當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

携程基于Flink的实时特征平台

發布時間：2023/12/31 编程问答 32 豆豆

生活随笔收集整理的這篇文章主要介紹了携程基于Flink的实时特征平台小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

本文來自7月26日在上海舉行的 Flink Meetup 會議，分享來自于劉康，目前在大數據平臺部從事模型生命周期相關平臺開發，現在主要負責基于flink開發實時模型特征計算平臺。熟悉分布式計算，在模型部署及運維方面有豐富實戰經驗和深入的理解，對模型的算法及訓練有一定的了解。

本文主要內容如下：

1.1、選擇實時計算平臺：依據項目的性能指標要求（latency，throughput等），在已有的實時計算平臺:Storm Spark flink進行選擇

1.2主要的開發運維過程：

80%以上的作業需要用到消息隊列數據源，但是消息隊列為非結構化數據且沒有統一的數據字典。所以需要通過消費對應的topic，解析消息并確定所需的內容
基于需求中的場景，設計開發計算邏輯
在實時數據不能完全滿足數據需求的情況，另外開發單獨的離線作業以及融合邏輯；
例如：在需要30天數據的場景下，但消息隊列中只有七天內的數據時（kafka中消息的默認保留時間），剩下23天就需要用離線數據來補充。
設計開發數據的校驗和糾錯邏輯
消息的傳輸需要依賴網絡，消息丟失和超時難以完全避免，所以需要有一個校驗和糾錯的邏輯。
測試上線
監控和預警

現在的架構是標準lamda架構，離線部分由spark sql + dataX組成。現在使用的是KV存儲系統Aerospike，跟redis的主要區別是使用SSD作為主存，我們壓測下來大部分場景讀寫性能跟redis在同一個數據量級。

實時部分：使用flink作為計算引擎，介紹一下用戶的使用方式：

注冊數據源：目前支持的實時數據源主要是Kafka和Aerospike，其中Aerospike中的數據如果是在平臺上配置的離線或者實時特征，會進行自動注冊。Kafka數據源需要上傳對應的schemaSample文件
計算邏輯：通過SQL表達
定義輸出：定義輸出的Aerospike表和可能需要的Kafka Topic,用于推送Update或者Insert的數據的key

用戶完成上面的操作后，平臺將所有信息寫入到json配置文件。下一步平臺將配置文件和之前準備好的flinkTemplate.jar(包含所有平臺所需的flink功能)提交給yarn，啟動flink job。

1）平臺功能展示-數據源注冊

2）實時特征編輯-基本信息

3）實時特征編輯-數據源選擇

4）實時特征編輯-SQL計算

5）實時特征編輯-選擇輸出

我們下面一個我們說一下我們選擇flink來做這個特征平臺的原因。

分為三個維度：最高延遲、容錯、sql功能成熟度

延遲：storm和flink是純流式，最低可以達到毫秒級的延遲。spark的純流式機制是continuous模式，也可以達最低毫秒級的延遲
容錯：storm使用異或ack的模式，支持atLeastOnce。消息重復解決不。spark通過checkpoint和WAL來提供exactlyOnce。flink通過checkpoint和SavePoint來做到exactlyOnce。
sql成熟度：storm現在的版本中SQL還在一個實驗階段,不支持聚合和join。spark現在可以提供絕大部分功能，不支持distinct、limit和聚合結果的order by。flink現在社區版中提供的sql，不支持distinct aggregate

1、實?示例

2、兼容開發：flink現在沒有對Aerospike提供讀寫支持，所以需要二次開發

3、碰到的坑

當前效果：將實時特征上線周期從原平均3天-5天降至小時級。未來規劃：

下一步的規劃是通過sql或者DSL來描述模型部署和模型訓練

以上是生活随笔為你收集整理的携程基于Flink的实时特征平台的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。