七牛云大数据平台建设实践
2017 年 1 月 14、15日，为期 2 天的 ECUG Con 十周年大会在深圳圆满结束，会上七牛云 CEO 许式伟做了题为《七牛大数据平台建设实践》的演讲，首次披露七牛云在大数据方向的产品思路，以下是对他本次的演讲实录。
许式伟 七牛云创始人、CEO
从连接到智能
我们都说现在是移动互联网时代，移动互联网时代我们随时随地能够上网，面向连接的革命诞生了很多有意思的应用，包括滴滴打车、外卖，这些都是在连接的时效性基础上做的应用。在有关于连接的革命以后，下一个阶段就是面向智能的革命。滴滴打车这样的场景未来会越来越智能,当然百度外卖号称现在在怎么送外卖这个事情上已经有一些智能，但这些只是开始。每一个应用会沉淀越来越多的数据，它成为这些数据唯一的 Owner。大家应该意识到一点，围绕着数据的深度应用让 App 变得智能，这件事有非常大的空间，无论你在什么领域。在我看来，这个智能不是云计算厂商或者大厂玩智能，未来所有的 App 都会玩智能。
在十年前，大家听到「云计算」，大部分人觉得是不靠谱的，全球第一个云服务也就是 AWS 对象存储，07 年刚刚发布，国内没有人知道，那时候的「云计算」概念虽然已经产生了，但是大家对云计算的认知非常不清楚。当时很多人会把它和网格计算的概念关联起来，而网格计算的概念昙花一现，最后消失了，大家认为云计算是新瓶装旧酒，是网格计算。但在今天看来，云计算本质上是一个 IT 的革命，把 IT 的交付方式由软件变成了服务，这是一个非常巨大的变革。这个变革背后的推动力其实是与移动互联网的兴起有关的。移动互联网的兴起意味着大量新兴机会的涌现，大家拼命地都要跑得更快。这些新兴的公司选择合作伙伴更希望是服务的合作伙伴，而不是软件合作伙伴。软件外包失败的概率是很大的，但是云计算解决了底层基础的 IT 技术外包成功率的问题，这也是云计算兴起的根源。
今天我们听到很多公司谈智能，忽悠的成分可能多于实际。而大部分公司认为智能跟自己没有关系，但是我认为接下来十年智能是非常重要的事情。
智能为什么会兴起？大部分的公司接下来十年都会开始充分利用互联网这个生产力工具，把他们的业务从线下搬上了线上，这意味着他和客户的连接其实是越来越数字化的。所谓的数字化，是指所有的沟通过程都会被记录，这种被记录的过程其实是很可怕的，因为你对用户前所未有地了解。但是如果让这些数据躺在你的计算机里或者删掉，意味着你相比以前纯粹地把业务跑在线下没有本质的进步。将来各行各业的竞争一定是面向数据的竞争，数据累计得越多，你对用户越了解，你对用户行为的挖掘，通过智能的提取，你会让 App 越来越具有独特性。前面李玥介绍了 Linkedin 如何使用数据，那是非常好的一个案例。Linkedin 本质上来讲是一个猎头公司，虽然它比很多大家认知的猎头公司要牛多了。但在本质上来讲，它是颠覆猎头行业的，新的猎头和老的猎头效率差距无比巨大。Linkedin 仅数据产品相关的团队就有 150 人，这是很恐怖的数字，可以看出硅谷公司是怎样的重视数据。
企业面临的挑战
- 观念带来的挑战。我们作为一个云计算厂商来看，多数公司的数据都不愿意存，认为数据是负担、是成本。但是在未来十年面向智能的时候，你应该认为数据是资本、是财产。这个观念的转念是非常巨大的。中国公司数据仓库存数十 PB，会觉得每个月要花掉好多钱。多数公司认为数据是成本，这是观念的挑战，可能也是未来最大的挑战。
- 数据产生价值链条长。不知道数据怎么用，或者没有支撑的数据平台。对于很多公司来说，把数据变成数据产品的链条是非常长的。整个数据从埋点、采集、分析、形成一系列产品，整个链条涉及的部门和工种非常多。涉及到业务部门、数据平台部门、数据分析与数据产品部门，而后又回到业务部门作用到线上，这个周期非常长。这决定了要让数据产生价值很困难。
- 多元化的场景。不同的公司业务场景不同，导致我们的数据产品很难用统一的模式产生。这与七牛的非结构化数据相比非常明显。七牛的数据是图片、音频、视频，围绕这些富媒体为存储的核心对象来构建场景，它的应用场景非常集中。非常集中就是说可预测性非常强，虽然我未必知道你的 App 是做什么的，但是我很清楚你的图片是用来做什么、你的视频用来做什么，业务场景比较容易清晰地呈现。但是大数据产品的业务场景非常是多元化的，不同的数据产品，面向的场景很不一样。
七牛大数据平台 - Pandora
- Pandora 是什么
Pandora 是一套数据采集、存储和分析为一体的 PaaS 平台，围绕着富媒体的业务场景构建，用户的各种业务场景我们都能够直接找到对应的解决方案。我们对 Pandora 的定位是希望它是一站式的数据处理服务，能够开放性地为七牛的客户解决他希望的大数据相关的业务场景。
- Pandora 有什么
图 1
如图 1 所示，第一部分是 Pipeline，其他部分是围绕 Pipeline 协同的。另外，有很多和 Pipeline 相连的部分，包括前面演讲介绍的 Kylin 也可以是其中之一。我们现在内建支持的东西包括七牛自己的时序数据库 TSDB、日志搜索引擎 LogDB、对象存储服务、关系型数据库、离线计算服务等。
- Pandora 产品架构图
图 2
图 2 是 Pandora 的产品架构图。其中 Pipeline 是一个数据总线的概念，数据通过 Pipeline 进来，打造一个临时储存数据的空间，比如我可以定义 7 天，即原始数据点可以在 Pipeline 里面存 7 天，然后数据经过变换，比如聚合成 1 分钟或者 1 天的数据，对它变换以后进入到另外一个 Pipeline 的空间。为什么叫 Pipeline？它把建立数据和数据变换进行串联，这个串联可以是任意级别的。数据在 Pipeline 里流转以后，适当的时候会导入到分析引擎，这些分析引擎是多样化的，同时还可以导出到 Kodo + XSpark（七牛对象存储 + 离线分析引擎）、LogDB（类似ElasticSearch，日志搜索引擎）、TSDB（时间序列数据库），以及其他服务等。
- Pipeline——数据总线
什么是数据总线？企业内部的数据都经过数据总线，数据总线的数据想流动到哪里都可以。数据接入，数据来源可以多样化，可以来自业务，可以来自日志数据、监控数据、实时数据等。这些数据进来以后，最后会通过数据的变换，Pipeline 可以认为是一个实时计算，它可以定义一些数据的变换，再去把一个 Pipeline 或者多个 Pipeline 里面的东西去聚合。最后，这些数据导出到 TSDB、LogDB、Kodo、MySQL/MongoDB 等。分析引擎在我们看来是非常多样化的，会跟你的需求密切相关。我们认为，你要抽象一个大数据的产品，最重要的是要抽象出数据总线。
- Kodo+XSpark——离线计算
图 3
为什么是 Kodo （七牛对象存储）而不是 Hadoop HDFS？这是因为我们认为 Kodo 比 HDFS 做得更好。首先，Kodo 对元数据的支持比 HDFS 要好的多，七牛的 Kodo 对象存储支持那么多的客户，我们很多客户一天就是几亿个文件进来，Kodo 对象存储的规模绝对不是 HDFS 能够搞定的。另外，七牛的对象存储能够支持小到只有 1 个字节、大到单文件近 TB 级别的规模。其次，Kodo 比 HDFS 的成本低得多，HDFS 默认会有 3 份数据，而 Kodo 将存储冗余度从 3 副本降低至 1.14 副本。所以站在七牛的角度来讲，我们没有必要再去基于 HDFS，而是让 Spark 去支持七牛的 Kodo 对象存储。
XSpark 是七牛基于容器云打造的 Spark 服务，支持非常快速地创建集群，极其简单地维护集群，极为容易地对资源进行伸缩。
- TSDB——时序数据库
图 4
TSDB 是我们自己的一套时序数据库，可以通过各种 SQL 查询，支持高速读写，十分符合实时监控的场景。值得一提的是，我们定制了 Grafana，使得 Grafana可以直接对接 TSDB，使用起来非常方便。
- LogDB——日志搜索引擎
LogoDB 除了能够提供海量日志的存储与搜索，同时还支持对日志索引进行时限的限制（retention）。LogDB 对运维人员定位问题是非常有好处的,如果没有这种数据平台的话，我们可能要用 awk 或者 grep 这样原始的指令来查找问题，但是用 LogDB 可以协助快速地定位和解决问题。 大部分日志数据的搜索场景，基本上是短期的目的，无论是出于运维的考虑还是客服的目的，基本上把日志索引建到一个星期左右就差不多了。但是开源的搜索引擎不是面向这种场景，它需要你自己去做一些日志索引的改造。
- Pandora 的基础逻辑
没有一个数据分析引擎可以解决所有的数据分析需求，能够统一实现的是数据总线（Pipeline），管理数据的流动过程。
每个数据分析系统做好它关注的一件事情（而不是做越来越多的事情），如果输出还需要进一步处理，尽可能让它再重新流入到 Pipeline。
每一个分析系统分析的场景不一样，它背后的分析结构是不一样的，我们需要每一个系统只关注一小块，这样可以足够的解耦。整个系统最核心的就是 Pipeline，把大数据的各种系统进行串联。
- 基于 Pandora 的应用场景
场景：视频直播的质量运营
我们关心的维度：直播质量的实时报表、日志搜索、各 CDN 厂商的质量评估、异常情况的告警。很多直播的平台都是请了主播，这些主播特别贵，一旦出问题就是大问题。大家可能会觉得这只是万分之一的概率，但是万分之一到他请的主播上就是大事，所以他会有很多面向个体分析的场景，所以需要日志搜索。站在更高的维度来讲，每个直播的需求方都会有多个 CDN 厂商同时提供服务，直播平台希望这个时候能对 CDN 厂商进行质量评估，也会有一些人提出更高级的需求，比如对异常情况预警、自动触发流量调度等。
- 直播质量的实时报告
图 5
直播特别关心用户看到的第一屏的时间，用户发起直播到看到第一屏的时间我们叫首开时间，这些我们会产生一些相关的报表，并且是实时的。如果出现问题了，我们会看到针对不同的直播 CDN 供应商的质量考量，如图 5 所示。
图 6
卡顿率也是直播质量考量的一个维度，如图 6 所示，我们可以看到关于卡顿率的热点图。站在全国的维度来看卡顿率，图中越红的地方表示卡顿率越高，质量越差。
- 日志搜索
图 7
日志搜索主要是面向客服的场景，比如说某一个主播有卡顿，我们需要找到这个主播相关的条件去搜索，最后把服务端甚至客户端即 SDK 端报上来的数据整合，来看问题到底发生在哪里。
我们用了什么
基本上把 Pandora 的服务都用了:
- Pipeline: 数据总线、对数据做基础的聚合（1 min,1 day）；
- TSDB：实时数据分析；
- LogDB：日志搜索；
- XSpark：高级离线数据分析（各厂商的质量评估）。
以上是我演讲的内容，整个 Pandora 的定位是一站式、开放式的大数据平台。谢谢！
Q：数据类型有很多种，我们公司目前仅仅是做日志分析。在收集数据的时候，可能会关注哪一部分的数据？
许式伟：这和需求有密切关系。你的分析一定是跟需求相关的，比如说游戏，你希望分析道具相关的，你就需要把道具相关的数据导到平台里面。
Q：数据来源可以是多方面？
许式伟：对。埋点部分是没有办法解决的，这是要到业务系统中去做的事情。
Q：这个产品的定位，会考虑部署到企业内部？因为这个数据很多用户可能对数据比较敏感，希望用你这个产品功能，但是不需要把数据放到上面？
许式伟：我们是可以支持部署到客户 IDC 的，但是是有条件的。我们认为云计算最大的变化是由软件变成服务，所以我们希望 Pandora 的发布形态不是个软件。在这个前提下更多细节可以再讨论。
注：本文整理自许式伟在七牛云主办的 ECUG 十周年大会上的演讲，转载请注明出处
Pandora 处于内测阶段，点击「阅读原文」，咨询详情。
