分享嘉宾:贺小令 阿里巴巴技术专家

编辑整理:王吉东

内容来源:Flink Forward ASIA

出品平台:DataFun

导读: 本次分享的主题为 Apache Flink 新场景——OLAP 引擎,主要内容包括:

  • 背景介绍
  • Apache Flink OLAP 引擎
  • 案例介绍
  • 未来计划

1. OLAP 及其分类

OLAP 是一种让用户可以用从不同视角方便快捷的分析数据的计算方法。主流的 OLAP 可以分为 3 类:多维 OLAP ( Multi-dimensional OLAP )、关系型 OLAP ( Relational OLAP ) 和混合 OLAP ( Hybrid OLAP ) 三大类。

多维 OLAP ( MOLAP ):

  • 传统的 OLAP 分析方式
  • 数据存储在多维数据集中

关系型 OLAP ( ROLAP ):

  • 以关系数据库为核心,以关系型结构进行多维数据的表示
  • 通过 SQL 的 where 条件以呈现传统 OLAP 的切片、切块功能

混合 OLAP ( HOLAP ):

  • 将 MOLAP 和 ROLPA 的优势结合起来,以获得更快的性能

接下来为大家详细介绍下:

① MOLAP

典型代表:

MOLAP 的典型代表是 Kylin 和 Druid。

处理流程:

  • 对原始数据做数据预处理
  • 预处理后的数据存至数据仓库
  • 用户的请求通过 OLAP server 查询数据仓库中的数据

MOLAP 的优点和缺点:

MOLAP 的优点和缺点都来自于其数据预处理 ( pre-processing ) 环节。数据预处理,将原始数据按照指定的计算规则预先做聚合计算,这样避免了查询过程中出现大量的临时计算,提升了查询性能,同时也为很多复杂的计算提供了支持。

但是这样的预聚合处理,需要预先定义维度,会限制后期数据查询的灵活性;如果查询工作涉及新的指标,需要重新增加预处理流程,损失了灵活度,存储成本也很高;同时,这种方式不支持明细数据的查询。

因此,MOLAP 适用于对性能非常高的场景。

② ROLAP

典型代表:

ROLAP 的典型代表是 Presto 和 Impala。

处理流程:

  • 用户的请求直接发送给 OLAP server
  • OLAP serve 将用户的请求转换成关系型操作算子:
    1. 通过 SCAN 扫描原始数据
    2. 在原始数据基础上做过滤、聚合、关联等处理
  • 将计算结果返回给用户

ROLAP 的优点和缺点:

ROLAP 不需要进行数据预处理 ( pre-processing ),因此查询灵活,可扩展性好。这类引擎使用 MPP 架构 ( 与 Hadoop 相似的大型并行处理架构,可以通过扩大并发来增加计算资源 ),可以高效处理大量数据。但是当数据量较大或 query 较为复杂时,查询性能也无法像 MOLAP 那样稳定。所有计算都是临时发生 ( 没有预处理 ),因此会耗费更多的计算资源。

因此,ROLAP 适用于对查询灵活性高的场景。

③ HOLAP

混合 OLAP,是 MOLAP 和 ROLAP 的一种融合。当查询聚合性数据的时候,使用 MOLAP 技术;当查询明细数据时,使用 ROLAP 技术。在给定使用场景的前提下,以达到查询性能的最优化。

2. Apache Flink 介绍

① 当前 Apache Flink 支持的应用场景

Apache Flink 支持的 3 种典型应用场景:

  1. 事件驱动的应用
  • 反欺诈
  • 基于规则的监控报警
  1. 流式 Pipeline
  • 数据 ETL
  • 实时搜索引擎的索引
  1. 批处理&流处理分析
  • 网络质量监控
  • 消费者实时数据分析

② Apache Flink 架构

③ Apache Flink 优势

  1. 统一框架 ( 不区分流处理和批处理 )
  • 用户 API 统一
  • 执行引擎统一
  1. 多层次 API
  • 标准 SQL APL
  • Table API
  • DataStream API ( 灵活,无 schema 限制 )
  1. 高性能
  • 支持内存计算
  • 支持代价模型优化
  • 支持代码动态生成
  1. 方便集成
  • 支持丰富的 Connectors
  • 方便对接现有 catalog
  1. 灵活的 Failover 策略
  • 在 Pipeline 下支持快速 failover
  • 类似 MapReduce、Spark 一样支持 shuffle 数据落盘
  1. 易部署维护
  • 灵活部署方案
  • 支持高可用

1. Apache Flink OLAP 引擎

① 为什么 Apache Flink 可以做 ROLAP 引擎?

  • Flink 的核心和基础是流计算,支持高性能、低延迟的大规模计算
  • Blink 将批看作有限流,批处理是针对有限数据集的优化,因此批处理引擎也是构建在流引擎上 ( 已开源 )
  • OLAP 是响应时间要求更短的批处理,因此 OLAP 可以看作是一种特殊的批。OLAP 引擎也可以构建在现有的批引擎上

注:Flink OLAP 引擎目前不带存储,只是一个计算框架

② Apache Flink 做 OLAP 引擎的优势

统一引擎:流处理、批处理、OLAP 统一使用 Flink 引擎

  • 降低学习成本,仅需要学习一个引擎
  • 提高开发效率,很多 SQL 是流批通用
  • 提高维护效率,可以更集中维护好一个引擎

既有优势:利用 Flink 已有的很多特性,使 OLAP 使用场景更为广泛

  • 使用流处理的内存计算、Pipeline
  • 支持代码动态生成
  • 也可以支持批处理数据落盘能力

相互增强:OLAP 能享有现有引擎的优势,同时也能增强引擎能力

  • 无统计信息场景的优化
  • 开发更高效的算子
  • 使 Flink 同时兼备流、批、OLAP 处理的能力,成为更通用的框架

2. 性能优化

OLAP 对查询时间非常敏感,当前很多组件的性能不满足要求,因此我们对 Flink 做了很多相关优化。

① 服务架构的优化

客户端服务化:

下图介绍了一条 SQL 怎么在客户端一步一步变为 JobGraph,最终提交给 JM:

在改动之前,每次接受一个 query 时会启动一个新的 JVM 进程来进行作业的编译。其中 JVM 的启动、Class 的加载、代码的动态编译 ( 如 Optimizer 模块由于需要通过 Janino 动态编译进行 cost 计算 ) 等操作都非常耗时 ( 需要约 3~5s )。因此,我们将客户端进行服务化,将整个 Client 做成 Service,当接收到用户的 query 时,无需重复各项加载工作,可将延时降低至 100ms 左右。

自定义 CollectionTableSink:

这部分优化,源于 OLAP 的一个特性:OLAP 会将最终计算结果发给客户端,通过 JobManager 转发给 Client。假如某个 query 的结果数据量很大,会让 JobManager OOM ( OutOfMemory );如果同时执行多个 query,也会相互影响。因此,我们从新实现了一个 CollectionTableSink,限制数据的条数和数据大小,避免出现 OOM,保证多个 Query 同时运行时的稳定性。

调度优化:

在 Batch 模式下的调度存在以下问题:

  • 使用 Lazy_from_sources 模式调度,会导致整体运行时间较长,也可能造成死锁。

    注:调度死锁是指在资源有限的情况下,多个 Job 同时运行时,如果多个 Job 都只申请到了部分资源并没有剩余资源可以申请,导致 Job 没法继续执行,新的 Job 也没法提交

  • RM ( Resource Manager ) 按 OnDemand 方式分配 Slot 需求,也会造成死锁

  • RM 以单线程同步模式向 TM ( Transaction Manager ) 分配 Slot 请求,会造成等待时间更长。

针对上述问题,我们提出了以下几点改动:

  • 采用 Eager 调度模式 ( 确保所有的资源都申请到后才开始运行 )
  • 使用 FIFO ( 先进先出队 ) 模式申请资源 ( 确保当前 Job 的资源分配结束后才开始下一个 Job 的资源分配 )
  • 将单线程同步模式改为多线程异步模式,减少任务启动时间和执行时间

② 针对 source 的优化

在 ROLAP 的执行场景中,所有数据都是通过扫描原始数据表后进行处理;因此,基于 Source 的读取性能非常关键,直接影响 Job 的执行效率。

Project&Filter 下堆:

像 Parquet 这类的列存文件格式,支持按需读取相所需列,同时支持 RowGroup 级别的过滤。利用该特性,可以将 Project 和 Filter 下推到 TableSource,从而只需要扫描 Query 中涉及的字段和满足条件的 RowGroup,大大提升读取效率。

Aggregate 下堆:

这个优化也是充分利用了 TableSource 的特性:例如 Parquet 文件的 metadata 中已经存储了每个 RowGroup 的统计信息 ( 如 max、min 等 ),因此在做 max、min 这类聚合统计时,可直接读取 metadata 信息,而不需要先读取所有原始数据再计算。

③ 在没有统计信息场景下做的优化

消除 CrossJoin:

CrossJoin 是没有任何 Join 条件,将 Join 的两张表的数据做笛卡尔积,导致 Join 的结果膨胀非常厉害,这类 Join 应该尽量避免。我们对含有 CrossJoin 的 Plan 进行改写:将有 join 条件的表格先做 join ( 通常会因为一些数据 Join 不上而减少数据 ),从而提高执行效率。这是一个确定性的改写,即使在没有统计信息的情况下,也可以使用该优化。

自适应的 Local Aggregate:

通常情况下,两阶段的 Aggregate 是非常高效的,因为 LocalAggregate 能聚合大量数据,导致 Shuffle 的数据量会变少。但是当 LocalAggregate 的聚合度很低的时候, Local 聚合操作的意义不大,反而会浪费 CPU。在没有任何统计信息的情况下,优化器没法决定是否要产生 LocalAggregate 算子;因此,我们采用运行时采样的方式来判断聚合度,如果聚合度低于设定的阈值,我们将关闭聚合操作,改为仅做数据转发;经我们测试,部分场景有 30% 的性能提升。

3. 测试结果

上图是 Flink 和 Presto 基于 1T 数据做的 SSB ( Star Schema Benchmark ) 测试,从图中可以看出 Flink 和 Presto 整体上不相上下,甚至有些 Query Flink 性能优于 Presto。注:Flink OLAP 从开始到嘉宾分享时,只有 3 个月时间。

1. Apache Flink OLAP 在数据探查上的应用

上图描述了一个数据湖应用的完整架构,Flink OLAP 主要用于"数据探查"。数据探查是对数据结构做智能判断,给出数据的探查结果,快速了解数据的信息和质量情况。即用户可以在管控平台上了解数据湖中任意一份数据的数据特性。用户通过 Web 交互操作选择相应的表和指标后立即展示相关结果指标,因此要求低延迟、实时反馈。而且数据湖中很多数据没有任何统计信息;前述的各种查询、聚合层面的优化,主要为这类场景服务。

2. 整体架构

上图是这类应用的整体架构。整套服务托管到 Kubernetes 上,最终访问的数据是 OSS;目前这套架构正在阿里云上做公测,邀请广大用户试用。

![](https://img.6ai