Wormhole大数据流式处理平台五大功能

导读：在上一篇文章「Wormhole 大数据流式处理平台之设计思想」中，我们介绍了Wormhole的设计思想，并给出了Stream、UMS、Flow、Namespace等相关概念的具体定义，从文章中我们得知，Wormhole作为实时流式处理平台，其设计思想最终是为流上处理数据而服务的。在本文中，我们主要从Wormhole的功能设计入手，重点介绍Wormhole所支持的几个基本功能。

Wormhole支持的功能很多，如图1所示，除了流式数据处理，Wormhole在管理和运维等方面也做的比较完善。下面我们从流式处理、平台管理、数据质量、数据安全以及运维监控五个维度来介绍Wormhole的具体功能。

一、流式处理

Wormhole的核心是流式处理，并将流式处理抽象为Flow（流式处理逻辑管道，具体参见：#Wormhole# 流式处理平台设计思想）。Flow的引入，使得一个Spark Streaming上可以跑不同的处理逻辑，也就是多个Flow可以在一个Spark Streaming上同时执行而互不影响。这种异构逻辑的并行处理大大提高了资源利用率，也提高了流式处理的易用性。

如图2所示，Flow从处理过程角度分为解析、转换、写入三个过程，具体如下：

1.1 解析

Flow支持多种消息协议，UMS和用户自定义JSON两种消息协议：

• UMS

UMS是Flow支持的标准消息协议，在设计思想的文章中有介绍，这里不再介绍。（参见：#Wormhole# 流式处理平台设计思想）

• 自定义JSON

开源后，为了适配用户已有系统的数据格式需求，Flow开始支持用户自定义JSON消息协议，使用也比较方便简单，只要在页面贴一个JSON消息例子，就会自动解析，然后通过点击配置即可完成自定义JSON的Schema的定义。

1.2 转换

这里的转换主要指对流上指定的Namespace的数据进行处理，处理方式包括Transform SQL（包含Spark SQL、Lookup SQL、Stream Join SQL）和接口扩展等，并且所有操作都可以有多项，即一个Flow中可以有多个Spark SQL，多个Lookup SQL，多个接口扩展等，具体如下：

• Spark SQL

利用Spark天然支持的SQL对数据做一些map操作，用户指需要在页面编写SQL即可实现实时对流上数据的Spark SQL处理。

• Lookup SQL

Lookup SQL是指将流上指定Namespace数据按某个或某几个字段join外部实体数据系统的数据，也就是将流上的数据加列处理，在页面编写SQL即可实现对流上数据的Lookup操作。目前支持多种Lookup SQL数据系统，包括Mysql、Oracle、Postgresql、SQLServer、Cassandra、Mongodb、Phoenix、ElasticSearch、Vertical、KUDU、Redis、Hbase，除了Redis和Hbase写法是类SQL写法之外，其他都支持SQL写法。下面举例介绍SQL的编写：

✔ 单字段关联：

select col1, col2, … from tableName where colA in namespace.X;

✔ 多字段关联：

select col1, col2, … from tableName where (colA,colB) in (namespace.X,namespace.Y);

✔ Redis

因Redis不是结构化存储方式，所以只能模仿SQL写法：

Redis的value是字符串时：select name:type as n1 from default(simple) joinby (key1+'_'+key2);

Redis的value是JSON串时：select name:int,name:string,name:long from default(json) joinby (key1+'_'+key2);

✔ HBase

考虑到HBase的性能，只支持根据Rowkey Lookup：

select h1:string as hx,h3:string from test_lookup(cf1) joinby mod(hash(sub(reverse(md5(id2)),6)),1000)/value(id2+'_');

mod/hash/sub/reverse/md5都是考虑数据倾斜问题对rowkey的数据进行的处理;

✔ Stream Join SQL

Stream Join SQL是指将流上的两个Namespace的数据做Join操作，即将流上的数据Namespace A去Join流上的数据Namespace B，得到一个宽表。

✔ Transform扩展接口

虽然通过SQL已经可以解决大部分数据处理逻辑需求，但是为了满足一些个性化逻辑的应用，Flow定义了标准的扩展接口，用户实现接口即可编写自定义逻辑，并且可以与Transform SQL在一个Flow里同时使用。

✔ Event Time Strategy

基于事件时间，根据数据状态做的一些策略，目前支持在一段时间后，数据某些字段不符合条件时，可以做一些处理的选择。主要针对的场景是当Lookup时，如果关联的数据不存在（延迟等原因），那么就可以将未Lookup到的数据缓存一段时间，直到超时。

✔ UDF热加载

因Spark SQL支持UDF，Wormhole也支持了UDF，并且支持热加载，即在不停Spark Streaming的情况下，加载UDF的jar包和类，并使用UDF。

1.3 写入

写入是指将流上处理好的数据写入到指定的数据系统中。

• 多种Sink写入

目前支持主流的关系型数据库和NoSQL系统，包括Mysql、Oracle、HBase、Kafka、ElasticSearch、MongoDB、Cassandra、KUDU。

• Sink写入方式多样

可以根据用户配置确定数据的写入方式，目前支持追加和幂等写入。追加是指将所有数据insert到数据系统中，不区分数据状态；幂等是指Wormhole接收到的数据包括insert/update/delete状态，但能够保证与源数据一致状态的写入到数据系统中（如果Kafka中数据能保证顺序则支持强一致性，否则支持最终一致性）。

• Sink接口扩展

Wormhole虽然已经支持了主流的存储系统，但为了更好的兼容性，Flow定义了标准的写入接口，用户可以根据自己的需求实现写入逻辑。

二、平台管理

Wormhole提供了一个可视化操作的web系统—Rider，用来对各项配置和流程进行统一管理。同时也可以对外提供Restful方式操作Wormhole Stream和Wormhole Flow。并且通过Rider来管理和配置多租户等，具体功能可以参考我们的《Wormhole用户手册》。

https://edp963.github.io/worm...

三、数据质量

互联网公司中存在着大量数据，并且数据依然以很快的速度增长。其中，金融数据的质量异常重要，这一点与互联网其他数据有很大的不同。Wormhole在这方面做了很多工作。

3.1 数据一致性

Wormhole可以保证数据的最终一致性，这一点主要是通过幂等、数据备份和回灌等方式来保证。

3.2 异常反馈

当在计算过程中，如果出现异常，则Wormhole就会把相关的Flow、起止offset、event time等信息反馈给监控系统，然后可以手动对错误进行处理。

3.3 端到端比对

为了验证数据的一致性，实现了一个端到端实时比对的插件，在Flow进行中即可数据比对，并且不影响Flow执行。

3.4 数据回灌

Wormhole提供了数据备份的能力，将数据以文本形式写入到HDFS上。同时Wormhole也支持将备份的数据按一定条件（起止时间等）将数据回灌到对应的topic中，然后让Wormhole再消费一次。比如有异常反馈时，可以手动的将对应数据重新回灌到对应topic中，然后Wormhole可以幂等的将数据写入到各个数据系统，保证数据最终一致性。

四、数据安全

金融数据是非常敏感的，那么平台化就要保证数据的安全，在这方面，Wormhole通过权限控制、数据隔离和脱敏加密等方式保证了数据安全：

4.1 权限控制

Wormhole定义了三种类型用户，分别为管理员用户（admin）、普通用户（user）和第三方系统用户（app）。admin用户负责管理数据资源的连接地址，UDF jar包，其他用户等信息。user用户负责管理流式执行引擎和业务逻辑。app用户代表通过第三方系统与wormhole集成的用户，具有部分user用户的能力。通过权限的控制，实现了功能的约束，进而保证数据安全。

4.2 数据隔离

所有数据都是通过Namespace定义的，user用户可以使用哪些数据（Namespace）资源是由admin分配的，user用户登录到系统后，只能使用admin用户为其授权的数据（Namespace），也就实现了数据隔离。

4.3 脱敏加密

金融数据的一些信息需要进行加密才能对其他项目提供，那就可以在流上直接处理，通过UDF对某些字段进行加密、加盐等等，保证使用方看到的数据是脱敏的，进而保证敏感信息不外泄。

五、运维监控

5.1 实时动态管理

实时动态管理包括两方面，一方面是可以对Flow的相关配置进行实时管理，并且实时生效，这一点主要是使用了Zookeeper的能力；另一方面主要是针对Spark不支持的一些功能进行了扩展，包括不停Spark Streaming时，动态加载与注册UDF、和动态管理接入的Topic。

5.2 生命周期管理

Wormhole的Stream和Flow分别设计了一套有限状态机，也就是为两者分配了生命周期，保证操作的正确性。

5.3 性能监控

通过每个batch的每个Flow处理情况的Feedback信息，可以对每个batch的延迟情况、吞吐量、数据量等实时监控。

5.4 硬件资源隔离

主要从两个层次实现，一个是每个项目可以使用多少资源（CPU/内存）都是分配的，超过时无法启动新的Stream；另一个是每个Spark Streaming应用的资源是指定的，并且由Yarn分配，就是说Spark Streaming应用本身已经是资源隔离的。

流式处理支持异构逻辑的并行处理，提高了资源利用率；可视化操作的web系统统一管理各项配置和流程；数据质量通过“异常反馈”、“数据回灌”等方式得到了极大保障；数据安全也因“权限控制”、“数据隔离”、“脱敏加密”等方式得以实现。在介绍Wormhole的功能篇中，我们了解了Wormhole所支持的几个重要功能。那么Wormhole的设计细节具体是怎样来实现的呢？在Wormhole系列的第三篇文章中，我们会讲解其设计细节中的几个关键点，敬请大家期待~

作者：赵平

来源：宜信技术学院