某广电单位大数据平台架构设计.docx

某广电单位大数据平台架构设计

孟莲蓉

摘 要：某局的大数据平台架构设计中，共有12个组件。计算框架采用Lambda架构，同时管理实时计算框架和离线计算框架，数据经过数据采集服务初步验证过滤，记录到消息队列Kafka中，之后，同时进入到Hadoop和storm中分别用于离线和实时计算。
关键词：大数据平台 离线计算 Hadoop 实时计算 Storm Kafka Mongodb
中图分类号：TP27 文献标识码：A 文章编号：1672-3791（2016）03（a）-0006-03
某局期望实现设备运行数据、业务管理数据和各业务系统数据的规范传送、标准化整理和存储，建立全局统一的数据关系明确的主题数据库或数据仓库，为全局各应用系统提供规范的数据交换服务以及对基础数据的管理。主要任务是：建立全局数据中心，基于大数据云平台和两级数据交换中心，实现各级业务系统基础数据的统一规范化管理；初步实现全局设备及其状态以及运行质量、趋势、故障等的可视化分析建模及展示。该文主要阐述平台的架构设计。
1 大数据平台架构
BDM（Big Data Management，大数据管理平台）整体架构由下向上，从底层硬件逐步构建。
（1）硬件设施层：提供最基础的硬件系统。
（2）虚拟化层：在硬件设施层之上，将硬件资源虚拟化，将服务器集群资源统筹管理
（3）数据存储层：完成海量数据的分布式存储。提供数据备份和容灾，采用Hadoop框架的HDFS分布式存储引擎、分布式消息队列Kafka、分布式文档型内存数据库和关系型数据库。
（4）数据服务层：包括，数据装载读写、数据分析处理编程框架和数据查询等。数据处理工具完成服务层与数据存储层间的数据交互，提供友好的数据操作界面。
（5）数据接口层：对外提供操作的相关接口。
2 BDM组件关系
图1为该局BDM的整体架构，采用SOA（Service-Oriented Architecture）架构，其将具体功能以服务的形式部署在服务器集群上，每个服务以分布式方式部署，提供单独的高可用的服务，平台中的各系统都可以任意访问服务。BDM平台支持结构化数据（数据库表、结构化文本）、半结构化数据和非结构化数据。
数据经由Kafka写入到Hadoop HDFS，永久存储，进行离线计算；经由Kafka到达Storm流计算平台，进行实时计算和处理。
2.1 Nginx
Nginx是一个高性能的HTTP和反向代理服务器，是BDM中统一的HTTP请求的转发入口，需两台服务器集群互为备份和负载均衡。它接收用户的HTTP接口调用浏览器访问，将请求转发到OMCenter网页、BDMS网页、数据查询、REST接口和数据探头等。
2.2 分布式集群协作管理Zookeeper
Zookeeper是集群协作管理中心，提供集群协调功能，保存集群运行状态和配置信息并同步到集群各个系统，组件包括：数据采集服务、Storm、 Hadoop和Kafka等。Zookeeper作为集群的配置中心，在多台zookeeper服务器之间，保证数据强一致性，实现了Paxos算法，完成数据在节点之间存储一致的状态，在部署zookeeper集群的时候，一般使用3台集群或5台集群。 Zookeeper在部署完成后即拥有高容错功能，一个zookeeper节点故障，并不影响整体集群的服务功能，这个节点重启就可以恢复数据，并恢复正常状态。集群协作管理的方式有如下几种。
（1）在zookeeper中保存集群中每个服务器地址及其提供的对应服务。
（2）客户端从zookeeper中获取集群中提供服务的具体实例地址和具体服务通信。
（3）集群状态发生变化时，更新zookeeper内容，即时通知客户端。
（4） zookeeper保存并分析服务的运行状态，发送监控信息和报警信息。
2.3 Kafka
Kafka集群有三种角色（如图2）：Producer是数据的发布者，向消息队列推送数据；Consumer是数据的订阅者，从消息队列订阅数据并消费；Broker是消息队列实体和集群中的Server。Kafka指定各个分区到对应的读取进程，因此保证每个进程读取数据的顺序性和负载均衡。
Kafka消息读取的方式如图2。它可以同时处理多个逻辑队列，每个队列用一个Topic名称进行唯一标识，即一个Topic确定一个逻辑队列。每个逻辑队列分成多个分区（Partition），图中为Kafka Cluster的P0～P2，每个分区分散存储于服务器上，数据写入kafka时，轮询写入每个分区。数据的消费者，分多组（Consumer Group）同时读取数据，每组都可读取到队列中完整的数据，两组之间不会相互影响。
2.4 Kafka ICE服务
ICE（Internet Communications Engine），是一个分布式计算框架和RPC框架，方便各服务读写kafka数据。ICE Grid服务端包含Registry，Registry Replica，Node和服务：
（1）Registry：ICE Grid的服务注册中心、配置中心，其中保存了所有节点状态、服务状态、服务地址和端口及服务RPC API的元数据等。
（2）Registry Replica是Registry的热备服务。
（3）Node：ICE Grid通过Node服务管理节点上运行的服务的启停，一个服务可注册在一个或多个节点运行，服务进程通过Node进程创建。
（4）服务：通过ICE Grid框架定义。在BDM中，数据探头和Kafka ICE都是通过ICE实现的。一个节点可启动多个服务进程，每个服务进程可以配置成多线程方式。
（5客户端：客户端通过服务定义的slice文件，通过RPC的方式和服务端通信，完成API调用。Registry根据一定的规则，将服务地址分配给客户端，分配策略有轮询、随机和根据负载分配的方式。
2.5 数据探头
数据探头服务采集和接收推送数据，并发送到Kafka，数据经过Nginx，uwsgi，Input ICE，Kafka ICE到达Kafka。Input ICE服务提供了动态API配置的功能。
2.6 Mysql
Mysql作为BDMS的后台数据库，也作为基础数据管理和关系型数据库部分数据的存储。 BDM中Mysql集群，使用主备方式部署（Master-Slave），备机提供数据的只读服务，主机提供数据的读写服务。
2.7 Storm
Storm是BDM中的实时处理平台，完成实时统计、计算和数据处理等。Storm集群分为主控节点Nimbus和工作节点Supervisor，Nimbus负责任务的总控，管理所有工作节点的状态；Supervisor负责接受并执行任务。
Storm会保证数据在计算任务中都被处理过一次（至少一次），如果处理发生异常，这条数据会被重新发送，保证每条数据都会被正确处理。Storm在记录消息处理情况的时候，只有数据完全经过所有节点的时候，数据才会被认为正常处理完成。该项目中，可使用Storm完成实时指标计算，如，全局设备实时运行时长统计、设备实时状态分析等。
2.8 分布式文档型数据库Mongodb
Mongodb是文档对象数据库，是一种NoSQL数据库，每一条数据是一个“文档”，一个文档是一个json格式的数据，由于json格式数据的特点，Mongodb没有关系型数据库的外键和关联等概念，对于有嵌套关系的数据，可以直接存储到一条记录中。Mongodb支持集群部署方式和自动故障恢复。Mongodb高可用部署方式为Replica Set（副本集），其中Primary为主节点，数据的读写操作都在Primary上执行，两个Secondary服务器从Primary同步数据并作为热备，这3个节点之间通过心跳信号通信，确认彼此服务处于存活状态。
当Primary出现故障时，主的心跳信号丢失，此时，两个Secondary节点中的一个节点作为Primary，客户端和新的Primary节点进行操作。故障节点恢复后，重新加入集群，并作为新的备节点，开始数据同步。
在BDM中，Storm从Kafka读取实时采集的数据，完成计算后，将计算结果输出到Mongodb存储，使用方读取Mongodb结果获取实时计算报表。
2.9 BDMS大数据建模平台
BDMS大数据建模平台是基于Hadoop、Hive、sqoop等hadoop生态系统中的工具整合开发的可视化大数据离线计算、数据分析和建模平台。基础的Hadoop平台提供HDFS分布式数据存储和MapReduce计算框架，使得大量数据的分布式计算成为可能。存储文件分成多个Block（块），默认大小是64M。通过块的Replica的方式，保证数据可靠性，读取速度和吞吐量。一般每个块至少分布到3个DataNode节点上。如图3，NameNode负责维护集群的元数据，DataNode用来存放数据块，每个数据块都有3个备份，分散存储于各个DataNode上，任意一个DataNode故障，数据块的副本不会丢失；同时，为防止NameNode单点故障，引入了Secondary NameNode的备份节点。Hadoop HDFS上的数据读写，始终都采用就近原则，优先使用本地的数据块，以提升数据读取的速度。
Hadoop平台为BDMS提供基础的数据存储和计算框架，单纯MapReduce框架应用复杂，因此Hive平台提供了结构化数据的管理和查询功能。Hive使用类SQL语言，完成对Hadoop上存储的数据进行查询。Hive将SQL语言解析成为MapReduce任务在Hadoop平台上执行，更适合于海量数据的SQL查询。BDMS还提供了Hadoop平台上的其它功能，如，SparkMLL机器学习库，sqoop数据装载工具等，为数据的采集、清洗、格式化、查询、建模、计算、分析、报表产出等一系列流程提供可视化工作界面。
2.10 集群监控中心ganglia
Ganglia是BDM的服务器集群监控中心，它收集每个节点的服务器运行状态和服务运行状态，完成运行状态的实时监控图标绘制，图标的数据保存为rrd格式，可在使用较小磁盘容量的情况下，记录多年的历史数据。
3 结语
除了上述的各个组件，大数据平台还配备报警中心和运维管理中心，报警中心完成对BDM中关键服务组件运行状态的监控报警和对数据处理任务的监控报警；运维中心OMCenter为BDM提供一站式私有云管理软件、集成设备管理、服务管理、监控、实时报表和配置中心等。目前，BDM已经运行了一年左右，体现了其应有的作用。
参考文献
[1] 张戈.浅谈广电网络的信息化建设[J].科技致富向导，2014（26）：80，172.
[2] 任磊，杜一，马帅，等.大数据可视分析综述[J].软件学报，2014（9）：1909-1936.

-全文完-