全部产品
弹性计算 会员服务 网络 安全 移动云 数加·大数据分析及展现 数加·大数据应用 管理与监控 云通信 阿里云办公 培训与认证 更多
存储与CDN 数据库 域名与网站(万网) 应用服务 数加·人工智能 数加·大数据基础服务 互联网中间件 视频服务 开发者工具 解决方案 物联网 智能硬件
日志服务

处理-通过ConsumerLib实现不丢、保序、去重

更新时间:2017-06-12 16:12:51

日志处理是一个很大范畴,其中包括实时计算、数据仓库、离线计算等众多点。这篇文章主要介绍在实时计算场景中,如何能做到日志处理保序、不丢失、不重复,并且在上下游业务系统不可靠(存在故障)、业务流量剧烈波动情况下,如何保持这三点。

为方便理解,本文使用《银行的一天》作为例子将概念解释清楚。在文档末尾,介绍日志服务LogHub功能,如何与Spark Streaming、Storm Spout等配合,完成日志数据的处理过程。

问题定义

什么是日志数据?

原LinkedIn员工Jay Kreps在《The Log: What every software engineer should know about real-time data’s unifying abstraction》描述中提到:“append-only, totally-ordered sequence of records ordered by time”。

screenshot

  • Append Only:日志是一种追加模式,一旦产生过后就无法修改。
  • Totally Ordered By Time:严格有序,每条日志有一个确定时间点。不同日志在秒级时间维度上可能有重复,比如有2个操作GET、SET发生在同一秒钟,但对于计算机而言这两个操作也是有顺序的。

什么样的数据可以抽象成日志?

半世纪前说起日志,想到的是船长、操作员手里厚厚的笔记。如今计算机诞生使得日志产生与消费无处不在:服务器、路由器、传感器、GPS、订单、及各种设备通过不同角度描述着我们生活的世界。从船长日志中我们可以发现,日志除了带一个记录的时间戳外,可以包含几乎任意的内容,例如:一段记录文字、一张图片、天气状况、船行方向等。半个世纪过去了,“船长日志”的方式已经扩展到一笔订单、一项付款记录、一次用户访问、一次数据库操作等多样的领域。

在计算机世界中,常用的日志有:Metric,Binlog(Database、NoSQL),Event,Auditing,Access Log 等。

在我们今天的演示例子中,我们把用户到银行的一次操作作为一条日志数据。其中包括用户、账号名、操作时间、操作类型、操作金额等。

例如:

  1. 2016-06-28 08:00:00 张三 存款 1000
  2. 2016-06-27 09:00:00 李四 取款 20000

LogHub数据模型

为了能抽象问题,这里以阿里云日志服务LogHub作为演示模型,详细可以参见日志服务下基本概念

  • Log: 由时间、及一组Key,Value对组成
  • LogGroup: 一组日志的集合,包含相同Meta(IP,Source)等

两者关系如下:

screenshot

  • Shard: 分区,LogGroup读写基本单元,可以理解为48小时为周期的FIFO队列。每个Shard提供 5 MB/S Write, 10 MB/S Read能力。Shard 有逻辑区间(BeginKey,EndKey)用以归纳不同类型数据。
  • Logstore:日志库,用以存放同一类日志数据。Logstore是一个载体,通过由[0000, FFFF..)区间Shard组合构建而成,Logstore会包含1个或多个Shard。
  • Project: Logstore存放容器。

这些概念相互关系如下:

screenshot

银行的一天

以19世纪银行为例。某个城市有若干用户(Producer),到银行去存取钱(User Operation),银行有若干个柜员(Consumer)。因为19世纪还没有电脑可以实时同步,因此每个柜员都有一个小账本能够记录对应信息,每天晚上把钱和账本拿到公司去对账。

在分布式世界里,我们可以把柜员认为是固定内存和计算能力单机。用户是来自各个数据源的请求,Bank大厅是处理用户存取数据的日志库(Logstore)。

screenshot

  • Log/LogGroup:用户发出的存取款等操作。
  • 用户(User):Log/LogGroup生产者。
  • 柜员(Clerk):银行处理用户请求的员工。
  • 银行大厅(Logstore):用户产生的操作请求先进入银行大厅,再交给柜员处理。
  • 分区(Shard):银行大厅用以安排用户请求的组织方式。

问题1:保序(Ordering)

银行有2个柜员(A,B),张三进了银行,在柜台A上存了1000元,A把张三1000元存在自己的账本上。张三到了下午觉得手头紧到B柜台取钱,B柜员一看账本,发现不对,张三并没有在这里存钱。

从这个例子可以看到,存取款是一个严格有序的操作,需要同一个柜员(处理器)来处理同一个用户的操作,这样才能保持状态一致性。

screenshot

实现保序的方法很简单:排队,创建一个Shard,终端只有一个柜员A来处理。用户请求先进先出,一点问题都没有。但带来的问题是效率低下,假设有1000个用户来进行操作,即使有10个柜员也无济于事。

这种场景怎么办?

  1. 假设有10个柜员,我们可以创建10个Shard。
  2. 如何保证对于同一个账户的操作是有序的?可以根据一致性Hash方式将用户进行映射。例如我们开10个队伍(Shard),每个柜员处理一个Shard,把不同银行账号或用户姓名,映射到特定Shard中。在这种情况下张三 Hash(Zhang)= Z 永远落在一个特定Shard中(区间包含Z),处理端面对的永远是柜员A。

当然如果张姓用户比较多,也可以换其他策略。例如根据用户AccountID、ZipCode进行Hash,这样就可以使得每个Shard中操作请求更均匀。

screenshot

问题2:不丢失(At-Least Once)

张三拿着存款在柜台A处理,柜员A处理到一半去接了个电话,等回来后以为业务已经办理好了,于是开始处理下一个用户的请求,张三的存款请求因此被丢失。

虽然机器不会人为犯错,在线时间和可靠性要比柜员高。但难免也会遇到当机、或因负载高导致的处理中断,因为这样的场景丢失用户的存款,这是万万不行的。

这种情况怎么办呢?

A可以在自己日记本上(非账本)记录一个项目:当前已处理到Shard哪个位置,只有当张三的这个存款请求被完全确认后,柜员A才能叫下一个。

screenshot

带来问题是什么?可能会重复。比如A已经处理完张三请求(更新账本),准备在日记本上记录处理到哪个位置之时,突然被叫开了,当他回来后,发现张三请求没有记录下来,他会把张三请求再次处理一遍,这就会造成重复。

问题3:不重复(Exactly Once)

重复一定会带来问题吗?不一定。

在幂等情况下,重复虽然会有浪费,但对结果没有影响。什么叫幂等:重复消费不对结果产生影响的操作叫做幂等。例如用户有一个操作 “查询余额”,该操作是一个只读操作,重复做不影响结果。对于非只读操作,例如注销用户这类操作,可以连续做两次。

但现实生活中大部分操作不是幂等的,例如存款、取款等,重复进行计算会对结果带来致命的影响。解决的方式是什么呢?柜员(A)需要把账本完成 + 日记本标记Shard中处理完成作为一个事物合并操作,并记录下来(CheckPoint)。

如果A暂时离开或永久离开,其他柜员只要使用相同的规范:记录中已操作则处理下一个即可,如果没有则重复做,过程中需要保证原子性。

screenshot

CheckPoint可以将Shard 中的元素位置(或时间)作为Key,放入一个可以持久化的对象中。代表当前元素已经被处理完成。

业务挑战

以上三个概念解释完成后,原理并不复杂。但在现实世界中,规模的变化与不确定性会使得以上三个问题便得更复杂。例如:

  1. 遇到发工资日子,用户数会大涨。
  2. 柜员(Clerk)毕竟不是机器人,他们需要休假,需要吃午饭。
  3. 银行经理为了整体服务体验,需要加快柜员,以什么作为判断标准?Shard中处理速度?
  4. 柜员在交接过程中,能否非常容易地传递账本与记录?

现实中的一天

8点银行开门

只有一个Shard0,用户请求全部排在Shard0下,柜员A也正好可以处理。

screenshot

10点进入高峰期间

银行经理决定把10点后Shard0分裂成2个新Shard(Shard1,Shard2),并且给了如下规定,姓名是[A-W]用户到Shard1中排队,姓名是[X, Y, Z] 到Shard 2 中排队等待处理,为什么这两个Shard区间不均匀?因为用户的姓氏本身就是不均匀的,通过这种映射方式可以保证柜员处理的均衡。

10-12点请求消费状态:screenshot

柜员A处理2个Shard非常吃力,于是经理派出柜员B、C出厂。因为只有2个Shard,B开始接管A负责一个Shard,C处于闲置状态。

中午12点人越来越多

银行经理觉得Shard1下柜员A压力太大,因此从Shard1中拆分出(Shard3,Shard4)两个新的Shard,Shard3由柜员A处理、Shard4由柜员C处理。在12点后原来排在Shard 1中的请求,分别到Shard3,Shard4中。

12点后请求消费状态:screenshot

流量持续到下午4点后,开始逐渐减少

因此银行经理让柜员A、B休息,让C同事处理Shard2,Shard3,Shard4中的请求。并逐步将Shard2与Shard3合并成Shard5,最后将Shard5和Shard4合并成一个Shard,当处理完成Shard中所有请求后银行关门。

现实中的日志处理

上述过程可以抽象成日志处理的经典场景,如果要解决银行的业务需求,我们要提供弹性伸缩、并且灵活适配的日志基础框架,包括:

  1. 对Shard进行弹性伸缩,参考LogHub弹性伸缩(Merge/Split)
  2. 消费者上线与下线能够对Shard自动适配,过程中数据不丢失,参考LogHub Consumer Library-协同消费组自动负载均衡
  3. 过程中支持保序,参考LogHub支持保序写入和消费
  4. 过程中不重复(需要消费者配合)。
  5. 观察到消费进度,以便合理调配计算资源,参考通过控制台查看协同消费组进度
  6. 支持更多渠道日志接入(对银行而言开通网上银行、手机银行、支票等渠道,可以接入更多的用户请求),参考LogHub多种数据接入方式

通过LogHub + LogHub Consumer Library 能够帮助您解决日志实时处理中的这些经典问题,只需把精力放在业务逻辑上,而不用去担心流量扩容、Failover等琐事。

另外,StormSpark Streaming已经通过Consumer Library实现了对应的接口,欢迎试用。有兴趣的读者可以参考下日志服务的主页,以及日志处理圈子,里面有不少干货哦。

本文导读目录