Kylin正式發布：面向大數據的終極OLAP引擎方案

日前，eBay公司隆重宣布已經正式向開源業界推出分布式分析引擎：Kylin（http://kylin.io）。作為一套旨在對Hadoop環境下分析流程進行加速、且能夠與SQL兼容性工具順利協作的解決方案，Kylin成功將SQL接口與多維分析機制（OLAP）引入Hadoop，旨在對規模極為龐大的數據集加以支持。

背景信息

eBay公司當前面臨的主要挑戰在于，數據規模正隨著用戶群體的多樣化拓展而水漲船高。我們的用戶——比如在分析與業務部門當中希望能在保持最低延遲水平的前提下繼續使用自己所熟悉的工具方案，例如Tableau與Excel。 
 
有鑒于此，我們與公司內部的分析部門進行緊密合作，并勾勒出eBay眼中足以構成成功產品的基本要求：
1.數百億數據行的查詢延遲需要保持在次秒級別。  
2.能夠為使用SQL兼容性工具的用戶提供ANSI SQL。  
3.完整的OLAP方案以實現各類高級功能。  
4.擁有對高基數與超大規模業務體系的支持能力。  
5.面向成千上萬用戶的高并發性處理能力。  
6.能夠處理TB乃至PB級別分析任務的分布式橫向擴展架構。 

我們很快意識到，沒有任何一種外部解決方案能夠切實滿足我們的具體要求——特別是在開源Hadoop社區當中。為了解決企業業務面臨的這一系列緊急狀況，我們決定從零開始自主打造一套平臺。在優秀的技術團隊與部分試點客戶的通力配合之下，我們已經能夠在將Kylin平臺引入生產環境的同時、為其發布一套開源版本。 

重點特性概述

Kylin 是一套卓越的平臺方案，能夠在大數據分析領域實現以下各項特性： 

?  規?；h境下的極速OLAP引擎: Kylin的設計目的在于削減Hadoop環境中處理超過百億行數據時的查詢延遲時間。  
? Hadoop上的ANSI SQL接口:Kylin能夠在Hadoop之上提供ANSI SQL并支持大部分ANSI SQL查詢功能。  
?交互式查詢功能:用戶可以通過Kylin以秒級以下延遲水平實現與Hadoop數據的交互——在面對同一套數據集時，其性能表現優于Hive查詢機制。  
?  利用MOLAP cube（立方體）對數百億行數據進行查詢: 用戶能夠在Kylin當中定義一套數據模型對其進行預構建，其中所能包含的原始數據記錄可超過百億行。  
?  與商務智能工具進行無縫化集成:Kylin目前能夠與多種商務智能工具相集成，包括Tableau以及其它第三方應用程序。  
?  開源ODBC驅動程序: Kylin的ODBC驅動程序從零開始逐步構建而成，而且能夠與Tableau實現良好的協作效果。我們也已經對這部分驅動程序進行開源處理并發布至技術社區當中。  

其它特性：

• 任務管理與監控機制
• 通過壓縮與編碼機制降低存儲容量需求 
• cube的增量式更新 
• 利用HBase協處理器實現查詢延遲控制 
•  對不同計數進行近似查詢的能力（HyperLogLog） 
• 提供易于使用的Web界面，旨在對cube進行管理、構建、監控與查詢
• cube/項目層面對ACL進行設置的安全功能 
• 支持LDAP集成 

基本設計思路

Kylin平臺的設計思路其實并非全新產生。在過去三十年當中，已經有很多技術方案使用到同樣的理論依據來實現分析流程加速。具體而言，此類技術包括將預先計算完成的結果保存起來以備分析查詢、利用所有可能的維度組合為每個層級生成cuboid（基本方體）、或者是在不同層級上對全部指數進行計算。 
 
下面這幅圖片所示為cuboid的拓撲結構，供大家用作參考： 

當數據規模變得越來越大時，預計算處理機制就會變得無法實現——即使硬件性能再強大也于事無補。不過在Hadoop強大的分布式計算能力支持下，計算任務能夠借助成百上千個計算節點的總體資源。這就保證了Kylin能夠以并發方式對這些計算任務進行處理，并通過合并生成最終結果——這能夠顯著降低整體處理時間。 

從關系型到鍵-值型 

下面舉一個實例，假設Hive表當中所保存的幾條記錄代表著一套關系型結構。當其數據規模增長到極其巨大的水平時——例如上百億甚至過萬億行數據——那么像“2010年我們在美國本土售出了多少套技術類方案”這樣的簡單問題也將帶來涵蓋巨大數據量的表內容掃描，給出應答的延時狀況也會變得無法接受。由于每一次運行查詢時所需要的值是固定的，因此我們完全可以預先進行計算并對結果加以存儲、以備日后隨時調用。這項技術被稱為從關系型到鍵-值型（Relational to Key—Value，簡稱KV）處理。處理過程將生成所有維度組合并如下圖所示將測得值顯示出來——圖片右側為計算結果。圖片的中間一列內容由左至右表示的是這類大規模數據處理流程中數據是如何由Map Reduce進行計算的。  
                 
Kylin的構建正是以這套理論為基礎，而且在對大規模數據進行處理時充分發揮了Hadoop生態系統的強大能力:

1. 從Hive當中讀取數據（這些數據被保存在HDFS之上）  
2. 運行Map Reduce任務以實現預計算  
3. 將cuba數據保存在HBase當中  
4. 利用Zookeeper進行任務協調 

架構
以下圖表所示為Kylin的高層架構。  
                    

以上圖表勾勒出Cube構建引擎（Cube Build Engine）是如何以離線處理方式將關系型數據轉化成鍵-值型數據的。其中的黃線部分還表現出在線分析數據的處理流程。數據請求可以利用基于SQL的工具由SQL提交而產生，或者利用第三方應用程序通過Kylin的RESTful服務來實現。RESTful服務會調用Query Engine，后者則檢測對應的目標數據集是否真實存在。如果確實存在，該引擎會直接訪問目標數據并以次秒級延遲返回結果。如果目標數據集并不存在，該引擎則會根據設計將無匹配數據集的查詢路由至Hadoop上的SQL處、即交由Hive等Hadoop集群負責處理。 

以下為關于Kylin平臺內所有組件的詳細描述。 
 
?元數據管理工具（Metadata Manager）: Kylin是一款元數據驅動型應用程序。元數據管理工具是一大關鍵性組件，用于對保存在Kylin當中的所有元數據進行管理，其中包括最為重要的cube元數據。其它全部組件的正常運作都需以元數據管理工具為基礎。  
?任務引擎（Job Engine）: 這套引擎的設計目的在于處理所有離線任務，其中包括shell腳本、Java API以及Map Reduce任務等等。任務引擎對Kylin當中的全部任務加以管理與協調，從而確保每一項任務都能得到切實執行并解決其間出現的故障。  
?存儲引擎（Storage Engine）: 這套引擎負責管理底層存儲——特別是cuboid，其以鍵-值對的形式進行保存。存儲引擎使用的是HBase——這是目前Hadoop生態系統當中最理想的鍵-值系統使用方案。Kylin還能夠通過擴展實現對其它鍵-值系統的支持，例如Redis。  
?REST Server:  REST Server是一套面向應用程序開發的入口點，旨在實現針對Kylin平臺的應用開發工作。 此類應用程序可以提供查詢、獲取結果、觸發cube構建任務、獲取元數據以及獲取用戶權限等等。  
?ODBC驅動程序:為了支持第三方工具與應用程序——例如Tableau——我們構建起了一套ODBC驅動程序并對其進行了開源。我們的目標是讓用戶能夠更為順暢地采用這套Kylin平臺。  
?查詢引擎（Query Engine）:當cube準備就緒后，查詢引擎就能夠獲取并解析用戶查詢。它隨后會與系統中的其它組件進行交互，從而向用戶返回對應的結果。  
在Kylin當中，我們使用一套名為Apache Calcite的開源動態數據管理框架對代碼內的SQL以及其它插入內容進行解析。Calcite架構如下圖所示。（Calcite最初被命名為Optiq，由Julian Hyde所編寫，但如今已經成為Apache孵化器項目之一。） 

Kylin在eBay公司中的應用

在對Kylin進行開源化處理的同時，我們已經在eBay公司的多個業務部門當中將其應用于生產實踐。其中規模最大的用例就是對由120多億條源記錄所生成的超過14TB cube數據進行分析。90%的查詢請求都能在5秒鐘之內獲取到返回結果?，F在，我們擁有更多面向分析師以及業務用戶的用例，他們能夠訪問這些分析機制并輕松通過Tableau儀表板獲取相關結果——而不再需要借助Hive查詢或者shell命令等復雜機制。 

下一步發展規劃

?  在高基數維度上支持TopN算法（即對大量對象進行排序并從中選取前N位結果）:目前的MOLAP技術在高基數維度上進行查詢時的表現尚算不上完美——例如對單一列中的數百萬個不同值進行TopN運算。 

與各類搜索引擎類似（正如眾多研究人員所指出），倒排索引是此類預構建結果的理想匹配機制。  
?  支持混合OLAP(簡稱HOLAP):MOLAP在歷史數據查詢領域擁有出色的實際表現，但由于越來越多數據需要以實時方式加以處理，因此我們需要盡快將實時/近實時處理結果與歷史結果結合起來、以作為業務決策中的參考信息。很多內存內技術方案已經能夠以關系型OLAP（簡稱ROLAP）的方式滿足上述需求。而Kylin的下一代版本將成為混合OLAP（簡稱HOLAP），即結合MOLAP與ROLAP雙方的優勢以帶來單一一套面向前端查詢的入口點方案。