本文主要内容包括以下几个方面：

• 唯品会实时平台现状；

• Flink在唯品会的实践；

• Flink On K8S；

• 最新项目进展。

目前在唯品会，实时平台并不是一个统一的计算框架，而是包括Storm、Spark、Flink在内的三个主要计算框架。由于历史原因，当前在Storm平台上的job数量是最多的，但是从去年开始，业务重心逐渐切换到Flink上面，所以今年在Flink上面的应用数量有了大幅增加。

实时平台的核心业务包含八大部分：

• RTRS（实时推荐引擎）：实时推荐作为电商的重点业务，包含多个实时特征；

• Dataeye（大促看板）：包含各种维度的统计指标（例如：各种维度的订单、UV、转化率、漏斗等），供领导层、运营、产品决策使用；

• 实时数据清洗：从用户埋点收集来数据，进行实时清洗和关联，为下游的各个业务提供更好的数据；

• 互联网金融；

• 安全风控；

• 与友商比价；

• Logview、Mercury、Titan作为内部服务的监控系统；

• VDRC实时数据同步系统等。

共计有1400台机器和600+应用。

图1 实时核心业务

实时平台的职责主要包括实时计算平台和实时基础数据：

• 实时计算平台在Storm、Spark、Flink等计算框架的基础上，为监控、稳定性提供了保障，为业务开发提供了数据的输入与输出；

• 实时基础数据包含对上游埋点的定义和规范化，对用户行为数据、MySQL的Binlog日志等数据进行清洗、打宽等处理，为下游提供质量保证的数据。

在架构设计上，包括两大数据源：

• 一种是在App、微信、H5等应用上的埋点数据，原始数据收集后发送到Kafka中；

• 另一种是线上实时数据的MySQL Binlog日志。数据在计算框架里面做清洗关联，把原始的数据通过实时ETL为下游的业务应用（包括离线宽表等）提供更易于使用的数据。

图2 实时平台整体架构

场景一：Dataeye实时看板

Dataeye实时看板，支持需要对所有的埋点数据、订单数据等进行实时计算。具有数据量大的特点。并且需要统计的维度有很多，例如全站、二级平台、部类、档期、人群、活动、时间维度等，提高了计算的复杂程度，统计的数据输出指标每秒钟可以达到几十万。

以UV计算为例，首先对Kafka内的埋点数据进行清洗，然后与Redis数据进行关联，关联好的数据写入Kafka中；后续Flink计算任务消费Kafka的关联数据。

通常任务计算结果的量也很大（由于计算维度和指标特别多，可以达到上千万），数据输出也是通过Kafka作为缓冲，最终使用同步任务同步到HBase中，作为实时数据展示。

同步任务会对写入HBase的数据限流和同类型的指标合并，保护HBase。与此同时，还有另一路计算方案作为容灾。

图3 Dataeye计算任务架构

在以Storm为计算引擎中的进行指标计算时，需要使用Redis作为中间状态的存储。而切换到Flink后，Flink自身具备状态存储，节省了存储空间。由于不需要访问Redis，也提升了性能，整体资源消耗降低到了原来的1/3。

图4 Storm VS Flink计算架构

在将计算任务从Storm逐步迁移到Flink的过程中，对两路方案先后进行迁移，同时将计算任务和同步任务分离，缓解了数据写入HBase的压力。

切换到Flink后也需要对一些问题进行追踪和改进。对于FlinkKafkaConsumer，由于业务原因，对Kafka中的Aotu Commit进行修改及对Offset的设定需要自己实现支持Kafka集群切换的功能。对不带Window的state数据需要手动清理。还有计算框架的通病——数据倾斜问题需要处理。同时对于同步任务追数问题，Storm可以从Redis中取值，Flink只能等待。

场景二：Kafka数据落地HDFS

之前都是通过Spark Streaming的方式去实现，现在正在逐步切换到Flink上面，通过OrcBucketingTableSink将埋点数据落地到HDFS上的Hive表中。

在Flink处理中，单Task Write可达到3.5K/s左右，使用Flink后资源消耗降低了90%，同时将延迟30s降低到了3s以内。目前还在做Flink对Spark Bucket Table的支持。

场景三：实时的ETL

对于ETL处理工作而言，存在的一个痛点就是字典表存储在HDFS中，并且是不断变化的，而实时的数据流需要与字典表进行join。

字典表的变化是由离线批处理任务引起的，目前的做法是使用ContinuousFile MonitoringFunction和ContinuousFileRea derOperator定时监听HDFS数据变化，不断地将新数据刷入，使用最新的数据去做join实时数据。

我们计划用更加通用的方式去支持Hive表和Stream的join，实现Hive表数据变化后数据自动推送的效果。

在唯品会内部有一些不同的计算框架：有实时计算的，有机器学习的，还有离线计算的，所以需要一个统一的底层框架来进行管理，因此将Flink迁移到了K8S上。

在K8S上使用了思科的网络组件，每个Docker容器都有独立的IP，对外也是可见的。实时平台的融合器整体架构如下图所示：

图5 Flink On K8S架构

唯品会在K8S上的实现方案与Flink社区提供的方案差异还是很大的。唯品会使用K8S StatefulSet模式部署，内部实现了cluster相关的一些接口。一个job对应一个mini cluster，并且支持HA。

对于Flink来说，使用StatefulSet的最大的原因是pod的hostname是有序的；这样潜在的好处有：

• hostname为-0和-1的pod可以直接指定为jobmanager；可以使用一个statefulset启动一个cluster，而deployment必须2个；Jobmanager和TaskManager分别独立的deployment；

• pod由于各种原因fail后，由于StatefulSet重新拉起的pod的hostname不变，集群recover的速度理论上可以比deployment更快（deployment每次主机名随机）。

镜像的docker entrypoint脚本里面需要设置的环境变量设置说明：

对应Flink集群所依赖的HDFS等其他配置，则通过创建configmap来管理和维护。

当前实时系统、机器学习平台要处理的数据分布在各种数据存储组件中，如Kafka、Redis、Tair和HDFS等，想要方便高效地访问、处理、共享这些数据是一个很大的挑战，对于当前的数据访问和解析常常需要耗费很多的精力，主要的痛点包括：

• 对于Kafka、Redis、Tair中的Binary（PB/Avro等格式）数据，使用者无法快速直接地了解数据的schema及数据内容，采集数据内容及与写入者的沟通成本很高；

• 由于缺少独立的统一数据系统服务，对Kafka、Redis、Tair等中的Binary数据访问需要依赖写入者提供的信息，如proto生成类、数据格式wiki定义等，维护成本高，容易出错；

• 缺乏relational schema使得使用者无法直接基于更高效易用的SQL或LINQ层API开发业务；

• 无法通过一个独立的服务方便地发布和共享数据；

• 实时数据无法直接提供给Batch SQL引擎使用；

• 此外，对于当前大部分的数据源的访问也缺少审计、权限管理、访问监控、跟踪等特性。

UDM（统一数据管理系统）包括Location Manager、Schema Metastore以及Client Proxy等模块，主要的功能包括：

• 提供从名字到地址的映射服务，使用者通过抽象名字而不是具体地址访问数据；

• 用户可以通过Web GUI界面方便地查看数据Schema，探查数据内容；

• 提供支持审计、监控、溯源等附加功能的Client API Proxy；

• 在Spark/Flink/Storm等框架中，以最适合使用的形式提供这些数据源的封装。

UDM的整体架构如下图所示：

图6 UDM架构

UDM的使用者包括实时、机器学习以及离线平台中数据的生产者和使用者。在使用SQL API或Table API的时候，首先完成Schema的注册，之后使用SQL进行开发，降低了开发代码量。

以Spark访问Kafka PB数据的时序图来说明UDM的内部流程：

图7 UDM使用时序图

在Flink中，使用UDMExternalCatalog来打通Flink计算框架和UDM之间的桥梁，通过实现ExternalCatalog的各个接口及实现各自数据源的TableSourceFactory，完成Schema和接入管控等各项功能。

Q：能详细描述一下“实现Hive表数据变化之后，数据自动推送的效果”是指什么吗？

A：就是Hive表的数据更新后，可以在Flink里面缓存的数据也可以更新掉。这样jion的时候，就可以关联最新的数据了。目前来说，还是需要一些自己开发工作的，官方框架不支持。