數(shù)據(jù)時(shí)代，大數(shù)據(jù)計(jì)算已經(jīng)滲透到了各行各業(yè)，業(yè)務(wù)沉淀數(shù)據(jù)，數(shù)據(jù)計(jì)算產(chǎn)生新的業(yè)務(wù)價(jià)值，大數(shù)據(jù)計(jì)算正不斷地用這種方式推動(dòng)業(yè)務(wù)向前發(fā)展。電商雙11，商家與消費(fèi)者狂歡的背后，同樣離不開大數(shù)據(jù)計(jì)算帶來(lái)的價(jià)值貢獻(xiàn)，特別是應(yīng)用越來(lái)越廣泛的“實(shí)時(shí)計(jì)算”。

現(xiàn)實(shí)世界中，數(shù)據(jù)連續(xù)產(chǎn)生，并被實(shí)時(shí)采集和計(jì)算

我們要做數(shù)據(jù)計(jì)算，挖掘產(chǎn)品商業(yè)價(jià)值，首要解決的問題是數(shù)據(jù)的問題?，F(xiàn)實(shí)世界里，數(shù)據(jù)往往是隨著時(shí)間的推進(jìn)連續(xù)產(chǎn)生的，比如用戶瀏覽商品，一系列的鼠標(biāo)點(diǎn)擊操作，會(huì)產(chǎn)生一連串的后臺(tái)數(shù)據(jù)；開車使用手機(jī)導(dǎo)航，GPS定位每隔一段時(shí)間更新一次，也會(huì)不斷產(chǎn)生日志數(shù)據(jù)；用戶瀏覽新聞推送、搜索歌曲、監(jiān)控?cái)z像頭定時(shí)采集圖片上傳到云端存儲(chǔ)、視頻直播等等場(chǎng)景，這背后生成的數(shù)據(jù)都是連續(xù)產(chǎn)生的。連續(xù)產(chǎn)生的業(yè)務(wù)數(shù)據(jù)，又被實(shí)時(shí)采集起來(lái)，就形成了數(shù)據(jù)流。

流式數(shù)據(jù)一經(jīng)采集，就可以立即參與計(jì)算，同時(shí)將計(jì)算結(jié)果投入到業(yè)務(wù)應(yīng)用中，這就是實(shí)時(shí)計(jì)算。實(shí)時(shí)數(shù)據(jù)計(jì)算其實(shí)早已經(jīng)進(jìn)入到人們生活的方方面面了，比如天氣預(yù)報(bào)，以前人們的習(xí)慣是每天接收一次天氣預(yù)報(bào)信息，現(xiàn)在則可以實(shí)時(shí)查看天氣預(yù)測(cè)，同一個(gè)時(shí)間點(diǎn)的天氣預(yù)測(cè)會(huì)隨著時(shí)間的接近越來(lái)越準(zhǔn)確，這就是監(jiān)測(cè)數(shù)據(jù)采集更新及實(shí)時(shí)數(shù)據(jù)計(jì)算帶來(lái)的效果。

根據(jù)興趣量身定制，實(shí)時(shí)計(jì)算讓產(chǎn)品越來(lái)越了解用戶

實(shí)時(shí)數(shù)據(jù)來(lái)源越來(lái)越多、數(shù)量越來(lái)越大，每年的數(shù)據(jù)量都在成倍地增長(zhǎng)，這對(duì)實(shí)時(shí)計(jì)算本身是利好的，可以有更多的應(yīng)用場(chǎng)景、更好的應(yīng)用效果，還可能促成一些革命性的變化。那么，大數(shù)據(jù)實(shí)時(shí)計(jì)算還能做什么？

在網(wǎng)易，考拉海購(gòu)雙11、618海淘盛典等活動(dòng)期間，都會(huì)有一塊網(wǎng)易有數(shù)大屏幕實(shí)時(shí)展示當(dāng)前最新的銷售總額、每個(gè)商品品類的銷售比例、訂單增長(zhǎng)趨勢(shì)、活躍用戶地理位置等，各種維度的信息都在一塊屏幕上不斷跳動(dòng)。每個(gè)用戶每筆訂單所產(chǎn)生的影響都會(huì)實(shí)時(shí)更新到大屏上。這種可視化的實(shí)時(shí)應(yīng)用效果，除了增添一份電商狂歡節(jié)的氛圍，更易于發(fā)現(xiàn)數(shù)據(jù)價(jià)值，指導(dǎo)市場(chǎng)運(yùn)營(yíng)、輔助商業(yè)決策。

金融風(fēng)控是另一種典型的實(shí)時(shí)計(jì)算應(yīng)用場(chǎng)景。對(duì)金融業(yè)務(wù)這種風(fēng)險(xiǎn)敏感的業(yè)務(wù)來(lái)說，僅僅能把數(shù)據(jù)可視化是遠(yuǎn)遠(yuǎn)不夠的，它需要流計(jì)算系統(tǒng)能夠利用一些風(fēng)險(xiǎn)模型的匹配規(guī)則，去實(shí)時(shí)分析海量的用戶行為數(shù)據(jù)，發(fā)現(xiàn)異常事件、判斷風(fēng)險(xiǎn)等級(jí)，并作出相應(yīng)的風(fēng)險(xiǎn)控制措施，自動(dòng)化地去做報(bào)警通知、改變業(yè)務(wù)流程。通過實(shí)時(shí)計(jì)算做金融風(fēng)控，帶來(lái)的好處是更快、更準(zhǔn)、更廣。其他許多類似風(fēng)控這樣的事件驅(qū)動(dòng)計(jì)算場(chǎng)景，實(shí)時(shí)計(jì)算都能解決好。

實(shí)時(shí)計(jì)算在推薦領(lǐng)域的應(yīng)用也已經(jīng)很深入了。不論是新聞推薦、音樂推薦還是讀書推薦，基本都已經(jīng)做到了千人千面，每個(gè)人接收到的推送內(nèi)容都是根據(jù)個(gè)人興趣偏好量身定制的。而用戶的興趣偏好，往往是通過實(shí)時(shí)數(shù)據(jù)計(jì)算不斷在更新的。 以新聞推送為例，當(dāng)用戶點(diǎn)擊一條條推送消息時(shí)，背后產(chǎn)品其實(shí)時(shí)刻在對(duì)用戶的行為做實(shí)時(shí)分析，實(shí)時(shí)更新用戶的興趣偏好，不斷發(fā)現(xiàn)用戶新的興趣點(diǎn)，對(duì)用戶越來(lái)越了解，最后給用戶推送他更感興趣的內(nèi)容。再以音樂推薦為例，如果一個(gè)用戶某段時(shí)間收藏了幾首悲傷的歌曲，通過實(shí)時(shí)數(shù)據(jù)分析，系統(tǒng)可以識(shí)別出這一信息，同時(shí)有針對(duì)性的推送一些歌曲去撫慰用戶。這種場(chǎng)景是只有實(shí)時(shí)計(jì)算才能解決的，也最能體現(xiàn)實(shí)時(shí)計(jì)算的價(jià)值。

越來(lái)越多的實(shí)時(shí)計(jì)算場(chǎng)景會(huì)被開發(fā)出來(lái)，未來(lái)人們對(duì)“一切都在變化之中”的感受會(huì)越來(lái)越深刻。

從“先存后算”到“邊算邊存”，實(shí)時(shí)計(jì)算不再怕“大”數(shù)據(jù)

實(shí)時(shí)計(jì)算這么好，在實(shí)現(xiàn)層面應(yīng)該怎么做，有哪些困難和挑戰(zhàn)是必須解決的？

首先從整體架構(gòu)看，數(shù)據(jù)計(jì)算，無(wú)外乎三樣?xùn)|西：數(shù)據(jù)輸入→計(jì)算→數(shù)據(jù)輸出。傳統(tǒng)的計(jì)算模型，以數(shù)據(jù)庫(kù)為例，是先將數(shù)據(jù)存儲(chǔ)在一個(gè)數(shù)據(jù)表中，用戶通過執(zhí)行查詢語(yǔ)句觸發(fā)數(shù)據(jù)庫(kù)的計(jì)算操作，最后數(shù)據(jù)庫(kù)完成計(jì)算后輸出結(jié)果。這種“先存后算”的模型在大數(shù)據(jù)實(shí)時(shí)計(jì)算場(chǎng)景下是行不通的。我們所要計(jì)算的數(shù)據(jù)很“大”，一個(gè)計(jì)算結(jié)果所涉及的源數(shù)據(jù)可能是涵蓋過往一天的數(shù)據(jù)，可能是上千億條數(shù)據(jù)記錄。如果每增加一些新數(shù)據(jù)，都把所有數(shù)據(jù)都重新計(jì)算一遍，這樣的開銷是非常大的，最終的效果會(huì)是很“慢”，達(dá)不到實(shí)時(shí)的效果。比較合理的做法是“邊算邊存”，意思是數(shù)據(jù)進(jìn)入實(shí)時(shí)計(jì)算系統(tǒng)后，不一定需要先存儲(chǔ)起來(lái)，可以直接參與計(jì)算，而且這里的計(jì)算是把當(dāng)前新增的數(shù)據(jù)在之前歷史數(shù)據(jù)的計(jì)算結(jié)果上做“增量計(jì)算”，同一條數(shù)據(jù)不重復(fù)參與計(jì)算，計(jì)算完成之后，再把計(jì)算結(jié)果保存起來(lái)，供業(yè)務(wù)使用，這時(shí)數(shù)據(jù)存儲(chǔ)的壓力也小了很多。同時(shí)“大”意味著數(shù)據(jù)并發(fā)很高，每秒可能需要計(jì)算上千萬(wàn)條新數(shù)據(jù)，這樣的計(jì)算量不是單機(jī)能承受的，所以大數(shù)據(jù)實(shí)時(shí)計(jì)算要解決好的是分布式系統(tǒng)架構(gòu)下的一系列技術(shù)問題。

分布式實(shí)時(shí)計(jì)算面臨的挑戰(zhàn)包括很多方面。數(shù)據(jù)從采集、到計(jì)算、到輸出整個(gè)過程必須做到低延遲，除了計(jì)算節(jié)點(diǎn)本身采用“增量計(jì)算”的模型，還要求上游數(shù)據(jù)傳輸模塊具有很高的吞吐能力，并且具備數(shù)據(jù)緩存的能力，在大流量場(chǎng)景下可以起到緩沖的作用，下游輸出模塊也需要做數(shù)據(jù)壓縮、批量輸出等優(yōu)化，以保證輸出結(jié)果的實(shí)時(shí)性。低延遲這個(gè)大前提對(duì)實(shí)時(shí)計(jì)算系統(tǒng)的其他特性提出了更高的要求。比如雙11凌晨0點(diǎn)的時(shí)候，大量消費(fèi)者在同一時(shí)刻下單支付，這是涌進(jìn)實(shí)時(shí)計(jì)算系統(tǒng)的瞬時(shí)數(shù)據(jù)量是巨大的，系統(tǒng)需要有強(qiáng)大的并行處理數(shù)據(jù)的能力，將大量瞬時(shí)流量合理分配到成百上千個(gè)計(jì)算節(jié)點(diǎn)，并將這些節(jié)點(diǎn)的計(jì)算結(jié)果匯聚到一起計(jì)算出一個(gè)總體的結(jié)果，在高吞吐的情況下仍保證低延遲。

從“批量計(jì)算”到“增量計(jì)算”，最具挑戰(zhàn)的是準(zhǔn)確性和易用性

和低延遲同樣關(guān)鍵的挑戰(zhàn)是準(zhǔn)確性?！霸隽坑?jì)算”模型和傳統(tǒng)“批量計(jì)算”模型是有區(qū)別的，所以不能照搬過往的技術(shù)經(jīng)驗(yàn)，否則就會(huì)有準(zhǔn)確性方面的問題。需要考慮清楚新進(jìn)入的數(shù)據(jù)如何疊加到老的計(jì)算結(jié)果上，有些場(chǎng)景下甚至要支持從老的計(jì)算結(jié)果中撤除部分計(jì)算值，以保證最終結(jié)果的準(zhǔn)確性。

分布式系統(tǒng)中的某個(gè)節(jié)點(diǎn)出現(xiàn)故障是很常見的，實(shí)時(shí)流計(jì)算系統(tǒng)的故障恢復(fù)能力也相當(dāng)重要，因?yàn)楫?dāng)故障發(fā)生時(shí)，系統(tǒng)必須快速恢復(fù)，否則系統(tǒng)的輸出更新可能就停滯了，實(shí)時(shí)性也就無(wú)從談起。同時(shí)故障發(fā)生也不能破壞“增量計(jì)算”這個(gè)模型，否則退化到“批量計(jì)算”的模型就又得不到實(shí)時(shí)的計(jì)算結(jié)果了，而且結(jié)果準(zhǔn)確性也難以保證。

事實(shí)上網(wǎng)易大數(shù)據(jù)在實(shí)現(xiàn)自研流計(jì)算平臺(tái)Sloth的過程中，遇到并克服了上述技術(shù)難點(diǎn)。網(wǎng)易流計(jì)算平臺(tái)Sloth作為一個(gè)平臺(tái)化的產(chǎn)品，在產(chǎn)品易用性、多租戶隔離方面做了大量的工作。就實(shí)時(shí)計(jì)算而言，易用性是一個(gè)比較值得討論的方面。

?

對(duì)于開發(fā)人員而言，寫一個(gè)分布式程序比寫單機(jī)程序會(huì)困難一些，而寫一個(gè)分布式實(shí)時(shí)計(jì)算程序，會(huì)更難。好在業(yè)界有一些開源的流計(jì)算引擎幫助完成了不少工作，開發(fā)人員可以使用這些流計(jì)算引擎完成流計(jì)算任務(wù)的開發(fā)，他們可能不再需要關(guān)心計(jì)算任務(wù)如何分發(fā)到多個(gè)計(jì)算節(jié)點(diǎn)上、數(shù)據(jù)在計(jì)算節(jié)點(diǎn)間如何傳輸?shù)葐栴}，只需要專注于計(jì)算邏輯的開發(fā)、控制好不同計(jì)算階段的計(jì)算并行度。

以計(jì)算一篇文章的單詞數(shù)為例，一個(gè)分布式計(jì)算程序的內(nèi)容可能包括三個(gè)部分，首先是用幾個(gè)計(jì)算節(jié)點(diǎn)共同把每一行文本拆分成一個(gè)一個(gè)的單詞；第二步是用另外一些計(jì)算節(jié)點(diǎn)去統(tǒng)計(jì)單詞的個(gè)數(shù)（考慮到數(shù)據(jù)量巨大的情況，這里有必要用多個(gè)節(jié)點(diǎn)去做計(jì)算）；第三步是由一個(gè)計(jì)算節(jié)點(diǎn)把上游各各節(jié)點(diǎn)算出的部分計(jì)數(shù)匯聚成一個(gè)總的計(jì)數(shù)。這樣一個(gè)最簡(jiǎn)單的場(chǎng)景，需要開發(fā)的代碼量大約是200行。實(shí)際業(yè)務(wù)場(chǎng)景下，數(shù)據(jù)流經(jīng)的計(jì)算節(jié)點(diǎn)遠(yuǎn)遠(yuǎn)不止3個(gè)，計(jì)算類型也比基礎(chǔ)的求和復(fù)雜很多，所以即使有了流計(jì)算引擎，分布式實(shí)時(shí)計(jì)算程序的開發(fā)仍然是比較困難的。再進(jìn)一步看，即使開發(fā)完成了，還需要把大量的時(shí)間投入到調(diào)試、計(jì)算框架維護(hù)等方面，一旦計(jì)算需求發(fā)生變化，所有的工作都需要重新迭代一遍，這是個(gè)比較痛苦的過程。如何讓流式計(jì)算程序更易編寫，是實(shí)時(shí)計(jì)算平臺(tái)需要去完成的挑戰(zhàn)。

且不考慮實(shí)時(shí)流計(jì)算系統(tǒng)如何解決易用性這個(gè)問題，看下計(jì)算機(jī)科學(xué)發(fā)展過程中，類似問題是怎么解決的。人們希望編程可以容易一些，所以越來(lái)越多的高級(jí)編程語(yǔ)言被發(fā)明出來(lái)了；人們希望數(shù)據(jù)計(jì)算可以容易一些，然后就有了數(shù)據(jù)庫(kù)，以及SQL語(yǔ)言——結(jié)構(gòu)化查詢語(yǔ)言；到了大數(shù)據(jù)時(shí)代，人們還在折騰離線批量計(jì)算的時(shí)候，就遇到的依靠計(jì)算引擎編程復(fù)雜的問題，最終通過把SQL語(yǔ)言應(yīng)用到分布式離線計(jì)算系統(tǒng)上，解決了這個(gè)問題。而現(xiàn)在實(shí)時(shí)計(jì)算的迅速發(fā)展的現(xiàn)在，是否同樣可以用SQL語(yǔ)言去解決這個(gè)問題？答案是肯定的。不過有許多細(xì)節(jié)的問題需要去推敲求證。

實(shí)時(shí)流計(jì)算中的數(shù)據(jù)流，可以理解為一張動(dòng)態(tài)的數(shù)據(jù)表

上文提及了離線批量計(jì)算模型和實(shí)時(shí)增量計(jì)算模型是有差異的，當(dāng)SQL語(yǔ)言分別作用與批量計(jì)算和流式計(jì)算時(shí)，其語(yǔ)義也是需要發(fā)生變化的。批量計(jì)算和流式計(jì)算最主要的區(qū)別是前者計(jì)算的數(shù)據(jù)是有限的、后者計(jì)算的數(shù)據(jù)是無(wú)限的是不斷采集進(jìn)入系統(tǒng)的。當(dāng)一個(gè)SQL查詢作用在一批離線數(shù)據(jù)上面時(shí)，計(jì)算完成、輸出結(jié)果，這條SQL查詢也就完成了。映射到流式計(jì)算，當(dāng)SQL查詢觸發(fā)計(jì)算，它是不會(huì)結(jié)束的，因?yàn)閿?shù)據(jù)在持續(xù)不斷地流入，按照離線SQL的語(yǔ)義，SQL結(jié)束之前，計(jì)算不會(huì)輸出結(jié)果，這顯然不是流計(jì)算期望的效果，所以流式SQL其本質(zhì)應(yīng)當(dāng)是定義一系列流計(jì)算任務(wù)，同時(shí)這些任務(wù)是邊執(zhí)行邊輸出計(jì)算結(jié)果的。

離線SQL處理的是靜態(tài)數(shù)據(jù)表，而流式SQL處理的是數(shù)據(jù)流，SQL的計(jì)算語(yǔ)義（如求和、平均值、數(shù)據(jù)表連接等）作用在數(shù)據(jù)流上是否合理。理解這個(gè)問題需要做一個(gè)概念上的轉(zhuǎn)換：離線SQL是把靜態(tài)的數(shù)據(jù)表轉(zhuǎn)換成另一張靜態(tài)數(shù)據(jù)表；而實(shí)時(shí)流計(jì)算中的數(shù)據(jù)流，可以理解為一張動(dòng)態(tài)的數(shù)據(jù)表（數(shù)據(jù)會(huì)不斷增長(zhǎng)的動(dòng)態(tài)數(shù)據(jù)表）。不同的時(shí)刻這個(gè)數(shù)據(jù)表又不同的樣子，執(zhí)行SQL會(huì)得到不同的計(jì)算結(jié)果，把這些不同的計(jì)算結(jié)果像電影幻燈片放映一樣串聯(lián)起來(lái)，我們就得到了一張動(dòng)態(tài)的結(jié)果表——流式SQL做的工作就是把一張動(dòng)態(tài)數(shù)據(jù)表轉(zhuǎn)換成另一張動(dòng)態(tài)數(shù)據(jù)表，這樣流SQL的計(jì)算語(yǔ)義就比較容易理解了。實(shí)時(shí)流計(jì)算系統(tǒng)要解決的問題就縮小到了“如何實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)表的計(jì)算”上來(lái)。

流SQL引擎的自動(dòng)優(yōu)化是當(dāng)前主要的技術(shù)突破方向

實(shí)時(shí)流計(jì)算系統(tǒng)的易用性，是可以用SQL語(yǔ)言來(lái)解決的，網(wǎng)易流計(jì)算平臺(tái)Sloth的生產(chǎn)實(shí)踐也證實(shí)了這一理論。用戶不再需要學(xué)習(xí)各種計(jì)算引擎的編程接口，不再需要調(diào)試分布式計(jì)算程序，不再需要自己維護(hù)流計(jì)算系統(tǒng)，只需要把原來(lái)跑在離線平臺(tái)上的SQL遷移到實(shí)時(shí)流計(jì)算平臺(tái)上，就可以完成復(fù)雜的實(shí)時(shí)計(jì)算邏輯。

用戶端的工作大大減少了，實(shí)時(shí)流計(jì)算平臺(tái)的工作勢(shì)必是要增加的，其中比較困難的部分是如何把SQL查詢轉(zhuǎn)化成實(shí)際的計(jì)算邏輯，實(shí)現(xiàn)一個(gè)支持流式SQL的計(jì)算引擎，類似數(shù)據(jù)庫(kù)引擎的角色，而且就像之前討論的，這個(gè)引擎的計(jì)算邏輯必須符合“增量計(jì)算”模型。同時(shí)為了能讓實(shí)時(shí)計(jì)算結(jié)果應(yīng)用到各種各樣的業(yè)務(wù)場(chǎng)景中，計(jì)算引擎需要能夠?qū)痈鞣N存儲(chǔ)角色，比如數(shù)據(jù)、消息隊(duì)列、離線存儲(chǔ)等。

雙11大屏只是大數(shù)據(jù)實(shí)時(shí)流計(jì)算的一種應(yīng)用場(chǎng)景，未來(lái)會(huì)有越來(lái)越多的實(shí)時(shí)計(jì)算場(chǎng)景，比如除了文本計(jì)算實(shí)時(shí)化，圖像、語(yǔ)音計(jì)算也可以實(shí)時(shí)化，在線機(jī)器學(xué)習(xí)，物聯(lián)網(wǎng)實(shí)時(shí)計(jì)算等。實(shí)時(shí)數(shù)據(jù)以及實(shí)時(shí)流計(jì)算場(chǎng)景的類型都是指數(shù)增長(zhǎng)的，實(shí)時(shí)計(jì)算引擎會(huì)面臨不小的挑戰(zhàn)。基于SQL的流式計(jì)算描述也正在向前演化，會(huì)越來(lái)越多的納入流計(jì)算特有的屬性，比如輸出觸發(fā)、過期數(shù)據(jù)處理、多種規(guī)則的數(shù)據(jù)窗口劃分等。流SQL引擎的自動(dòng)優(yōu)化也是當(dāng)前主要的一個(gè)技術(shù)突破方向，相信未來(lái)實(shí)時(shí)流計(jì)算會(huì)隨著技術(shù)的進(jìn)步，應(yīng)用得跟深入、更廣泛。