Lambda Architecture-优快云博客

为什么要用Lambda Architecture

在大数据处理系统中，数据处理的可靠性和实时性是一对矛盾，往往不可兼得。可靠性是指在任何异常出现的情况下，数据处理都能够做到不重不丢，并且最终得到准确的结果。实时性是指数据从输入到处理完毕输出的时间间隔。一般来说，对于像Hadoop MapReduce这样的批处理系统来说，可靠性很高，而实时性很差；对于Storm这样的流式处理系统来说，则情况正好相反。

那么，有没有办法使得数据处理系统即可以做到高可靠，又可以做到低延迟呢？Lambda Architecture就是这个问题的答案。

Lambda Architecture是为了满足如下需求：

系统故障或人为错误不丢数据
数据分析低延迟
系统具备线性扩展能力
系统中很容易增加新特性

Lambda Architecture是什么

Lambda Architecture

如上图所示，Lambda Architecture由batch layer、speed layer、serving layer组成。在输入端集中接收数据，并拷贝数据，分别导入到batch layer和 speed layer。

Batch Layer

Batch layer的职责是保证数据处理的准确性和可靠性。

Batch layer首先把数据以其原始格式存储在HDFS上，以加强系统的可靠性。然后，利用Hadoop MapReduce作业对数据进行处理，并将结果保存起来（这种处理之后的数据称之为batch view）。Hadoop作业具有很好鲁棒性，在运行过程中出现各种异常时都不会损失数据。对于存储系统来说，这种批处理方式只需要随机读、追加写，不需要处理随机写、加锁、数据一致性等问题，因此大大简化了存储系统的设计。但是batch layer对数据处理的延迟是很大的，通常是几个小时到几天。

Speed Layer

Speed layer的职责是满足所有实时性处理的需求。

Speed layer通常基于Storm这样的流式计算平台，通过快速的增量式算法，以分钟级、秒级甚至毫秒级来读取、分析、保存数据。对于存储系统，由于需要支持持续的update操作，其设计要复杂的多。为了简化问题，通常使用划窗机制来保存一段时间的数据，划窗的时间一般和batch layer的数据处理一致。

流式处理往往使用内存计算，这意味着当出现异常（比如升级或工作节点异常）时，可能会导致数据的丢失或计算结果错误。然而，Lambda Architecture却不需要过多考虑这类问题，因为下一次batch layer的作业会再次处理所有数据并获得准确的结果。

Serving Layer

Serving layer的职责是将speed layer输出数据merge到batch layer输出数据上，从而得到一份完整的输出数据，并保存到诸如HBASE这样的NoSQL数据库中，以服务于在线检索应用。在batch计算结果之上meger少量实时数据，其结果同完全使用batch计算相比，具有很好的近似性。

Lambda Architecture的收益

Lambda Architecture带来了如下收益：

算法可以同时分析历史数据和短期实时数据，兼顾了准确性和实时性
向存储介质的随机写入大大减少了，提升了性能
Batch Layer（在HDFS上）保存了原始数据，可以避免人为错误造成的数据损失

当然，获得这些收益也是有代价的。Batch layer和speed layer事实上做了重复的计算。从资源的角度看，Lambda architecture消耗了更多的资源。

Lambda Architecture在产品中的应用案例

product.png

上图是一个用户画像产品的大数据处理架构的简化版本，略去了和这个主题无关的部分。可以看到这个产品采用了典型的Lambda Architecture：

Bigpipe百度自研的分布式流式数据传输系统，实时传输在线系统的日志，下游可以通过订阅的方式来获取数据。Bigpipe保证数据在传输过程中不重不丢。
Data Warehouse是基于HDFS的数据仓库，保存收到的所有原始数据。
Batch layer：一系列的Hadoop App完成用户特征的挖掘，App之间通过HDFS来交换数据。Batch layer每天运行一次，数据的延迟是一天。
Speed layer：利用百度自研的DStream实时流式计算平台，完成当天用户特征的实时挖掘。
MolaDB是百度自研的一个面向在线业务的低延迟KV数据库，存储挖掘后用户特征，并为在线系统提供服务。
Search Router是在线业务的检索入口，根据在线业务的检索请求查询MolaDB。
通过采用Lambda Architecture，即实现了海量用户画像数据的实时处理，同时也最大限度的保证了系统的可靠性。