QCon-OPPO数据平台Cloud Lake 降本增效实践

OPPO从19年开始，用了两年时间，以K8S，容器化为核心，完成了公司混合云建设，并实现100%在线业务上云。OPPO的业务，目前覆盖国内，南亚，欧洲，美洲，在国内我们有自己的机房，在海外，更多是和公有云合作，有AWS，Google。OPPO的云是朵云上云，与共有云的合作，更多只是采购机器资源，部署我们自己的服务。OPPO云给我司带来了数亿的降本红利，得到了公司的广泛认可。

目前OPPO的数据平台规模，计算资源近万台，存储接近1个EB，离线任务数近百万，实时任务数千。统计我们过去几年的增速，平均下来，每年大概有30%的规模增长。如此的一个规模增长下，系统SLA三个9，任务100%准点，是我们必须要保障的，同时，公司希望数据平台能够把过往快速增长的成本降下来。所以 业务快速增长、系统SLA和任务准点率保持高水平的前提下，如何进一步降本增效是我们必须要解决的问题。

对于这样一个问题，我们的解法是进行一系列的技术升级，主要包括批流一体、云数融合调度、数据湖存储三个方面。

2.批流一体

如上图，上半部分，典型的Lambda架构。 批流两条计算链路，元数据分开。应用侧的多种OLAP引擎，也有各自的存储方法与元数据管理。

我们通常说的批流一体，一般涉及到三个方面的统一，元数据，存储，引擎。这三方面，OPPO更看重前两点。为了元数据的统一，我们以HMS服务为主，同时通过Waggle-Dance进行了加固。为了存储的统一，我们引入了Iceberg ，打破实时数仓，离线数据的存储边界，同时提高数据仓库的实时性。

最近两年，开源界以Delta， Hudi， Iceberg为代表的Data Lake Format非常流行。他们近实时，ACID语意，支持快照语回溯等特性，吸引的不少开发者。刚才的介绍，大家也看到了，OPPO的选择是Iceberg，其中最重要的是支持CDC的近实时特性。 但是近实时的特性在我们做业务推广是，却显得有些鸡肋。离线场景，小时任务可以满足大部分场景的时效要求。实时场景 ，对退化为成本更低的近实时，业务上对延时很难接受。

为了实现Iceberg的实时化，我们对它做了一些技术改进，下面分两个场景介绍。

场景一：是数据库的CDC入湖场景，需要支持数据变更。大数据领域，解决数据实时写入问题，通查会使用LSM结构。因此我们在架构上引入了Parker，一个支持分布式LSM的KV，在Iceberg前，承担数据缓冲。KV的引入，对基于主键的upsert也能够得到比较好的支持。

场景二：基于手机埋点的数据上报，每天的数据上报量非常庞大，万亿级别。 这条链路中，使用了大量的Kafka资源。我们实时数仓的链路，Kafka的数据存储周期是T+3 ~ T+1天，这个过程中，我们选择通过Iceberg，使用效率更高的列式存储，降低Kafka的存储水位，使Kafka的数据存储周期变为T+3小时。既保障实时性，同时又降低Kafka存储成本。

3.云数融合调度

OPPO每年30%的算力增长，评估下来，2022年大概有8w核算力缺口。如果不外采，算力缺口是否有补齐途径。有平台经验的伙伴，一般都了解，白天，通常是在线业务高峰。而夜间，往往离线计算会把集群计算资源打的很满，白天的负载，通常在50%左右。实现潮汐调度，在线、离线算力融合，是我们的必然选择。

实现算力融合，我们并没有完全走云原生的路径，计算资源完全由K8S调度。 因为YARN的调度逻辑比K8S简单，对于大数据任务资源频繁释放回收的场景，效率上远高于K8S。因此，我们选择了YARN+K8S的调度逻辑，在K8S上实现yarn-operator。任务高峰，有K8S给大数据集群释放资源，过了高峰期，则自动回收。

云数融合调度中，大家可能会担心一个问题，就是容器释放的算力，性能上是否能够满足计算要求。这里可以得大家看下我们的一些测试。测试对比项是物理机、SSD容器，SATA容器，VM容器。 从测试中可以看到，同等配置条件下，物理机性能最好，SSD容器和SATA容器性能次之。VM上的容器性能下降的比较厉害。所有，SSD容器和SATA容器性能损耗，是可以接受的。

云数融合调度中，大家通常会面临一个问题，就是如何稳定保障计算引擎的Shuffle效率。我们使用的是OPPO自研Shuffle Service。OPPO自研Shuffle Service 的初衷，是为了降低大任务的Shuffle失败率。我们的平台推出计算账单后，时不时会有用户因为Shuffle失败，希望我们减免计算费用。因为要知道Shuffle跑失败的任务通常规模不会小，费用可能是成百上千元。从平台的角度，当然不希望任务失败，就减免费用。云数融合中，Shuffle Service也起到了很好的作用，远程的Shuffle 服务，有效降低了本地存储压力，在资源扩缩容过程中，也能够保障计算稳定。

这里，可以给大家，看一下Shuffle Service的测试数据。 这是TPC-H ,1TB数据下的测试结果。Shuffle Service 并不是说对所有的SQL任务，都能提高执行效率。但对Q16，Q21这样的大任务，效率提升还是非常明显的。 平均下来，大概有16%左右的提升。

4.数据湖存储

OPPO的数据存储，经历了三个阶段。
阶段一：全HDFS存储。 阶段二： 引入对象存储 。阶段三： 自研ADLS数据湖存储。

阶段一到阶段二，主要是将数据通过数据资产平台的周期设定，在达到某个时间点后，自动作为冷数据迁移到对象存储。阶段二到阶段三，则是统一文件，对象存储，由升级后的文件系统解决元数据瓶颈，冷热温分层存储。自研存储，关键技术有多协议适配，分布式元数据，扁平命令空间加速，多级缓存等。下面我逐一做下介绍。

文件系统提供的是层次命名空间视图，整个文件系统的逻辑目录树分成多层，如上图所示，每个元数据节点(MetaNode)包含成百上千的元数据分片（MetaPartition），每个分片由InodeTree（BTree）和DentryTree（BTree）组成，每个dentry代表一个目录项，dentry由parentId和name组成。在DentryTree中，以PartentId和name组成索引，进行存储和检索；在InodeTree中，则以inode id进行索引。使用multiRaft协议保障高可用性和数据一致性复制, 且每个节点集合会包含大量的分片组，每个分片组对应一个raft group；每个分片组隶属于某个volume；每个分片组都是某个volume的一段元数据范围（一段inode id ); 元数据子系统通过分裂来完成动态扩容；当一分片组资源(性能、容量)紧接临近值时，资源管理器服务会预估一个结束点，并通知此组节点设备，只服务到此点之前的数据，同时也会新选出一组节点，并动态加入到当前业务系统中。

单个目录支持百万级别容量，元数据全内存化，保证优秀的读写性能，内存元数据分片通过snapshot方式持久化到磁盘以作备份及恢复使用。

而对象存储提供的是扁平命名空间；以访问objectkey为/bucket/a/b/c的对象为例，从根目录开始，通过”/”分隔符层层解析，找到最后一层目录(/bucket/a/b)的Dentry，最后找到的/bucket/a/b/c对于的Inode，此过程涉及多次节点间交互，层次越深，性能较差；因此我们引入PathCache模块用于加速ObjectKey解析，简单做法是在PathCache中对ObjectKey的父目录(/bucket/a/b)的Dentry做缓存；分析线上集群我们发现，目录平均大小约为100，假设存储集群规模在千亿级别，目录条目也才10亿个，单机缓存效率很高，同时可通过节点扩容来提升读性能；在同时支持"扁平"和"层次"命名空间管理的设计，与业界其他系统相比，CBFS实现得更简洁，更高效，无需任何转换即可轻松实现一份数据，多种协议访问互通，且不存在数据一致性问题。

数据湖架构带来显著的收益之一是成本节约，但存算分离架构也会遇到带宽瓶颈和性能挑战，因此我们也提供了一系列访问加速技术：

一. 多级缓存能力
第一级缓存：本地缓存，其与计算节点同机部署，支持元数据和数据缓存，支持内存、PMem、NVme、HDD不同类型介质，特点是访问时延低，但容量少.
第二级缓存：分布式缓存，副本数目弹性可变，提供位置感知能力，支持用户/桶/对象级的主动预热和被动缓存，数据淘汰策略也可配置
多级缓存策略在我们的机器学习训练场景有不错的加速效果。

二. 谓语下推操作
另外存储数据层还支持了谓语下推操作，可显著减少存储与计算节点间大量的数据流动，降低资源开销并提升计算性能；
数据湖加速还有很多细致的工作，我们也在持续完善的过程中。

最后，结合刚才提到的三点技术方向，说下我们未来的一些规划和展望。

批流一体的计算，我们做到了元数据统一，存储统一。计算引擎统一，是可以积极探索的方向。虽然以 Flink 为代表的计算引擎，不断地宣称自己能做到批流一体，但是从实践角度，一个系统想做得多，往往不能再每个方向上都做到极致。统一的计算引擎我持保留意见，但不排斥这个方向的探索。这点上，我个人更倾于在批、流和交互式计算引擎上有一个公共层，通过这个公共层屏蔽不同引擎带来的适配成本，而非在引擎层实现完全的计算统一。

云数融合调度，目的是实现资源弹性，目前主要通过定时机制实现。因为我们知道业务资源利用规律，把这样的规律通过规则配置到我们弹性策略中。但是，弹性调度应该是更敏捷型，更灵活的，系统可以感知负载情况，自动进行资源的释放和回收。因为日常业务中会经常会有大规模任务重跑，任务突增等情况。这种情况下，灵活自主的扩缩容策略会对我们的业务有更好的帮助。

存储方面，刚才我们提到的冷、热、温分层存储目前还需要用户来定义。如某张事实表数据多久变冷存，某张维表是否一直需要热缓存加速。随着业务的变化，冷数据可能变成热数据，也需要手动做参数调整。其实，数据冷、热、温的划分，可以根据动态监测到的一些指标数据，通过算法自动地进行标识，转化，以达到不同数据使用不同存储介质，进而拥有更合理的存储成本。

最后还想说一点，数据平台我们会持续与云的融合。近年来广泛讨论的 Snowflake ，将数据仓库搬到云上，同时支持多云部署，非常有代表性。我们的产品和能力嫁接到云上，可以更广泛的输出我们的服务。

作者简介
Keung Chau OPPO数据架构负责人
负责 OPPO 数据平台的建设与技术演进。

获取更多精彩内容，扫码关注[OPPO数智技术]公众号