随着各行各业移动互联和云计算技术的普及发展,大数据计算已深入人心,最常见的比如 flink、spark 等。这些大数据框架,采用中心化的 Master-Slave 架构,依赖和部署比较重,每个任务也有较大开销,有较大的使用成本。RocketMQ Streams 着重打造轻量计算引擎,除了消息队列,无额外依赖,对过滤场景做了大量优化,性能提升 3-5 倍,资源节省 50%-80%。
RocketMQ Streams 适合大数据量 ->高过滤 ->轻窗口计算的场景,核心打造轻资源,高性能优势,在资源敏感场景中有很大优势,最低 1core,1g 可部署,建议的应用场景(安全,风控,边缘计算,消息队列流计算)。
RocketMQ Streams 兼容 Blink(Flink 的阿里内部版本) 的 SQL,UDF/UDTF/UDAF,多数 Blink 任务可以直接迁移成 RocketMQ Streams 任务。将来还会发布和 Flink 的融合版本,RocketMQ Streams 可以直接发布成 Flink 任务,既可以享有 RocketMQ Streams 带来的高性能,轻资源,还可以和现有的 Flink 任务统一运维和管理。
本篇文章主要从五个方面来介绍 RocketMQ Streams 实时计算平台:
首先简单先介绍一下什么是 RocketMQ Streams;
第二部分,基于 RocketMQ Streams 的 SDK,来了解下它是怎么去使用的;
第三部分,RocketMQ Streams 整体的架构以及它的原理实现;
第四部分,在云安全的场景下该怎么使用 RocketMQ Streams;
第五部分,RocketMQ Streams 的未来规划。
本章节从基础简介、设计思路和特点三方面对 RocketMQ streams 进行整体介绍。
1)首先,它是一个 Lib 包,启动即运行,和业务直接集成;
2)然后,它具备 SQL 引擎能力,兼容 Blink SQL 语法,兼容 Blink UDF/UDTF/UDAF;
3)其次,它包含 ETL 引擎,可以无编码实现数据的 ETL,过滤和转存;
4)最后,它基于数据开发 SDK,大量实用组件可直接使用,如:Source、sink、script、filter、lease、scheduler、configurable 不局限流的场景。
RocketMQ streams 基于上述的实现思路,可以看到它有以下几个特点:
1 核 1g 就可以部署,依赖较轻,在测试场景下用 Jar 包直接写个 main 方法就可以运行,在正式环境下最多依赖消息队列和存储(其中存储是可选的,主要是为了分片切换时的容错)。
实现高过滤优化器,包括前置指纹过滤,同源规则自动归并,hyperscan 加速,表达式指纹等,比优化前性能提升 3-5 倍,资源节省 50% 以上。
设计高压缩内存存储数据,无 java 头部和对齐的开销,存储接近原始数据大小,纯内存操作,性能最大化,同时对于 Mysql 提供了多线程并发加载,提高加载维表的速度。
Source 可按需扩展,已实现:RocketMQ,File,Kafka;
Sink 可按需扩展,已实现:RocketMQ,File,Kafka,Mysql,ES;
可按 Blink 规范扩展 UDF/UDTF/UDAF;
提供了更轻的 UDF/UDTF 扩展能力,不需要任何依赖就可以完成函数的扩展。
包括精确计算一次灵活的窗口,双流 join,统计,开窗,各种转换过滤,满足大数据开发的各种场景,支持弹性容错的能力。
RocketMQ Streams 对外提供两种 SDK,一种是 DSL SDK,一种是 SQL SDK,用户可以按需选择;DSL SDK 支持实时场景 DSL 语义;SQL SDK 兼容 Blink(Flink 的阿里内部版本) SQL 的语法,多数 Blink SQL 可以通过 RocketMQ Streams 运行;
接下来,我们详细的介绍一下这两种 SDK。
JDK1.8 版本以上;
Maven 3.2 版本以上。
利用 DSL SDK 开发实时任务时,需要做如下的一些准备工作:
<dependency>
<groupId>org.apache.rocketmq</groupId>
<artifactId>rocketmq-streams-clients</artifactId>
<version>1.0.0-SNAPSHOT</version>
</dependency>
准备工作完成后,就可以直接开发自己的实时程序。
DataStreamSource source=StreamBuilder.dataStream("namespace","pipeline");
source.fromFile("~/admin/data/text.txt",false)
.map(message->message + "--")
.toPrint(1)
.start();
其中:
1)Namespace 是业务隔离的,相同的业务可以写成相同的 Namespace。相同的 Namespace 在任务调度里可以跑在进程里,也可以共享一些配置;
2)pipelineName 可以理解成就是 job name ,唯一区分 job;
3)DataStreamSource 主要是创建 Source,然后这个程序运行起来,最终的结果就是在原始的消息里面会加"--",然后把它打印出来。
RocketMQ streams 提供了丰富的算子, 包括:
source 算子:包括 fromFile, fromRocketMQ, fromKafka 以及可以自定义 source 来源的 from 算子;
sink 算子:包括 toFile, toRocketMQ, toKafka,toDB,toPrint, toES 以及可以自定义 sink 的 to 算子;
action 算子:包括 Filter,Expression,Script,selectFields,Union,forEach,Split,Select,Join,Window 等多个算子。
基于 DSL SDK 完成开发,通过下面命令打成 jar 包,执行 jar,或直接执行任务的 main 方法。
mvn -Prelease-all -DskipTests clean install -U
java -jar jarName mainClass &
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>rsqldb-clients</artifactId>
<version>1.0.0-SNAPSHOT</version>
</dependency>
首先开发业务逻辑代码, 可以保存为文件也可以直接使用文本;
CREATE FUNCTION json_concat as 'xxx.xxx.JsonConcat';
CREATE TABLE `table_name` (
`scan_time` VARCHAR,
`file_name` VARCHAR,
`cmdline` VARCHAR,
) WITH (
type='file',
filePath='/tmp/file.txt',
isJsonData='true',
msgIsJsonArray='false'
);
-- 数据标准化
create view data_filter as
select
*
from (
select
scan_time as logtime
, lower(cmdline) as lower_cmdline
, file_name as proc_name
from
table_name
)x
where
(
lower(proc_name) like '%.xxxxxx'
or lower_cmdline like 'xxxxx%'
or lower_cmdline like 'xxxxxxx%'
or lower_cmdline like 'xxxx'
or lower_cmdline like 'xxxxxx'
)
;
CREATE TABLE `output` (
`logtime` VARCHAR
, `lower_cmdline` VARCHAR
, `proc_name` VARCHAR
) WITH (
type = 'print'
);
insert into output
select
*
from
aegis_log_proc_format_raw
;
其中
CREATE FUNCTION:引入外部的函数来支持业务逻辑, 包括 flink 以及系统函数;
CREATE Table:创建 source/sink;
CREATE VIEW:执行字段转化,拆分,过滤;
INSERT INTO:数据写入 sink;
函数:内置函数,udf 函数。
RocketMQ streams 支持三种 SQL 扩展能力,具体实现细节请看:https://github.com/alibaba/rsqldb
1)通过 Blink UDF/UDTF/UDAF 扩展 SQL 能力;
2)通过 RocketMQ streams 扩展 SQL 能力,只要实现函数名是 eval 的 java bean 即可;
3)通过现有 java 代码扩展 SQL 能力,create function 函数名就是 java 类的方法名。
你可以从这里下载最新的 Rocketmq Streams 代码并构建。
cd rsqldb/
mvn -Prelease-all -DskipTests clean install -U
cp rsqldb-runner/target/rocketmq-streams-sql-{版本号}-distribution.tar.gz 部署的目录
解压 tar.gz 包, 进入目录结构
tar -xvf rocketmq-streams-{版本号}-distribution.tar.gz
cd rocketmq-streams-{版本号}
其目录结构如下
bin 指令目录,包括启动和停止指令
conf 配置目录,包括日志配置以及应用的相关配置文件
jobs 存放 sql,可以两级目录存储
ext 存放扩展的 UDF/UDTF/UDAF/Source/Sink
lib 依赖包目录
log 日志目录
执行 SQL
#指定sql的路径,启动实时任务
bin/start-sql.sh sql_file_path
执行多个 SQL
如果想批量执行一批 SQL,可以把 SQL 放到 jobs 目录,最多可以有两层,把 sql 放到对应目录中,通过 start 指定子目录或 sql 执行任务。
任务停止
# 停止过程不加任何参数,则会将目前所有运行的任务同时停止
bin/stop.sh
# 停止过程添加了任务名称, 则会将目前运行的所有同名的任务都全部停止
bin/stop.sh sqlname
日志查看
目前所有的运行日志都会存储在 log/catalina.out 文件中。
在了解完 RocketMQ streams 的基本简介,接下来,我们看下 RocketMQ streams 的设计思路,设计思路主要从设计目标和策略两个方面来介绍:
依赖少,部署简单,1 核 1g 单实例可部署,可随意扩展规模;
打造场景优势,重点打造大数据量 ->高过滤 ->轻窗口计算的场景,功能覆盖度要全,实现需要的大数据特性:Exactly-ONCE、灵活的窗口(滚动、滑动、会话窗口);
要在保持低资源的前提下,对高过滤有性能突破,打造性能优势;
兼容 Blink SQL,UDF/UDTF/UDAF,让非技术人员更容易上手。
采用 shared-nothing 的分布式架构设计,依赖消息队列做负载均衡和容错机制,单实例可启动,增加实例实现能力扩展,并发能力取决于分片数;
利用消息队列的分片做 shuffle,利用消息队列负载均衡实现容错;
利用存储实现状态备份,实现 Exactly-ONCE 的语义。用结构化远程存储实现快速启动,不等本地存储恢复。
重力打造过滤优化器,通过前置指纹过滤,同源规则自动归并,hyperscan 加速,表达式指纹提高过滤性能
1)Source 要求实现最少消费一次的语义,系统通过 checkpoint 系统消息实现,在提交 offset 前发送 checkpoint 消息,通知所有算子刷新内存。
2)Source 支持分片的自动负载和容错
数据源在分片移除时,发送移除系统消息,让算子完成分片清理工作;
当有新分片时,发送新增分片消息,让算子完成分片初始化。
3)数据源通过 start 方法,启动 consuemr 获取消息;
4)原始消息经过编码,附加头部信息包装成 Message 投递给后续算子。
1)Sink 是实时性和吞吐的一个结合;
2)实现一个 sink 只要继承 AbstractSink 类实现 batchInsert 方法即可。batchInsert 的含义是一批数据写入存储,需要子类调用存储接口实现,尽量应用存储的批处理接口,提高吞吐;
3)常规的使用方式是写 message->cache->flush->存储的方式,系统会严格保证每次批次写入存储的量不超过 batchsize 的量,如果超过了,会拆分成多批写入;
4)Sink 有一个 cache,数据默认写 cache,批次写入存储,提高吞吐(一个分片一个 cache);
5)可以开启自动刷新,每个分片会有一个线程,定时刷新 cache 数据到存储,提高实时性。实现类:DataSourceAutoFlushTask;
6)通过调用 flush 方法刷新 cache 到存储;
7)Sink 的 cache 会有内存保护,当 cache 的消息条数>batchSize,会强制刷新,释放内存。
1)Source 确保在 commit offset 时,会发送 checkpoint 系统消息,收到消息的组件会完成存盘操作,消息至少消费一次;
2)每条消息会有消息头部,里面封装了 queueld 和 offset;
2)组件在存储数据时,会把 queueld 和处理的最大 offset 存储下来,当有消息重复时,根据 maxoffset 去重;
3)内存保护,一个 checkpoint 周期可能有多次 flush(条数触发),保障内存占用可控。
实现方式:
1)支持滚动、滑动和会话窗口,支持事件时间和自然时间(消息进入算子的时间);
2)支持 Emit 语法,可以在触发前或触发后,每隔 n 段时间,更新一次数据;比如 1 小时窗口,窗口触发前希望每分钟看到最新结果,窗口触发后希望不丢失迟到一天内的数据,且每 10 分钟更新数据。
3)支持高性能模式和高可靠模式,高性能模式不依赖远程存储,但在分片切换时,有丢失窗数据的风险;
4)快速启动,无需等待本地存储恢复,在发生错误或分片切换时,异步从远程存储恢复数据,同时直接访问远程存储计算;
5)利用消息队列负载均衡,实现扩容缩容容,每个 queue 是一份组,一个分组同一刻只被一台机器消费;
6)正常计算依赖本地存储,具备 flink 相似的计算性能。
从公共云转战专有云,遇到了新的问题。因为专有云像大数据这种 saas 服务是非必须输出的,且最小输出规模也比较大,用户成本会增加很多,难落地,导致安全能力无法快速同步到专有云。
RocketMQ Streams 在云安全的应用 - 流计算
基于安全场景打造轻量级计算引擎,基于安全高过滤的场景特点,可以针对高过滤场景优化,然后再做较重的统计、窗口、join 操作,因为过滤率比较高,可以用更轻的方案实现统计和 join 操作;
SQL 和引擎都可热升级
业务结果
1)规则覆盖:自建引擎,覆盖 100% 规则(正则,join,统计);
2)轻资源,内存是公共云引擎的 1/24,cpu 是 1/6,依赖过滤优化器,资源不随规则线性增加,新增规则无资源压力,通过高压缩表,支持千万情报;
3)SQL 发布,通过 c/s 部署模式,SQL 引擎热发布,尤其护网场景,可快速上线规则;
4)性能优化,对核心组件进行专题性能优化,保持高性能,每实例(2g,4 核,41 规则)5000qps 以上。
1)和 RocketMQ 整合,去除 DB 依赖,融合 RocketMQ KV;
2)和 RocketMQ 混部,支持本地计算,利用本地特点,打造高性能;
3)打造边缘计算最佳实践
1)支持 pull 消费方式,checkpoint 异步刷新;
2)兼容 blink/flink connector。
1)增加文件,syslog 的数据接入能力
2)兼容 Grok 解析,增加常用日志的解析能力;
3)打造日志 ETL 的最佳实践
1)Window 多场景测试,提升稳定性,性能优化;
2)补充测试用例,文档,应用场景。
RocketMQ-Streams: https://github.com/apache/rocketmq-streams
RocketMQ-Streams-SQL:https://github.com/alibaba/rsqldb
以上是本次对 RocketMQ stream 的整体介绍,希望对大家有所帮助和启发。
点击底部阅读原文访问 InfoQ 官网,获取更多精彩内容!
今日好文推荐
InfoQ 100 位优质创作者签约计划第二季火热进行中!欢迎各位同学踊跃报名~ 签约豪华大礼包、专属身份标志、百万流量扶持等好礼,等您来拿!
活动链接:http://gk.link/a/10KyO
点个在看少个 bug 👇