好未來(NYSE：TAL)是一家以智慧教育和開放平臺為主體，以素質(zhì)教育和課外輔導(dǎo)為載體，在全球范圍內(nèi)服務(wù)公辦教育，助力民辦教育，探索未來教育新模式的科技教育公司。截至2020年11月底，好未來在102個城市建立起990個教學(xué)點，業(yè)務(wù)范圍覆蓋全國331個地級市以及海外20多個國家和地區(qū)。

　　隨著業(yè)務(wù)的發(fā)展，實時數(shù)據(jù)的分析需求日益增多，尤其在營銷推薦、歸因分析、業(yè)務(wù)輔助決策等場景下，實時數(shù)據(jù)分析所帶來的效益提升是離線數(shù)據(jù)所不能比擬的。在這些業(yè)務(wù)場景的驅(qū)動下，好未來選擇了DorisDB來支撐實時數(shù)據(jù)的分析應(yīng)用。實現(xiàn)了數(shù)據(jù)秒級查詢響應(yīng)能力，構(gòu)建了一個統(tǒng)一&快速&高效&靈活的實時數(shù)倉。

　　“作者：王岳 好未來數(shù)據(jù)科學(xué)組負責人，專注于數(shù)倉建設(shè)、數(shù)據(jù)分析、算法等領(lǐng)域研究。”

　　一、業(yè)務(wù)背景

　　1.業(yè)務(wù)場景分類

　　在教育場景下，根據(jù)數(shù)據(jù)時效性劃分，數(shù)據(jù)分析處理可分為離線和實時兩大部分：

　　(1)離線

　　離線數(shù)據(jù)以8大數(shù)據(jù)域(日志、營銷、交易、服務(wù)、教學(xué)、內(nèi)容、學(xué)習(xí)、畫像)建設(shè)為主，主要處理核心歷史數(shù)據(jù)，解決“業(yè)務(wù)運營、分析師、算法”等海量數(shù)據(jù)多維度分析和挖掘等，采用批處理的方式定時計算。

　　(2)實時

　　實時數(shù)據(jù)分析處理，主要包括由埋點產(chǎn)生的各種日志數(shù)據(jù)，數(shù)據(jù)量大，以結(jié)構(gòu)化或半結(jié)構(gòu)化類型為主;另外還包括由業(yè)務(wù)交易產(chǎn)生的業(yè)務(wù)數(shù)據(jù)，通常使用數(shù)據(jù)庫的Binlog獲取。

　　實時數(shù)據(jù)分析的需求越來越多，特別是在營銷簽單業(yè)務(wù)和在讀學(xué)員是否續(xù)報等場景，需要實時數(shù)據(jù)來助力業(yè)務(wù)營銷付費和續(xù)費目標達成。當目標沒完成時，業(yè)務(wù)運營需要對數(shù)據(jù)進行多維度分析，找到原因，并快速做出決策調(diào)整等管理動作。

　　2.業(yè)務(wù)痛點

　　T+1的離線數(shù)據(jù)分析已經(jīng)無法滿足業(yè)務(wù)對時效性的需求，我們希望建設(shè)實時數(shù)倉來支持業(yè)務(wù)實時數(shù)據(jù)分析場景，解決如下痛點：

　　·市場：想通過廣告頁投放策略，洞悉PV、UV等流量數(shù)據(jù)，如果出現(xiàn)異常，可快速分析和優(yōu)化。但之前因為各種因素我們無法提供實時數(shù)據(jù)，對于業(yè)務(wù)來說T+1數(shù)據(jù)時效性滯后，參考價值有限。

　　·銷售：通過分析意向用戶跟進和簽單數(shù)據(jù)，根據(jù)當日銷售目標，及時發(fā)現(xiàn)還有哪些管理動作需要優(yōu)化。但目前是提供滯后數(shù)據(jù)，每日簽多少單都通過人來統(tǒng)計，分析也是通過歷史數(shù)據(jù)，分析效果很差。

　　·在讀學(xué)員續(xù)報：實時觀測哪些學(xué)員續(xù)報了，老師需要做哪些續(xù)報動作。

　　·課堂行為分析：分析課堂實時互動行為、答題行為等，階段評測報告、課堂質(zhì)量等。

　　·算法模型：實時更新模型需要的特征數(shù)據(jù)，更準時的預(yù)測模型效果。

　　3.實時數(shù)倉目標

　　數(shù)據(jù)團隊要提供靈活&豐富的分鐘級的實時數(shù)據(jù)，并要保證數(shù)據(jù)的豐富性&準確性&及時性等。

　　(1)豐富性

　　沿用離線數(shù)倉建模好的數(shù)據(jù)維度和指標，保證離線能用到的，實時也能用到。

　　(2)準確性

　　實時指標的構(gòu)建需要可以保證數(shù)據(jù)完整性和準確性。所有指標開發(fā)按照指標定義文檔，線上使用DQC平臺來監(jiān)控數(shù)據(jù)準確性，實時發(fā)送異常數(shù)據(jù)等。

　　(3)及時性

　　要保證數(shù)據(jù)的“新鮮”度，線上實時產(chǎn)生的業(yè)務(wù)數(shù)據(jù)和日志數(shù)據(jù)，要能及時地被用于數(shù)據(jù)分析，提升一線人員或業(yè)務(wù)的反饋速度。

　　二、實時數(shù)倉技術(shù)架構(gòu)演進

　　實時數(shù)倉的探索過程中，我們先后經(jīng)歷了如下幾個階段：

　　·2018年~2019年，基于Hive框架下的小時級任務(wù)方案;

　　·2019年，基于Flink+Kudu的實時計算方案;

　　·2020年至今，基于DorisDB的實時數(shù)倉技術(shù)架構(gòu)。

　　1.基于Hive

　　在原有天級延遲的離線數(shù)據(jù)處理任務(wù)基礎(chǔ)上，開發(fā)小時級延遲的數(shù)據(jù)處理鏈路，將核心數(shù)據(jù)按小時同步到Hive數(shù)倉中，每小時調(diào)度一次DAG任務(wù)，實現(xiàn)小時級任務(wù)計算。任務(wù)DAG示意圖如下所示：

　　

 

　　(1)優(yōu)點：

　　·離線和小時級任務(wù)各自獨立

　　·代碼邏輯復(fù)用性高，減少開發(fā)成本

　　·可以使用離線數(shù)據(jù)覆蓋小時級數(shù)據(jù)，進行數(shù)據(jù)修復(fù)

　　(2)缺點：

　　·小時級數(shù)據(jù)的延遲性還是很高，已無法滿足業(yè)務(wù)對數(shù)據(jù)時效性的要求

　　·MapReduce不適合分鐘級頻次的任務(wù)調(diào)度，主要是MapReduce任務(wù)啟動慢，另外會過高的頻次會產(chǎn)生很多小文件，影響HDFS的穩(wěn)定性，以及SQL on Hadoop系統(tǒng)的查詢速度

　　·批量數(shù)據(jù)處理每次運行對資源要求高，尤其是當凌晨Hadoop資源緊張時，任務(wù)經(jīng)常無法得到調(diào)度，延遲嚴重

　　2.基于Flink+Kudu

　　為了解決上面基于MapReduce小時級任務(wù)的問題，我們采用了流式處理系統(tǒng)Flink和支持增量更新的存儲系統(tǒng)Kudu。

　　

 

　　如上圖所示，實時的日志數(shù)據(jù)通過Flume采集到Kafka，實時的業(yè)務(wù)數(shù)據(jù)通過canal實時同步數(shù)據(jù)庫的binlog再轉(zhuǎn)發(fā)到Kafka中，F(xiàn)link再實時消費Kafka中的數(shù)據(jù)寫入Kudu中。

　　在使用Flink+Kudu的實踐中，我們遇到了如下幾個問題：

　　·Flink基于stream語義，做復(fù)雜指標計算非常復(fù)雜，門檻高，開發(fā)效率不高，數(shù)據(jù)倉庫更多使用批處理SQL

　　·Kudu+Impala聚合查詢效率不高，查詢響應(yīng)時間不能滿足業(yè)務(wù)多維分析要求

　　·使用Kudu需要依賴Impala、Hive等整個Hadoop組件，維護成本太高

　　·Kudu社區(qū)不活躍，遇到問題很難找到相關(guān)解決方案，使用過程中遇到過宕機等各類疑難問題

　　3.基于DorisDB

　　基于上面方案的問題，我們開始對實時數(shù)倉進行調(diào)研，包括DorisDB、ClickHouse、Kylin等系統(tǒng)，考慮到查詢性能、社區(qū)發(fā)展、運維成本等多種因素，我們最后選擇DorisDB作為我們的實時數(shù)倉，各系統(tǒng)的對比總結(jié)如下：

　　

 

　　我們也深入考慮過ClickHouse，對于教育場景，一個學(xué)員要關(guān)聯(lián)的數(shù)據(jù)維度多，包括課堂、服務(wù)、訂單、教研等。在每個主題我們都會建設(shè)靈活且易用的星型數(shù)據(jù)模型。當業(yè)務(wù)想進行個性化自助分析時，僅需要關(guān)聯(lián)相關(guān)表即可。但如果直接構(gòu)建明細大寬表，隨著業(yè)務(wù)不斷調(diào)整，經(jīng)常需要重構(gòu)開發(fā)。這種情況下，ClickHouse的join能力弱，無法滿足需求，而DorisDB強悍的Join能力，就成了我們應(yīng)對業(yè)務(wù)變化的利器。而且DorisDB支持CBO(基于成本統(tǒng)計的優(yōu)化器)，具備復(fù)雜查詢的優(yōu)化能力，從而可以快速的進行復(fù)雜實時微批處理任務(wù)，可以幫助我們更好的進行實時指標構(gòu)建。

　　最終選擇DorisDB的原因：

　　·使用DorisDB可以讓我們像開發(fā)離線Hive任務(wù)一樣進行實時數(shù)倉的開發(fā)，避免了復(fù)雜的Flink stream語義，同時也能在功能上對齊離線指標，保證指標豐富性的基礎(chǔ)上完成指標定義口徑的一致，并且可以保證分鐘級的數(shù)據(jù)可見性。

　　·大寬表和星型模型的查詢性能都很好，可以靈活高效的滿足各類業(yè)務(wù)分析要求。

　　·DorisDB簡單易用，運維管理成本低。

　　三、基于DorisDB的實時數(shù)倉架構(gòu)

　　1.系統(tǒng)搭建

　　

 

　　整個系統(tǒng)，除了DorisDB集群之外，我們還搭建了下面兩個配套系統(tǒng)

　　·調(diào)度：使用Airflow，進行DAG任務(wù)調(diào)度

　　·監(jiān)控：使用grafana+prometheus，采集DorisDB信息并進行實時監(jiān)控

　　2.實時數(shù)倉總體架構(gòu)

　　

 

　　基于DorisDB的實時數(shù)倉總體架構(gòu)，主要包括下面三個部分：

　　(1)數(shù)據(jù)源：業(yè)務(wù)數(shù)據(jù)(使用Flink實時同步mysql的binlog日志，寫入到Kafka)、日志數(shù)據(jù)(包括H5小程序、APP、直播ipad客戶端等埋點采集的各類日志數(shù)據(jù)，通過Flume寫入到Kafka中)

　　(2)數(shù)據(jù)存儲：

　　·采用DorisDB的Routine Load直接消費Kafka中的日志和業(yè)務(wù)數(shù)據(jù)

　　·使用DorisDB的Broker Load將Hadoop中的DWD、DWS、ADS等數(shù)據(jù)導(dǎo)入到DorisDB中

　　·對于Flink等流式處理下系統(tǒng)，使用DorisDB的Stream Load方式實時將數(shù)據(jù)導(dǎo)入DorisDB

　　(3)數(shù)據(jù)應(yīng)用：

　　·使用DataX可以將DorisDB數(shù)據(jù)導(dǎo)出到MySQL中

　　·使用DorisDB的Export可以將DorisDB中的數(shù)據(jù)導(dǎo)出到HDFS中

　　·DorisDB完全兼容Mysql協(xié)議，BI或業(yè)務(wù)系統(tǒng)可以使用Mysql Connector直接連接DorisDB進行使用

　　3.實時數(shù)倉數(shù)據(jù)處理流程

　　

 

　　在實時數(shù)倉內(nèi)部，也是按照傳統(tǒng)離線數(shù)倉的方式，對數(shù)據(jù)處理進行分層處理：

　　·ODS層，設(shè)置DorisDB的Routine Load間隔30秒消費一次Kafka數(shù)，寫入到ODS表中

　　·DWD層，按業(yè)務(wù)分析的需要建模DWD表，通過Airflow間隔5分鐘，將ODS表中過去5分鐘的增量數(shù)據(jù)寫入到DWD表中

　　·DWS層，對DWD表中的維度進行輕度或中度匯總，可以加快上層查詢速度

　　·BI層，通過自研的一個指標定義工具，分析人員可以快速的基于DWS構(gòu)建報表，也可以衍生出一些復(fù)合指標進行二次加工。分析師也可以將取數(shù)口徑中的SQL做臨時修改，生成一個復(fù)雜跨主題查詢SQL，來應(yīng)對一些Adhoc需求場景。

　　四、DorisDB實時數(shù)倉具體應(yīng)用

　　在好未來，為保證課堂上課數(shù)據(jù)、訂單數(shù)據(jù)的實時分析要求，使用DorisDB支撐了課堂、訂單等分析業(yè)務(wù)。下面以課堂、訂單場景為例，從數(shù)據(jù)同步、數(shù)據(jù)加工等幾個步驟拆解DorisDB在好未來應(yīng)用場景的落地方案。

　　1.實時數(shù)據(jù)同步

　　在好未來，采用flink采集業(yè)務(wù)庫的binlog數(shù)據(jù)，然后寫入到kafka中，DorisDB只需要消費kafka對應(yīng)的topic數(shù)據(jù)即可，整體流程如下圖：

　　

 

　　2.實時數(shù)倉數(shù)據(jù)處理

　　DorisDB內(nèi)部的實時數(shù)據(jù)加工處理主要有如下操作：

　　·縮短計算鏈路的長度，實時部分最多計算2層。dwd或dws層

　　·增量計算，采用DorisDB的UNIQUE KEY模型，相當于(insert+update)，因此只計算增量部分即可

　　·采用時間分區(qū)，多副本策略。既為了數(shù)據(jù)安全，又能避免鎖表

　　·離線表結(jié)構(gòu)與實時表結(jié)構(gòu)，保持一樣，這樣就可以用離線修復(fù)T+1數(shù)據(jù)

　　

 

　　3.DAG任務(wù)調(diào)度

　　為了使DorisDB能在airflow上執(zhí)行，我們封裝了airflow調(diào)用DorisDB執(zhí)行sql的算子，以便DorisDB的加工邏輯在airflow上被定時調(diào)度。

　　

 

　　DorisDB任務(wù)執(zhí)行狀態(tài)的檢查，由于不像T+1，只需要判斷昨天任務(wù)是否執(zhí)行就行了，實時檢查需要滿足以下條件：

　　·檢查輪詢間隔，需要根據(jù)不同的調(diào)度間隔，適當調(diào)整

　　·檢查輪詢總時長，不能超過(調(diào)度間隔時長-10秒)

　　·檢查的范圍，最小需要大于調(diào)度間隔，最大小于2倍的調(diào)度間隔

　　根據(jù)以上的實時調(diào)度檢查條件，我們封裝了基于DorisDB的實時調(diào)度的任務(wù)檢查airflow算子，方便使用。

　　4.實時數(shù)據(jù)生產(chǎn)預(yù)警

　　為了監(jiān)控DorisDB的實時數(shù)據(jù)生產(chǎn)情況，我們設(shè)置了三種預(yù)警：

　　(1)檢查DorisDB消費Kafka的任務(wù)，是否停掉了，如果停掉自動重啟，重啟3次依然失敗，再發(fā)通知，人為干預(yù)

　　(2)檢查常規(guī)任務(wù)的執(zhí)行，如果執(zhí)行報錯，就發(fā)通知。

　　(3)檢查數(shù)據(jù)源與DorisDB實時數(shù)倉ods層表，schema的對比，如果出現(xiàn)schema變更，就發(fā)通知人為干預(yù)。這樣我們就能在白天實時了解schema的變更情況，不必要等到調(diào)度報錯才發(fā)現(xiàn)，而且不影響線上數(shù)據(jù)產(chǎn)出。

　　五、DorisDB使用效果

　　1.提升業(yè)務(wù)收益

　　DorisDB在眾多場景給業(yè)務(wù)帶來了直接收益，尤其是DorisDB的實時數(shù)據(jù)與算法模型相結(jié)合的場景。比如教育的獲客、轉(zhuǎn)化、用戶續(xù)報等業(yè)務(wù)，之前模型需要特征數(shù)據(jù)都是前一天的，所以模型也相對滯后。而我們通過大量數(shù)據(jù)分析得出結(jié)論：是當日行為和跟進數(shù)據(jù)，是最有價值的特征數(shù)據(jù)，這樣模型效果較好。特別是意向用戶識別模型，成為線索當天的歷史積累數(shù)據(jù)的特征和前一天的歷史積累數(shù)據(jù)的特征，分別訓(xùn)練模型后，線上實際預(yù)測效果相差2-3個百分點，AUC 0.752和AUC 0.721的差別，所以，當天的特征模型效果特別明顯。

　　2.降低使用成本

　　·用簡單的SQL語義替代Stream語義完成實時數(shù)倉的開發(fā)，大大降低了開發(fā)的復(fù)雜度和時間成本，同時能夠保證和離線指標的一致性。

　　·結(jié)合使用寬表模型和星型模型，寬表和物化視圖可以保證報表性能和并發(fā)能力，星型模型可以保證系統(tǒng)的查詢靈活性，在一套系統(tǒng)中滿足不同場景的分析需求。另外，明細表查詢我們通過DorisDB外表的方式暴露查詢，提升了查詢的速度，大大降低了業(yè)務(wù)方的成本。DorisDB的分布式Join能力非常強，原來一些需要查詢多個Index在從內(nèi)存中計算的邏輯可以直接下推到DorisDB中，降低了原有方案的復(fù)雜度，提升了查詢服務(wù)的穩(wěn)定性，加快了響應(yīng)時間。

　　·BI報表遷移成本低，我們前期BI可視化是基于Mysql構(gòu)建的，某些看板不斷優(yōu)化和豐富需求后，加上多維度靈活條件篩選，每次加載超級慢，業(yè)務(wù)無法接受，當同樣數(shù)據(jù)同步到DorisDB上后，我們僅需要修改數(shù)據(jù)源鏈接信息，SQL邏輯不用修改(這個超級爽，遷移成本超級低)，查詢性能直接提升10倍以上。

　　·運維成本低，相對其他大數(shù)據(jù)組件來說，DorisDB只需要部署一種即可滿足各類數(shù)據(jù)分析需求，不需要其他軟件輔助，而且部署運維簡單。

　　未來展望

　　DorisDB作為新一代MPP數(shù)據(jù)庫的引領(lǐng)者，當前在多種場景下性能都非常優(yōu)秀，幫助我們非常好的重構(gòu)了實時數(shù)倉。目前DorisDB高效的支持了實時指標的計算，以及業(yè)務(wù)方在實時場景下的數(shù)據(jù)靈活探查和多維分析需求。DorisDB在集團內(nèi)部各個業(yè)務(wù)線的應(yīng)用越來越多，我們也將推動實時和離線數(shù)據(jù)分析進行統(tǒng)一，為業(yè)務(wù)分析提供更好的支撐。后繼我們將分享更多DorisDB的成功實踐。最后，感謝鼎石科技的大力支持!