案例篇 | Apache Kylin 在4399大数据平台的应用
The following article is from AI前线 Author 林兴财
为了帮助广大用户深入理解 Apache Kylin 的应用场景，Apache Kylin 推出了“用户案例专题”系列文章，并将邀请来自社区的一线用户，为大家介绍他们是如何在生产环境中使用 Apache Kylin 进行大数据 OLAP 分析的，包括案例分析、架构介绍、使用情况等方面内容。
背景
在开始案例分享前，先简单介绍一下 4399 以及 4399 的大数据团队
4399 是中国最早的和领先的在线休闲小游戏平台，日活跃达 2000 多万
4399 游戏盒是 4399 旗下的手游分发平台，日活过 350w
4399 的大数据团队规模在 15 人左右，主要工作内容为游戏推荐、游戏搜索、竞价广告，多维分析、大数据平台等等
4399 从 Kylin v1.5 版本开始使用，使用版本也随着官方版本的升级在升级，现生产系统两个版本同时在运行：Kylin v2.0.0、Kylin v2.3.0，共有 20 个 Cube 为我们的大数据平台提供分析服务，如漏斗模型分析等。其中最大的 Cube，每到周末需要构建 2.5 亿条的数据，18 个维度，9 个指标，构建耗时 80 分钟左右。Kylin 的引入使用主要帮我们解决了三大问题：
提供 ANSI-SQL 接口，让统计分析由繁杂变得简单。
解决口径不一致问题。原先每个需求过来，需要重写统计逻辑，编写人员不同就会导致口径不一致，数据出入较大，校准工作量大。现在统一整理一张事实表，相关需求通过 SQL 查询同一张表，口径一致，校准简易。
增加维度或者指标时，大大降低了所需工作量。
解决这三大问题的同时，Kylin 还保证了快速的响应时间。Kylin 维度组合设计的合理性特点，不仅能够减少 Cube 构建时间，还能让我们获得合理的查询响应时间。现生产最大的事实表，包含 18 个维度、9 个指标，95% 的 SQL 能在 3 秒以内返回正确结果。
4399大数据平台介绍
随着业务的增加，4399 的数据规模呈爆炸式增长，想要完整的收集数据，并从数据中挖掘出商业价值，大数据平台的引入势在必行。我司在前几年开始引入大数据平台，使用流行的开源的组件，搭建出符合公司业务需求的平台。为了保证数据落盘幂等操作、写入消费的 Exactly-One，我们相应地开发一些小工具。
发展到现在，公司大数据平台已经拥有 50 多个节点，主要职责包含三大块：
收集原始日志，每天新增日质量在 5T 左右
OLAP - 对日志做多维数据分析，这部分使用的是 Kylin
用户画像，机器学习。发掘用户价值
Apache Kylin 上线应用
在 4399 的大数据平台中，Hadoop 为我们提供了数据管理功能，但是现有的业务分析工具（如 Tableau、Microstrategy 等）存在很大的局限性，例如难以水平扩展、无法处理超大规模数据、缺少对 Hadoop 的支持等。数据仓库 Hive 虽然也提供了 SQL 查询接口，但是响应时间差强人意。在这样的背景下，Kylin 能够在亚秒级查询巨大的 Hive 表，并支持高并发, 可以说是应运而生了。
图表 2-1 Kylin 平台架构图
为了保证查询服务的稳定性，我们使用 Nginx 配置负载均衡。
生产环境：三台查询、一台构建；HBase 集群包含 23 节点。
测试环境：一台查询、一台构建和查询。
多版本同时部署，需要修改配置，使得Zookeeper的znode路径以及 kylin_metadata 分开，避免相互影响。
以我们应用平台 4399 游戏盒的漏斗模型分析（从展示到点击下载启动留存）为例，分析数据流向。
图表 2-2 漏斗模型数据流向图
如图表 2-2，首先要整理好事实表和维度表，构成星型模型（或雪花模型），分析所需的纬度和指标，配置 Kylin 模型，接着配置相应的 cube。经过 Kylin 的构建，就能使用 SQL 语句查询 Kylin。
方便运营人员的查看数据，体现出 Apache Kylin 的多维分析引擎优势，自己开发了一套多维分析展示页面。（下列图表使用了模拟数据。）
如图表 2-3，这是下载完成的分析模型。上面是维度相关的条件筛选和分组展开。左下角是行为路径统计树状图，各路径下载总量和占比一目了然，右下角指标的走势图和指标维度下钻列表。所有的维度都支持条件筛选和分组展开，各维度的指标对比，使得分析能更直观的感受数据趋势的内在原因。
图表 2-3 多维分析界面
按照游戏维度分组展开的效果如图表 2-4。
图表 2-4 游戏维度分组展开
众所周知，Kylin 的核心思想是预计算，即对多维分析可能用到的度量值进行预计算，将计算好的结果保存成 Cube，提供查询。所以涉及到两个方面的性能问题：
查询时的响应时间。
预计算花费的时间和空间。
Kylin 的查询过程主要包含四个步骤：解析 SQL，从 HBase 获取数据，二次聚合运算，返回结果。显然优化的重点就落在如何加快 HBase 获取数据的速度和减少二次聚合预算。
提高 HBase 响应时间：修改配置，修改 Cache 的策略，增加 Block Cache 的容量
减少二次聚合运算：合理设计纬度，使查询时尽量能精确命中 Cuboid。去重值使用有损算法。
预计算的优化，主要考虑有何缩短构建花费的时间，以及中间结果和最终结果占用的空间。每个业务单独一个 Cube，避免每个 Cube 大而全，减少不必要的计算。
随着维度数目的增加，Cuboid 的数量成指数级增长。为了缓解 Cube 的构建压力，Kylin 提供了 Cube 的高级设置。这些高级设置包括聚合组（Aggregation Group）、联合维度（Joint Dimension）、层级维度（Hierarchy Dimension）和必要维度（Mandatory Dimension）等。
合理调整纬度配置，对需构建的 Cuboid 进行剪枝，刷选出真正需要的 Cuboid，优化构建性能，降低构建时间，大大提高了集群资源的利用效率。优化前后的效果对比如表 2-5：
图表 2-5 优化后效果对比
1. 必须维度
查询时，经常使用的维度，以及低基数纬度。如该维度基数<10，可以考虑作为必须维度。
2. 层级维度
维度关系有一定层级性、基数有小到大情况可以使用层级维度。
3.Joint 维度
维度之间是同时出现的关系，及查询时，绝大部分情况都是同时出现的。可以使用 joint 维。
4. 维度组合组
将为维度进行分组，查询时组与组之间的维度不会同时出现。
配置优化，包括 Kylin 资源的配置以及 Hadoop 集群配置相关修改。
1. 构建资源
每个 Cube 构建时，所需的资源不太一样，需要进行相应的资源调整。
2. 调整副本
集群默认的文件副本数为 3，Cube 构建时，将副本数调为 2，个别中间任务还可以调整为 1，这样可以降低构建任务时集群 IO。为了保证查询的稳定性，HBase 副本数依然为 3。
3. 启用压缩
Hadoop 集群启用 Snappy 压缩，HBase 也启用 Snappy，最终生成的 HFILE，最大压缩率可达 70% 左右，大大降低了集群 IO 负载。
后记
在 4399 大数据平台上现在还存在几个问题：HBase 集群不够稳定，查询响应时间不够稳定，个别语句响应时间不理想，Cube segment 重新构建原本 HBase 表不会自动删除。围绕这几个问题，我们后续会再进行一些优化。
HBase 集群独立出来，避免被集群其他任务所影响，调整配置优化查询，增加查询的 cache 内存比例。
个别准实时构建任务结果调整为 HBase 的内存表，减少响应时间，能大幅度提高响应时间的稳定性。
修改源码，重新构建结束后自动清理过期 HBase 表，降低 HBase 索引的压力。
作者介绍
林兴财，毕业于厦门大学计算机科学与技术专业。有多年的嵌入式开发、系统运维经验，现就职于四三九九网络股份有限公司，担任大数据开发工程师，主要负责大数据平台的规划建设。
"Apache and Apache Kylin are either registered trademarks or trademarks of The Apache Software Foundation in the US and/or other countries. No endorsement by The Apache Software Foundation is implied by the use of these marks."
如果你热爱开源技术，喜欢社区的氛围，
点击【阅读原文】，来深圳站感受开源世界的魅力