改版通知

巨人肩膀网站已全新改版。若您仍依赖旧站功能或数据,欢迎联系我们,我们会协助处理。联系我们

FlinkPaimon在阿里云原生数仓运维中的创新实践

ckckck2025年1月10日35 浏览

Apache Paimon 中文社区官微

以下文章来源于 Apache Paimon,作者欧阳武林 (伍林)

Apache Paimon

Apache Paimon
Apache Paimon 中文社区官微,PMC 成员维护

01 背景

随着大数据产品云原生化的推进,云原生集群的规模和数量都在增加,云原生集群的运维难度也在不断增加。云原生集群的资源审计、资源拓扑、资源趋势的需求变得尤为迫切。云原生集群的资源审计主要包括 node 资源和 pod 资源,如当前集群的 node 数量以及 Pod 数量;资源拓扑主要构建用户->实例->pod->node->集群的关联关系,例如一个公有云用户,提供给运维团队可以通过 uid 查询到用户实例以及实例所在的节点/集群信息。资源趋势是整个团队所管理的集群资源使用趋势,包括 pod 数量趋势、node 数量趋势、以及用户使用资源趋势。

为了提升大数据产品云原生集群的运维能力,我们构建了一个实时云原生运维数仓,业务能力提供资源审计、资源拓扑、资源趋势等能力。在数据性能方面,最终数据需要具备实时性(分钟级)和一致性。

目前 Flink 已经是实时计算的标准解决方案,在此基础上,阿里云开源大数据团队推出了 Paimon 作为低成本的数据湖解决方案。本文我们使用 Flink+Paimon 作为流式数仓解决方案,应用到云原生运维数仓中,提供实时(分钟级)的数据服务,提升云原生集群的运维能力。

02 总体设计

2.1 方案选型

如背景所述,由于数据的实时性需求,我们不考虑离线数仓解决方案,直接考虑实时数仓解决方案。目前阿里云实时数仓解决方案中,比较推荐使用的是 Flink+Hologres 和 Flink+Paimon 两种解决方案。其中 Flink+Hologres 已经比较成熟,本文中我们不详细描述,其主要缺点是 Hologres 存储成本比较高。最终我们选择使用 Flink+Paimon 的方案,优势在于存储成本低,实时性高。

2.2 最终方案

最终方案

数据采集采用 exporter operator 实现 Kubernetes 负载数据到 SLS,为了适配阿里云多 region 网络隔离的问题,我们在数据出 region 之前先同步到 SLS 中,再直接同步到 SLS 的跨域网络同步到 Paimon ODS 表中,同步的过程需要处理数据排序问题。Flink 作业通过运维数仓本身有比较高的实时性要求,我们在数据处理过程中采用 Flink+Paimon 的解决方案,Paimon 支持元数据注册到 MaxCompute 中,可以直接使用 DataWorks/Flink 查询数据;最终数据报表采用 FBI 进行展示,资源拓扑数据写入到 CMDB 中给运维系统使用。

03 落地实践

3.1 数据采集

数据采集

我们研发了 exporter-operator 工具,嵌入 Kubernetes 集群中的哨兵,实时监听 Kubernetes API server 中 workload 数据变化。作为集群生态系统的 addon 组件,exporter-operator 以高效的响应机制驻留内部。

通过配置 Informer 中的自定义资源(CR),exporter-operator 灵活启用了多个 workload-informer 实例,针对各类工作负载实施监听,赋予系统卓越的灵活性,使其能够灵活监控多种工作负载信息。

exporter-operator 不断捕获并即时传输这些关键的工作负载数据,无缝对接阿里云日志服务(SLS)或 Apache Kafka 流处理平台,实现实时记录与深度分析集群运行状态,为优化集群效能提供强有力的数据支持。

3.2 数据清洗

为了数据分析可以使用 DataWorks 进行分析,数据清洗前需要按照文档 Paimon 外部表进行配置。配置完成后创建 Paimon 表的元数据会直接同步到 DataWorks 中,就可以直接进行数据分析。

3.2.1 ODS 层

ODS 层数据直接把 SLS/Kafka 中的数据同步到 Paimon ODS 表,保存有所有同步到的负载数据。

sql 复制代码
CREATE TABLE IF NOT EXISTS `abm-exporter-paimon`.`abm_exporter_db`.`ods_realtime_exporter_lakehouse` (
    `sls_time`  bigint,
    `cluster`  varchar,
    `content`  varchar
) PARTITIONED BY (cluster) with(
    'orc.write.batch-size' = '128',
    'file.format' = 'avro',
    'bucket' = '8'
);

insert into `abm-exporter-paimon`.`abm_exporter_db`.`ods_realtime_exporter_lakehouse` /*+ OPTIONS('orc.write-buffer-size' = '128','file.format' = 'avro') */
select
    `__timestamp__` as sls_time,
    `__topic__` as cluster,
    `content`
from source_k8s_meta;

注意:
Paimon 默认文件格式是 ORC,ORC 是列存,所以需要先在内存里攒批然后写出去。默认一批是 1024 行,目前写入数据一行几 MB,1024 行的 buffer 就几 GB 了,堆内存会不够。所以选择使用行存:设置 'file.format' = 'avro',用 avro 格式;另外也可以设置 'orc.write.batch-size' = '128',把批的大小改成 128 来解决。

3.2.2 DWD 层

DWD 层的功能有三个部分:

  1. 将数据按照 primary key 聚合,确保资源数据的唯一性。
  2. 将数据进行排序,确保 delete 的数据在最后发生。
  3. 集群维度进行维表 join,丰富集群维度字段。
sql 复制代码
CREATE TABLE IF NOT EXISTS `abm-exporter-paimon`.`abm_exporter_db`.`dwd_realtime_exporter_lakehouse` (
    type                 varchar,
    obj                 varchar,
    k8s_group           varchar,
    version             varchar,
    kind                varchar,
    namespace           varchar,
    name                varchar,
    resourceversion     varchar,
    region_id           varchar NOT NULL,
    cluster             varchar NOT NULL,
    watchname           varchar NOT NULL,
    watchsetuptimestamp bigint NOT NULL,
    uid                 varchar PRIMARY KEY NOT ENFORCED,
    collect_time        bigint NOT NULL,
    sls_time            bigint,
    cluster_id          varchar,
    region              varchar,
    zone                varchar
) with (
    'merge-engine' = 'partial-update',
    'changelog-producer' = 'lookup',
    'partial-update.ignore-delete'='true'
);

set 'table.exec.sink.upsert-materialize' = 'NONE';

insert into `abm-exporter-paimon`.`abm_exporter_db`.`dwd_realtime_exporter_lakehouse`  /*+ OPTIONS('orc.write-buffer-size' = '128','file.format' = 'avro') */
select
    json_value(`content`, '$.type')             as `type`,
    json_value(`content`, '$.obj')              as `obj`,
    json_value(`content`, '$.group')            as `k8s_group`,
    json_value(`content`, '$.version')          as `version`,
    json_value(`content`, '$.kind')             as `kind`,
    json_value(`content`, '$.namespace')        as `namespace`,
    json_value(`content`, '$.name')             as `name`,
    json_value(`content`, '$.resourceversion')  as `resourceversion`,
    'cn-zhangjiakou'                               as `region_id`,
    `cluster`                                as `cluster`,
    json_value(`content`, '$.watchname')        as `watchname`,
    cast(json_value(`content`, '$.watchsetuptimestamp') as bigint)    as `watchsetuptimestamp`,
    json_value(`content`, '$.uid')              as `uid`,
    cast(UNIX_TIMESTAMP() as bigint)                      as `collect_time`,
    `sls_time`                            as `sls_time`,
    NULL,
    NULL,
    NULL
from (
    SELECT
        *,
        ROW_NUMBER() OVER (
            PARTITION BY `cluster`, json_value(`content`, '$.uid')
            ORDER BY cast(json_value(`content`, '$.resourceversion') as bigint) DESC,cast(json_value(`content`, '$.__time_milli__') as bigint) DESC
        ) as rowNum
    FROM `abm-exporter-paimon`.`abm_exporter_db`.`ods_realtime_exporter_lakehouse`
) WHERE rowNum = 1;

3.2.3 ADS 层

ADS 层进行数据聚合,Flink 处理逻辑只负责将数据写入到 Paimon 中,使用 Paimon 的 merge-engine='aggregation' 进行字段的聚合。这样计算逻辑不在 Flink 中,不需要在 Flink state 中进行,大量减少 state 的资源消耗。因为 Paimon 的计算是在 Flink checkpoint 结束后触发,所以减少 Flink checkpoint 的间隔时间可以提高数据的实时性。

sql 复制代码
CREATE TABLE IF NOT EXISTS `abm-exporter-paimon`.`abm_exporter_db`.`ads_realtime_exporter_lakehouse`(
    kind          varchar,
    cluster      varchar NOT NULL,
    workload_num bigint,
    PRIMARY KEY (kind, cluster) NOT ENFORCED
) with (
    'merge-engine' = 'aggregation',
    'changelog-producer' = 'lookup',
    'fields.workload_num.aggregate-function' = 'sum'
);

insert into `abm-exporter-paimon`.`abm_exporter_db`.`ads_realtime_exporter_lakehouse`
select
    kind,
    cluster,
    case
        when type = 'ADDED' then 1
        when type = 'DELETED' then -1
        ELSE  0
    end as workload_num
from `abm-exporter-paimon`.`abm_exporter_db`.`dwd_realtime_exporter_lakehouse`;

3.3 数据分析

如果只需要查询一次的情况可以使用 DataWorks 进行数据查询,当然也可以直接使用 Flink 进行数据查询,当前 VVP 里面已经开发了查询的功能。如果需要生成报表就使用 FBI 等工具进行数据分析,也可以使用 Flink 将相关的数据清洗到 CMDB 系统中去。

sql 复制代码
use bigdata_sre;
SET odps.table.scan-options.odps.external.sub.disable.hyper=true;
SET odps.sql.common.table.planner.ext.hive.bridge = true;
set odps.sql.submit.ddltask.via.common.table=true;
SET odps.sql.hive.compatible = false;
set odps.compiler.verify=true;
set odps.isolation.session.enable=true;

-- select * from ods_realtime_exporter_lakehouse limit 100;
-- select * from dwd_realtime_exporter_lakehouse where kind='Node' limit 100;
select * from ads_realtime_exporter_lakehouse order by workload_num desc limit 100;

04 总结

目前 Flink+Paimon 实时数据湖的方案已经比较成熟,使用成本不高,相关的生态也比较完善,在低成本和低延迟的要求下,这个方案还是非常好的选择。如果对成本没太高的要求,Flink+Hologres 在延迟方面会有些优势。

end