离线数据导出背景
数仓、数据湖中我们通常会谈到明细事实数据和维度汇总数据，这些数据有着丰富的应用场景，比如根据ID查询明细数据，流计算时根据ID与维度表Join补齐环境信息，根据条件在大宽表里检索数据，或者多条件跨表Join进行圈人。这些场景通常具有高并发、实时响应的需求，是离线系统满足不了的, 将离线数据导入到HBase/Cassandra、Solr/ES、Clickhouse、MySQL等在线系统是开源生态的成熟解决方案。但数据导入一直存在着成本高、一致性差、稳定性不足等问题，并随着数据体量的增长而愈发明显。本文介绍离线数据导入云原生多模数据库Lindorm，首先分析数据导入的问题和现状，然后介绍Lindorm Bulkload批量导入技术的演进和优势。
Lindorm是阿里云NoSQL 数据库团队推出的云原生多模数据库产品，支持多类型、任意规模数据的低成本存储处理和自适应弹性伸缩，服务于互联网、IoT、车联网、广告、社交、监控、游戏、风控等场景。Lindorm Bulkload是由LTS(Lindorm Tunnel Service)提供的低成本、高可靠、高性能的企业级批量导入服务，支持将MaxCompute、Hive等数据源中的数据导入Lindorm/HBase。利用Lindorm我们可以简化上面的架构：
Lindorm 云原生多模数据库整体架构及背后的思考参考 乘云观海的新起点，新征程 —— 新Lindorm 2020
离线数据导入在线系统存在的问题
成本高
离线导入通常是一种周期性的全量覆盖，全量意味着大规模数据，我们在生产环境中已经看到10TB级别日常导入任务。大的导入任务意味着密集的资源消耗，为了持久化要增加写Log，为了可用性要多副本，为了事务要加锁，再加上RPC、压缩等开销。对于线上系统的成本控制来说，不可预知的大流量非常可怕，我们必须预留更多的资源buffer，这往往意味着成本的浪费。除了凌晨或午高峰的定时型任务外，还会有运营活动临时触发的计算结果回流任务，这种任务对时效性要求很高，最多1-2小时内就需要完成大量数据的导入，时效性的要求提高，意味着对线上资源的挑战更大。目前我们已经在用bulkload服务支持上亿数据分钟级别导入，普通的方式你可以通过线上集群加资源来解决问题，但因为临时的导入任务，使得整体集群成本直线上升，利用率直线下降，这显然让人无法接受。
Lindorm采用LSM Tree架构。读取存储到Lindorm里的一条记录需要合并多个SSTable后提交给客户端。基于这样的原理，Lindorm可以实现直接生成并向系统中“插入”新的SSTable，从而实现“新”数据的加载。开源生态中HBase也同样具备该能力，可以利用TableOutputFormat在MapReduce中直接生成SSTable，并通过API直接加载SSTable到HBase。我们把这种导入方式叫做“Bulkload”，Bulkload可以有效降低写入成本，其不需要日志、事务和RPC，并且SSTable生成过程可以与Lindorm分离使用独立的资源，提高资源利用率。
数据一致性差
离线导入通常是一种周期性的全量覆盖，另一项挑战在于如何保证数据的一致性。业务希望要么看到前一天的数据，要么看到今天的数据，如果读到部分更新的数据会造成一定的问题，希望数据更新本身要么成功，要么全部回滚。目前的系统仅能提供最终一致性，有些甚至最终一致也做不到。对于通过API写入的方式，一种方式是先把数据复制到本地，确认成功后再解析并写入系统达到最终一致性。Bulkload本身可以做到原子加载，较长的写入的过程只是在生成文件，用一个过程较短的load操作使得数据同时生效，几乎不会出现中间状态。但Bulkload不支持覆盖，比如某一行昨天有三个列，今天想更新为，但写入的结果是，C列没有被删除，这是由Lindorm/HBase自身的动态列特性造成的，没有Overwrite整行的逻辑。即便支持了整行更新也还会存在漏洞，如果昨天的数据存在行Row1，今天的离线数据中没有Row1，在Bulkload后昨天的Row1依然存在。
业务侧可以通过切换表的方式来实现强一致，每次导入数据前新建表T-new，导入成功后切换读链路到T-new，删除旧表。但一套方案增加了建表、切流、删表等操作，业务运维起来非常麻烦。
影响在线系统稳定性
这里我们不讨论导入系统本身的稳定性，你可能使用Sqoop、Spark、Hive等来完成数据导出，这些系统自身的稳定性不在讨论范围内，我们探讨数据导入对在线系统的稳定性影响。
通过API大量的数据导入会直接争抢系统资源，造成查询性能下降。回想我们开篇提到的明细事实数据和维度汇总数据，他们通常应用在推荐、风控、广告等在线场景，查询的波动或超时就意味着资损。我们用Bulkload替换API导入，因为SSTable是用外部资源生成的，因此不会出现CPU、IO等资源的争抢，稳定性直接提升一个数量级。但Bulkload加载引发缓存命中率下降和缓存置换会造成一定程度的抖动，新SSTable加入后，新的查询读这个文件产生冷读，同时导致缓存更新。Bulkload是全量更新，此时系统中存在两份数据，但LSM-Tree结构需要读取全部文件进行Merge才能得到最终数据，读的代价增加了。新的文件加入会触发Compaction，Compaction本身又会消耗CPU和IO资源，又会导致缓存的更新。综上所述，距离零在线影响还有很大的差距。
数据倾斜
数据倾斜是分布式系统常见问题之一，数据倾斜的痛在于很难去处理，重新负载均衡是一个耗时长、资源消耗大的过程。如果业务并发比较高就更惨了，因为大分区造成读写热点使问题持续恶化，你可能有必要进行有损恢复来挽回局面。在离线数据同步在线系统的场景里，通常是初始化时存在数据倾斜问题，但长期运行的作业也可能因为变化而出现问题。考虑初始化时第一次同步数据，在线系统的表需要设计合理的分区模式和分区数量，但“合理”不容易做到，现实中经常遇到的是客户采用默认选择，所以这个问题还是要由系统自己来彻底解决。采用Hash分片的方式一般比较均匀，但分片的数量不好定夺，扩容会带来抖动，另外Hash会影响范围扫描性能，不是万金油。而如果采用Range分片，比如像HBase，一旦分区规则和数据分布不匹配就会造成数据倾斜。
Lindorm Bulkload的优势
Lindorm Bulkload是由LTS(Lindorm Tunnel Service)提供的低成本、高可靠、高性能的企业级批量导入服务，支持将MaxCompute、Hive等数据源中的数据导入Lindorm/HBase。
Lindorm Bulkload的优势
- 低成本：Bulklaod模式天然比API模式节省资源，无需日志、事务、RPC等方面的开销。同时利用外部生成SSTable的特殊性，我们对SSTable Writer进行了优化，使其性能提升2倍以上
- 一致性提升：我们把表切换的逻辑做到系统内部，对客户透明，支持强一致覆盖写（即将上线）。对于同城多活的实例，我们支持多个Zone同时Load数据。
- 防导入抖动：我们提供了多级限速、本地化率、缓存更新优化等多种手段减少导入时的性能波动
- 反数据倾斜：可以自动检测数据分布，实时调节目标表的分区，并做到分布式导入下的负载均衡
- 易用性：白屏化接入
- 可靠性：系统高可用，有完善的监控报警体系
Lindorm Bulkload的流程图
同城多活导入
在同城多活场景下，数据需要导出到每一个Zone实现本地访问。N个Zone对应创建N个导出任务是一种解决方法，但这些任务之间很难协同在同一时间完成，造成数据不一致问题。另外N个任务重复了N次计算浪费资源。Lindorm Bulkload支持在一个任务里并发导出多个集群，会先复制数据，确认所有集群数据复制成功后再一起执行Load操作，可以把不一致的窗口控制在秒级。另外Lindorm Bulkload实现了一个MultiClusterDataOutputFormat，把SSTable Writer编码压缩后的数据流复制到所有集群，从而减少重复的SSTable计算。
强一致覆盖更新（即将上线）
强一致覆盖更新是指新导入的数据完全覆盖旧数据，用户不会读到部分更新的数据。我们通过新表旧表切换的方式来实现强一致，新数据写入新表，切换后新请求访问新表，旧表在无访问后删除。整体逻辑内置到系统对客户透明。对于一些AI算法类的场景，可能希望数据回退到上一个版本，可以在回收站直接恢复。
防导入抖动
客户希望数据导入尽可能减少对在线访问的影响，这个方面我们做了一些针对优化。数据导入保障100%的本地化率，找到SSTable的所属分区，进而找到其当前的计算节点，将一份数据复制到该节点的DN上。数据导入提供多级限速，第一层是网络流量限速，第二层是SSTable加载数量限速，降低对读请求延迟的影响。优化缓存汰换，加载新的文件一定会导致缓存变化，可能造成一个集中的汰换，我们在内核层面使这个汰换更加平滑和高效。
反数据倾斜
在HBase社区Bulkload方案中，源数据要先做分区排序，排序是为了更高效的生成SSTable，SSTable内部的数据是按主键排序的。分区一般采用和HBase表的分区对齐，这样SSTable可以恰好的“插入”的分区内，如果SSTable跨越了两个分区，那么需要进行Split，这是一个耗时耗力的工作。Lindorm Bulkload在很长时间也采用的同样方案，如下图所示，一旦源数据的分布与目标表不一致就会产生数据倾斜，导入任务会出现长尾，目标集群也可能会出现大的分区，我们在上面章节已经说明了大分区的危害。
为解决这个问题Lindorm推出了Anti-DataSkew Bulkload，首先利用Quantiles和Mergeable Summaries算法对源数据进行均匀切分（MaxCompute的RangeCluster表已经支持），排序过程中的分区与目标表的分区解耦，消灭导入长尾。主动识别源数据与目标表分布不一致，自动化调整目标表分区。假如目标表已经有大量数据，那么调整过程的Split、Compaction耗时很长，此时利用Lindorm的级联Split能力快速对分区进行Split。
性能优化
Lindorm Bulkload是LTS服务中的一项功能，LTS是独立于Lindorm/HBase集群之外的一个分布式系统，因此Lindorm Bulkload中最核心的SSTable Writer可专项优化。原生的SSTable Writer是面向KV的，每一个KV的写入都会有很多次的比较、编码。但Bulkload的上游数据是以行为单位的，每一行由多个KV组成，并且有相同的时间戳，我们利用这一特性开发了RowAwareWriter，复用行内kv的可用结果，对于大宽表型的导入任务有成倍的优化效果。同时我们利用CPU的缓存来优化编码压缩中数据的复制过程。
总结
Lindorm Bulkload是由LTS(Lindorm Tunnel Service)提供的低成本、高可靠、高性能的企业级批量导入服务，支持将MaxCompute、Hive等数据源中的数据导入Lindorm/HBase。欢迎新用户使用，也欢迎新老用户提意见、提需求，您的鞭策是我们前进的动力:)