简介

披露一个大数据处理技术。

现在咱们构建很多的数据流水线(data pipeline)来把数据从一处挪动到另一处，并且能够在其中做一些转换解决。数据的挪动是有老本的，对此老本的优化能够为数据流水线的拥有者带来老本效益。

数据流水线个别至多蕴含一个Source组件和一个Sink组件，有时在Source和Sink两头还有一或多个顺次执行的两头计算组件（Flume称之为Channel，Flink称之为Transform），这些两头计算组件个别被建模为函数式“算子”（Operator）。


有一些算子能缩小传给下一个组件的数据量，例如过滤器（Filter）算子，这就是老本优化的要害。在分布式数据库畛域有一个查问优化技术叫做“谓词下推”（Predicate Push-down），咱们所做的与之相像，是把算子往上游Source的方向推。或者可称之为“算子上推”，这与“谓词下推”不矛盾，因为在分布式数据库查问的图示中，数据是从下向上流动的，Source在下，下推也就是往Source推。

实践上来说，算子越凑近Source越好，因为能缩小从Source一路传下来的数据量。然而实际上要思考算子的效率。Source可能是可伸缩性不强的资源（例如数据库），部署太多的计算在下面会使其变慢，因而不应该把低效率的算子推到Source。

咱们对算子效率的定义是：效率=抉择度/老本。算子的抉择度越高，老本越低，那么就认为其效率越高。抉择度的定义是“数据量的缩小率”：有的算子类型并不能缩小数据量（例如大多数Transformer算子），而即便Filter算子也不肯定能无效缩小数据量（若数据100%通过Filter，就没有缩小数据量）。若一个Filter只容许20%的数据通过，则它让数据缩小了5倍，它的抉择度是1/0.2=5。Filter不是惟一能缩小数据量的算子类型，咱们已知的还有Projector（通过去掉几个字段来缩小数据量）和Compressor（通过压缩来缩小数据量）。老本的定义是“计算所消耗的资源”，例如算子的执行所用的CPU工夫。基于对算子效率的监控，很容易想到能够配置一个效率阈值，只把效率高于阈值的算子推到Source。

这么做的实际效果还不够好，因为效率不是惟一的考量，Source的资源利用率也很重要。如果Source的资源不够（例如CPU使用率100%），即便是高效率算子也可能要被推到上游去，以加重Source的压力。如果Source的资源富余，那么即便是低效率算子也能够被放在上游以进步整体效率。

设计

依据以上的需要，能够设计一个算子调度框架来动静治理数据流水线中的算子散布了。我会用一些示例代码来展现相应设计。

监控

第一步是监控。

对于如下的算子API：

interface Operator<T, R> {    R apply(T t);}

作如下批改，增加一个SelectivityCalculator工厂办法，每一种算子能够提供一个适宜本人的SelectivityCalculator实例：

interface Operator<T, R> {    R apply(T t);    // 若返回null，示意此算子不反对计算抉择度，也无奈被调度    default SelectivityCalculator<T, R> selectivityCalculator() {        return null;    }}interface SelectivityCalculator<T, R> {    // 为每次调用的输入输出作记录    void record(T input, R output);    // 此办法会被定时调用，返回依据已记录数据计算失去的抉择度    double selectivity();}

这个新办法怎么在算子上实现呢？例如Filter会这么定义SelectivityCalculator：

interface Filter<T> extends Operator<T,T> {    FilterSelectivityCalculator<T> selectivityCalculator() {        return new FilterSelectivityCalculator<>();    }}class FilterSelectivityCalculator<T> implements SelectivityCalculator<T, Boolean> {    private long inputTotal;    private long outputTotal;    void record(T input, Boolean output) {      inputTotal++;      if (output == true) {        outputTotal++;      }    }      double selectivity() {      if (outputTotal == 0) {        return Double.MAX_VALUE;      }      return ((double) inputTotal) / outputTotal;    }}

能够编写这样的监控程序，记录每一种算子的执行次数和累计执行工夫：

// 某个算子的指标记录器class MetricsRecorder {    private long callCount;    private long totalNanos;    private SelectivityCalculator selectivityCalculator;      MetricsRecorder(SelectivityCalculator selectivityCalculator) {      this.selectivityCalculator = selectivityCalculator;    }    void record(long nano, Object input, Object output) {        callCount++;        totalNanos += nano;        selectivityCalculator.record(input, output);    }      // 计算以后状态的快照    MetricsSnapshot snapshot() {      return new MetricsSnapshot(callCount, totalNanos, selectivityCalculator.selectivity());    }    // getters ......}class MetricsSnapshot {    private long callCount;    private long totalNanos;    private double selectivity;    // constructor and getters ......}// 每个线程领有这么一个算子执行器，它持有各种算子的指标记录器class OperatorExecutor {    // Because each thread will have an executor instance, no need to make it thread-safe    private Map<Class<?>, MetricsRecorder> operatorMetricsRecorders = new HashMap<>();    <T, R> R execute(Operator<T, R> operator, T t) {        long startTime = System.nanoTime();        R r = operator.apply(t);        long duration = System.nanoTime() - startTime;        var recorder = operatorMetricsRecorders.computeIfAbsent(operator.getClass(), k -> new MetricsRecorder(operator.selectivityCalculator()));        recorder.record(duration, t, r);    }    // 计算以后状态的快照    Map<Class<?>, MetricsSnapshot> snapshot() {      Map<Class<?>, MetricsSnapshot> snapshotMap = new HashMap<>();      operatorMetricsRecorders.forEach((k, v) -> {        snapshotMap.put(k, v.snapshot());      });      return snapshotMap;    }      // 被动把快照写入指定的队列    void offerSnapshot(SnapshotQueue queue) {      queue.offer(snapshot());    }}

请留神这里并没有应用ConcurrentHashMap，也没有任何波及多线程同步的解决。因为大多数算子是很轻量级的，监控程序也要做到足够轻量级，不拖慢算子的性能。大家如果深刻用过Profiler就晓得，对程序性能的细粒度的Profiling可能会减慢性能，使得性能测算后果不精确。在这里，咱们的做法是不在记录数据时时做多线程同步，免得同步所致的锁定和缓存驱赶升高性能。会有多个线程来执行算子，咱们让每个线程领有一个独立的无需同步的OperatorExecutor实例。有一个专门的线程来定时告诉每个OperatorExecutor实例，令其生成一份以后状态的快照并写入指定的队列，每个实例在本人的线程里生成快照是不须要额定做同步的。这种基于队列的异步通信比拟像Go channel（Go社区的敌人很相熟这格调吧，其实Java也能够做到）。这种定时获取指标数据的格调比拟像Prometheus。

同时也定时获取CPU使用率，这个能够用JDK自带的OperatingSystemMXBean来实现，就不多讲了。

调度

第二步就是实现调度策略，有这些要点：

  1. 所谓的“挪动”算子，其实是在两处都部署了算子，在另一处启用算子，同时在原处禁用算子，如果做不到“同时”，就先启用再禁用，算子在流水线上会”至多执行一次“，须要实现幂等性。
  2. 流水线上的算子大多是有执行程序的（一步接一步），不可能只把后面的算子推到上游，却把前面的算子留在上游。这给咱们的调度带来了束缚。（对于这个能够有一些进一步的优化技术。）
  3. 调度规定最好能反对动静更新，这样有助于依据理论状况灵便调整。

尽管不是必须的，但咱们倡议部署一个专门的调度器（Scheduler）服务。它近程对立操控整个流水线的算子散布，调度规定也只须要由这个服务来集中管理，它与Source和Sink等节点通过REST API通信就能够了。例如，当Source CPU使用率太高，会引起一个性能事件（performance event），Scheduler收到此事件，依据调度规定决定把一个算子推到上游，它会先在上游节点启用此算子，再在Source节点禁用此算子。如果算子不是幂等的，咱们须要给被传输的数据加一个标记，这个标记只须要一个序数值来阐明它已达到流水线的第几步，这样上游收到它就能够间接从下一步开始。

待续……