如何创建一条可靠的实时数据流
数据的生命周期一般包含“生成、传输、消费”三个阶段。在有些场景下，我们需要将数据的变化快速地反馈到在线服务中，因此出现了实时数据流的概念。如何衡量数据流是否“可靠”，不同的业务之间关注的指标差别很大。根据对大量业务场景的观察，我们发现对数据流要求最严格的业务场景往往和钱有关。
在广告平台业务中，广告的预算和消费数据。
- 广告主修改广告预算，投放系统首先将新的预算更新到数据库，然后需要将其同步到检索端。检索端将广告的预算和已消费金额作对比，重新决定广告是否有效。如果没有及时更新，会导致广告超预算消费或者没有及时上线，无论哪种情况，损失都将由广告平台承担。
- 广告的消费数据一般在广告发生特定事件的时候产生（展现，点击，转化等）。当产生消费数据时，需要将其同步到检索端，检索端更新广告的已消费金额，并和广告的预算做对比，重新决定广告是否有效。如果没有及时更新，会导致广告超预算消费，损失将由广告平台承担。
在电商业务中，商品的库存和价格。当 商品库存变少时，如果没有及时同步到服务端，会使用户在结算时才发现商品已无货，伤害用户体验，甚至导致用户流失。一个极端的业务场景是秒杀。同样，如果 商品的价格变高时没有及时同步到服务端，会导致用户在付款的时候发现价格变高，伤害用户体验，甚至导致用户流失。另外，如果库存增加或者价格降低时，没有 及时同步到服务端，会流失可能带来的交易，带来的损失也只能是电商平台承担。 在电商业务中，用户的消费数据。有些电商业务中允许用户预充值，用户的账户可能会有余额。如果用户产生了消费，但订单和余额并没有及时更新，可想而知会导致用户产生很大的疑惑。
因此，本文重点讨论一下这些业务场景下对实时数据流的要求。相信在这些场景下都可以认为是可靠的实时数据流，可以很容易适应其他业务。在这些场景下的实时数据流中，往往最关心三个指标：可用性，准确性，实时性。
- 可用性
最基本的要求，可靠的实时数据流必须要高可用的。
- 准确性
准确性表示数据流的消费端接收的数据，和数据流发送端发送的数据保持严格一致。也就是常说的“不重不漏”。在有些场景下，如果消费端的操作满足“幂等性”，那么对“不重”的要求可以放宽。但是对“不漏”的要求往往一般是不能妥协的。
- 实时性
实时性表示数据的传输要满足低延时。延时一般定义为，一条数据从被发送端发送到被消费端接收之间的时间。不同的场景对实时性的要求不同，一般分为秒级和分钟级。
为了方便讨论，我们以一个最简单的实时数据流系统为例，其包含三个模块：生产者，传输模块，消费者。复杂的实时数据流系统可以认为是这三个模块的多次组 合。一般来说，我们会使用 Message Queue 作为数据的传输模块，因此在下文中使用MQ来代替传输模块。接下来我们从三个方面讨论如何保证实时数据流的可靠。
- 可用性
成熟的 MQ 系统（例如kafka）都用保障高可用性的方案。生产者和消费者我们一般是使用集群来提高可用性。
在生产者端，对可用性的定义包含两重含义：
- 数据总是能被生成的。
- 数据总是能被发送到 MQ 的。
具体分两种情况。一种情况是数据量非常大，但是能容忍在极端情况，有很小一部分的丢失（例如广告的消费数据）。另一种情况是数据量不是特别大，但对准确性要求非常高，数据是严格不能丢失的（例如用户充值数据）。两种情况的处理方案有所不同。
第一种情况，在消息生成的时候，生产者一般都会先落地到本地磁盘，再由一个单独的程序从磁盘读取数据并发送到 MQ。这样有几个好处：
- 当生产者发生宕机的时候，并不影响数据的继续发送。生产者重启或者迁移到备用机器后，数据可以继续生成并发送。
- 避 免因为网络抖动或者 MQ 性能出现问题时，影响生产者的对外服务质量。一般来说，数据是生产者在对外提供服务的过程中产生的。如果由生产者直接将数据写入 MQ，为了保证数据和对外响应结果的一致性，不能使用异步写的方式，需要同步写。因此在出现网络抖动或者 MQ 写延迟过长的时候，会导致生产者无法对外提供服务。
- 降低生产者代码复杂性。
- 这个将磁盘数据发送到 MQ 的程序一般仅仅是调用 MQ 的library，可以非常简单，减少了出错导致崩溃的可能性，其开源方案是 Flume。实战中，Flume + Kafka 已经有非常成熟的方案，而且非常稳定。
第二种情况，生产者一般是将数据直接写入一个可靠的存储系统中（例如数据库），再由一个单独的程序将数据从存储系统中读出并写入到 MQ。
同样，在消费者端，也是先使用 Flume 将数据落地到本地磁盘。如果消费者发生了宕机，也并不影响 Flume 继续从 MQ 读取数据。在消费者重启或者迁移到备用机器以后，可以继续之前的工作。
这样，生产者和消费者都可以认为是在使用磁盘作为介质和 MQ 在通信，而不是网络，而磁盘的可靠性往往比网络更高。另一方面，生产者和消费者可以更专注于其本职工作，使用 Flume -> Kafka -> Flume 的开源方案，也避免重复开发。
虽然 Flume 在使用过程中非常稳定，但如果是对可用性要求非常高的系统，我们仍然要考虑在 Flume 程序崩溃甚至磁盘损坏时的恢复方案。尤其在磁盘发生损坏时，我们往往无法准确定位生产者哪些已经生产的数据没有被发送到 MQ。一个典型的方案是重做，即将我们无法确定是否已经发送到 MQ 的数据全部重发一次。因此，在消费者端，保证操作的幂等性是非常重要的。
- 准确性
准确性可以简单表述为“不重不漏”。“不重”的保证比较困难，在上文已经讨论，在数据流发生异常的某些情况下，我们是无法或者相当麻烦才能定位哪些数据已 经发送到 MQ 中，因此需要批量重做，这就会导致 MQ 中有重复的数据。因此，一般的方案往往都是将消费者设计成操作幂等性的，这样就能够容忍数据重复的情况。
“不漏”在设计到财务的系统中往往不能妥协，可以延迟，但不能遗漏。
基于防御性编程的思想，我们做好任何上下游交互的模块都可能出错的准备，并提供更高层次的协议保证业务的正确性。例如，在向 MQ 写入数据时，我们要假定及时 MQ API 返回成功状态，数据在 MQ 中仍然是可能被丢失的，message id 机制也不是100%可靠的。那么，我们如何验证生产者发送的数据，经过 MQ 之后一定能够到达消费者？我们需要在生产者和消费者之间建立新的协议。
协议的第一步是为每条数据做一个唯一的标示，即 GUID。更进一步，我们希望 GUID 能够可读，并且能表示数据的先后顺序。为了满足这个需求，我们需要一个高可用的能够产生严格递增的 ID 的服务。这是另一个很大的话题，在这里不展开。有了这个服务，在生产者发送数据前，先向这个服务请求一个 ID，附加到一条数据上，然后再传输。
在消费者端，有两个方案进行验证。一个方案是生产者要保证发送到数据 ID 是严格递增的。消费者验证前后两条数据的 ID 是否连续。如果不连续，即认为是数据有丢失，停止继续消费，通知生产者进行到错误恢复流程。待生产者恢复后，通知消费者继续消费。
另一个方案生产者在发送数据时，除了给每条数据附加上自己的 ID，还要附加上其前一条数据的 ID。这样消费者通过两个 ID 可以验证数据是否有丢失。这个方案的好处是，不需要生产者保证数据的 ID 是连续的。
在实战中，生产者往往将数据写入到一个 Topic 的多个 Partition，每个消费者只消费指定 Partition 的数据，因此同一个 Partition 内的数据 ID 往往是不连续的。因此，这种方案更多的被采纳。
- 实时性
实时性对系统带来的影响往往弱于准确性。从文章开头的案例讨论可以看出，实时性不好往往也导致业务上的经济损失，尤其在一些流水很大的系统中，可能导致非常可观的经济损失。
为了提高实时性，我们一般通过几个手段：
- 减少网络通信
- 上下游服务尽量同机房甚至同机架部署
- 如果一定出现跨机房（尤其是异地机房）的通信，在机房间使用专线
尽可能少地拆分服务是最有效的方法。这需要在系统的扩展性、伸缩性和成本之间做好权衡，根据业务需要设计方案，避免过度优化。
实时性的另一个问题是我们如何监控数据的延迟，并在延迟过高的能及时发现并处理。一个常见的方案是使用“哨兵数据”。 生产者定期（例如每5分钟）向 MQ 写入一条固定格式的数据，这条数据必须包含的字段是数据生成的时间，这条数据成为哨兵数据。消费者需要监控，是否在经过一个指定的时间间隔能接收到“哨兵 数据”。如果接收不到，说明生产者或者 MQ 出现了问题。如果接收到了，将数据的生成时间和接收时间做对比，如果时间间隔超出阈值，说明延迟过大。无论哪种情况，都应该触发报警，甚至有些依赖于数据 流实时性的服务都要同时停止服务。
对绝大多数实时数据流系统来说，可用性、准确性、实时性，三个指标考虑的是优先级依次降低，实现的代价也是依次增长。在不同的业务场景中，对“可靠”的定义也有所不同。可能有些系统数据丢失1%对业务的影响不大，如果要保证100%准确带来的成本会大幅增加；也可能有些系统分钟级实时和秒级实时对业务的影响不大，但如果从分钟级提高到秒级成本会大幅增加。因此，在架构设计中，一定要结合具体业务场景，综合考虑和权衡服务质量、用户体验、系统成本等多方面因素。