架構，在數據庫和應用中間過一層緩沖隔離，緩解數據庫的讀寫壓力。然而，當用戶訪問量持續增加時，就需要考慮讀寫分離技術（Master－Slave）架構如圖（B），分庫分表技術。現在，架構變得越來越復雜了，增加隊列、分區、復制等處理邏輯。應用程序需要了解數據庫的schema，才能訪問到正確的數據。

圖（A）

圖（B）

Lambda架構的背景

大數據處理技術需要解決這種可伸縮性與復雜性。首先要認識到這種分布式的本質，要很好地處理分區與復制，不會導致錯誤分區引起查詢失敗，而是要將這些邏輯內化到數據庫中。當需要擴展系統時，可以非常方便地增加節點，系統也能夠針對新節點進行rebalance。其次是要讓數據成為不可變的。原始數據永遠都不能被修改，這樣即使犯了錯誤，寫了錯誤數據，原來好的數據並不會受到破壞。

Storm的作者NathanMarz提出的一個實時大數據處理框架（Lambda架構）就滿足以上兩點。Marz在Twitter工作期間開發了著名的實時大數據處理框架Storm，Lambda架構是其根據多年進行分布式大數據系統的經驗總結提煉而成。

Lambda架構的目標是設計出一個能滿足實時大數據系統關鍵特性的架構，包括有：高容錯、低延時和可擴展等。Lambda架構整合離線計算和實時計算，融合不可變性（Immunability），讀寫分離和復雜性隔離等一系列架構原則，可集成Hadoop，Kafka，Storm，Spark，Hbase等各類大數據組件。

大數據系統的關鍵特性

Marz介紹BigData system許具備的屬性：

a、Robustandfault-tolerant（容錯性和魯棒性）：對大規模分布式系統來說，機器是不可靠的，可能會當機，但是系統需要是健壯、行為正確的，即使是遇到機器錯誤。除了機器錯誤，人更可能會犯錯誤。在軟件開發中難免會有一些Bug，系統必須對有Bug的程序寫入的錯誤數據有足夠的適應能力，所以比機器容錯性更加重要的容錯性是人為操作容錯性。對於大規模的分布式系統來說，人和機器的錯誤每天都可能會發生，如何應對人和機器的錯誤，讓系統能夠從錯誤中快速恢復尤其重要。

b、Lowlatency reads and updates（低延時）：很多應用對於讀和寫操作的延時要求非常高，要求對更新和查詢的響應是低延時的。

c、Scalable（橫向擴容）：當數據量/負載增大時，可擴展性的系統通過增加更多的機器資源來維持性能。也就是常說的系統需要線性可擴展，通常采用scale out（通過增加機器的個數）而不是scale up（通過增強機器的性能）。

d、General（通用性）：系統需要能夠適應廣泛的應用，包括金融領域、社交網絡、電子商務數據分析等。

e、Extensible（可擴展）：需要增加新功能、新特性時，可擴展的系統能以最小的開發代價來增加新功能。

f、Allows ad hoc queries（方便查詢）：數據中蘊含有價值，需要能夠方便、快速的查詢出所需要的數據。

d、Minimal maintenance（易於維護）：系統要想做到易於維護，其關鍵是控制其復雜性，越是復雜的系統越容易出錯、越難維護。

h、Debuggable（易調試）：當出問題時，系統需要有足夠的信息來調試錯誤，找到問題的根源。其關鍵是能夠追根溯源到每個數據生成點。

數據系統的本質

Marz認為：數據系統通過查詢過去的（部分、全部）數據去回答問題。如：他是一個什麽樣的人？他有多少朋友？這個賬號是否收支平衡？。因此，DataSystem的通用定義為Query＝Function（alldata）。對通用的表達式進行分解得到：數據系統＝數據＋查詢，從而可以從數據和查詢兩個方面認識大數據系統的本質。

數據本本質：When&What

數據是一個不可分割的單元，數據有兩個關鍵的特性：When和What。

When是只數據是與時間相關的，也就是數據是在某個時間產生的。這個非常重要，在具有事務特性的數據庫中，操作的先後順序對結果至關重要。例如數據庫的Binlog日誌。因此，數據的時間性質決定了數據的全局發生先後，也就決定了數據的結果。

What是只數據的本身。由於數據跟某個時間點相關，所以數據的本身是不可變的(immutable)，過往的數據已經成為事實（Fact），你不可能回到過去的某個時間點去改變數據事實。這也就意味著對數據的操作其實只有兩種：讀取已存在的數據和添加更多的新數據。采用數據庫的記法，CRUD就變成了CR，Update和Delete本質上其實是新產生的數據信息，用C來記錄。

數據的存儲：StoreEverything Rawly and Immutably

根據上述對數據特性的分析，lambda架構中對數據的存儲采用的方式是：數據不可變，存儲所有數據。

采用這兩種方式存儲的好處：

a、簡單。采用不可變的數據模型，存儲數據時只需要簡單的往主數據集後追加數據即可。相比於采用可變的數據模型，為了Update操作，數據通常需要被索引，從而能快速找到要更新的數據去做更新操作。

b、應對人為和機器的錯誤。人和機器每天都可能會出錯，如何應對人和機器的錯誤，讓數據系統快速恢復極其重要。不可變和可重復計算是應對認為和機器錯誤的常用方法。采用可變數據模型，引發錯誤的數據有可能被覆蓋而丟失。相比於采用不可變的數據模型，因為所有的數據都在，引發錯誤的數據也在。修復的方法就可以簡單的是遍歷數據集上存儲的所有的數據，丟棄錯誤的數據，重新計算得到Views。重新計算的關鍵點在於利用數據的時間特性決定的全局次序，依次順序重新執行，必然能得到正確的結果。

當前業界有很多采用不可變數據模型來存儲所有數據的例子。比如分布式數據庫Datomic，基於不可變數據模型來存儲數據，從而簡化了設計。分布式消息中間件Kafka，基於Log日誌，以追加append-only的方式來存儲消息。

Lambda架構

Lambda架構的主要思想是將大數據系統架構為多層個層次，分別為批處理層（batchlayer）、實時處理層（speedlayer）、服務層（servinglayer）如圖（C）。

理想狀態下，任何數據訪問都可以從表達式Query= function(alldata)開始，但是，若數據達到相當大的一個級別（例如PB），且還需要支持實時查詢時，就需要耗費非常龐大的資源。一個解決方式是預運算查詢函數（precomputedquery funciton）。書中將這種預運算查詢函數稱之為Batch View（A），這樣當需要執行查詢時，可以從BatchView中讀取結果。這樣一個預先運算好的View是可以建立索引的，因而可以支持隨機讀取（B）。於是系統就變成：

（A）batchview = function(all data)；

（B）query =function(batch view)。

圖（C）

BatchLayer

在Lambda架構中，實現（A）batch view =function(all data)的部分稱之為BatchLayer。他承擔兩個職責：

a、存儲MasterDataset，這是一個不變的持續增長的數據集

b、針對這個MasterDataset進行預運算

在全體數據集上在線運行查詢函數得到結果的代價太大，同時處理查詢時間過長，導致用戶體驗不好。如果我們預先在數據集上計算並保存預計算的結果，查詢的時候直接返回預計算的結果，而無需重新進行復制耗時的計算。顯然，batchview是一個批處理過程，如采用Hadoop或spark支持的map－reduce方式。采用這種方式計算得到的每個view都支持再次計算，且每次計算的結果都相同。

圖（D）

對View的理解： 

View是一個和業務關聯性比較大的概念，View的創建需要從業務自身的需求出發。一個通用的數據庫查詢系統，查詢對應的函數千變萬化，不可能窮舉。但是如果從業務自身的需求出發，可以發現業務所需要的查詢常常是有限的。BatchLayer需要做的一件重要的工作就是根據業務的需求，考察可能需要的各種查詢，根據查詢定義其在數據集上對應的Views。

Batch Layer的Immutabledata模型和Views

如圖（E）坐席（agentid＝50023）的人，在10:00:06分的時候，狀態是calling，在10:00:10的時候狀態為waiting。在傳統的數據庫設計中，直接後面的紀錄覆蓋前面的紀錄，而在Immutable數據模型中，不會對原有數據進行更改，而是采用插入修改紀錄的形式更改歷史紀錄。

圖（E）

上文所提及的View是圖（E）中預先計算得到的相關視圖，例如：2016-06-21當天所有上線的agent數，每條熱線、公司下上線的Agent數。根據業務需要，預先計算出結果。此過程相當於傳統數倉建模的應用層，應用層也是根據業務場景，預先加工出的view。

SpeedLayer

BatchLayer能夠很好的處理離線數據，但是在很多場景數據不斷產生，並且業務場景需要實時查詢。SpeedLayer就是設計用來處理增量實時數據。

SpeedLayer和BatchLayer比較類似，對數據進行計算並生成RealtimeView，其主要的區別在於：

a、SpeedLayer處理的數據是最近的增量數據流，BatchLayer處理的是全體數據集

b、SpeedLayer為了效率，接收到新數據及時更新RealtimeView，而BatchLayer根據全體離線數據直接得到BatchView。SpeedLayer是一種增量計算，而非重新計算（recomputation）。

c、SpeedLayer因為采用增量計算，所以延遲小，而BatchLayer是全數據集的計算，耗時比較長。

綜上所訴，SpeedLayer是BatchLayer在實時性上的一個補充。如圖（F）

圖（F）

SpeedLayer可總結為以（C）RealtimeView＝function（RealtimeView，newdata）；

LambdaArchitecture將數據處理分解為BatchLayer和SpeedLayer有如下優點：

a、容錯性：SpeedLayer中處理的數據不斷寫入BatchLayer，當BatchLayer中重新計算數據集包含SpeedLayer處理的數據集後，當前的RealtimeView就可以丟棄，這就意味著SpeedLayer處理中引入的錯誤，在BatchLayer重新計算時都可以得到修證。這點也可以看成時CAP理論中的最終一致性（EventualConsistency）的體現。

b、復雜性隔離。BatchLayer處理的是離線數據，可以很好的掌控。Speed Layer采用增量算法處理實時數據，復雜性比Batch Layer要高很多。通過分開BatchLayer和Speed Layer，把復雜性隔離到Speed Layer，可以很好的提高整個系統的魯棒性和可靠性。

ServingLayer

BatchLayer通過對MasterDataset執行查詢獲得BatchView，Speed Layer通過增量計算提供RealtimeView。Lambda架構的ServingLayer用於響應用戶的查詢請求，合並BatchView和Realtime View中的結果數據集到最終的數據集，如圖（G）。因此，ServingLayer的職責包含：

a、對batchView和RealTimeView的隨機訪問

b、更新BatchVeiw和RealTimeView，並負責結合兩者的數據，對用戶提供統一的接口

圖（G）

綜上所訴，ServingLayer采用如下等式（D）表示：Query＝function（BatchViews，RealtimeView）。

Lambda架構組件選型

下圖給出了Lambda架構中各組件在大數據生態系統中和阿裏集團的常用組件。數據流存儲選用不可變日誌的分布式系統Kafa、TT、Metaq；BatchLayer數據集的存儲選用Hadoop的HDFS或者阿裏雲的ODPS；BatchView的加工采用MapReduce；BatchView數據的存儲采用mysql（查詢少量的最近結果數據）、Hbase（查詢大量的歷史結果數據）。SpeedLayer采用增量數據處理Storm、Flink；RealtimeView增量結果數據集采用內存數據庫Redis。

圖（H）

Lambda是一個通用框架，各模塊選型不要局限於上面給出的組件，特別是view的選型。因為View是和各業務關聯非常大的概念，View選擇組件時要根據業務的需求，選擇最合適的組件。

Lambda架構的評估

優點：

a、數據的不可變性。裏面給出的數據傳輸模型是在初始化階段對數據進行實例化，這樣的做法是能獲益良多的。能夠使得大量的MapReduce工作變得有跡可循，從而便於在不同階段進行獨立調試。

 b、強調了數據的重新計算問題。在流處理中重新計算是個主要挑戰，但是經常被忽視。比方說，某工作流的數據輸出是由輸入決定的，那麽一旦代碼發生改動，我們將不得不重新計算來檢視變更的效度。什麽情況下代碼會改動呢？例如需求發生變更，計算字段需要調整或者程序發出錯誤，需要進行調試。

缺點：

a、Jay Kreps認為Lambda包含固有的開發和運維的復雜性。Lambda需要將所有的算法實現兩次，一次是為批處理系統，另一次是為實時系統，還要求查詢得到的是兩個系統結果的合並。

由於存在以上缺點，Linkedin的Jaykreps提出了Kappa架構如圖（I）：

圖（I）

1、使用Kafka或其它系統來對需要重新計算的數據進行日誌記錄，以及提供給多個訂閱者使用。例如需要重新計算30天內的數據，我們可以在Kafka中設置30天的數據保留值。

2、當需要進行重新計算時，啟動流處理作業的第二個實例對之前獲得的數據進行處理，之後直接把結果數據放入新的數據輸出表中。

3、當作業完成時，讓應用程序直接讀取新的數據記錄表。

4、停止歷史作業，刪除舊的數據輸出表。

Kappa架構暫時未做深入了解，在此不做評價。我個人覺得，不同的數據架構有各自的優缺點，我們使用的時候只能根據應用場景，選擇更合適的架構，才能揚長避短。

參考資料：

Big Data:Principles and best practices of scalable real-time data systems——Nathan Marz

http://blog.csdn.net/brucesea/article/details/45937875

https://zhuanlan.zhihu.com/p/20510974

http://www.infoq.com/cn/news/2014/09/lambda-architecture-questions

文章來源：