集群过千的趣头条为何选择“回归”自研Hadoop管理平台？

2006年Hadoop的诞生标志着大数据技术时代的开始，而AWS商用则表明云计算正式开始了改变信息时代的步伐。自此之后，大数据和云计算成为最近十几年最为火热的技术，学术界和工业界都大量投入到相关技术的研发，极大的加速了大数据技术的商业化落地。大数据和云计算技术的融合，更是加速了数据业务模式的创新，也催生了对大数据技术的底层架构的优化和升级。

趣头条在 2018-2019 年经历了业务的高速发展，主App和其他创新App的日活增加了10倍以上。相应的，大数据系统和平台也从最初的100台机器，增加到2000台以上，技术栈从单一的离线数据报表，发展到离线 + 实时 + 机器学习的完整系统。

趣头条的大数据治理，有个特殊之处，就是从完全依赖阿里云EMR，到使用自研Hadoop集群管理平台+EMR混合部署模式。趣头条大数据技术总监虞沐也说道：“上云还是占大多数，从云上下来的还是少数。“ 趣头条为了满足高速发展的要求，为什么选择自建Hadoop？考虑了哪些因素？QCon上海2019我们采访了虞沐，了解了相关背景。

趣头条的技术选型

2018年9月14日，成立仅仅两年零三个月的趣头条于美国纳斯达克上市。去年底用户数破亿。

随着用户的增长，大数据集群从最初的100台增加到2000台。大数据技术团队从最初8个人的规模，一年之后就发展到30人左右。

大数据技术的选型有三个指标：成本、稳定性、性能。在企业发展的不同阶段，侧重点会不一样。

18年的时候，稳定性是第一位。因为业务快速发展，用户数量每季度翻50%，整个系统非常不稳定。稳定性的问题解决以后，需进一步的考虑速度和性能的提升。今年发展到一个相对比较平滑的时期后，重点开始转移到成本上了，比如说，原来三个小时完成的任务，现在就希望缩减到一到两个小时完成。同时也能更快的将一些数据和指标反馈给业务，业务能更快的做决策。虞沐补充说道：“因为公司从财务角度要考虑它整个的投资的回报比例。如果业务这个季度只增长了30%，但是我们系统开销增长了百分之百，那显然是不合理的。那么就需要帮业务梳理过去在成本上欠下的历史债务。”

今年3月，趣头条发布公告称，获阿里巴巴1.71亿美元投资。

跟阿里之间的投资关系，也决定了两者之间会有很多技术合作，这时候的架构选型就不仅仅考虑纯技术因素了。

虞沐曾在硅谷工作十二年，18年底回国入职趣头条，他表示：”这种需要考虑商务合作的方式也是跟我过去经历的纯技术、成本选型不一样，需要考虑‘BAT生态’的问题。“

趣头条大概两年前从自建IDC环境搬到阿里云。搬到阿里云以后，趣头条的增速比阿里云提供的EMR产品的增长要快很多，甚至很多时候是跑在阿里云前边。

最开始发现EMR不满足需求的时候，趣头条选择跟阿里云的团队一起去做一些定制的开发，这个阶段大部分工作也是由阿里完成。

趣头条曾经有很长一段时间都是阿里云上Hadoop最大的一个用户。因为大多数企业的集群规模在50-100台之间，阿里云产品能满足这些95%的需求。而趣头条作为头部用户集群数量达到上千台，有很多历史遗留问题，例如用户和权限管理的缺失，缺少 Federation 对于各部门的隔离、不能很好的支持海量小文件存储、低价值数据的归档和删除、计算队列的利用率低等等。阿里云EMR还无法完全满足定制化的需求，导致客户机管理混乱。

发展过程中还得考虑成本。公司体量发展到一个量级，达到一个零界点之后，自己做机房能很大程度削减成本，能达到10%。投资越大，节省的就越多，比如上千万、上亿投资的10%。而且自建机房相对来说也能提升自己整个的技术团队的能力。不仅是大数据，还包括IT团队、运维团队、技术架构团队，能力都有很大的提升。

但是当有机器发生故障时，就需要有内核级别的专家坐镇，去定位问题。同时IDC属于一个长期的投资。机器一次性购买之后，能够长久使用才能逐步体现出整个成本上的效益。

“经过和阿里云沟通，以及做过’下云‘的调研后，我们决定不完全‘下云’，而是减少阿里云的使用。”

趣头条整体还是部署在阿里云上，但有很大一部分核心的集群会迁移到自建的集群上。主要使用的阿里云资源是IAAS层。在机器的层面、网络的层面和软件层面，会扩大自研的比例，这个比例会超过2/3。

趣头条选择以自研+开源的方式，选择合适的供应商版本，自己做定制开发，自己去控制成本和系统的稳定性。也在系统的外围建立一个护城河，实现拦截异常的功能。同时将复杂的大数据底层做了封装，用API、平台的方式实现了一个简单的入口。使用开源之外，自研达到30%的程度。

不要All in Cloud!

在大数据争夺架构霸权之战中，云计算显然是赢家，Hadoop背后的势力在慢慢减弱。

虞沐认为Hadoop面临的最大问题是不同体量的公司需要解决的问题不一样，甚至企业在不同的阶段对Hadoop的诉求也不一样。云计算厂商提供的托管服务在部署和运维上给予了用户很多便利，很多体量小的企业选择上云，因为自建数据中心不划算。而大企业选择混合部署的方案的比较多，比如拼多多、今日头条。

包括硅谷很多大企业也会选择上云或混部，比如说Groupon、Netflix。

很多小公司和Groupon一样，从云中起家，因为云允许公司快速部署和进入市场。Groupon一直寻求财力自建数据中心，但是云服务可按月、天支付费用，对财务压力更小，最后他们关闭了硅谷机场旁的小型自建数据中心，全部上云。

Netflix在08年的时候遭遇数据库损坏导致三天无法给用户提供服务，因此他们决定全部迁移上云。耗时七年，在2016年1月，Netflix宣布完成了云端的迁移，并关闭了所有的流媒体服务数据中心。但是Netflix有自己的CDN服务，“成本原因，它总要有些自己的东西。但主要的业务以及系统都在云上。这是个比较典型的例子“。

另外一个例子是Twitter，最开始是完全自建的数据中心。但现在Twitter大概1/2～1/3的规模是在AWS公有云上。

“的确，上云还是占大多数，从云上下来的还是少数。”

云上不仅是大数据，还包括其他的一些比如技术架构、数据库、微服务相关的东西，一旦上云，需要在两者之间达到一个平衡点。

“公司发展到一定体量，就不要All in Cloud“，虞沐表示，“如果说都用云提供的服务的话，可能自己团队的技术能力就会减弱。如果有一天，万一有些原因需要搬离的话，可能就没有这个技术能力去支持迁移的动作了，就和云绑定了。”

未来的关注点

虞沐表示未来还有三个方向值得关注：

第一，离线转实时。目前实时计算成本还比较高，当技术越来越成熟了以后，可以用类似或者相差不太多的成本，将业务从离线转成实时化。过去一天才能看一次的报表，现在仅需要5分钟顶多一个小时，这对业务的冲击是非常明显的。

第二，容器化。容器化这波浪潮比以前的VMware、Openstack要大很多，必然会冲击到大数据领域。趣头条现在准备将一些计算引擎迁移到容器上。一方面是出于成本的考虑，另一方面是提高整体性能，因为容器有弹性伸缩的功能。如果有一天需要“下云”，实现起来就很容易。在容器里面，可以像搬运一个货柜搬走就行了。

第三，机器学习。机器学习这块的门槛也越来越低了，很多公司如果想实现人脸识别、语音识别、NLP相关功能，可以选择一些开源的框架，这些东西不再像以前一样只存在象牙塔里。包括硬件环境的门槛也越来越低，就可以进一步的释放大数据的能力，不仅仅是传统上的BI、报表了。

采访嘉宾：

虞沐，James。2001 年安徽大学本科毕业后，先后在上海 HP 和 SAP 工作。2007 年赴美国硅谷工作，先后在 eBay，赛门铁克，三星从事分布式系统开发。2013 年开始从事大数据和公有云相关开发，先后在百度美国，xAd，和 Facebook，从事技术管理和架构师工作。2018 年底回到上海工作，在趣头条担任大数据技术总监，经历公司快速发展，带领团队自研开发多个大数据和机器学习平台。

更多国内外一线技术大咖分享请持续关注 QCon 全球软件开发大会，访问官网与技术大咖面对面交流实践心得。