作者简介：陶王飞，58快狗打车资深大数据开发工程师，长期专注于实时计算和数据应用。
前言
数据的实时化是最近几年数据行业很重要的趋势，我们在去年底也建立起新一代的实时数仓，但是在数据应用上一直没有取得很大的突破，我们希望实时数仓不仅仅是支撑大屏、核心实时报表、个别实时应用等简单的场景，希望更大的发挥实时数仓的价值，更方便、更快速、更大规模的对外提供数据服务是我们一直思考的问题。
基于阿里云Hoogres 所建设的统一数据服务，在一定程度上帮助我们实现了这个目标。
通过这套系统整合离线和实时数据，对外提供统一的数据服务，目前已经支撑了实时报表、用户司机实时标签系统，push系统、运力调度、营销活动实时监控、公司内部的客服后台系统等几十个数据需求，实现实时用户精细化运营。在数据易用性、交付周期、数据的准确性上都比以往有了很大的提升。
公司介绍
快狗打车（原58速运）是一家拉货的短途货运打车平台，解决比如搬家、买大家具家电、买各种大件、批发市场商家发货等场景对货车的需求，同时为蓝领司机师傅提供一个可以接单的平台，也就是货运版的“滴滴”，来实现帮助1000w人解决就业问题的目标。
数据服务的发展背景
原始阶段
在早期，我们的数据服务常见的场景，根据每一个需求加工数据。
如果是离线需求，通过Hive加工数据，使用Sqoop将结果数据导出到业务提供的MySQL表中，供业务查询。
如果是实时需求，开发一个实时项目将处理的数据落表或者发送MQ（Kafka或DMQ(自研组件)），提供到业务方使用。
这种从底到顶的烟囱式开发，导致的开发成本高、逻辑分散 、数据不一致、管理维护困难等问题，随着业务的发展，已经难以接受。
1.0阶段
18年我们基于Spark Streaming 和Spark SQL所实现的实时数仓，对落地表进行分层、建设大宽表，将计算好的数据统一存放到HBase中，使用ES给HBase做索引，并仿照SQL接口设计了一个较为简单的查询API，对外提供统一的查询接口。所有需要实时数据的任务都可以从这套系统获取数据，不再根据具体需求做定制化开发。
这种方式，在一定程度上降低了开发成本，增加了数据的复用、缓解了数据不一致问题，并且应用在多个实时程序上。但是因为计算层面Spark Streaming 状态支持有限很难做较复杂计算、开发修改成本高。存储和服务层面，通过接口查询在HBase中的数据，只能做明细查询和简单聚合查询，灵活性不足，能对外提供的功能有限，同时也没有能解决针对离线数据需求的问题，所以大部分应用主要是在部门内，为部门内提效。
2.0阶段
在去年底实现的基于Blink的实时数仓，借助于Blink SQL的实时ETL能力，重新设计了实时数仓的数据模型，完善了层级划分和主题建设，能对外提供的数据比之前多得多。
在存储层，我们选择类似于开源Doris的一种实时OLAP引擎，接口层面都是兼容MySQL，对于一些不是太复杂的OLAP查询，可以在秒级甚至亚秒级返回结果。我们将一部分查询场景简单、数据量大、查询QPS特别高的表输出到HBase中，使用ES做索引。
底层存储的割裂，只能在数据服务层做统一。为此我们设计了一套查询接口，无论数据存放在实时OLAP引擎、HBase、MYSQL、Maxcompute中，都可以通过接口的SQL查询出来。但是接口层并没有完全屏蔽底层存储，要根据数据存储位置不同，写不同的查询SQL。不同存储之间，也不能做跨库join，在使用上还是有很多的局限性。虽然承接了一些数据需求，但是这些局限还是约束了不能更大规模的推广，我们希望提供给到用户的是一个使用起来足够简单、丰富的数据服务。
3.0 阶段
底层存储的不一致导致的一系列问题一直困扰着我们 ，期望有一种引擎，具有帮助我们统一实时数据存储的能力。
我们是在Hologres（下面称Holo） 刚刚商业化的时候注意到Holo的，Holo提出的HSAP概念统一了服务的点查询和实时OLAP查询。通过一周多的测试、对Holo的系统架构有了一定了解之后，明确了预期收获、风险点、成本等因素后，写了一篇Holo的测试文章之后，将实时数仓的数据存储全部迁移到Holo。
同时基于Holo重新修改了数据服务接口，由于统一的数据存储、更完善的数据建设、以及Holo很强的实时OLAP能力、统一的数据服务，我们的需求交付能力相比以往有了很大的提升。很多以往要做几天的需求，现在只需要配置一条SQL，效率的提升是巨大的。系统上线两个月，接到了很多外部数据需求，目前每天请求百万次，高峰期实时OLAP 查询QPS上百（和OLTP的QPS不可比，可以想象1s向Hive提交100个查询），大部分周期查询平均耗时几十毫秒、两三百毫秒，很少有超过1s的。单个周期查询最大耗时很少有超过1s。虽然从请求量上看，并不是太大，但是考虑到公司体量和我们上线的时间，这个数据还是很可观的。目前公司新上的实时数据需求基本上都是在使用这套数据服务。
Hologres简介
下面是个人在使用Hologres过程中结合官网资料对Hologres的理解：
阿里云官网对Hologres 的介绍是：交互式分析（Hologres）是一款兼容PostgreSQL协议的实时交互式分析产品，与大数据生态无缝打通，支持对PB级数据进行高并发、低延时的分析处理。 是基于阿里提出的HSAP（hybrid serving and analytical processing）理念而设计的一种ROLAP系统。相对于HTAP（Hybrid transaction/analytical processing）来说，HSAP弱化了对事务的要求，追求更强的性能和更快的响应时间。
一般来说，为了应对不同的数据使用场景，我们会将高QPS的点查请求的数据存放在kv存储中，比如说Redis、HBase、Tair等系统中，分析型的数据存放在Druid、Clickhouse、Doris等系统中，有些场景还会使用ES、MySQL等。比如说下图美团到店的实时数仓存储分层图，就是目前常见的实时数仓存储架构。
HSAP理念的主要目标，将以上的这些存储统一成一种存储引擎，主要分为两种场景：点查（point query）和OLAP的查询，Holo的点查询实现很类似于HBase，使用很小的资源就可以支撑起很高的QPS，实时OLAP查询则是基于MPP的实时交互式查询，针对两种场景分别使用了行存和列存两种不同的存储格式。
在存储上，Hologres采取云原生设计，存储计算分离，数据存储在阿里云分布式文件系统pangu中（类比开源HDFS），方便按需单独扩展计算或者存储，读写分离的设计，以同时支持高并发读取和高吞吐的写入。
Holo的数据写入也是使用LSM tree ，写入即可见，定期刷新，但是碎片文件会分为多个级别。弱化一致性，仅支持原子写和Read-your-writes以实现高吞吐和低延迟的读取和写入。
宣传的是写入可以达到数亿的TPS，我们在压测时，没有遇到写入瓶颈。
在查询上，Hologres使用LBS做查询负载均衡，查询请求发送到Hologres FE，做查询优化，生成并行化的很多片段的执行计算DAG，提交给Blackhole执行。
Holo设计了称为HOS的用户态线程调度系统，执行上下文之间的切换成本几乎忽略不计，同时可以实现更高的并行。Holo的调度策略中，还考虑到大型分析查询不应阻止对低敏感的服务查询，此处的服务查询也就是点查询（point query）。和Clickhouse、Doris底层一样，Holo也是使用C++实现，使用native方法，以及向量化引擎等提供更好的性能。
我们在实际的使用中，还发现Holo的硬扫的能力很强，几百万级别的数据，不需要要索引就很快返回。
另外，Holo还提供了多种索引，可以手动添加，比如聚簇索引、分段索引、bitmap索引、字典索引等等。要注意的是，除bitmap和字典索引，其他索引都需要在建表时指定，不能修改。
如果对Holo的实现感兴趣，文末附有Holo发表在vldb上的论文链接。
场景实践
下面是58快狗打车基于Hologres的场景架构图，主要的架构思路是：
- 实时数据由Blink做实时ETL，写入Hologres。
- 使用Hologres统一实时数据存储。
- 基于Hologres和离线仓库之上，提供统一数据服务，对接业务层的各种报表、分析系统等
可以看到，整个架构主要有主要分为3个部分：数据服务、实时数仓和数据存储。下面将会就这3个部分仔细讲诉。
1.数据服务
主要基于Holo，我们做了一套对外提供的统一数据服务。从上面的架构图可以看到，用户提交的查询请求到统一数据服务接口，经过安全校验解析、别名映射后，提交到Holo等执行。
使用Holo为我们解决了两个半问题：
1）Holo很大程度上降低了存储的成本。
2）Holo解决了数据存储不统一的问题，同时提供了高性能的实时OLAP能力。
3）Holo提供了无需搬移数据，加速查询离线数据的功能，但是由于是以资源消耗为代价，性能会比直接查询Holo内部表差10倍，同时有较多的限制（例如单次query命中的数据量为200G、分区限制512个等）。所以，算是解决了半个问题。
然后，我们在数据服务接口做了更进一步的统一，数据服务接口以Holo为主，同时兼容一些历史上存放在MySQL中的任务。对于特别复杂，同时对响应时长不敏感的查询，也可以使用数据服务接口直接查询离线数据。所以，我们希望数据服务接口是作为整个数据部门统一的数据服务，统一对外的所有数据接口。
Blink任务修改后，可能会导致之前的状态不可用，状态清空，直接修改上线落表数据正确性会有影响。同时Holo大部分索引需要在建表时指定，如果一开始表设计不合理， 或者之前的表设计不再满足现有需求。这时候物理表如果被写入很多任务中，是很难修改的。所以我们设计了别名映射的mapping系统，mapping中会指定物理表，库名、连接等信息，用户只需要知道别名就可以使用，无需关心具体位置，同时别名是相对固定的。Blink修改任务时，可以新建任务写到新建表，待补齐数据，借助推送系统，一键切换，立即生效，所有的查询马上切换到新物理表，线上业务无感知，类似于一个主备切换的过程。另外如果一旦发生较大改动，也可以在我们这边控制。
服务保障方面，通过监控每次的查询，建立查询异常报警机制，监控整体服务的稳定性，对于不合理查询可以及时提供修改意见，保障整体服务持续稳定和高效。
2.实时数仓
实时数仓原始数据源来自日志数据和MySQL binlog订阅，我们开发了数据订阅平台，通过平台配置，将数据统一发送到Kafka中，使用Blink SQL做实时ETL，数据的输出主要有两种，表（Holo）和MQ（Kafka）。
在建模上，参考了离线的已有的数据模型，但是又不完全一样，主要体现在分层和表字段设计，这是因为离线、实时数据的本身的属性不同。离线每天拉取一次，一次性计算，跑一次，当天都可以一直使用，同时离线计算能力强，所以可以建设高内聚低耦合复杂的数据模型 ，使用逻辑下沉、复杂模型、完善分层和更完整维度抽象等方式，来更好的保障数据一致性和数据易用性。对外提供的也是聚合数据为主，明细为辅。
但是实时任务是24小时运行，更高的层级抽象意味着使用起来不灵活、链路长稳定性差、维护代价大、时效性差等。
所以，相较于离线，实时的层级更轻。很多公司在实时数仓会有较多的维度退化，我们基于Holo较好的join 性能，在一定程度上减少维度退化的设计，提高了灵活性和开发效率。
更重要的是，借助于Holo很好的实时OLAP性能，很多任务可以实时OLAP 现算，而不用针对具体任务加工具体的应用层数据，使用实时Join也不用做大宽表，这对效率的提升是巨大的。以前，很多实时需求需要专门写实时加工任务，而且如果需求修改，修改实时任务的代价也是很大的，整个开发周期好几天，现在可能使用统一数据服务接口，基于我们体系的数据建设，可能几分钟就可以交付了。
当然，也并不能过度的依赖于实时OLAP，在我们的最终实践上，为了更高的效率和一定的数据一致性。我们预处理了部分比较固化的计算在聚合层，对外提供的数据，优先使用固化的聚合层，对于比较灵活的查询和不好固化的统计，使用明细层，总体来说，以明细为主，需求交付效率有较大提升。
可能在很多公司，实时数仓更多应用在实时报表等运营实时监控等场景，对于风控等场景，会有独立的数据流程。我们认为实时数仓的优势在于，数据建设完整、开发效率高、对聚合类数据有不可替代的优势，虽然有数据处理链路长的劣势，但是如果仅仅是用在实时报表有一点浪费。 所以，我们在拓展实时数据应用时，一直是有所节制，场景主要限制在一些内部需求或者灵敏度不是特别高的业务场景，比如说我们准备做的，将取消订单等相关的信息、用户统计数据推送到客服系统等需求。对于个别像反作弊之类的线上业务，也会限制只提供低层的Kafka基础数据来确保稳定性。
3.数据存储
Lambda架构不仅会导致了计算的冗余，也导致了存储的冗余。而Kappa架构在目前的技术下，过于理想化。行业内还很少听到有完全的Kappa架构落地的案例，目前主要是以Lambda为主，个别地方会做调整优化的方式。
计算的冗余其实比较难以解决，虽然这几年实时计算技术发展迅速，但是实时计算还远远不能完全替代掉离线程度，实时任务修改的复杂度也远远高于离线任务。Flink的流批一体的方案，使用一套代码同时运行离线和实时计算的方案，目前也是在初期发展中，虽然没有用过，但是能想到应该有很多困难的地方。
相对而言，存储的一致性能做的事情更多。不考虑实际，理想情况下，离线和实时的数据都存储在一个存储引擎中，同时能跑批任务，也具有对外提供数据服务的能力。
Holo在这个方向上往前走了一步，除了解决了实时数仓存储统一的问题，还提供了离线外表的功能，可以将离线表作为Holo的外部表，借助于Holo比较强大的硬扫能力，来加快离线数据的查询，使用一套系统就能同时查询离线和实时的数据。上面也讲过，这种硬扫是以大量的磁盘IO和CPU资源为代价的，所以会有较多的限制，比如说为了更好的性能，对于外表的分区数量和MaxCompute数据量有一定的约束。这种做法可以理解为一种冷数据的处理，官方给的字眼是 ”离线加速“。
在实际使用中，我们测试对2亿数据的点查大约在2s左右，官方给到的数据是，相比于内部表，外部表性能会差10倍，可以满足一些对时效要求不高、查询频率不高的数据需求，在高时效性的任务这种性能表现可能不能满足需求，可以通过导入内表来解决。
具体到我们的实践上，对于一部分需要离线数据、对时效性要求不是特别高同时离线查询分钟级的响应时长不能满足、查询频率不高的需求，我们会以外部表的形式对外提供，语法还是和Holo内表相同的语法，对于需要一部分离线数据、同时时效性要求很高、查询频率很高的查询场景，我们选择将一部分离线数据导入到Holo中，有时会和实时对应任务放在同一个表中，对外提供服务，这种做法事实上造成数据冗余，是一种妥协。
总的来说，Holo 并没有完全解决实时和离线统一存储的问题，但是往前做了一些探索性的工作。目前，Holo和离线Maxcompute开发团队已经融合，期待下一步看到更多的融合。
业务价值
总结来讲，从业务开始接触Hologres并上线，在实战场景中带来的主要优势有以下几点：
1.统一了实时存储，解决了实时数据孤岛等问题
2.加速离线数据查询，简单查询可以数秒返回，但还是会有一些使用限制，需要根据实际使用场景来做调整。
3.数据模型的变化，一定程度上减少了以往实时过多的维度冗余，帮助我们建设更低耦合的实时数仓
4.加速了需求的交付，不需要做数据开发的需求，甚至只需要十几分钟就能交付任务，大大的提升了效率。交付的提升，我们可以将数据更大范围的推广。
同时，Holo作为新生事物，基于新型的架构设计，提供了非常强大的性能。我们在测试和使用的过程中，也发现了一些不足之处，也希望这些不足或者建议能帮助快速发展
1）目前Holo升级配置和版本需要停服，需要停服几分钟的时间，需要提前有准备，后续版本会解决。
2）Holo gis 功能目前不支持索引，在大量数据下效率较低，我们测试2亿数据下地理距离查询大约几秒钟。目前索引功能开发中。
3）Holo支持分区子表，有点类似于Hive的分区表，比较适合增量数据，在数据删除和查询上有一定的优势。但是目前每个分区子表必须手动提前建表，手动删除，当前的解决办法是通过调度任务来自动建表，期待Holo团队能够实现这个功能
4）资源隔离，在我们调研测试中，就发现高吞吐查询会影响到对延时要求高的小查询，在后来的实测中，发现即使是大查询没有完全跑满资源的情况，也会影响到小查询的响应时长。这个问题很早就和Holo沟通过，算是一个比较普遍的问题，开源引擎也会遇到，有些公司会使用独立集群对不同查询做物理隔离。Holo也已经明确给答复后面会彻底解决这个问题。由于我们很早就意识到这个问题，所以从一开始的整体设计就有预防和控制，目前还好。
5）在测试使用过程中，还发现一些小bug ，作为新产品，我们在享受便利的同时，也肯定会有一些不足的地方，我们也愿意同Holo一起成长。
未来规划
Holo帮助我们实现在实时数据数据存储方面，只使用一套存储，在一定程度上缓解了数据不一致的问题，算是前进了一大步。但是更远期来说，我们希望在未来可以彻底解决数据一致的问题，真正的让一份数据只存储在一个地方。
具体到眼前，我们的主要精力在系统的稳定性、规范化沉淀、工具提效、并通过需求来完善我们的数据服务体系，更好的易用性、更强的稳定性、更快的交付周期，会更多的在内部的建设上。
参考
Alibaba Hologres: A Cloud-Native Service for Hybrid Serving/Analytical Processing：http://www.vldb.org/pvldb/vol13/p3272-jiang.pdf