摘要 ·
Apache Kylin 在中通是如何落地的，又是怎样赋能中通快递实现 OLAP 分析能力起飞的？本文从多方面对比了 Presto 和 Kylin 的优缺点，并从业务场景、调度整合、监控系统、运维调优、源码和二次开发等多个角度进行了阐述。
内容涵盖：OLAP 引擎在中通的发展历程；为什么选择 Apache Kylin；Apache Kylin 在中通的实践经验；未来规划。
以下是分享全文。
大数据技术自诞生之日起就一直在不断的发展，痛点推动着技术的革新。2019 年双十一当天，中通快递的日订单量超 2 亿单，平均每日产生的数据量超过 20 TB，实时计算每天处理的数据量超过 1000 亿条。面临如此体量的数据，给存储和计算带来了极大的挑战。那么，中通是如何进行海量数据的分析呢？
1
OLAP 在中通的演进
1.1 平台架构
上图是中通快递的“大数据平台架构”图。OLAP 计算引擎以 Kylin 和 Presto 为主，最右侧是每个大数据组件对应的监控系统，最上层则是平台工具层，包括调度系统、Ad-hoc 查询系统等。
1.2 OLAP 在中通的发展历程
1）Impala
在2017年以前，是以 Impala 为主进行数据分析与报表计算。相较于 Hive，Impala 有以下几个显著优点：
- 查询速度快：对比Hive有着显著的性能提升。
- 兼容Hive数仓：可以分析Hive中的数据。
但随着数据量的不断增长和业务需求的不断复杂，Impala 也暴露出来了一些问题：
- 内存要求高且不够稳定：偶尔会出现进程挂掉的情况。
- C 技术栈：带来了额外的运维成本，难以进行二次开发。
2）Presto
在这样一个背景下，中通在 2017 年引入了 Presto，并在今年上半年引入 Alluxio 对 Presto 常用 Hive 表进行加速，进一步提高 Presto 的查询速度。Presto 具有以下几个优点：
- 服务很稳定：很少会出现 server 挂掉的情况。
- 性能非常好：可满足交互式查询甚至是跑一些 ETL 任务。
- 丰富的数据源支持：基于插件机制可以很方便的分析 Hive、Kudu、kafka 和 Tidb 等其他组件中的数据，甚至可以进行不同数据源的关联分析，例如在一个 SQL 中关联 Hive 与 Kafka 中的数据。
Presto 虽然优点很多，却也存在几点不足：
- 集群要求较高：想要更快的查询速度就需要更多的机器，更好的网络带宽，更大的内存以及更强的CPU去支撑。
- 重复计算：相同的查询也要重复的拉数据进行分布式计算。这个重复计算有时会给我们带来痛苦，比如说集群繁忙，有时namenode负载高、网络出现抖动等都会给查询速度带来影响。为此，我们引入了alluxio，对Presto常用的hive表进行加速，如此一来可以大幅提升scan hive table的速度。
- 需要权衡和妥协：你需要在查询速度和查询复杂度上面妥协。这一点先卖个关子，将在后面的“中通为什么选择Apache Kylin”中重点说明。
3）Apache Kylin
为了解决这个问题，我们在 2018 年调研并引入了 Apache Kylin。Kylin 可以很好的解决海量数据的多维分析问题，并且具有亚秒级的查询响应速度。不但如此，Kylin 还具有以下几个无可比拟的优点：
- 具有标准化的 SQL 支持：提供了 JDBC/ODBC/Rest API 接口，便于做系统集成。
- 亚秒级的查询速度：这一点是难能可贵的，在大数据领域，将查询速度提高到亚秒级，凤毛麟角。这不单单是查询速度的提升，更是用户体验的巨大提升。
- 事实表大小不影响查询速度：随着数据量的不断增长，其他的 OLAP 引擎都会有不同程度的查询速度下降。反观 Kylin，数据的增长只会影响 cube 的构建速度，对查询速度影响很小。
- 集群要求低且服务稳定，中小企业也养得起 Kylin。在过去2年多的时间里，Kylin 集群一直很稳定，没有出现过进程异常退出的情况。
如此可见，Kylin 的优点很多很突出，但不可否认的是它也存在着不足：
- cube 优化门槛较高：需要专门的学习与实践。
- 只适用于模式固定的多维分析：也就是说模型不能总变。
2
为什么选择 Apache Kylin
中通为什么会选择使用 Kylin 呢？只因为它能更好的解决刚刚提到的 Presto 面临的权衡问题吗？不尽然。
2.1 Apache Kylin 简介
先来回顾一下官网的定义：Apache Kylin™是一个开源的、分布式的分析型数据仓库，提供 Hadoop/Spark 之上的 SQL 查询接口及多维分析（OLAP）能力以支持超大规模数据，并且能在亚秒内查询巨大的表。
从这段话中可以提炼出几个关键字，开源：意味着免费，可自由研究与修改源码。亚秒：查询性能出众。
Kylin的特点众多，以下4项是比较突出的：
- 预计算：以空间换时间的方式事先根据模型计算出各种可能，让查询引擎做很更少的计算。
- 高性能：Kylin 在中通97%以上的查询都能在1s内返回结果。
- 分布式：部署多台可成倍提升查询吞吐率。
- 易集成：提供 JDBC/Rest API，易于做系统集成。
2.2 基于 Presto 的经典实现
刚刚在分析 Presto 优缺点时有提到需要在查询性能和查询复杂度上面做一个权衡。如果要在 3s 内返回查询结果，查询条件就不能过于复杂，数据量也不能过大。如果想要兼得鱼和熊掌，也不是没有办法，那就是通过 ETL 任务预计算的方式先将数据打平，变成大宽表，再将这张大宽表拉到 alluxio 内存中，最后通过 Presto 做很简单的查询。虽然这种做法能解决问题，但不可避免的引入了更多问题：
- 开发周期长：首先需要ETL的同学先将数据预计算成大宽表，然后利用 alluxio 对这张宽表加速，最后应用组的同学写 sql 写代码，开发成本很高。
- 灵活性差：可能一个很小的改动都会导致重大的调整。
- 浪费集群资源：presto会不厌其烦的重复去拉数据，重复去计算，带来了集群压力和网络带宽压力。
2.3 Apache Kylin VS Presto
1）查询耗时对比
在这样一个背景下，我们引入了 Kylin。经测试，Kylin 在查询性能方面相较于 Presto 少则十几倍多则几百倍的性能提升。某些场景下，Presto 因内存限制等原因干脆就跑不出来，查询被主动 kill 掉。反观 Kylin，表现非常好。
2）Kylin 查询耗时占比
基于内部监控系统抓取到的历史查询数据，进行了简单的统计，其中97%以上的查询都能在1s以内返回结果，1s~3s 的查询有1.35%，而3s以上的查询则只有0.95%。
3）集群规模对比
以上的测试是在这样一个集群规模下测得的，Presto 50多台，配置是64核，256G。而 Kylin 则是与 HBase 混布，共计5台，其中4台节点用于 query，每个节点分配了16G的内存。
4）小结
- Kylin 对比 Presto 带来了上百倍的查询性能提升。
- 绝大多数的查询在亚秒内返回结果。
- 集群要求更低，更少的机器带来了更高的查询性能。
3
Apache Kylin 在中通的实践
引入 Kylin 以后，我们是如何使用这个瑞兽的呢？这个瑞兽又是怎样赋能中通快递的呢？带着这个疑问，先来看一个路由件量分析的案例。
3.1 业务描述
所谓路由件量分析是指统计指定路由线路上的件量、重量以及经过的中心数。里面包含的维度很多，比如说快件的发件省份、经过的首中心、第二中心、末端中心等，这些可以看做是快件路由线路上的维度。另外还包括重量段这个维度，重量段是用来描述快件所在的重量区间，比如1~3公斤，3~5公斤等。最后的指标包括件量、总重量以及经过的中心数等。
对于这个报表，我们有以下几个痛点，
- 维度多：大概有 20 多个维度；
- 查询慢：现有的技术方案不能很好的满足查询需求
- 要求高：要求 5s 内出结果
- 数据量大，日新增 2 亿多条。
我们通过 Presto 去跑，根据筛选条件的不同，查询时间从20s到60s不等，根本无法满足需求。
3.2 Kylin 如何赋能
基于 Kylin 提供的 JDBC，可以与帆软无缝集成，经过多轮的 cube 优化，最终首次查询耗时 2.9s，后续走缓存查询耗时稳定在亚秒级别，很好的满足了业务需求，解决了痛点。
3.3 Apache Kylin 在中通的规模
Kylin 共部署了 5 台节点，其中1台 job 节点， 4台 query 节点；HBase 有40多台；当前 cube 总数63个；总 cube 大小是 33 TB以上；源数据总数有 800 多亿条；每天响应查询数有1万以上；其中 97%以上的查询耗时小于 1s。
3.4 Apache Kylin 与调度系统集成
Kylin 提供了大量好用的 Rest API，通过这些 Rest API，可以很方便的与调度系统集成，进行构建任务实例的管理。
1）整合调度系统的意义
为什么要将 Kylin 计算任务集成到调度系统呢？因为通过调度系统，可以很好的解决任务间的依赖问题，任务失败也可以自动重跑，失败的任务会有电话、钉钉告警，便于第一时间发现问题。
2）已有功能
中通的调度系统目前支持指定 cube 的构建、cube 的回刷以及运行中的任务 kill 等功能，基本满足了构建任务的常规管理需要。
3）调度系统如何集成Kylin
调度系统如何集成 Kylin 进行构建任务的管理呢？Kylin 提供了丰富的 Rest API，可用于和第三方系统做集成。整合过程大体分为两步：
首先调用认证 API 进行用户认证，然后再调用构建 API 进行 cube 的构建。如此一来，就将 Kylin 计算任务纳入到调度系统的管理，非常方便。
3.5 Apache Kylin 监控系统--分钟级监控
接下来是监控部分，监控系统是大数据平台的重要一环。我们针对 Kylin 引擎的特点自研了一套监控告警系统。由于没有找到有关 Kylin 查询相关的 Rest API，所以对源码做了二次开发，将查询请求信息主动吐到 Kafka，再由Kylin监控系统实时消费落库，用于更进一步的分析。
Kylin 监控主要涵盖三个方面，分别是分钟级的查询监控、天级别的监控分析以及异常监控。首先来看分钟级别的监控，这类监控的特点是粒度比较细，包含的主要功能如下：
- 每分钟的查询量统计：统计每分钟请求 Kylin 的查询数，可用于查看业务系统在不同时段的查询量，快速定位异常流量。
- 每分钟失败的查询：统计每分钟里失败的查询数，可用于判断 Kylin 是否存在问题或者是应用系统发出来的查询是否有异常。
- 第三个是异常 SQL 自动 kill：坏查询会给集群带来波动，异常 SQL 自动 kill 可降低这种影响，保障集群稳定。
3.6 Apache Kylin 监控系统--天级别监控
接下来是天级别的监控分析，包括以下三个功能：
- 每日查询统计：通过这个功能可以清晰的看到每天Kylin 响应的查询总数，命中缓存的查询也能被统计到。
- 慢 SQL TOPN：很有用的一个功能，它可以对每天的查询按耗时降序排列，有哪些坏查询，对应的cube 是否具有优化的空间，一目了然。用户查询占比：这个功能可用来统计各应用系统每日的查询量占比，辅助分析各系统的使用情况。
3.7 Apache Kylin 监控系统--异常监控
最后一个是异常监控，没有界面，只有告警推送，是Kylin监控中最重要的部分：
- cube 膨胀率监控：根据官方的建议，当扫描到某些cube 的膨胀率超过1000%时会发出钉钉告警。
- Segment 异常监控：我们曾经有一个线上的 cube，跑着跑着发现数据对不上，经定位发现几天前的一个构建任务没跑成功，导致了 segment 存在空洞，有了这个监控可以很好的避免此类问题的发生。
- job失败监控：当构建任务失败时，会主动推送告警信息。
- TTL 未设置监控：这个监控是为了防止有些 cube 在创建过程中忘记设置 TTL 时间，避免历史数据无法得到清理。
- Kylin 进程监控：7*24小时监控 Kylin 进程，重中之重。
3.8 Apache Kylin 的优化实践
接下来是 Kylin 在中通的优化实践，优化这一块，大体分为两个方面，分别是 HBase 相关参数的优化和 MapReduce 相关参数的优化。
1）HBase 优化
Kylin 默认的 HBase 参数中没有开启表压缩，随着segment数的不断上涨，给存储带来了负担。通过开启 HBase 表压缩，整体节约 70% 左右的磁盘空间，效果还是很可观的。
kylin.storage.hbase.compression-codec=snappy
kylin.metadata.hbase-rpc-timeout=60000
kylin.metadata.hbase-client-scanner-timeout-period=60000
kylin.metadata.hbase-client-retries-number=10
另一个是 HBase 超时和重试次数的参数调整，由于后半夜 ETL 高峰，HBase 集群压力很大，这个时候就会出现构建任务读写 HBase 超时，为此，我们调大了超时时间，并增加了重试次数。
2）MapReduce 优化
另一方面是 MapReduce 相关参数的调整，Kylin 默认的最大reduce 数是500，在某些情况下会成为瓶颈，为此调大了 reduce 最大数的限制，并将用于计算 Reduce 数量的这个参数从500调整为250，这样一来，reduce 数会增多。经过以上几个参数的调整，部分构建任务时间缩短近了1/3。
kylin.engine.mr.mapper-input-rows=500000
kylin.engine.mr.reduce-input-mb=250
kylin.engine.mr.max-reducer-number=50000
kylin.job.max-concurrent-jobs=15
3）数据管理
根据官方的建议，要定期清理元数据、cube 构建临时数据和过期的 HBase 表数据等，并定期备份元数据信息。
3.9 Apache Kylin 的源码与升级
实践的最后一部分，是关于源码和版本升级。研究 Kylin 源码好处很多，可以更深入的了解 Kylin，解决棘手的问题，甚至可以进行二次开发。到目前为止，我们对 Kylin 源码修改还比较少，以满足需求和解决问题为主。主要的改动是查询信息发 送Kafka 和为更新数据字典时间戳添加分布式锁。之所以添加这个分布式锁是因为我们线上遇到过这个问题，右侧上图是异常的堆栈，当同时回刷一个cube 的多个 segment 时会偶发性的报错。
最后是重要的 patch 合并和升级，在今年 7 月份完成了一次从Kylin 2.5.1到3.0.2的升级。
4
未来规划
最后是未来规划，未来，我们主要的探索方向是以下几个方面：
- Kylin智能诊断：作为监控系统的补充，智能诊断同样具有重要的作用。它可以根据预设的规则给出初步的诊断结果，辅助用户排查问题
- 查询下压Presto：Kylin已经支持查询下压的功能，未来将探索将Kylin作为统一的查询入口，对于未命中cube的查询下压到presto，形成优势互补。
- 自助分析系统：最后一个则是自助分析系统，相信Kylin在这个系统中会发挥更大的作用。
