查看原文
其他

供应链大屏设计实践

京东物流 郑冰 京东技术
2024-08-24


概述

在物流系统相关的大屏中,供应链大屏复杂度较高,数据链路较长,稳定性要求较高,当前大屏已经经过2年时间的打磨,整体表现已经相对比较成熟稳定。

本文描述了物流供应链业务较复杂的业务场景下,结合了大数据计算相关技术,总结了实时监控大屏指标建设和服务构建的框架和经验,为后续其他核心大屏的高可用和高实时性建设提供建设思路。以下几点需要重点关注:

1、基于Flink的数据加工链路和OLAP的数据分析引擎

基于目前较为成熟的实时计算Flink,结合ClickHouse搭建基础模型,借助双流和EasyData实现一键切换。

2、指标的一致性

加工和展示分离,可基于单仓原子指标进行区域和品类上卷,既保障了指标的维度一致性(单仓-区域-全国),又保障了同一个数据版本的时间一致性。

同时借助缓存库/表,来满足不同的业务场景。

3、稳定性建设

  • 数据链路的稳定性

  • 接口服务的兜底

  • 指标准确性的验证机制

  • 重算机制

本文内容有限,很多设计的小细节未能体现,感兴趣的欢迎交流,希望上述内容对正在从事大屏建设的同学有一些新的启发和思考。




01 背景

在今年的敏捷团队建设中,我通过Suite执行器实现了一键自动化单元测试。Juint除了Suite执行器还有哪些执行器呢?由此我的Runner探索之旅开始了!

供应链大屏是供应链事业部重要的看数工具,尤其在大促期间,为业务管理层掌握大促实时动态提供了支撑,为事业部的目标达成、排产提供重要的数据支持。

特点:

  • 指标较多,170+;

  • 刷新频率,1分钟;

  • 数据来源较多,大件、逆向、冷链、服务+、Udata、离线等;

  • 链路长:10+个计算传输节点

  • 重要性高,稳定性要求高,准确性要求高。


02   

方案

  

理解,首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板,当获取到模板后进行模板加载,加载阶段会将产物转换为视图树的结构,转换完成后将通过表达式引擎解析表达式并取得正确的值,通过事件解析引擎解析用户自定义事件并完成事件的绑定,完成解析赋值以及事件绑定后进行视图的渲染,最终将

2.1 数据模型存储选型

供应链大屏涉及模型较多,消息量较大,对写入性能和查询性能要求较高,主要基于Elasticsearch和ClickHouse进行对比选型,对比项如下:
比较项Elasticsearch ClickHouse

实现原理

基于Lucene的分布式搜索引擎,ES通过分布式技术,利用分片与副本机制,解决了集群下搜索性能与高可用的问题。基于MPP(Massively Parallel Processing)架构的分布式ROLAP(关系OLAP)分析引擎,拥有完备的管理功能,是列式数据库管理系统(DBMS)。通过使用日志合并树,稀疏索引和向量化执行引擎(CPU的SIMD单指令多数据)充分发挥了硬件优势,实现高效的计算。
写入性能中等,有写入延迟问题较高,吞吐量大,经测试是ES的5倍以上
查询性能中等高,经测试查询速度比ES快5-30倍以上
多表联合查询不支持支持
服务器成本相同数据占用的磁盘空间只有ES的1/3到1/30,节省了磁盘空间的同时,也能有效的减少磁盘IO;另一方面ClickHouse比ES占用更少的内存,消耗更少的CPU资源
SQL查询不支持支持
高并发支持较好,经过优化可以支持上万QPS官方建议qps为100
全文检索支持不支持
由上面的比较可以看出,作为OLAP数据库,CH的写入,查询性能都优于ES,但是唯一的问题是高并发支持问题。所以对于不需要高并发和全文检索的场景,选择CH是更合适的。针对某些需要高并发的场景,可以选择ES,或者CH+缓存层实现。

2.2 整体架构

由于数据来源多、复杂度高,为了提升指标服务的稳定性,降低代码复杂度提升可维护性,提升指标的复用性,整体架构分5层,包括模型加工层、数据处理层、单仓指标加工层、区域指标加工层和展示层。各层的职责如上图所示。

2.3 指标分层及一致性设计

以仓订单相关指标为例,所有指标加工保持1套逻辑,同一主任务触发,加工完成之后,基于单仓指标上卷加工区域等更高维度的指标,保证指标数据的一致性。
针对不同的业务报表,根据不同的场景,进行指标查询,通过指标缓存表的方式,减少数据量,提升指标的查询性能。

2.4 稳定性设计

由于数据链路长,稳定性较差,问题主要集中在Flink、CH环节,恢复周期长。对于大屏等核心任务,数据的实时性和准确性要求较高,以下是历史发生过的问题:

  • CK分区太多,写入阻塞

  • CK rename操作,节点太多,表结构同步慢,导致写入报错,大量消息积压,丢消息

  • Flink机房网络故障

  • flink 偶发丢消息,未定位到原因

  • checkpoint失败

  • jdq分片不均,单个分区消息增加400倍,消息积压

  • 维表数据未更新,导致丢失字段

  • 上游运单模型积压,丢失部分字段

  • 数据积压

  • 加工逻辑复杂,偶发乱序问题

  • state未保存,丢数据

  • CK跨分区字段查询明细,性能较低

  • 代码编写使用了Flink序列化未支持的格式、循环过多,导致算子背压严重

  • 逻辑复杂,上线风险高且回滚困难

从整个链路中,针对易出问题的flink-CK链路进行双流,物理隔离,遇到问题可一键切换至备流。

2.5 扩展性设计

基于UCC配置,通过配置灵活适配业务诉求,节约开发成本,方便定位问题和恢复;

包括4H/24H/28H、同环比日期配置、预测日期配置、单仓兜底配置、展示配置等;

(1)28小时模式配置化:可通过配置将任意一天切换为28小时、4小时模式,为业务和研发侧提供了充分的线上验证机会;

(2)阈值开关配置化:可通过阈值开关进行数据兜底逻辑管控,确保数据平稳;

(3)自动刷新白名单配置化:灵活配置大屏自动刷新白名单,支持封版期间人员白名单权限控制;

(4)历史日期配置化:计算预测全天指标使用指定历史日期的单量占比作为对比项,数据库里包含部分历史大促日单量数据,可灵活配置修改对比的历史日期;

(5)重算机制:可基于某一时间段进行数据重算。

参数配置:

{ "thresholdEnable": "false", //大促预测上下线是否开启,开启后upperLimit与lowerLimit生效, "upperLimit": "1.6d", //上限 "lowerLimit": "0.6d", //下限 "zyShowFlag": true, //中小件产品维度-自营是否展示开关 "swShowFlag": true, //中小件产品维度-商务是否展示开关 "jjShowFlag": true, //中小件产品维度-经济是否展示开关 "wdShowFlag": true, //中小件产品维度-外单是否展示开关 "todayTradeCleanRateShowFlag": true, //今日交易清理率展示开关 "promotionTradeCleanRateShowFlag": true,//大促交易清理率展示开关 "isDebug": true, //是否debug,目前还没使用 "isCacheOn": true, //是否打开缓存,默认开 "isWriteMinuteAndHour": true, //是否双写分钟表和小时表,代表是否写 wms_order_analysis_report_minute_2023 和 wms_order_analysis_report_hour_2023 "isMinuteWrite": true, //是否写分钟表wms_order_analysis_report_minute_2023 开关 "isHourWrite": true, //是否写wms_order_analysis_report_hour_2023 开关 "isMinuteNotice": false, //是否分钟表写完发mq "isHourNotice": false,//是否小时表写完发咚咚推送mq }
对比策略配置:
{ "sTime": "2023-06-17 00:00:00", // 大屏策略时间开始 "eTime": "2023-06-17 19:59:59", // 大屏策略时间结束 "tbSTime": "2022-06-17 00:00:00", //同比开始 "tbETime": "2022-06-17 19:59:59",//同比结束 "hbSTime": "2022-11-10 00:00:00",//环比开始 "hbETime": "2022-11-10 19:59:59",//环比结束 "showType": "24h",//类型,24h同20h小时,都可以 "special24hCompDateStr": "2022-06-17",//大促24h特殊对比日期,(4h,28h不使用) 主要影响预测;主要用作非 4h/28h 的预测不使用昨日了; "specialCompDateStr": "" //大促4h/28h预测对比天数}

2.6 数据监控

多种验证及监控手段组合保证数据准确性:

1)前端自动化模型,定时截取每个大屏关键节点截图。

2)自动化抓包,分钟级记录接口调用情况,结合定时截图,便用问题排查及定位。

3)大屏结果分钟级落库,并通过Grafana,创建大屏数据监控看板,持续监控大屏数据,通过异常拐点发现问题点,避免遗漏问题。并结合不同看板分析数据趋势及变化原因。

4)结合大屏计算逻辑,通过京东动力搭建测试模型,做到自由指定时间计算大屏指标明细,验证分析大屏数据。



推荐阅读Lombok注解引发的空指针问题分析
不只是前端,后端、产品和测试也需要了解的浏览器知识
极具未来感的京东.Vision来了!最潮的人已收藏!
大模型技术及趋势总结
打SAS化服务的会员徽章体系,可以作为标准的产方👇 点击”阅读原文“查看技术类精选书单案统一对外输出。结合现有平台通用能力,实现会员行为全路径覆盖,并能结合企业自身业务特点,规划相应的会员精准营销活动,提升会员忠诚度和业务的持续增长。
底层能力:维护用户基础数据、行为数据建模、用户画像分析、精准营销策略的制定

▪功能支撑:会员成长体系、等级计算策略、权益体系、营销底层能力支持

▪用户活跃:会员关怀、用户触达、活跃活动、业务线交叉获客、拉新促活

继续滑动看下一个
京东技术
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存