Netflix数据管道的演进历程

去年12月我们的Keystone数据管道正式投入使用，本文我们就来讲讲这些年Netflix数据管道的变化历程。
　　数据是Netflix的中心，很多的商业决策和产品设计都是依据数据分析而做出的决定。在Netflix，数据管道的目的是对数据进行收集归纳和处理，几乎我们所有的应用都会用到数据管道。下面我们先来看看有关Netflix数据管道的一些统计数据：
　　每天约5000亿个事件，1.3PB的数据高峰时段约每秒800万个事件，24GB数据
　　我们用另外的Atlas系统来管理运营相关的数据所以它并没有出现在上面的列表中。
　　由于需求的变化和技术的进步，过去几年我们的数据管道发生了很大的改变。下面我们就来介绍一下。
　　V1.0 Chukwa数据管道
　　最初数据管道唯一的目的就是把事件信息上传到Hadoop/Hive。如下图中所示，整个架构是比较简单的。Chukwa收集事件信息并将sequencefile写入亚马逊S3，之后大数据平台部门会进一步处理并写入Hive。从事件发生到以Parquet格式写入Hive整个过程不超过十分钟，对于每小时甚至每天才运行一次的batch job来说已经足够了。
　　
　　V1.5 能够进行实时处理的Chukwa数据管道
　　随着Kafka和Elasticsearch等技术的发展，公司内部对于实时分析的需求愈加强烈，我们必须保证处理所需时间在一分钟之内。
　　
　　除了将数据写入S3，Chukwa还可以将数据发送到Kafka，新的实时分支（虚线框住的部分）处理的事件大约占到总事件的30%。处于实时处理分支中心位置的是事件路由模块，它负责将数据从Kafka传递到Elasticsearch和下一级Kafka（进行数据的筛选）。终端用户可以自由选择趁手的工具进行分析，比如Mantis、Spark或其他定制工具。
　　Elasticsearch在Netflix的应用过去两年经历了爆炸式的发展，现在共有约150个集群和约3500个节点，总数据量约1.3PB，而这其中大部分数据都是通过我们的数据管道采集处理的。
　　数据路由的部分是由我所在的小组管理的，下面是一些我们碰到过的问题：
　　Kafka high level consumer会丧失消息分区的所有权并停止读取一些分区，唯一的解决办法是重启。有时部署代码之后high level consumer在rebalance时会出错。我们有几十个集群用于事件路由，运营上的开销正持续增长，所以对于路由job的管理还要想个更好的办法。