Netflix数据管道的变化历程

CSDN授权转载 作者：Real-Time Data Infrastructure Team 译者：刘旭坤

去年12月我们的Keystone数据管道正式投入使用，本文我们就来讲讲这些年Netflix数据管道的变化历程。

数据是Netflix的中心，很多的商业决策和产品设计都是依据数据分析而做出的决定。在Netflix，数据管道的目的是对数据进行收集归纳和处理，几乎我们所有的应用都会用到数据管道。下面我们先来看看有关Netflix数据管道的一些统计数据：

• 每天约5000亿个事件，1.3PB的数据
• 高峰时段约每秒800万个事件，24GB数据

我们用另外的Atlas系统来管理运营相关的数据所以它并没有出现在上面的列表中。

由于需求的变化和技术的进步，过去几年我们的数据管道发生了很大的改变。下面我们就来介绍一下。

V1.0 Chukwa数据管道

最初数据管道唯一的目的就是把事件信息上传到Hadoop/Hive。如下图中所示，整个架构是比较简单的。Chukwa收集事件信息并将sequencefile写入亚马逊S3，之后大数据平台部门会进一步处理并写入Hive。从事件发生到以Parquet格式写入Hive整个过程不超过十分钟，对于每小时甚至每天才运行一次的batch job来说已经足够了。

V1.5 能够进行实时处理的Chukwa数据管道

随着Kafka和Elasticsearch等技术的发展，公司内部对于实时分析的需求愈加强烈，我们必须保证处理所需时间在一分钟之内。

除了将数据写入S3，Chukwa还可以将数据发送到Kafka，新的实时分支(虚线框住的部分)处理的事件大约占到总事件的30%。处于实时处理分支中心位置的是事件路由模块，它负责将数据从Kafka传递到Elasticsearch和下一级Kafka(进行数据的筛选)。终端用户可以自由选择趁手的工具进行分析，比如Mantis、Spark或其他定制工具。

Elasticsearch在Netflix的应用过去两年经历了爆炸式的发展，现在共有约150个集群和约3500个节点，总数据量约1.3PB，而这其中大部分数据都是通过我们的数据管道采集处理的。

数据路由的部分是由我所在的小组管理的，下面是一些我们碰到过的问题：

• Kafka high level consumer会丧失消息分区的所有权并停止读取一些分区，唯一的解决办法是重启。
• 有时部署代码之后high level consumer在rebalance时会出错。
• 我们有几十个集群用于事件路由，运营上的开销正持续增长，所以对于路由job的管理还要想个更好的办法。

V2.0 Keystone数据管道

我们决心对V1.5的数据管道进行调整是基于下面三个方面的考量。

• 简化架构。
• 提升系统可靠性(Chukwa不支持冗余)。
• Kafka社区较活跃后劲足。

架构中一共有三部分主要的模块：

• 数据收集-有两种方式。
  1. 直接写入Kafka。
  2. 通过HTTP代理写入Kafka。
• 数据缓存-使用Kafka来实现持久化消息队列。
• 数据路由-与V1.5中作用相同。

Keystone数据管道已经在生产环境中平稳运行了几个月，不过我们还在进行质量、扩展性、可用性和自动化方面的提升。