云布道师

本文根据 2023 云栖大会演讲实录整理而成，演讲信息如下：

演讲人：姜伟华 | 阿里云计算平台事业部资深技术专家、阿里云实时数仓 Hologres 研发负责人

演讲主题：Hologres Serverless 之路——揭秘弹性计算组

实时化成为了大数据平台的核心演进趋势，而其中 Serverless 技术可以让企业在实时场景取的性能、成本、高可用之间的平衡。2023 年云栖大会上，阿里云实时数仓Hologres 研发负责人姜伟华介绍了一站式实时数仓 Hologres 在 6 年研发期间的Serverless 演进之路，让客户实时数仓成本降低 70%-120%，开发效率提升 100%，性能提升 100-200%。

一站式实时数仓 Hologres

首先向大家简单介绍下 Hologres。Hologres 是阿里云自研一站式实时数仓，以分析服务一体化架构，统一数据平台架构，实现一份数据，同时支持支持多维分析、在线服务、湖仓一体、向量计算多个场景，其中包含了：

  • 多维分析（实现同 CK、Doris 等查询场景） 数据高性能实时写入、更新与查询，实现写入即可查，支持列存、内置索引加速
  • 在线服务（实现同 Hbase、Redis 等点查场景） 超高 QPS 下 KV 与 SQL 点查、非主键点查，支持行存、具备高可用能力
  • 湖仓分析（实现同 Presto 等交互式分析场景） 无需数据搬迁，对 MaxCompute、数据湖中的表进行秒级交互式查询，元数据自动发现
  • 向量计算（实现同 Faiss 等向量查询场景） 内置达摩院 Proxima 向量引擎，QPS

Serverless 实时数仓的挑战与关键技术

在一个 All in one 的一站式实时数仓架构下，像我们刚才提到的，希望一份数据，同时能支持以上四种场景，那各个业务部门、各种业务需求便随之而来，例如：

  • 稳定性需求
    在进行资源的扩缩容、启停时候，如何不影响实时在线的业务？
    如何保证业务/任务之间的隔离？例如读写隔离、写写隔离、读隔离、任务隔离。并且是比起资源组或者资源队列来说更加干净的隔离。
    如何有效利用资源？例如水平的扩展实现 QPS 的简单增加，从 500 QPS 到扩展1000 QPS 只需要简单加一倍资源即可，让资源管理更加简单。
  • 成本优化需求
    如何降低开发成本？例如上线新业务，基于同一份数据，但是使用新的计算资源。
    如何降低资源资源？例如基于定时和负载做弹性，应对洪峰、日夜变化，用完即销毁，Endpoint 保持不变。
    如何降低学习成本？例如开发接口是否通用，是否能对接主流的BI产品。
    于是实时数仓在接收了这么多需求后，自然而然将 Severless 定义为平台核心演进方向，Hologres 在 年的 Serverless 演进过程中，总结下来了 4 项 Serverless 实时数仓关键技术挑战：

存算分离
不管是 Hologres, 还是说其他的大数据产品，经常讲一个词叫存算分离。为什么要做存算分离？因为存算分离是实现 Serverless 化的一个前置条件，Serverless 核心关注是计算资源的弹性，这就要求存储和计算必须分离。Hologres 从产品第一天开始，就是一个存算分离的架构。

如果不做存算分离的话有什么问题呢？传统上像 Greenplum，数据是存在本地磁盘的，而本地磁盘有一个容量限制，存满了就会有搬迁，代价很大。第二个问题是数据的访问，Serverless 本质上来说，希望计算资源随时可以拉起，然后就可以去访问数据，任何计算资源都能访问到这个数据。但如果你要存在本地的话，就不能够让任何一个计算资源访问，只有本地盘能访问。

所以在 Serverless 的情况下，一般来说数据肯定是存在一个分布式的文件系统上的。通过分布式文件系统，首先第一个是解除了容量限制，第二个任何的计算资源都可以去访问到这份数据，计算资源和存储资源都能池化。如果是一个离线数仓的话，这个问题就解决了，因为数据都在分布式文件系统上，任何计算资源都能访问到这个数据。

对于实时数仓来说有一个挑战在于数据是不是足够实时。实时数仓，我们强调一个实时性，就要求写进去的数据马上就能访问到，所以在这件事情上，不同的产品可能会有他的各自的取舍。

如果我们能容忍一个五分钟或者十分钟的查询延迟，所有的数据客户端攒 5-10 分钟后发送过来，直接写到分布式文件系统上，别的计算资源就能访问到了。但是这个对用户体验其实是很差的。因为等于说数据写了，那边查不出来（延迟 5-10 分钟）。Hologres 采用的是一个对用户比较友好的方案：写入即可查。

写入即可查是有经典方案的，就是 Mem Table +LSM Tree。比方说像 Hbase 或者其他一些产品都是采用这样一个架构，这个架构本质就是有一部分持久化的数据，这些数据是存在分布式文件系统上的，别人也能看到。但是最新的数据是在 mem Table 中的，这部分数据只有本机能看到。

同时 Hologres 支持高频的 CRUD, 就是高频的更新与删除。因为有很多应用，希望基于主键，做非常高频的更新或者删除，就要求一定要有一个主键索引。而这个主键索引一定要在内存里，否则的话就是性能跟不上。并且这个主键索引还在不停的被更新。
Shard Replica
Hologres 将实时写入+高频 CRUD 这两点结合，让实时数仓保持高频的实时更新或删除，且写入即可见，这样在使用体验上会非常像一个数据库，对用户非常友好。但是同时它也带来了一个新的问题，就是最新的几分钟数据是在内存里。刚才说Serverless 的场景下，我们希望任何拉起的计算资源，都能访问到这些数据。但是那些数据是在内存里的，所以这是一个很特别的挑战。Hologres 解这个问题的方法，我们称之为叫做 Shard Replica（Shard副本）。

简单来说就是每个 Shard Replica 在实现机制上，很像数据库里面的物理复制。数据库的物理复制是有一个从实例，通过同步了主实例的 write ahead log，然后重放这些 log，然后构建 B+ tree，把数据刷下去。在数据库的实现中，主从两个实例的数据也是各自存各的。Hologres 在这个地方有一个创新，Shard Replica 做了物理复制，但仅在内存中构建了自己的 MEM Table, 这样子 Shard 副本就能看到最新的数据。但是 Shard 副本是不会去 flush 数据到文件系统的。这样，分布式文件系统上的数据就只有一份。这样 Replica 通过自己的 MEM Table 与主 Shard 的存算分离的落盘数据，就可以完整的访问所有数据了，实现了实时的可见性。

副本的维护代价大概是主的 1/4 或者 1/8 的样子。

Shard Replica 能力是 Hologres 实现存算分离、高可用、容灾、高 QPS 等等的基础。
隔离与弹性
有了这个存算分离能力以后，下面怎么样做？刚才说到有了存算分离，那可以任意地拉起计算资源并访问，所以这个时候就可以做强的资源隔离，并且自然可以弹性的伸缩，也能够自适应的去响应负载。

高可用
在高可用上，实时数仓跟一般的离线数仓做 Serverless 上有一些差异。因为一般离线数仓更关注的是资源能不能用满，但实时数仓要求有很高的 SLA 保证。比方说延迟或抖动，这种都是不允许有的。我们如何能保证在强隔离的情况下，还能做到各种自由的弹性伸缩与高可用性。
离线数仓不是基于连接的，每次提交一条 SQL，执行完给出结果，然后再来一条。但是实时数仓是基于连接的，有点像数据库，在资源的变化的过程中（各种变更、扩缩容等），如何做到自动的路由负载均衡。在计算资源弹性时，连接与现有查询不受影响，在后台计算资源改变时，原有连接资源可自动路由到新的计算资源上，保证连接不断。这些能力对于 Serverless 实时数仓来说非常有挑战性。

Hologres 的 Serverless 演进之路

刚才说到的这些难题与挑战，Hologres 也不是一下子解决的，接下来我们向大家介绍下 Hologres 在 6 年的发展中，在 Serverless 是如何逐步演进的，希望能和大家有一些交流。
2018 年 Hologres 在阿里内部立项。2019 年产品化并在阿里集团内部大规模使用。到 2020 年，我们在阿里云上正式商业化，并且在业界第一个提出了分析服务一体化。到了 2021 年我们主要增强一些企业级的能力。2022 年 Hologres 重点发布了主从实例。主从实例是我们 Serverless 演进过程中的一个关键步骤，有非常多的客户在生产环境中用上了我们的主从实例，实现了一份数据，多种计算。跟传统数据库的主从不一样，它的数据只有一份，因为大数据场景下数据量很大，对用户来说一份数据可以极大地节约存储成本。同时存算分离下的主从实例，允许大家为不同的业务，快速的拉起一个从实例干不同的工作，如果不需要的话，也可以快速地把它给销毁掉，没有任何数据搬迁的过程。到了 2023 年我们正式发布计算组实例。是Hologres 面向完全的 Serverless 化的基本产品形态。

阶段一：独享实例
独享实例是 Hologres 常用的形态，基于之前我们提到的存算分离架构，底下是阿里盘古文件系统，上面是计算实例，用户想要扩容、缩容都非常方便，不需要做数据搬迁。但是唯一的问题是用户必须要小心翼翼地控制规格大小，比方 QPS 压力太大了，那你就要扩容，不能做到资源按需使用，按需付费。
阶段二：共享集群
Hologres 在 2020 年就推出了一个完全 Serverless 化的湖仓共享集群，它是不带存储，只会按量收取计算费用。首先 Hologres 与离线数仓 MaxCompute 做了一体化的融合，如果想要更快地查询 MaxCompute 中的离线数据，不需要将数据导出，也不需要预留任何资源，运行一条 SQL 直接查询就可以，最终只按照 SQL 查询量收费，用户在不使用的时候，不会收任何的费用，也不需要任何的启停操作。这是我们做的非常彻底 Serverless 的产品，不仅仅是 MaxCompute 中的数据，还可以查询 OSS 中数据湖的数据。

共享集群仅适用离线数仓与数据湖加速查询的场景，没有很好的 SLA 的保证。

阶段三：主从实例
为了实现资源的强隔离，同时支持一份数据、多种计算的愿景，Hologres 推出了主从实例，实现一份数据多种计算，计算之间完全隔离。

一个典型的场景：首先有一个读写的独享主实例，负责数据的写入，然后按需创建多个只读的从实例。这个创建过程非常快，没有任何数据搬迁。比方说现在线上业务在跑着，突然发现线上业务数据不太对。那怎么办呢？用户可以临时拉起一个从实例，然后在上面做数据分析，找出问题在哪里，这对用户来说是一个非常易用的一种体验。

这种场景我们做了非常强的隔离，存储层面依托盘古强大的分布式文件系统的能力，基本可以保证 IO 之间没有竞争。计算层面，我们通过 K8S 实现隔离，做到了计算之间也没有竞争。存储与计算都没有竞争，让用户实现了很干净的强隔离，体验也非常好。我们见过最多的一个客户是一主九从，挂了非常多的从实例干各种各样的事情，比如分配一个从实例给经常做分析的同事，或者分配一个从实例给某个特定部门。

但是这种主从实例也有它的问题，由于每一个都是一个独立的实例，每个都有一个入口，用户如果要用新的从实例，必须要去改他的代码，把代码指向这个新的实例才能用起来，这样用户体验就不够好，不够灵活，所以今年我们正式推出了计算组实例。
阶段四：计算组实例
计算组实例内部有多个计算组，计算组之间还是强隔离，但是它是一个实例，有一个统一的路由，于是在计算组内部，各种强隔离、弹性自动路由等等都可以做了。

计算组上面有一个 gateway, 这是一个网关，用户所有的请求都会通过这个网关打过来。下面的计算组跟刚才的从实例很像。每个计算组都是一组独立的计算资源。计算组和计算组之间是强隔离的，由网关来进行这个任务的路由。这样对用户来说永远看到的是同一个网关。所有的弹性扩缩容等操作，都是管理员做的事情，对用户来说是无感的，也解决了我们在主从实例中留下的不够灵活的问题。

举几个典型应用场景：

  • 计算组实例应用：动态扩容

一般我们分 2 个计算组，包括默认计算组和查询计算组，其中默认计算组只承担写入&ETL 等流程，查询计算组负责对外查询，实现读写隔离。当实时数仓使用人更多，服务更多部门时，读写隔离不能完全满足需求，写入与写入之间会有资源争抢，查询之间也有资源争抢。我们就可以需要提供扩容多种计算组，比如离线写入计算组、实时写入计算组、OLAP 查询计算组、在线服务计算组，实现不同场景/业务之间的完全隔离。

  • 计算组实例应用：弹性伸缩

在大促或者某些场景下，我们经常遇到资源不足的情况，当流量洪峰来临时，根据业务需求对单个计算组扩容，低峰期对计算组进行缩容，同时系统支持热扩缩容方式，将业务影响降到最低，并且防止资源的浪费。

  • 计算组实例应用：自动路由

某一个计算组出了问题或者压力太大发生 Failover 后，影响业务，需要快速止血时，我们希望给它减少流量或者完全停掉。原来是解不了这个问题，用户只能改应用程序。现在管理员只需要通过 SQL 命令实现自动路由机制，无需改动应用接口，快速将 Failover 计算组的负载路由至默认/指定计算组，实现业务快速恢复。

客户案例： 某客户Serverless实时数仓升级之路

刚才我们是从 Hologres 自身的视角来看待实时数仓的发展与演进，最后我们来看一个我们长期的资深用户是如何一步一步基于 Hologres 来做自己业务实时数仓的升级与 Serverless 化的。
这是一个物流的客户，他们业务主要做仓储的管理，有好几类业务，第一类业务叫实时播报，需要一个快速开发的，高保障的一个业务。第二个业务就是仓库的各种实时作业，指导仓库这种货放到哪里去等等，需要一个作业调度系统，要求高性能并且要持续服务高 SLA 的保证。第三类像传统的大屏，或者说类似指标中心的自助分析，要求更强的灵活性。整体业务规模上，大概有 350 个左右的实时任务，消耗 1 万 CU，量非常大。同时 P2 级以上的重点任务占了 70%，对 SLA 的要求也非常高。从性能要求上，日均大概是每秒钟写入 2000 万条记录，峰值能达到每秒 6000 万条，然后每秒输出大概 50 万条记录，整体的实时吞吐性能非常高。
可以看到这是一个业务复杂，对性能、SLA、成本等都有非常多要求的客户场景。

实时数仓 1.0-Hologres 替换传统数仓
最早的时候实时数仓 1.0，底下实时数据从 DWD 到 DWS 到 ADS, 这个加工层是通过消息队列 Kafka 加上 Flink 来做的。他们会把结果数据同时写两个地方，一个是 Lindorm，类似于 Hbase，因为刚才我们提到的物流库存作业是一个高稳定性保障业务，所以他用这个来对外提供点查的能力。同时将数据写入 Hologres，提供交互式分析与 OLAP 查询等服务。

实时数仓 2.0-Hologres 升级主从实例，高可用部署
2022 年随着 Hologres 推出了主从实例，他们做了一次架构的变更。首先，从实时数据加工链路上，本来 Flink+Kafka 实现的 DWD、DWS、ADS 层加工，现在改成用 Hologres+Flink 来做，把 DWD 层写到 Hologres 里面去，同时 Flink 订阅Hologres 的 Binlog。这样任何一张表的变更，Flink 都能感知到。Flink 加工得到的 DWS 层再写到 Hologres 里面去。然后再通过 Flink 订阅 Binlog, 加工 ADS 层写到 Hologres 里面去。这时候大家可能觉得这个场景有点奇怪，为什么要这么搞来搞去。其实这个架构最大的好处是，每一层数据都是可查可对外服务的。原来架构中，数据在 Kafka 中，只能给 Flink 用。如果数据有问题，要去查一下问题都很困难。而在这个架构中，每一层的数据都是 Hologres 对外提供服务的。不需要数据冗余，同一份数据既可以给 Flink 应用，也可以对外提供服务。

同时，为了支持隔离与高可用，他们建了好几个从实例来给不同的业务用。需要的时候就再创建一个。实现了读写分离和同城容灾，故障从 6 次降为 0 次，存储下降几百 T，开发效率提升 100%。

实时数仓 3.0（ing）-Hologres 计算组实例，弹性和隔离
2023 年随着我们推出了计算组实例后，他们把整个主从实例替换成了计算组实例。通过拉起不同的计算组，统一对外提供服务。整个实时数仓的架构更加 Serverless化，拉起一个新的计算组，不再需要去改应用，每个计算组又能提供很好的隔离。

最后讲一下我们对未来趋势的一些看法，，虽然 Hologres 推出了计算组实例，坦率地说这只是我们 Serverless 化的开始。作为一个云产品，我们希望让客户通过 Serverless，使用起来更简单，成本更低。因此我们在未来主要有两个目标，第一个是 Down To Zero，简单来说，当用户不用任何计算的时候，不问用户收取任何计算的费用。并且在这种情况下，如果有请求进来，计算资源能秒级恢复并响应，并不是说停掉了以后请求来了就断掉了。第二个目标，我们希望能够把独享实例和共享实例统一在一起，变成一个统一的对外的形态，实现自助资源切换。最终用户在没有计算的时候可以不花一分钱，请求来了能及时响应，业务变化又能灵活满足多种资源需求，这是我们希望给用户提供的终极形态。

除了 Severless，Hologres 在本次云栖大会还将物化视图升级 DynamicTable 进行升级，与 Flink 结合构建流批一体的数仓分层架构，用户只需描述数据的应用场景、产生逻辑、实时性要求、分层依赖，DynamicTable 负责高效的一体化工程实现，保持数据高性能的实时写入、实时更新、实时查询，解决离线实时重复开发、数据不一致，学习成本搞，运维复杂等难题。

在淘天集团直播数据决策分析产品中，Dynamic Table 数仓分层架构让实时数仓整体性能提升 200%，延迟下降 85%，在淘天集团营销活动分析场景中，Dynamic Table 数仓分层架构让实时性能提升 30%，离线性能提升 800%，这个功能在不久之后也会在公共云开放给客户使用。

可以看到无论是 Serverless 还是物化视图的升级，Hologres 在演进过程中始终紧紧围绕实时场景，不断提高实时数仓的性能、可用性、用户体验。Hologres 希望替换企业纷繁芜杂的数仓架构，通过一站式的理念让实时数仓更加干净、友好、高效，并帮助企业不断降低成本，加速数字化转型升级。