作者 | 袁小栋、程君杰
审核校对 | 杜恒、岁月、白玙、不周
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。
1 什么是 RocketMQ Streams?
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。
RocketMQ Streams 简介
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 的特点
RocketMQ streams 基于上述的实现思路,可以看到它有以下几个特点:
轻量
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)。
高性能
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。
维表 JOIN(千万数据量维表支持)
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。
高扩展的能力
提供了丰富的大数据的能力
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。
2 RocketMQ Streams 的使用
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。
环境要求
DSL SDK
利用 DSL SDK 开发实时任务时,需要做如下的一些准备工作:
依赖准备
<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。
代码开发
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。
丰富的算子
RocketMQ streams 提供了丰富的算子, 包括:
部署执行
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 &
SQL SDK
依赖准备
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>rsqldb-clients</artifactId>
<version>1.0.0-SNAPSHOT</version>
</dependency>
代码开发
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
SQL 扩展
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。
SQL 执行
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
#指定sql的路径,启动实时任务
bin/start-sql.sh sql_file_path
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。
# 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
目前所有的运行日志都会存储在 log/catalina.out 文件中。
3 架构设计及原理分析
RocketMQ Streams 设计思路
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:
设计目标
策略(适配场景:大数据量>高过滤 /ETL>低窗口计算)
RocketMQ Streams Source 的实现
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
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。
RocketMQ Streams Sink 的实现
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。
RocketMQ Streams Exactly-ONCE 实现
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。
RocketMQ Streams Window
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。
4 RocketMQ Streams 在安全场景的最佳实践
背景
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。
解决办法
RocketMQ Streams 在云安全的应用 - 流计算
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。
5 RocketMQ Streams 的未来规划
打造 RocketMQ 一体化计算能力
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
Connector 增强
1)支持 pull 消费方式,checkpoint 异步刷新;
2)兼容 blink/flink connector。
ETL 能力建设
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
稳定性和易用性打造
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。
6 开源地址
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。