超200萬？約翰斯·霍普金大學數據錯誤！——談談如何保證實時計算數據準確性

2020 年 4 月 14 日
筆記
實時大數據

作為全球新冠疫情數據的實時統計的權威，約翰斯—霍普金斯大學的實時數據一直是大家實時關注的，也是各大媒體的主要數據來源。在今天早上的相當一段長的時間，霍普金斯大學的全球疫情分佈大屏中顯示，全球確診人數已經突破200萬。

有圖有真相

隨後相關媒體也進行了轉發，不過這個數據明顯波動太大，隨後該網站也修改了數據

約翰斯·霍普金斯大學系統科學與工程中心就製作了「全球新冠病毒擴散地圖」，用於實時可視化和跟蹤報告的病例。於1月22日首次公開。

為了提高數據的實時性，數據的來源通過手動和自動獲取的方式。手動的方式出錯的概率還是很大的，如果我們可以通過實時流獲取數據的方式，就可以避免數據錯誤的問題，這其實是數據從一方到達另一方的數據是否準確的問題，也就是端到端的一致性。

這種消息傳遞的定義叫做消息傳遞語義：

我們要了解的是message delivery semantic 也就是消息傳遞語義。

這是一個通用的概念，也就是消息傳遞過程中消息傳遞的保證性。

分為三種：

最多一次（at most once）: 消息可能丟失也可能被處理，但最多只會被處理一次。

可能丟失不會重複

至少一次（at least once）: 消息不會丟失，但可能被處理多次。

可能重複不會丟失

精確傳遞一次（exactly once）: 消息被處理且只會被處理一次。

不丟失不重複就一次

那麼我們希望能做到精確傳遞一次（exactly once），雖然可能會付出一些性能的代價。

我們從幾個常見的流計算框架中，看一看都是如何解決端到端的一致性的問題。

1、Kafka

Kafka是最初由Linkedin公司開發，是一個分佈式、支持分區的（partition）、多副本的（replica），基於zookeeper協調的分佈式消息系統，它的最大的特性就是可以實時的處理大量數據以滿足各種需求場景：比如基於hadoop的批處理系統、低延遲的實時系統、storm/Spark流式處理引擎，web/nginx日誌、訪問日誌，消息服務等等，用scala語言編寫，Linkedin於2010年貢獻給了Apache基金會並成為頂級開源項目。

而kafka其實有兩次消息傳遞，一次生產者發送消息給kafka，一次消費者去kafka消費消息。

兩次傳遞都會影響最終結果，

兩次都是精確一次，最終結果才是精確一次。

兩次中有一次會丟失消息，或者有一次會重複，那麼最終的結果就是可能丟失或者重複的。

一、Produce端消息傳遞

這是producer端的代碼：

Properties properties = new Properties();
        properties.put("bootstrap.servers", "kafka01:9092,kafka02:9092");
        properties.put("acks", "all");
        properties.put("retries", 0);
        properties.put("batch.size", 16384);
        properties.put("linger.ms", 1);
        properties.put("buffer.memory", 33554432);
        properties.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        properties.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<String, String>(properties);
        for (int i = 1; i <= 600; i++) {
            kafkaProducer.send(new ProducerRecord<String, String>("z_test_20190430", "testkafka0613"+i));
            System.out.println("testkafka"+i);
        }
        kafkaProducer.close();

其中指定了一個參數acks 可以有三個值選擇：

0：producer完全不管broker的處理結果回調也就沒有用了並不能保證消息成功發送但是這種吞吐量最高

all或者-1：leader broker會等消息寫入並且ISR都寫入後才會響應，這種只要ISR有副本存活就肯定不會丟失，但吞吐量最低。

1：默認的值 leader broker自己寫入後就響應，不會等待ISR其他的副本寫入，只要leader broker存活就不會丟失，即保證了不丟失，也保證了吞吐量。

所以設置為0時，實現了at most once，而且從這邊看只要保證集群穩定的情況下，不設置為0，消息不會丟失。

但是還有一種情況就是消息成功寫入，而這個時候由於網絡問題producer沒有收到寫入成功的響應，producer就會開啟重試的操作，直到網絡恢復，消息就發送了多次。這就是at least once了。

kafka producer 的參數acks 的默認值為1，所以默認的producer級別是at least once。並不能exactly once。

二、Consumer端消息傳遞

consumer是靠offset保證消息傳遞的。

consumer消費的代碼如下：

Properties props = new Properties();
        props.put("bootstrap.servers", "kafka01:9092，kafka02:9092");
        props.put("group.id", "test");
        props.put("enable.auto.commit", "true");
        props.put("auto.commit.interval.ms", "1000");
        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        
        props.put("auto.offset.reset","earliest");
        
        KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
        consumer.subscribe(Arrays.asList("foo", "bar"));
      try{
        while (true) {
            ConsumerRecords<String, String> records = consumer.poll(1000);
            for (ConsumerRecord<String, String> record : records) {
                System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
            }
         }
        }finally{
          consumer.close();
        }

其中有一個參數是 enable.auto.commit

若設置為true consumer在消費之前提交位移就實現了at most once

若是消費後提交就實現了 at least once 默認的配置就是這個。

kafka consumer的參數enable.auto.commit的默認值為true ，所以默認的consumer級別是at least once。也並不能exactly once。

圖 consumer-groups

三、精確一次

通過了解producer端與consumer端的設置，我們發現kafka在兩端的默認配置都是at least once，肯能重複，通過配置的話呢也不能做到exactly once，好像kafka的消息一定會丟失或者重複的，是不是沒有辦法做到exactly once了呢？

確實在kafka 0.11.0.0版本之前producer端確實是不可能的，但是在kafka 0.11.0.0版本之後，kafka正式推出了idempotent producer。

也就是冪等的producer還有對事務的支持。

冪等的producer

kafka 0.11.0.0版本引入了idempotent producer機制，在這個機制中同一消息可能被producer發送多次，但是在broker端只會寫入一次，他為每一條消息編號去重，而且對kafka開銷影響不大。

如何設置開啟呢？需要設置producer端的新參數 enable.idempotent 為true。

而多分區的情況，我們需要保證原子性的寫入多個分區，即寫入到多個分區的消息要麼全部成功，要麼全部回滾。

這時候就需要使用事務，在producer端設置 transcational.id為一個指定字符串。

這樣冪等producer只能保證單分區上無重複消息；事務可以保證多分區寫入消息的完整性。

圖事務

這樣producer端實現了exactly once，那麼consumer端呢？

consumer端由於可能無法消費事務中所有消息，並且消息可能被刪除，所以事務並不能解決consumer端exactly once的問題，我們可能還是需要自己處理這方面的邏輯。比如自己管理offset的提交，不要自動提交，也是可以實現exactly once的。

還有一個選擇就是使用kafka自己的流處理引擎，也就是Kafka Streams，

設置processing.guarantee=exactly_once，就可以輕鬆實現exactly once了。

2、Flink

Apache Flink是由Apache軟件基金會開發的開源流處理框架，其核心是用Java和Scala編寫的分佈式流數據流引擎。Flink以數據並行和流水線方式執行任意流數據程序，Flink的流水線運行時系統可以執行批處理和流處理程序。此外，Flink的運行時本身也支持迭代算法的執行。

我們從flink消費並寫入kafka的例子是如何通過兩部提交來保證exactly-once語義的

為了保證exactly-once，所有寫入kafka的操作必須是事物的。在兩次checkpiont之間要批量提交數據，這樣在任務失敗後就可以將沒有提交的數據回滾。

兩部提交協議的第一步是預提交。flink的jobmanager會在數據流中插入一個檢查點的標記（這個標記可以用來區別這次checkpoint的數據和下次checkpoint的數據）。

這個標記會在整個dag中傳遞。每個dag中的算子遇到這個標記就會觸發這個算子狀態的快照。

讀取kafka的算子，在遇到檢查點標記時會存儲kafka的offset。之後，會把這個檢查點標記傳到下一個算子。

接下來就到了flink的內存操作算子。這些內部算子就不用考慮兩部提交協議了，因為他們的狀態會隨着flink整體的狀態來更新或者回滾。

到了和外部系統打交道的時候，就需要兩步提交協議來保證數據不丟失不重複了。在預提交這個步驟下，所有向kafka提交的數據都是預提交。

當所有算子的快照完成，也就是這次的checkpoint完成時，flink的jobmanager會向所有算子發通知說這次checkpoint完成，flink負責向kafka寫入數據的算子也會正式提交之前寫操作的數據。在任務運行中的任何階段失敗，都會從上一次的狀態恢復，所有沒有正式提交的數據也會回滾。

總結一下flink的兩步提交：

當所有算子都完成他們的快照時，進行正式提交操作

當任意子任務在預提交階段失敗時，其他任務立即停止，並回滾到上一次成功快照的狀態。

在預提交狀態成功後，外部系統需要完美支持正式提交之前的操作。如果有提交失敗發生，整個flink應用會進入失敗狀態並重啟，重啟後將會繼續從上次狀態來嘗試進行提交操作。

這樣flink就通過狀態和兩次提交協議來保證了端到端的exactly-once語義。

更多大數據，實時計算相關博文與科技資訊，歡迎搜索或者掃描下方關注「實時流式計算」

本文由博客一文多發平台 OpenWrite 發佈！

Tags: 實時大數據

超200萬？約翰斯·霍普金大學數據錯誤！——談談如何保證實時計算數據準確性