百度案例:使用Alluxio提速数据查询30倍

2023-10-09 03:08

本文主要是介绍百度案例:使用Alluxio提速数据查询30倍,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

作为全球最大的中文互联网搜索提供商,百度在其产品数据服务系统方面经验丰富。在本案例研究中,百度的高级架构师刘少山分享了他们在生产环境中使用Alluxio的经验,以及为什么Alluxio能够带来显著的性能提升。使用Alluxio将原先的批处理查询将转换为交互式查询,这使百度能够以交互方式分析数据,从而提升了生产力,并改善了用户体验。


业务挑战

百度作为中国最大的搜索引擎,这意味着我们有很多的数据,如何管理这种规模的数据并快速提取其中的有用信息一直是一个挑战。

举例来说,庞大的数据量常常会导致查询需要花费数十分钟甚至数小时才能完成,因此需要让产品经理等待数小时才能开始下一个查询。更令人沮丧的是,改动查询后将需要重新运行整个过程。大约在一年前,我们意识到需要一个特殊的查询引擎来解决这些问题。首先,我们提出了一个目标规范:该查询引擎需要管理数PB的数据,并能在30秒内完成95%的查询。

我们将查询引擎从Hive切换到了Spark SQL(许多用例已经证明了它在延迟方面相对Hadoop MapReduce具有优势),我们期望Spark SQL能将平均查询时间降到几分钟之内。但是,它没有达到我们所希望的查询响应时间。虽然Spark SQL确实将平均查询速度提升了4倍,但仍需10分钟左右才能完成。

因此,我们再次仔细思考,挖掘分析更多细节。事实证明,这个阶段的查询瓶颈不再是CPU而是数据传输网络。由于PB级别的数据分布在多个数据中心,因此数据查询很可能需要将数据从远程数据中心传输到计算所在数据中心,这就是导致用户运行查询时出现很大延迟的原因。由于数据存储中心节点和数据计算中心节点具有不同的最优硬件规格,因此解决方案并不是将计算过程移动到存储数据中心那么简单。我们需要一个内存级的存储系统来存储常用的数据,并且该系统能够位于计算节点上。


为什么选择Alluxio

我们需要一个内存级的存储系统。该存储系统不仅能够提供高性能和可靠性,还能管理数PB的数据。我们开发了一个使用Spark SQL作为其计算引擎的查询系统,将Alluxio作为本地内存级存储解决方案。我们使用百度内部的标准查询作为压力测试方案,需要从远程数据中心提取6TB数据,然后在数据之上运行其他分析,整个压力测试持续了1个月。

结果表明,Alluxio带来了优异的性能提升。如果系统仅使用Spark SQL,平均查询需要100-150秒才能完成。加上Alluxio后,平均查询耗时10-15秒。此外,如果所有数据都存储在Alluxio本地节点上,则只需要大约5秒钟,比单独使用Spark SQL30倍。基于以上结果和系统可靠性方面考虑,我们围绕AlluxioSpark SQL构建了一个完整的大数据查询系统。

我们的系统包含以下组件:

  • 操作管理器:包装Spark SQL的持久化Spark应用程序。它接受来自查询UI的查询,并提供查询解析和查询优化功能。

  • 视图管理器:管理缓存元数据并处理来自操作管理器的查询请求。

  • Alluxio:用作存储常用数据内存级存储系统,提供计算本地性。

  • 数据仓库:基于HDFS系统的远程数据中心,用于存储数据。

下面,我们将介绍整个系统的执行流程:

  1. 查询已提交。操作管理器分析查询并询问视图管理器数据是否已在Alluxio中。

  2. 如果数据已经在Alluxio中,操作管理器从Alluxio中获取数据并对其执行分析。

  3. 如果数据不在Alluxio中,那么该数据未命中缓存。操作管理器将直接从数据仓库请求数据。同时,视图管理器启动另一个作业以从数据仓库请求相同的数据并将数据存储在Alluxio中。这样下次提交相同的查询时,数据已经在Alluxio中。


收益

系统部署后,我们使用典型的百度查询测量其性能。使用原始的Hive系统,需要超过1,000秒才能执行完成该典型查询。仅使用Spark SQL,耗时能够降低至150秒,而加上Alluxio后,耗时能够进一步降低至约20秒。该查询运行速度提高了50倍,并满足了我们为项目设置的交互式查询要求。因此,通过使用Alluxio,能够将执行耗时为15分钟的批量查询转换为耗时不到30秒的交互式查询。

在过去的一年中,该系统已部署在一个拥有100多个节点的集群中,Alluxio系统存储管理了超过2 PB数据并且使用了Alluxio高级功能——分层存储。此功能允许我们将内存作为一级存储,SSD作为二级存储,HDD作为最后级存储。将这些存储介质组合在一起,我们可以提供超过2 PB的存储空间。

除了查询性能方面的改进之外,对我们来说更重要的是整个系统的可靠性。在过去的一年中,Alluxio一直在我们的数据基础设施中稳定运行,很少遇到问题,这给了我们很多信心。因此,我们正在准备大规模部署Alluxio。首先,我们通过部署拥有1000Alluxio worker节点的集群来验证Alluxio的可扩展性。在过去的一个月里,这个拥有1000Alluxio worker节点的集群一直运行稳定,该集群提供超过50 TB的内存空间。据我们所知,这是目前世界上最大的Alluxio集群之一。


总结

我们已经验证了Alluxio能够极大地提高性能,并且可靠可扩展。接下来,我们正在逐步将不同的百度工作负载任务迁移到Alluxio集群上。例如,为了提高在线图像服务和在线图像分析的性能,我们正在与Alluxio社区密切合作,试图在Alluxio之上开发一个高性能的Key-Value存储。这样,只需要Alluxio一个存储系统:Key-Value存储可以执行有效的在线服务;对于离线分析,我们可以直接访问Alluxio获取图像数据。这大大降低了我们的开发和运营成本。

作为Alluxio的早期使用者,我们验证了它所描述的以内存为中心的分布式存储系统,以内存速度跨集群框架实现可靠的数据共享。除了可靠且具有内存速度之外, Alluxio还提供了一种基于内存的扩展存储以提供足够存储容量。

640?wx_fmt=png

这篇关于百度案例:使用Alluxio提速数据查询30倍的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/169905

相关文章

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

Spring Boot3虚拟线程的使用步骤详解

《SpringBoot3虚拟线程的使用步骤详解》虚拟线程是Java19中引入的一个新特性,旨在通过简化线程管理来提升应用程序的并发性能,:本文主要介绍SpringBoot3虚拟线程的使用步骤,... 目录问题根源分析解决方案验证验证实验实验1:未启用keep-alive实验2:启用keep-alive扩展建

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子

浅谈mysql的sql_mode可能会限制你的查询

《浅谈mysql的sql_mode可能会限制你的查询》本文主要介绍了浅谈mysql的sql_mode可能会限制你的查询,这个问题主要说明的是,我们写的sql查询语句违背了聚合函数groupby的规则... 目录场景:问题描述原因分析:解决方案:第一种:修改后,只有当前生效,若是mysql服务重启,就会失效;

MySQL多列IN查询的实现

《MySQL多列IN查询的实现》多列IN查询是一种强大的筛选工具,它允许通过多字段组合快速过滤数据,本文主要介绍了MySQL多列IN查询的实现,具有一定的参考价值,感兴趣的可以了解一下... 目录一、基础语法:多列 IN 的两种写法1. 直接值列表2. 子查询二、对比传统 OR 的写法三、性能分析与优化1.

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S