关于大数据:阿里云EMR-20重新定义新一代开源大数据平台

摘要：本文整顿自阿里云高级产品专家何源 (荆杭) 在 阿里云 EMR2.0 线上发布会 的分享。本篇内容次要分为三个局部：

1. 开源大数据的痛点及 EMR 产品历程
2. EMR2.0 新特色
3. 总结

一、开源大数据的痛点及 EMR 产品历程

开源大数据的痛点

• 如何晋升性能，升高资源老本

全面的性能优化须要大量的研发投入且门槛较高；大数据资源使用量大，宽广用户都在一直摸索降本计划。

• 如何升高运维老本

开源大数据组件泛滥，开发上手绝对容易，然而一旦业务规模和业务复杂度回升当前，所带来的运维难度和开销也随之急剧回升。

• 如何保障数据和工作的可靠性

数据是公司的无形资产，数据的失落往往是灾难性的，只管有多正本，然而动辄几十台，甚至上百台、上千台的服务器在机器故障、集群降级、迁徙过程中要保障数据的可靠性是一件不容易的事，而成千上万的工作实时或周期性的运行，也会耗费大量的运维投入。

• 如何治理数据开发和治理

实现团队协同开发、平安合规的应用数据以及治理数据，也须要有方法论的撑持和产品反对。

EMR 产品历程

如下图所示，自 2016 年阿里云推出 EMR 以来，阿里云 EMR 团队始终致力于解决以上痛点。

通过一系列的性能优化，阿里云在 CloudSort 和 TPC-DS 上获得了世界第一的问题，推出了全托管的元数据和数据湖产品，大大降低了运维难度和运维老本。

通过 DataWorks on EMR 以及 EMR Studio 等产品，大大简化了数据开发以及数据治理的接入门槛。

二、EMR2.0 新特色

概述

基于云原生的理念和阿里云上日益成熟的设施，阿里云推出 EMR 2.0，构建新一代开源大数据的基础设施。

EMR 2.0 的新特色包含：

全新平台体验

• 集群创立速度 2 倍以上优化；
• 集群扩容速度 3 倍以上晋升；
• 弹性规模反对千台以上；
• 故障节点迁徙；
• 集群诊断工具；

全新数据开发

• 全托管 EMR Notebook (Jupyter)；
• Workflow (Dolphinscheduler)；
• 数据开发治理平台 Dataworks on EMR；

全新资源状态

• EMR on ECS，反对倚天 g8，性价比晋升超过 40%；
• EMR on ACK(K8s)；
• EMR Serverless；

全新剖析场景

• 新版数据湖
• 数据分析
• 数据服务
• 实时数据流
• 数据迷信

EMR 2.0 产品架构

如下图所示，EMR 2.0 产品架构自下而上包含：

硬件资源

EMR 2.0 反对 ECS（Intel, AMD, 倚天）/ 神龙 /ECI；

存储资源

在存储资源上，数据湖架构曾经曾经逐渐成为业界的共识，阿里云在对象存储 OSS 技术上降级为 OSS-HDFS 兼容 HDFS API；

调度资源

反对 EMR on ECS、EMR on ACK、EMR Serverless

管控平台

• 监控告警；
• 弹性调度；
• 集群诊断；
• 故障弥补；
• 权限 & 平安；
• 组件治理；

剖析场景

• 新版数据湖 Datalake；
• 数据分析 OLAP；
• 实时数据流 Dataflow；
• 数据服务 DataServing；
• 数据迷信 DataScience；

开发工具

• 开源解决方案 EMR Studio (Notebook, Workflow)；
• 企业级开发平台 DataWorks on EMR

元数据管理和湖治理

在原有的数据湖构建 DLF 上 新增了权限生命周期治理、湖治理等新个性。

全新平台体验

阿里云 EMR2.0 围绕弹性、稳定性、智能、效率四个方面对 EMR 进行了全面降级。

Elasticity 弹性

• 集群创立，弹性性能大幅晋升；
• 异构实例，竞价实例满足个性化弹性需要；

Stability 稳定性

• 节点迁徙，故障节点主动弥补；
• 组件状态巡检，事件告诉；

Intelligence 智能

• 集群资源诊断；
• 危险预警；
• 实时检测；

Efficiency 效率

• 交互式数据开发；
• 一键工作提交；
• 配置导出 & 集群克隆。

全新数据开发

EMR 2.0 提供两套解决方案供不同用户抉择，别离是：基于 Jupyter 和 DolphinScheduler 的 EMR Studio 开源解决方案，和阿里云自研的企业级数据开发与治理 DataWorks on EMR。

EMR Studio (Notebook, Workflow)

• 基于 Jupyter 的全托管 SaaS 化的 Notebook

1. 间接在 EMR 管控台页面创立一个 notebook 并疾速与 EMR 集群进行关联，几分钟内就能够开始
2. 对数据进行剖析，无需放心代码的保留以及计算资源保护；对 Jupyter Notebook 进行了优化：如反对 StarRocks 疾速指定引擎类型；

• 基于 Apache DolphinScheduler 的全托管 SaaS 化的 Workflow

1. 开箱即用，一键关联集群；

EMR Studio 提供了全新的开源数据开发体验，在 EMR 服务费之外，不收取额定费用。

DataWorks on EMR，企业级数据开发与治理

DataWorks 是一套在阿里外部历经几万用户十几年打磨的产品，可能满足企业一站式数据开发和数据治理的诉求。DataWorks 反对数据集成、数据开发调度、数据建模、数据品质、数据地图、数据安全、数据分析、数据服务以及凋谢的 API 等能力：

• 数据集成：基于 DataX，反对几十种数据源作为 source 和 sink 进行数据同步；
• 数据开发：线上的 IDE，反对 Spark、Hive、Presto、ClickHouse 的开发；
• 数据品质：依据工作配置的规定，对工作的产出后果进行正确性验证；
• 数据地图：采集字段级粒度的数据血统；
• 数据安全：提供表和字段级别的权限治理；
• 数据分析：提供疾速交互式的剖析和可视化剖析能力；
• 数据服务：简化数据查问服务的开发，通过写 SQL 就能够提供数据查问的接口；
• 开发平台：提供一系列的 API 供用户进行二次开发。

全新资源状态

随着云原生技术越来越成熟，EMR 也提供了各种资源管理状态。

EMR on ECS

• 反对组件最全，自定义能力最强；
• 跟传统模式最靠近，便于疾速迁徙；

EMR on ACK

• 齐全兼容 K8S，10 秒级资源调度；
• 反对 Spark, Flink, Presto, RSS 组件；
• 配合 ECI，主动弹性，秒级扩容；
• 残缺的工作提交、治理、监控能力；

EMR Serverless

• 首先推出的是 StarRocks；
• 全托管，最小化的运维老本；
• 高可用，SLA 99.99%；
• 开箱即用，对接 EMR Notebook；
• 成本低，按需扩容资源。

新硬件，倚天性价比晋升 40% 以上

在 2022 年云栖大会上，阿里云推出了中国首个云上大规模利用自研 CPU 倚天 710，EMR2.0 也将推出倚天机型。倚天采纳最先进的 ARM 架构和生产工艺，在通用智能性能晋升的根底上，升高了整体的资源老本：

• 在 ECS 价格方面，倚天 G8 系列较 X86 的机器系列价格升高 20% 以上，计算型系列价格升高超过 30%，大幅升高企业老本；在性能方面，物理核的倚天机型性能更高，CPU 占用率更低；
• 在 EMR 对倚天机型适配后，进行了 TPC-DS 的 Benchmark 测试，在 G8Y 与 G7 的比照中，同样采纳了六台 8core 32G 的机型，倚天的 TPC-DS 耗时缩小 25%。

全新剖析场景

EMR 联合本身的技术劣势和实践经验，对大数据场景进行了分类，不便用户疾速构建适宜业务的大数据集群：

数据湖

• 数据湖集群蕴含 Spark、Hive、Yarn、Presto、Hudi、Deltalake、RSS、Kyuubi 等组件；反对用户构建数据仓库，进行数据 ETL 以及数据湖剖析；

实时数据流

• 实时数据流蕴含 Flink、Kafka 等组件；反对用户进行实时计算，构建在线决策、实时监控、实时计算等零碎；

数据分析

• 数据分析次要蕴含 StarRocks、Doris、ClickHouse 等组件；广泛应用于用户画像剖析，交互式剖析，构建 BI 报表零碎和对接业务零碎；

数据服务

• 数据服务次要蕴含 Hbase、Phoenix 组件；反对时序数据分析、feeds 流推送和用户行为收集；

数据迷信

• 数据迷信次要蕴含 Tensorflow、PyTorch 组件；
• 面向机器学习、数据挖掘、特色建模等场景；

对于局部客户出于老本管制的思考，心愿将多种业务混部在一个集群，EMR 还反对自定义集群，能够将多种场景下的组件混合部署在一起。

以用户应用最多的数据湖场景为例，EMR 在计算、存储和治理方面都做了大量的优化。

• 在存储层面，EMR 推出 OSS-HDFS，可齐全兼容 HDFS API，用户能够平滑的将 HDFS 迁徙到 OSS 上；
• 在计算层面，计算工作无需二次开发，能够间接运行在存算拆散的数据湖架构上；
• 在 1PB 的场景下测算，通过正当的冷热分层，能够节俭 40% 的资源老本，同时计算资源也能够实现按需或者按负载弹性应用，大大降低了资源耗费；
• 在计算引擎层面，EMR 对 Spark/Hive/Trino/StarRocks 等引擎进行优化，ETL 和剖析场景下性能有显著晋升；
• 在数据湖治理层面，DLF 湖治理实现湖数据生命周期治理，包含：元数治理与服务、权限管制与审计、数据品质管制、湖表治理与优化、存储管理与优化、全新数据迁徙入湖。

总结

EMR2.0 从管控到引擎，从资源状态到利用场景都在踊跃翻新，心愿更好的解决用户在开源大数据遇到的痛点问题。

EMR2.0 的控制台入口也降级到了 emr-next，欢送返回应用新版 EMR：https://emr-next.console.aliy…

原文链接

本文为阿里云原创内容，未经容许不得转载。