流计算、Flink和图计算

流计算

流计算概述

静态数据和流数据

很多企业为了支持决策分析而构建的数据仓库系统，其中存放的大量历史数据就是静态数据。
技术人员可以利用数据挖掘和OLAP（On-Line Analytical Processing）分析工具从静态数据中找到对企业有价值的信息。

近年来，在Web应用、网络监控、传感监测等领域，兴起了一种新的数据密集型应用——流数据，即数据以大量、快速、时变的流形式持续到达。
流数据具有如下特征：

• 数据快速持续到达，潜在大小也许是无穷无尽的
• 数据来源众多，格式复杂
• 数据量大，但是不关注存储，一旦经过处理，要么被丢弃，要么被归档存储
• 注重数据的整体价值，不过分关注个别数据
• 数据顺序颠倒，或者不完整，系统无法控制将要处理的新到达的数据元素的顺序

批量计算和实时计算

对静态数据和流数据的处理，对应着两种截然不同的计算模式：批量计算和实时计算
批量计算：充裕时间处理静态数据，如Hadoop
流数据不适合采用批量计算，因为流数据不适合用传统的关系模型建模
流数据必须采用实时计算，响应时间为秒级
数据量少时，不是问题，但是，在大数据时代，数据格式复杂、来源众多、数据量巨大，对实时计算提出了很大的挑战。因此，针对流数据的实时计算——流计算，应运而生

流计算概念

流计算：实时获取来自不同数据源的海量数据，经过实时分析处理，获得有价值的信息

• 流计算的基本理念：数据的价值随着时间的流逝而降低。
• 当事件出现时就应该立即处理，而不是缓存起来进行批量处理。
• 为了及时处理流数据，就需要一个低延迟、可扩展、高可靠的处理引擎。
• 对于一个流计算系统来说，它应达到如下需求：
  （1）高性能：处理大数据的基本要求，如每秒处理几十万条数据
  （2）海量式：支持TB级甚至是PB级的数据规模
  （3）实时性：保证较低的延迟时间，达到秒级别，甚至是毫秒级别
  （4）分布式：支持大数据的基本架构，必须能够平滑扩展
  （5）易用性：能够快速进行开发和部署
  （6）可靠性：能可靠地处理流数据

流计算与Hadoop

Hadoop设计的初衷是面向大规模数据的批量处理，每台机器并行运行MapReduce任务，最后对结果进行汇总输出
MapReduce是专门面向静态数据的批量处理的，内部各种实现机制都为批处理做了高度优化，不适合用于处理持续到达的动态数据可能会想到一种“变通”的方案来降低批处理的时间延迟——将基于MapReduce的批量处理转为小批量处理，将输入数据切成小的片段，每隔一个周期就启动一次MapReduce作业。但这种方式也无法有效处理流数据：

• 切分成小片段，可以降低延迟，但是也增加了附加开销，还要处理片段之间依赖关系
• 需要改造MapReduce以支持流式处理

流计算框架

目前有三类常见的流计算框架和平台：商业级的流计算平台、开源流计算框架、公司为支持自身业务开发的流计算框架
商业级：IBM InfoSphere Streams和IBM StreamBase
较为常见的是开源流计算框架：Twitter Storm、Yahoo! S4（Simple Scalable Streaming System）
公司为支持自身业务开发的流计算框架：Facebook Puma、Flink、Dstream（百度）、银河流数据处理平台（淘宝）

流计算处理流程

数据处理流程

传统的数据处理流程：
需要采集数据并存储在关系数据库等数据管理系统中，之后由用户通过查询操作和数据管理系统进行交互
传统的数据处理流程隐含了两个前提：

• 存储的数据是旧的。存储的静态数据是过去某一时刻的快照，这些数据在查询时可能已不具备时效性了。
• 需要用户主动发出查询来获取结果。

流计算的处理流程：
流计算的处理流程一般包含三个阶段：

• 数据实时采集
• 数据实时计算
• 实时查询服务
  

数据实时采集

• 数据实时采集阶段通常采集多个数据源的海量数据，需要保证实时性、低延迟和稳定可靠
• 以日志数据为例，由于分布式集群的广泛应用，数据分散存储在不同的机器上，因此需要实时汇总来自不同机器上的日志数据
• 数据采集系统的基本架构一般有以下三个部分：
  （1）Agent：主动采集数据，并把数据推送到Collector部分
  （2）Collector：接收多个Agent的数据，并实现有序、可靠、高性能的转发
  （3）Store：存储Collector转发过来的数据（对于流计算不存储数据）
  

数据实时计算

• 数据实时计算阶段对采集的数据进行实时的分析和计算，并反馈实时结果
• 经流处理系统处理后的数据，可视情况进行存储，以便之后再进行分析计算
• 在时效性要求较高的场景中，处理之后的数据也可以直接丢弃
  

实时查询服务

• 实时查询服务：经由流计算框架得到的结果可供用户进行实时查询、展示或储存
• 在流处理流程中，实时查询服务可以不断更新结果，并将用户所需的结果实时推送给用户
• 虽然通过对传统的数据处理系统进行定时查询，也可以实现不断地更新结果和结果推送，但通过这样的方式获取的结果，仍然是根据过去某一时刻得到的结果，与实时计算有着本质的区别。

流处理系统与传统的数据处理系统的区别：

• 流处理系统处理的是实时的数据，而传统的数据处理系统处理的是预先存储好的静态数据
• 用户通过流处理系统获取的是实时结果，而通过传统的数据处理系统，获取的是过去某一时刻的结果
• 流处理系统无需用户主动发出查询，实时查询服务可以主动将实时结果推送给用户

流计算的应用

流计算是针对流数据的实时计算，可以应用在多种场景中，如Web服务、机器翻译、广告投放、自然语言处理、气候模拟预测等
并不是每个应用场景都需要用到流计算。流计算适合于需要处理持续到达的流数据、对数据处理有较高实时性要求的场景

开源流计算框架Storm

批处理系统关注吞吐率，流处理系统关注延时

Storm简介

• Twitter Storm是一个免费、开源的分布式实时计算系统，Storm对于实时计算的意义类似于Hadoop对于批处理的意义，Storm可以简单、高效、可靠地处理流数据，并支持多种编程语言
• Storm框架可以方便地与数据库系统进行整合，从而开发出强大的实时计算系统

Storm的特点

• 整合性：Storm可方便地与队列系统和数据库系统进行整合
• 简易的API：Storm的API在使用上即简单又方便
• 可扩展性：Storm的并行特性使其可以运行在分布式集群中
• 容错性：Storm可自动进行故障节点的重启、任务的重新分配
• 可靠的消息处理：Storm保证每个信息都能完整处理
• 支持各种编程语言：Storm支持使用各种编程语言来定义任务
• 快速部署：Storm可以快速进行部署和使用
• 免费、开源：Storm是一款开源框架，可以免费使用

Flink

Flink简介

• Flink是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架，并且可以同时支持实时计算和批量计算
• Flink具有十分强大的功能，可以支持不用类型的应用程序。Flink的主要特性包括：批流一体化、精密的状态管理、时间事件支持以及精确一次的状态一致性保障等。
• Flink不仅可以运行在包括YARN、Mesos、Kubernetes等在内的多种资源管理框架上，还支持在裸机集群上独立部署。在启用高可用选项的情况下，不存在单点失效问题。

为什么选择Flink

传统数据处理架构

显著特点是采用一个中心化的数据库系统，用于存储事务性数据

大数据Lambda架构

主要包含两层，即批处理层和实时处理层
在批处理层中，采用MapRedice、Spark等技术进行批量数据处理
在实时处理层中，采用Storm、Spark Streaming等技术进行数据的实时处理

流处理架构

为了高效地实现流处理架构，一般需要设置消息传输层和流处理层
消息传输层从各种数据源采集连续事件产生的数据，并传输给订阅了这些数据的应用程序
流处理层会持续地将数据在应用程序和系统间移动，聚合并处理事件，并在本地维持应用程序的状态

流处理架构的核心是使各种应用程序互连在一起的消息队列，消息队列连接应用程序，并作为新的共享数据源，这些消息队列取代了从前的大型集中式数据库。
流处理器从消息队列中订阅数据并加以处理，处理后的数据可以流向另一个消息队列，这样，其他应用程序都可以共享流数据。
在一些情况下，处理后的数据会被存放到本地数据库中。

流处理架构正在逐步取代传统数据处理架构和Lambda架构，成为大数据处理架构的一种新趋势。
在流处理架构中，批处理被看做是流处理的一个子集，因此， 就可以用面向流处理的框架进行批处理，这样就可以用一个流处理框架来统一处理流计算和批量计算，避免了Lambda架构中存在的“多个框架难管理”的问题。

Flink的优势

Flink是一种兼高吞吐、低延迟和高性能的实时流计算框架，并且同时支持批处理和流处理。
总体而言，Flink具有以下优势：

• 同时支持高吞吐、低延迟、高性能
• 同时支持流处理和批处理
• 高度灵活的流式窗口
• 支持有状态计算
• 具有良好的容错性
• 具有独立的内存管理
• 支持迭代和增量迭代

Flink应用场景

• 事件驱动型应用
• 数据分析应用
• 数据流水线应用

图计算

图计算简介

图结构数据

• 许多大数据都是以大规模图或网络的形式呈现，如社交网络、传染病传播途径、交通事故对路网的影响
• 许多非图结构的大数据，也常常会被转换为图模型后进行分析
• 图数据结构很好地表达了数据之间的关联性
• 关联性计算是大数据计算的核心——通过获得数据的关联性，可以从噪音很多的海量数据中抽取有用的信息

传统图计算解决方案的不足之处

传统的图计算算法都存在以下几个典型问题：
（1）常常表现出比较差的内存访问局部性
（2）针对单个顶点的处理工作过少
（3）计算过程中伴随着并行度的改变
针对大型图（比如社交网络和网络图）的计算问题，可能的解决方案及其不足之处具体如下：
（1）为特定的图应用定制相应的分布式实现
（2）基于现有的分布式计算平台进行图计算
（3）使用单机的图算法库
（4）使用已有的并行图计算系统

图计算通用软件

传统的图计算解决方案无法解决大型图的计算问题，因此，就需要设计能够用来解决这些问题的通用图计算软件
针对大型图的计算，目前通用的图计算软件主要包括两种：

• 第一种主要是基于遍历算法的、实时的图数据库，如Neo4j、OrientDB、DEX和 Infinite Graph
• 第二种则是以图顶点为中心的、基于消息传递批处理的并行引擎，如GoldenOrb、Giraph、Pregel和Hama，这些图处理软件主要是基于BSP模型实现的并行图处理系统

一次BSP(Bulk Synchronous Parallel Computing Model，又称“大同步”模型)计算过程包括一系列全局超步（所谓的超步就是计算中的一次迭代），每个超步主要包括三个组件：

• 局部计算：每个参与的处理器都有自身的计算任务，它们只读取存储在本地内存中的值，不同处理器的计算任务都是异步并且独立的
• 通讯：处理器群相互交换数据，交换的形式是，由一方发起推送(put)和获取(get)操作
• 栅栏同步：当一个处理器遇到“路障”（或栅栏），会等到其他所有处理器完成它们的计算步骤；每一次同步也是一个超步的完成和下一个超步的开始
  

Pregel简介

• Pregel是一种基于BSP模型实现的并行图处理系统
• 为了解决大型图的分布式计算问题，Pregel搭建了一套可扩展的、有容错机制的平台，该平台提供了一套非常灵活的API，可以描述各种各样的图计算
• Pregel作为分布式图计算的计算框架，主要用于图遍历、最短路径、PageRank计算等等