货拉拉大数据新一代基础架构实践与思考

1. 货拉拉介绍

• 平台服务层提供数据治理能力和基础平台能力服务；
• 计算引擎层包含离线引擎、OLAP 引擎、（规划中的）AI 引擎；
• 集群管理&存储层包含在线存储（如 ES 和 HBase）、离线存储（HDFS、云存储）、资源管理（YARN、规划中的 K8s）；
• 基础资源管理层包含基础设施管理体系（主要是货拉拉内部连线的各云厂商提供的物理资源，及对其进行本地化管控的体系），和正在进行中的智能运维体系。

• 钱效低，具体表现在：
  集群资源利用率低；
  波峰波谷效应明显，采用高峰资源保障，带来成本浪费；
  大数据成本增长快，缺乏对数据的冷热分层、生命周期的管理；
• 运维效率低，面对全球化/多地域/多集群/多服务的复杂场景，主要依赖 SOP 和脚本来保障运维，效率低下；同时，运维变更的稳定性比较差；运维人员的工作量繁重，被迫拉长工作时间；
• 分析效率低，用户经常吐槽查询引擎速度太慢，他们对分析效率的追求永无止境。

基础架构实践

• 首先，组件适配，包括大数据组件适配，例如目前主要使用的计算引擎 Tez、spark、YARN（某些 java 包等）；和基础组件适配，例如公司级的安全组件、运维组件等。
• 第二，在调度改造方面，支持用户在应用层选择架构，同时也完成了对 PySpark 的兼容支持；
• 最后在机器物理资源压测、TPC-DS 压测、核心链路任务的抽样测试后发现，使用 ARM 节点后集群性能没有明显下降。

• 首先，需要构建集群的资产管理能力，可以统一资产管理入口，并对资产进行全生命周期管理；
• 然后，在工作流编排能力上，将 SOP 和运维脚本固化成工作流，使其具备分布式调度执行的能力；
• 最后，优先完成高优高频场景的自动化改造，快速提升运维效率。

• 出发点是将计算节点本地的 shuffle 数据保存到远端，本地的计算节点就可以实现无状态化，计算节点便可进行容器化部署，为大数据云原生打下基础。
• 因为货拉拉使用 Tez 计算引擎，在选型方面主要考虑：通用性，能支持 Tez、Spark、MR；相比本地 shuffle，无明显性能下降；提供高可用的能力，且对 Tez 源码尽量少改动、侵入；首选 Apache 社区活跃项目。

• 多引擎路由，支持自动降级。主要思想是根据各引擎优缺点，将 SQL 路由到最适合它的计算引擎上。通过观测 SQL 的执行计划，查询数据扫描量和算子分布，匹配路由策略，最终分配到合适的计算引擎上。如果 SQL 执行失败，将自动降级到其他引擎。若所有引擎都执行失败，由 Hive 做兜底，保证执行成功。
• 对用户屏蔽多引擎差异，降低使用复杂度。不会更改用户使用习惯，用户以 Hive 语法编写 SQL，后台进行 SQL 转化，对用户屏蔽多引擎语法的差异。
• 分布式架构，高可用且支持横向扩展。为了应对未来的大规模需求。

总结与思考

未来展望

分享嘉宾

INTRODUCTION

朱耀概

货拉拉

高级大数据工程师

本科毕业于华南理工大学，先前就职于 vivo，从事过万亿级 vivo 用户画像建设，目前就职于货拉拉，主要从事大数据平台、大数据自动化运维体系建设以及 HBase 稳定性建设，Apache HBase/Kyuubi/Uniffle Contributor。