Kylin 在一点资讯的实践

在近期的 Apache Kylin Meetup 北京站上，我们邀请到了一点资讯的大数据平台高级工程师毛洪玥来分享 Kylin 在一点资讯的应用。本次分享由一点资讯 OLAP 发展历程和系统基础架构开始，以 Kylin 在一点资讯的业务需求和实践经验为依托，分享针对数据量较大的Cube如何提高查询响应速度，如何缩短构建时间，如何缓解 HBase 压力来提升稳定性，及使用过程中遇到的特殊数据问题与解决方案等。

发展历程

2016 年 9 月开始，一点资讯选择了综合性能优秀的 Druid 来承接大数据部门、算法部门和广告部门的多维分析查询需求。2017 年 9 月，接入刚刚开源的 Doris，承接明细查询和 SQL 分析业务。

至今年 5 月，随着业务增长和数据积累，冷数据占比增高，机器利用率降低。大部分数据月查询次数不超过 1 次，却需要长期存储，因而造成大量机器资源浪费。如何提高有限资源的利用率，支持维度高达 27 个，日志量达 1 T/天，查询周期长达 1 年的业务呢？经过一系列调研，一点资讯决定使用 Kylin 系统。Kylin 支持Hive、Kafka等形式的数据源，Cube存储及查询使用HBase，构建任务可以利用运行在Yarn上的MapReduce或Spark任务，这些都是一点资讯使用中的大数据组件，它们的存储计算均为PB级或以上级别，只需要再搭建轻量级 Kylin 实例即可。同时，Kylin 可以提供稳定高效的多维分析查询，对 JDBC 接入友好。

经过一个月的调研后，一点资讯在今年 6 月份正式将第一个 Kylin cube 投入线上使用。到目前为止，一点资讯总 Cube 数为 75 个，总数据量达到 90 T，最大的一个 Cube 源数据条数达 2.6 万亿。部署方式为 K8S 部署，两个 All 实例，两个Query 实例。K8S 部署大大减轻了运维负担，同时双角色双活保证任意一个实例故障都不会影响 Kylin 的正常使用。任务引擎高可用部署方案详见官网：http://kylin.apache.org/cn/docs/install/kylin_cluster.html

上图是一点资讯 OLAP 服务框架。为使公司内部各业务部门更方便地使用 OLAP 系统，一点资讯研发了自己的一站式 OLAP 分析平台，集数据源管理、任务调度、查询分析、权限管控、监控报警于一身。主要支撑了三个大方向业务：算法分析、数据分析、运维。

Kylin 实践经验

关于 Kylin 的实践经验，主要分享三个 Topic：大型 Cube 调优实践，HBase 稳定性提升实践和特殊数据导致任务失败案例。

01 大型 cube 调优实践

刚刚使用 Kylin 后遇到的第一个 Cube，数据源来自 27 个维度，日新增数据量高达 140 亿的离线任务。

业务方要求每天十点之前出报表，且不能对其他任务产生影响，同时查询成功率达95% 以上，支持一年数据存储。

我们首先按照需求创建 Cube，没有进行任何优化，尝试构建后发现该 Cube 无法满足业务需求。Cube 构建时长达 500 分钟，每天下午 2 点才能构建完成。任务构建时消耗计算资源会严重影响其他流水线运行，业务常用查询成功率不足 95%，空间存储达 500 G。

为了从各个方面入手优化 cube，我们首先调研网上权威的优化方案，调整了维度关系，rowkey 顺序，一部分构建参数等。最后我们自研了智能分组策略。

我们首先找寻查询历史规律，发现当某维度组合 ABC 查询频率较高时，其子维度组合(AB,AC,BC,A,B,C)查询频率也会较高且都会高于原 ABC 组合。于是根据这一规律，我们设计了如下分组策略。

Step1. 计算各维度权值，权值含义为将该维度添加至预分组后能够多覆盖的查询次数。

Step2. 将权值最高的维度加入预分组。

Step3. 重新计算权值，重复以上步骤，直到维度权值过小或预分组维度数达到预定值。

上图示例中，初始状态下预分组为空集，各维度权值即为其查询次数，首次将查询次数为105的维度A 加入预分组。更新各维度权值，C的权值增加为 90+80，成为当前权值最大维度，于是将 C 加入预分组，依此类推。

这一算法可以帮助我们找到各查询维度组合之间的关系，同时保持一定的可拓展性。我们按照分组策略结果设定与之对应的Aggreation group。同时将常用明确的查询作为 MandatoryCuboids，以确保常用查询维度组合cuboid 一定会被预计算。

最终效果如上图所示，cube 查询，构建，存储，稳定性都有明显提升。

02HBase稳定性的调优的实践

随着 Kylin 在公司内部业务量不断攀升，在一段时间内页面稳定性降低，经常出现页面不响应或查询失败，但重新查询即可成功、构建失败但重启后会成功等问题。

其真正的原因在于 HBase 稳定性降低。当时导致 HBase 稳定性差的一个重要原因是 region 数过多。生产集群的 HBase 总数据量 90 T，但大小 region 数共16 万+，region 划分存在严重浪费。我们发现如下情况：

a) region 划分不合理，单个 region 中数据量小于 100M 较多

b) 数据冗余。天级查询任务，按小时更新，不同 table 中存在相同的 rowkey。

针对以上情况我们使用了如下两种手段：

（1）开启自动 Merge 功能

针对数据冗余情况我们使用了 Kylin 的 Merge 功能，Merge会合并不同 segment的cuboid 数据，且不需要依赖原始数据。开启也非常方便，手动地提交一个 merge 任务或者设置 refresh settings 并开启 auto-merge 即可。

Merge 任务有效帮助我们缩减了 50% 空间占用，提高了 30% 查询速度，其主要原因在于合并了相同的 key。

Merge 时，发生了一个意外。某个Merge 任务持续运行 10 小时没有结束，频繁生成大量只有 54B 的小文件，导致我们 HDFS namenode 的节点内存不足。

经排查发现凡涉及使用HFileOutputFormat2工具类进行BlukLoad都可能遇到这一问题。我们已将问题修复并提交至HBase社区。问题的详细解析参考https://issues.apache.org/jira/browse/HBASE-22887。

（2）预估参数调整

对于 region 划分不合理的情况，我们调整预估参数。Kylin 依据其预估数据两判定生成 HTable region 数，这是因为创建HTable在生成 cuboid 数据之前，无法准确获知真实的数据量。

预估包括两个部分，行数预估和大小预估，涉及参数如上图。其中普通指标和维度的占用空间相对固定，而 TOPN 和 count distinct 指标占用空间会依据数据形态产生较大的变化。

在我们的案例中，使用默认两个行数预估参数，预估非常准确，误差在 1% 以下。而大小预估误差较大，预估大小能达到实际大小的 6.5 倍以上，我们依据实际情况将 TOPN 和 count distinct 的参数做了如上表格调整。调整后预估大小为实际大小的 1.32 倍。

通过 merge 任务和预估参数调整的 region 数量 16 万个降到 7 万个，保证了 HBase 稳定运行。

03特殊数据导致任务构建失败案例

这一特殊数据导致任务在提取事实表的唯一列（Extract Fact Table Distinct Columns）时失败。

提取事实表的唯一列是如何实现的呢？它将所有数据的每一列在 map 中提取出来，并分配给不同的 Reducer 去重。如上例这一步会把电影类型维度“动画”、“主旋律”、“动作”这些放到一个 Reducer 里面去重，大部分的情况下会在去重后构建字典。如果是 UHC（Ultra High Cardinality）列，则平均分配给不同的 Reducer 去重。另一个 Reducer 来专门负责计算预估行数等。

那么通过什么样的方法来决定该将“动作”或者“动画”分配给哪个 Reduce 呢？

维护每一个维度及其 Reduce 对应关系表，维度 A 就是 Reducer0，维度 B 是 Reducer1～3，计算预估行数Reducer-1。
普通维度：“动画”、“主旋律”、“动作”等，都是“电影类型”维度按照对应关系会被分配给 Reduce0。
UHD维度：而《熊出没》和《姜子牙》通过均匀分配给不同 Reduce 。公式为：beginId+abs(hash_code(fieldValue))%span，其中beginId为该维度起始reducerId，span为该维度对应reducer数，fieldValue即为待分配的数据。

本案例中特殊数据为“0KM2dD66”，其特点在于 hash_code(“0KM2dD66”) =-2147483648，即最小的Int值，而abs(INT_MIN)=INT_MIN。根据公式计算得出 ReducerId 为 -1，于是这一数据错误地进入了负责行数预估的 Reducer -1。由于只有负责行数预估的 Reducer 中 value 不为空，当其中混入一个 value 为空的数据时，任务失败。

若 UHC 列 Reducer 数不为 3，或该维度起始 ReducerId 不为 1，则该特殊数据可能会被分配到其他任意 Reducer 中，甚至是不存在的 Reducer，从而导致任务在提取事实表的唯一列执行失败，必须找到该数据并剔除才能执行成功。

我们已经将问题修正提交至社区。详情见：https://issues.apache.org/jira/projects/KYLIN/issues/KYLIN-4106

未来展望

作者简介：毛洪玥，Kylin Contributor & HBase Contributor。就职于一点资讯，负责大数据平台研发，OLAP 系统研发工作。

Kylin 在一点资讯的实践相关推荐

【遇见Doris】Apache Doris在一点资讯自媒体平台的应用
6月29日,Doris有幸得到中国信通院云大所.大数据技术标准推进委员会的支持,在中国信通院举行了0.11.0新版本预览线下沙龙.各位嘉宾都带来了干货满满的分享.关注Doris官方公众号,后台回复&q ...
一点资讯拆VIE回国；拼多多做跨境海淘；复宏汉霖首款生物类似药获批
2月22消息,近日罗森接手了全时在华东的大部分门店,包括门店.设备.商品,以及部分自愿加入的员工. 罗森(中国)投资有限公司董事.副总裁张晟对媒体表示,本次交易对双方是共赢,罗森方面基于在相关区域的战 ...
一点资讯拆VIE回国；拼多多做跨境海淘；复宏汉霖首款生物类似药获批...
2月22消息,近日罗森接手了全时在华东的大部分门店,包括门店.设备.商品,以及部分自愿加入的员工. 罗森(中国)投资有限公司董事.副总裁张晟对媒体表示,本次交易对双方是共赢,罗森方面基于在相关区域的战 ...
一点资讯王元元：追着效率跑的算法，如何把好内容关？
[CSDN现场报道]2016 年 11 月 18 日- 20 日,由 CSDN 重磅打造的年终技术盛会 -- "2016 中国软件开发者大会"(Software Developer ...
2017校招面经（BAT、搜狗、搜狐、一点资讯、360、华为优招）
总体流程:简单介绍下自己.各个公司面经.总结.薪资 1.简单介绍面试岗位:机器学习 | 数据挖掘 | 算法工程师 | 基础研究比赛经历:天池比赛Top 10,滴滴算法大赛Top 5,京东算法大赛T ...
新浪自媒体重新开放注册一点资讯全面布局？
文/辛东方 [摘要]网络科技时代,各大门户自媒体客户端在大众娱乐的焦点下悄然上线.而在大环境下,百度百家.腾讯科技.天天快报.360自媒体.凤凰自媒体.一点资讯等都在默默地做着后续工作.无疑,无论哪一 ...
一点资讯app signature
本文案例是对一点资讯App的 signature 参数分析,通过对qihu360加固的脱壳获取APK源代码,然后通过静态分析获取加密参数位置,最后通过Frida hook生成 signature . ...
一点资讯战略升级：否定百度收购同时与微博牵手
上周五,百度洽购一点资讯的传言开始在朋友圈扩散.这类收购传言在互联网圈已是见怪不怪,尽管百度与一点资讯均出面否认,但站在技术角度来看,一点资讯和百度走到一起的可能性还是有的,甚至我认为可能性相当大,这 ...
2015年8月25号申请入驻一点资讯自媒体平台
为了更好的为网友提供养生健康知识,于今日申请入驻一点资讯自媒体平台,希望审核工作人员给予通过! 申请人姓名:李新涛身份证号码:411281197408104056 媒体名称:给你健康一身媒体介绍: ...

Kylin 在一点资讯的实践

Kylin 在一点资讯的实践相关推荐

最新文章

热门文章