基于JStorm开发一个实时计算平台

什么是实时流式计算

实时流式计算，也就是RealTime,Streaming,Analyse,在不同的领域有不同的定义,那么，到底什么是实时流式计算呢？谷歌大神Tyler Akidau在《the-world-beyond-batch-streaming-101》一文中提到过实时流式计算的三个特征：

无限数据
无界数据处理
低延迟

无限数据指的是,一种不断增长的，基本上无限的数据集。这些通常被称为“流数据”，而与之相对的是有限的数据集。

无界数据处理,一种持续的数据处理模式,能够通过处理引擎重复的去处理上面的无限数据，是能够突破有限数据处理引擎的瓶颈的。

低延迟，延迟是多少并没有明确的定义。但我们都知道数据的价值将随着时间的流逝降低，时效性将是需要持续解决的问题。

应用场景

1.日志分析

比如对网站的用户访问日志进行实时的分析，计算访问量，用户画像，留存率等等，实时的进行数据分析，帮助企业进行决策。

2.物联网

比如对智能安防应用来说，对智能门锁、IPCamera、红外感应等设备进行实时的数据采集，加入AI侦测，异常时进行报警。并可根据历史数据进行实时的分析，预测，发现行为异常。

3.CDN

比如监测CDN机器的资源使用情况，当某些地区的机器资源不足时，能触发平台自动扩容，满足业务需求。

业界有那么多的实时计算框架，该如何选型？

产品	API	保证次数	容错机制	状态管理	延时	吞吐量
Storm	组合式	At-least-once	Record ACK	无	低	低
Spark Streaming	声明式	Exactly-once	RDD CheckPoint	基于DStream	中等	高
Flink	声明式	Exactly-once	CheckPoint	基于操作	低	高

API

Storm 使用基础 API 进行开发，比如实现一个简单的 sum 求和操作；而 Spark Streaming 和 Flink 中都提供封装后的高阶函数，可以直接拿来使用。

保证次数

在数据处理方面，Storm 可以实现至少处理一次，但不能保证仅处理一次，这样就会导致数据重复处理问题，所以针对计数类的需求，可能会产生一些误差；Spark Streaming 和 Flink 通过事务可以保证对数据实现仅一次的处理。

容错机制

Storm 通过 ACK 机制实现数据的容错机制，而 Spark Streaming 和 Flink 可以通过 CheckPoint 机制实现容错机制。

状态管理

Storm中没有实现状态管理，Spark Streaming 实现了基于 DStream 的状态管理，而 Trident 和 Flink 实现了基于操作的状态管理。

延时

表示数据处理的延时情况，因此 Storm 和 Flink 接收到一条数据就处理一条数据，其数据处理的延时性是很低的；而 Trident 和 Spark Streaming 都是小型批处理，它们数据处理的延时性相对会偏高。

吞吐量

Storm 的吞吐量其实也不低，只是相对于其他几个框架而言较低；Spark Streaming 和 Flink 的吞吐量是比较高的。

为了满足我们的业务场景要求，我们最终选择基于Storm做二次开发，规划了一个Thor平台，实现了告警的实时计算，对于一些敏感型告警，在30秒内即可快速决策

原先我司的告警系统，是在将采集的数据持久化到数据库后，再通过类SQL进行聚合计算生成告警的，对于一些敏感型告警，实时性是满足不了客户要求的。同时对于一些复杂的告警逻辑，类SQL也难以实现。

监控数据是属于无状态的，且要保证低延迟，所以我们最终选用Storm，但Storm更多的只是一个实时的并行计算框架，很多问题需要额外地处理，如数据如何接入Storm的计算流？对不同的数据类型如何处理？计算数据怎么存？系统怎么监控等等。为了解决这一系列的问题，在Storm的基础上规划了Thor这样一个实时的计算平台。

Thor系统的受众

有明显的实时特性，数据计算量超过单台处理能力，追求高稳定性、简易开发的计算需求。