阿里云EMR 2.0：重新定义新一代开源大数据平台

摘要：本文整理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。本篇内容主要分为三个部分：

1.  开源大数据的痛点及EMR产品历程

2.  EMR2.0 新特征

3.  总结

1►

开源大数据的痛点及EMR产品历程  

1.  开源大数据的痛点  

• 如何提升性能，降低资源成本

全面的性能优化需要大量的研发投入且门槛较高；大数据资源使用量大，广大用户都在不断探索降本方案。 

• 如何降低运维成本

开源大数据组件众多，开发上手相对容易，但是一旦业务规模和业务复杂度上升以后，所带来的运维难度和开销也随之急剧上升。 

• 如何保障数据和任务的可靠性

数据是公司的无形资产，数据的丢失往往是灾难性的，尽管有多副本，但是动辄几十台，甚至上百台、上千台的服务器在机器故障、集群升级、迁移过程中要保障数据的可靠性是一件不容易的事，而成千上万的任务实时或周期性的运行，也会消耗大量的运维投入。 

• 如何管理数据开发和治理

实现团队协同开发、安全合规的使用数据以及治理数据，也需要有方法论的支撑和产品支持。 

2.  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团队一直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 上取得了世界第一的成绩，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成本。 

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。

2►

EMR2.0 新特征

1.  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的新特征包括： 

全新平台体验  

• 集群创建速度2倍以上优化

• 集群扩容速度3倍以上提升

• 弹性规模支持千台以上

• 故障节点迁移

• 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

全新资源形态  

• EMR on ECS，支持倚天g8，性价比提升超过40%

• EMR on ACK(K8s)

• EMR Serverless

全新分析场景  

• 新版数据湖

• 数据分析

• 数据服务

• 实时数据流

• 数据科学

2.  EMR 2.0产品架构  

如下图所示，EMR 2.0产品架构自下而上包括：

硬件资源  

• EMR 2.0支持ECS（Intel, AMD, 倚天）/神龙/ECI

存储资源  

• 在存储资源上，数据湖架构已经已经逐步成为业界的共识，阿里云在对象存储OSS 技术上升级为 OSS-HDFS 兼容 HDFS API 

调度资源  

• 支持 EMR on ECS、EMR on ACK、EMR Serverless  

管控平台  

• 监控告警

• 弹性调度

• 集群诊断

• 故障补偿

• 权限&安全

• 组件管理

分析场景  

• 新版数据湖 Datalake

• 数据分析 OLAP

• 实时数据流 Dataflow

• 数据服务 DataServing

• 数据科学 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  

元数据管理和湖管理  

• 在原有的数据湖构建DLF上 新增了权限生命周期管理、湖管理等新特性。   

3.  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 进行了全面升级。

Elasticity 弹性  

• 集群创建，弹性性能大幅提升

• 异构实例，竞价实例满足个性化弹性需求

Stability 稳定性  

• 节点迁移，故障节点自动补偿

• 组件状态巡检，事件通知 

Intelligence 智能  

• 集群资源诊断

• 风险预警

• 实时检测

Efficiency 效率  

• 交互式数据开发

• 一键任务提交

• 配置导出&集群克隆

4.  全新数据开发  

EMR 2.0提供两套解决方案供不同用户选择，分别是：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

• • 直接在EMR管控台页面创建一个 notebook 并快速与EMR集群进行关联，几分钟内就可以开始对数据进行分析，无需担心代码的保存以及计算资源维护；

  • 对 Jupyter Notebook 进行了优化：如支持 StarRocks 快速指定引擎类型。

• 基于 Apache DolphinScheduler 的全托管SaaS化的 Workflow

• • 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，不收取额外费用。

DataWorks on EMR，企业级数据开发与治理  

DataWorks 是一套在阿里内部历经几万用户十几年打磨的产品，能够满足企业一站式数据开发和数据治理的诉求。DataWorks 支持数据集成、数据开发调度、数据建模、数据质量、数据地图、数据安全、数据分析、数据服务以及开放的API等能力：

• 数据集成：基于DataX，支持几十种数据源作为 source 和 sink 进行数据同步；
  

• 数据开发：线上的 IDE，支持 Spark、Hive、Presto、ClickHouse 的开发；

• 数据质量：根据任务配置的规则，对任务的产出结果进行正确性验证；

• 数据地图：采集字段级粒度的数据血缘；

• 数据安全：提供表和字段级别的权限管理；

• 数据分析：提供快速交互式的分析和可视化分析能力；

• 数据服务：简化数据查询服务的开发，通过写 SQL 就可以提供数据查询的接口；

• 开发平台：提供一系列的 API 供用户进行二次开发。 

5.  全新资源形态  

随着云原生技术越来越成熟，EMR 也提供了各种资源管理形态。 

EMR on ECS  

• 支持组件最全，自定义能力最强；

• 跟传统模式最接近，便于快速迁移。

EMR on ACK  

• 完全兼容 K8S，10秒级资源调度；

• 支持 Spark, Flink, Presto, RSS 组件；

• 配合 ECI，自动弹性，秒级扩容；

• 完整的任务提交、管理、监控能力。

EMR Serverless  

• 首先推出的是 StarRocks；

• 全托管，最小化的运维成本；

• 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，倚天性价比提升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应用自研CPU倚天710，EMR2.0 也将推出倚天机型。倚天采用最先进的ARM架构和生产工艺，在通用智能性能提升的基础上，降低了整体的资源成本：

• 在ECS价格方面，倚天G8系列较X86的机器系列价格降低20%以上，计算型系列价格降低超过30%，大幅降低企业成本；

• 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的对比中，同样采用了六台8core 32G的机型，倚天的TPC-DS耗时减少25%。

6.  全新分析场景  

EMR结合自身的技术优势和实践经验，对大数据场景进行了分类，方便用户快速构建适合业务的大数据集群：

数据湖  

• 数据湖集群包含 Spark、Hive、Yarn、Presto、Hudi、Deltalake、RSS、Kyuubi 等组件；支持用户构建数据仓库，进行数据 ETL 以及数据湖分析。

实时数据流  

• 实时数据流包含 Flink、Kafka 等组件；支持用户进行实时计算，构建在线决策、实时监控、实时计算等系统。

数据分析  

• 数据分析主要包含 StarRocks、Doris、ClickHouse 等组件；广泛应用于用户画像分析，交互式分析，构建BI报表系统和对接业务系统。

数据服务  

• 数据服务主要包含 Hbase、Phoenix 组件；支持时序数据分析、feeds流推送和用户行为收集。

数据科学  

• 数据科学主要包含 Tensorflow、PyTorch 组件；

• 面向机器学习、数据挖掘、特征建模等场景。

对于部分客户出于成本控制的考虑，希望将多种业务混部在一个集群，EMR 还支持自定义集群，可以将多种场景下的组件混合部署在一起。 

以用户使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，可完全兼容 HDFS API，用户可以平滑的将 HDFS 迁移到 OSS 上；

• 在计算层面，计算任务无需二次开发，可以直接运行在存算分离的数据湖架构上；

• 在1PB的场景下测算，经过合理的冷热分层，可以节省40%的资源成本，同时计算资源也可以实现按需或者按负载弹性使用，大大降低了资源消耗；

• 在计算引擎层面，EMR 对 Spark/Hive/Trino/StarRocks 等引擎进行优化，ETL 和分析场景下性能有明显提升；

• 在数据湖管理层面，DLF湖管理实现湖数据生命周期管理，包括：元数管理与服务、权限控制与审计、数据质量控制、湖表管理与优化、存储管理与优化、全新数据迁移入湖。

3►

总结

EMR2.0 从管控到引擎，从资源形态到应用场景都在积极创新，希望更好的解决用户在开源大数据遇到的痛点问题。 

EMR2.0 的控制台入口也升级到了emr-next，欢迎前往使用新版EMR。

新版EMR地址：

https://emr-next.console.aliyun.com/  

---

戳“阅读原文“查看原文视频！