Uber是一家科技公司，在2010年初推出了让司机与乘客便捷沟通的应用软件，从而改变了出租车市场。为了支持业务，Uber 积极利用数据分析和机器学习模型辅助运营。从Uber 乘车的动态定价到外卖软件 Uber Eats 的“餐厅经理（Restaurant Manager）”仪表板，都使用实时数据进行高效操作。在本文中，请跟随笔者一起了解 Uber 如何管理其支持实时应用程序的基础架构。
注：本文是笔者阅读论文 Real-time Data Infrastructure at Uber 后的笔记。
一、背景
Uber的业务具有高度实时性。数据不断从多个来源收集：司机、乘客、餐馆、食客或后端服务。Uber处理这些数据以提取有价值的信息，以便为许多用例做出实时决策，如客户激励、欺诈检测和机器学习模型预测。实时数据处理在Uber的业务中扮演着至关重要的角色。该公司使用开源解决方案和内部改进来构建实时基础架构。
宏观来看，Uber的实时数据处理包括三个广泛领域：
1. 消息平台：允许生产者和订阅者之间的通信。
2. 流处理：允许将处理逻辑应用于消息流。
3. 在线分析处理（OLAP）：能够在近乎实时的情况下对所有数据进行分析查询。
每个领域都面临着三个基本的扩展挑战：
数据扩展：实时数据输入总量呈指数级增长。此外，为了实现高可用性，Uber的基础架构位于多个地理区域，这意味着系统在处理数据量增加的同时，还保持数据新鲜度、端到端延迟和可用性服务水平协议（SLA）。
用例扩展：随着Uber业务的增长，新的用例出现，不同组织部分之间的需求各不相同。
用户扩展：与实时数据系统交互的不同用户具有不同的技术技能水平，包括没有工程背景的业务用户、需要开发复杂实时数据管道的高级用户。
二、对基础架构的要求
Uber的实时基础架构需要以下要点：
1. 一致性：关键应用程序需要在所有区域中的数据具备一致性。
2. 可用性：基础架构必须具有高度可用性，保证99.99%的服务水平。
3. 新鲜度：大多数用例要求数据具有秒级新鲜度。这确保了对特定事件（如安全事件）做出响应的能力。
4. 延迟：一些用例需要在原始数据上执行查询，并要求查询的p99延迟低于 1秒。
5. 可扩展性：系统能够随着不断增长的数据量进行扩展。
6. 成本：Uber需要低成本的数据处理和服务，用以确保高运营效率。
7. 灵活性：Uber必须提供程序化和声明式接口，以表达计算逻辑，服务于不同类别的用户。
三、构建模块
在这一部分，我们来审视一下Uber基础架构的主要逻辑构建模块：
存储：该层为其他层提供对象或bolb存储，并保证写后读的一致性。它用于长期存储，应该针对高写入率进行优化。Uber还使用这一层，进行数据回填或引导到流或OLAP表。
流：它充当发布-订阅接口，应该针对低延迟的读写进行优化。它需要对数据进行分区，并保证至少一次的语义（译者注：at least once，系统保证消息被接收，但不能保证只接收一次）。
计算：该层在流和存储层上提供计算。该层还要求在源和接收器之间保证至少一次的语义。
OLAP：这一层针对来自流或存储的数据，提供有限的SQL能力；针对服务分析查询进行优化。从不同来源获取数据时，需要保证至少一次语义。某些用例需要基于主键精确地一次获取数据（exactly once）。
SQL：是计算和OLAP层之上的查询层。它将SQL语句编译成可以应用于流或存储的计算函数。当与OLAP层配合使用，将增强OLAP层的SQL限制能力。
API：高层的应用程序访问流或计算函数的编程方式。
元数据：管理所有层的所有元数据的简单接口。这一层需要元数据版本控制和跨版本的向后兼容性。
四、开源解决方案
接下来的部分将介绍Uber采用的开源系统，对应于相应的构建模块。
Apache Kafka：流存储
Apache Kafka是业界广泛采用的流行开源事件流系统，最初由LinkedIn开发，随后在2011年初开源。除性能外，Kafka被采用的其他因素还包括简单性、生态系统成熟度和开源社区。
Uber拥有最大的Apache Kafka部署之一：每天数万亿条消息和PB级的数据。
Kafka在Uber支持许多工作流程：传播来自乘客和司机应用的事件数据，支持流分析平台，或者将数据库变更日志传递给下游订阅者。
由于Uber独特的规模特性，他们对Kafka进行了以下增强：
1）集群联邦：逻辑集群
Uber开发了一个联邦化的Kafka集群设置，对生产者和消费者隐藏了集群细节：
他们向用户展示了“逻辑Kafka集群”。用户不需要知道主题位于哪个集群中。
专用服务器会集中管理所有集群和主题的元数据，并将客户端的请求路由到物理集群。
此外，集群联邦有助于提高可扩展性。当一个集群被充分利用时，Kafka服务可以通过添加更多的集群进行水平扩展。新的主题可以在新集群中无缝创建。
集群联邦还简化了主题管理。由于应用程序和客户端众多，将一个活动主题迁移到Kafka集群之间需要大量工作。在大多数情况下，这个过程需要手动配置，将流量路由到新集群，从而导致消费者重新启动。集群联邦有助于在不重启应用程序的情况下，将流量重定向到另一个物理集群。
2）死信队列：失败消息的队列
在某些情况下，下游系统无法处理消息（如消息损坏）。最初，有两种方法可以处理这种情况：
Kafka丢弃这些消息。
系统无限期地重试，这会阻塞后续消息的处理。
然而，Uber有许多场景，既不要求数据丢失，也不要求阻塞处理。为了解决这类用例，Uber在Kafka的基础上构建了死信队列（DLQ）策略：如果消费者在重试后无法处理消息，它将把该消息发布到DLQ。这样，未处理的消息将被单独处理，不会影响到其他消息。
3）消费者代理：中间层
随着数以万计的运行Kafka的应用程序，Uber在调试它们和升级客户端库方面都面临挑战。用户还在企业内部，使用多种编程语言与Kafka交互，这使得提供多语言支持变得十分吃力。
Uber构建了一个消费者代理层来应对这些挑战；代理从Kafka读取消息，并将其路由到gRPC服务端点。它处理消费者库的复杂性，应用程序只需采用一个薄型的gRPC客户端。当下游服务无法接收或处理某些消息时，代理可以重试路由，并在多次重试失败后将消息发送到DLQ。代理还能将Kafka中的发送机制，从消息轮询改为基于推送的消息分派。这提高了消费吞吐量，并允许更多的并发应用程序处理机会。
4）跨集群复制：集群间高效复制主题
由于业务规模庞大，Uber在不同的数据中心使用多个Kafka集群。在这种部署中，Uber需要Kafka的跨集群数据复制，原因有二：
用户需要一个全局数据视图来处理各种用例。例如，为了计算行程指标，他们必须整合和分析所有数据中心的数据。
Uber复制Kafka部署以实现故障情况下的冗余。
Uber构建并开源了一个名为uReplicator的可靠解决方案，用于Kafka复制。复制器采用重新平衡算法，在重新平衡的过程中尽可能减少受影响主题分区的数量。此外，它还可以在流量突发时将负载重新分配给备用工作器。
笔者稍微研究了以下 uReplicator 的高层架构，发现了以下内容：
Uber 使用 Apache Helix 进行 uReplicator 集群管理。
Helix 控制器负责向工作器分配主题分区，处理主题/分区的添加/删除，检测节点故障，以及重新分配这些特定的主题分区。
收到主题/分区复制的请求后，Helix 控制器会向 Zookeeper 服务更新主题/分区与当映射发生变化时，工作者中的 Helix 代理会收到通知。
工作器中的 DynamicKafkaConsumer 实例将执行复制任务。
Uber 还开发并开源了另一个名为 Chaperone 的服务，以跨集群复制不会造成数据丢失。它收集关键统计数据，如每个复制阶段的唯一消息数量。然后，Chaperone 比较统计数据，并出现不匹配时生成警报。
Apache Flink：流处理
Uber 使用 Apache Flink 构建了流处理平台，处理来自 Kafka 的所有实时数据。Flink 提供了一个具有高吞吐量和低延迟的分布式流处理框架。Uber 采用 Apache Flink 有以下原因：
其鲁棒性支持大量工作负载，具有原生状态管理和故障恢复的检查点功能。
易于扩展，并且可以有效处理反压。
拥有一个庞大且活跃的开源社区。
Uber 对 Apache Flink 做出了以下贡献和改进：
1）Flink SQL：使用SQL构建流式分析应用程序
Uber 在 Flink 的顶层设计了一个名为 Flink SQL 的层，它可以将 Apache Calcite SQL 输入转换为 Flink 作业。处理器将查询编译为分布式 Flink 应用程序，并管理其整个生命周期，让用户专注于处理逻辑。在幕后，系统将 SQL 输入转换为逻辑计划，然后通过优化器形成物理计划。最后，该计划使用 Flink API 将计划转换为 Flink 作业。
然而，向用户隐藏复杂性，会增加基础架构团队管理生产作业的运营开销。Uber不得不应对这些挑战：
资源估算和自动缩放：Uber 使用分析找到常见作业类型与资源需求之间的关联，同时持续监控工作负载，以实现更好的集群利用率，并按需执行自动缩放。
作业监控和自动故障恢复：由于用户不知道幕后的运作规则，平台必须自动处理Flink作业故障。为此，Uber 构建了一个基于规则的引擎。该组件比较作业的指标，然后采取相应的行动，例如重新启动作业。
注：Flink SQL 是一个具有无限制输入和输出的流处理引擎，它的语义不同于批处理 SQL 系统，如 Presto（稍后将讨论）。
2）用于部署、管理和运行的统一架构
Uber的Flink统一平台实现了分层架构，以提高可扩展性和可扩展性。
平台层组织业务逻辑并与其他平台集成，如机器学习或工作流管理。该层将业务逻辑转换为标准的 Flink 作业定义，并将其传递给下一层。
作业管理层处理 Flink 作业的生命周期：验证、部署、监控和故障恢复。它存储作业信息：状态检查点和元数据。该层还充当代理，根据作业信息将作业路由到物理集群。该层还有一个共享组件，可持续监控作业的健康状况，并自动恢复失败的作业。它为平台层提供了一套API抽象。
底层由计算集群和存储后端组成。它提供了物理资源的抽象，无论它们是在本地还是云基础架构中。例如，存储后端可以使用HDFS、Amazon S3或Google Cloud Storage (GCS)作为Flink作业的检查点。
得益于这些改进，Flink 已成为 Uber 的中央处理平台，负责处理成千上万的作业。现在，让我们继续讨论OLAP构建模块的下一个开源系统：Apache Pinot。
Apache Pinot：OLAP系统
Apache Pinot 是一个开源的分布式 OLAP 系统，用于执行低延迟的分析查询。它在LinkedIn 创建，“因为工程人员认为没有现成的解决方案满足该社交网站的要求”之后。Pinot 具有 lambda 架构，可呈现在线（实时）和离线（历史）数据之间的统一视图。
自从 Uber 引入 Pinot 以来的两年时间里，其数据足迹从几GB增长到数百TB。随着时间推移，查询工作负载从每秒几百个QPS（Queries-per-second，每秒查询数）增加到数万个QPS。
Pinot 支持多种索引技术来回答低延迟的 OLAP 查询，例如倒排索引、范围索引或星树索引。Pinot 采用分散-收集-合并方法，以分布式方式查询大型表。它按时间边界划分数据，并将数据分组，同时并行执行查询计划。以下是 Uber 决定使用Pinot 作为其 OLAP 解决方案的原因：
在2018年，可供选择的方案有 Elasticsearch 和 Apache Druid，但他们在接下来的评估中发现，Pinot 的内存和磁盘占用更小，而且支持明显更低的查询延迟 SLA。
对于ElasticSearch：在向 Elasticsearch 和 Pinot 输入相同数量数据的情况下，Elasticsearch的内存使用量是Pinot的4倍，磁盘使用量是Pinot的8倍。此外，Elasticsearch的查询延迟比Pinot高2到4倍，使用组合过滤器、聚合和分组/排序查询进行基准测试。
对于Apache Druid：Pinot在架构上与Apache Druid类似，但采用了优化的数据结构，例如位压缩前向索引，以降低数据占用。它还使用专门的索引以加快查询执行速度，例如星树索引、排序和范围索引，这可能导致查询延迟的差异达到一个数量级。
五、用例
在Uber，用户利用Pinot处理许多实时分析用例。这些用例的主要要求是数据新鲜度和查询延迟。为满足Uber的独特要求，工程师们为Apache Pinot提供了以下功能：
Upsert（更新插入）
Upsert操作结合了插入和更新操作。它允许用户更新现有记录，并在数据库中不存在记录的情况下插入新记录。Upsert是许多用例的常见需求，例如更正车费或更新交付状态。
Upsert操作的主要挑战是找到所需记录的位置。为了克服这一点，Uber使用主键将输入流分成多个分区，并将每个分区分发给节点进行处理。这意味着同一个节点将处理具有相同主键的所有记录。Uber还开发了一种路由策略，将同一分区段上的子查询路由到同一节点。
全面的 SQL 支持
Pinot最初缺乏重要的SQL特性，如子查询和连接。Uber已将Pinot与Presto集成，以便在Pinot之上启用标准的PrestoSQL查询。
与数据生态系统的其余部分集成
Uber投入了大量精力将Pinot与数据生态系统的其余部分集成，以确保良好的用户体验。
例如，Pinot与Uber的模式服务集成，可从输入Kafka主题推断模式并估计数据的基数。Pinot 还集成了 Flink SQL 作为数据汇，这样客户就可以建立 SQL 转换查询，并将输出信息推送到 Pinot。
1）HDFS：档案存储
Uber使用HDFS存储长期数据，来自 Kafka 的 Avro 格式数据大多以原始日志的形式存储在 HDFS 中。压缩过程将日志合并成Parquet格式，然后可通过 Hive、Presto 或 Spark 等处理引擎使用。该数据集是所有分析目的的真实来源。Uber 还将此存储用于 Kafka 和 Pinot 中的数据回填。此外，其他平台也将 HDFS 用于其特定用途。例如：
Apache Flink 使用 HDFS 进行作业检查点。
Apache Pinot 使用 HDFS 进行长期段存档。
2）Presto：交互式查询层
Uber 采用 Presto 作为其交互式查询引擎解决方案。Presto 是 Facebook 开发的开源分布式查询引擎。它采用大规模并行处理（MPP）引擎，在内存中执行所有计算，避免将中间结果写入磁盘，从而实现对大规模数据集的快速分析查询。
Presto 提供了一个带有高性能 I/O 接口的 Connector API，允许连接到多个数据源：Hadoop数据仓库、关系数据库管理系统（RDBMS）或 NoSQL 系统。Uber为Presto构建了一个 Pinot 连接器，以满足实时探索需求。这样，用户就可以在Apache Pinot 上执行标准的 PrestoSQL。
Pinot 连接器需要决定哪些物理计划的部分可以下推到 Pinot 层。由于 API 的限制，该连接器的第一个版本只包括谓词下推。Uber 改进了 Presto 的查询计划器，并扩展了连接器 API，尽可能多地将运算符下推到 Pinot 层。这有助于降低查询延迟，充分利用 Pinot 的索引功能。
在了解 Uber 如何使用开源系统构建实时基础架构后，我们将讨论 Uber 生产中的一些用例，以及他们如何使用这些系统来实现他们的目标。
3）分析应用：激增定价（Surge Pricing）
激增定价用例是 Uber 中的一种动态定价机制，用于平衡可用司机的供应与乘车需求。用例的总体设计：
从 Kafka 获取流数据。
管道在 Flink 中运行基于机器学习的复杂算法，并将结果存储在键值存储中，以便快速查询。
激增定价应用优先考虑数据的新鲜度和可用性，而不是数据的一致性，以满足延迟 SLA 要求，因为延迟到达的消息无助于计算。
这种权衡的结果是，Kafka 集群的配置可以提高吞吐量，但不能保证无损。
4）仪表板：Uber Eats 餐厅经理
Uber Eats 餐厅经理仪表板允许餐厅所有者运行切片查询，以查看 Uber Eats 订单的深入分析，如客户满意度、热门菜单项目和服务质量分析。用例的整体设计：
该用例需要新鲜数据和低查询延迟，但它不需要太多灵活性，因为查询的模式是固定的。
Uber 使用带有 start-tree 索引的 Pinot 来缩短服务时间。
他们利用Flink执行过滤、聚合和滚动等任务，帮助Pinot减少处理时间。
Uber还观察了转换时间（Flink）和查询时间（Pinot）之间的权衡。转换过程会产生优化的索引（在 Pinot 中），并减少需要服务的数据。反过来，这也降低了服务层的查询灵活性，因为系统已经将数据变成了“固定形状”。
5）机器学习：实时预测监控
机器学习在 Uber 中扮演着至关重要的角色，为确保模式的质量，监控模型预测输出的准确性至关重要。用例的总体设计：
由于数据量大、卡数高，该解决方案需要具备可扩展性：数千个已部署的模型，每个模型都有数百个特征。
它利用了 Flink 的水平可扩展性。Uber 部署了一个大型流作业来聚合指标并检测预测异常。
Flink 作业将预聚合创建为 Pinot 表，以提高查询性能。
6）个例探索：Uber Eats 运营自动化
Uber Eats 团队需要在来自快递员、餐厅和食客的实时数据上执行临时分析查询。这些洞察将用于基于规则的自动化框架。该框架特别在 COVID-19 期间帮助运营团队在遵守法规和安全规则的情况下运营业务。用例的总体设计：
底层系统必须具有高可靠性和可扩展性，因为这一决策过程对业务至关重要。
用户在 Pinot 管理的实时数据上使用 Presto 来检索相关指标，然后将其输入自动化框架。
该框架使用 Pinot 聚合过去几分钟内给定地点所需的统计数据，然后相应地为快递员和餐厅生成警报和通知。
Pinot、Presto 和 Flink 随着数据的增长而快速扩展，并在高峰时段稳定运行。
在结束文章之前，我将在以下部分提供Uber的全面活跃策略，它如何管理数据回填，以及从Uber学到的经验教训。
全活（all-active）策略：Uber如何提供业务弹性和连续性
Uber 依靠多地区战略，确保在地理分布广泛的数据中心上运行服务并提供备份。由此，如果一个地区的服务不可用，其他地区的服务仍可正常运行。这种方法的基础是多地区 Kafka 设置，它提供了数据冗余和流量延续。
以下是动态定价应用的active-active设置示例：
所有行程事件都发送到Kafka区域集群，然后路由到聚合集群，获得全局视图。
Flink任务将计算每个区域（region）中不同领域（area）的定价。
每个区域都有一个更新服务实例，全活协调服务将其中一个标记为主实例（primary）。
为方便快速查询，主区域的更新服务将定价结果存储在全活数据库中。
当主区域发生故障时，全活服务将另一个区域分配为主区域，计算将转移到另一个区域。
Flink作业的计算状态太大，无法在区域之间同步复制，因此必须独立计算。
→ 由于 Uber 需要管理每个区域的冗余管道，因此这种方法需要大量计算。
数据回填
出于多种原因，Uber 需要重新处理旧的数据流：
新数据管道通常需要针对现有数据进行测试。
机器学习模型必须用几个月的数据进行训练。
流处理管道中的变更或错误需要重新处理旧数据。
Uber 使用 Flink 构建了流处理回填解决方案，它有两种运行模式：
基于 SQL： 这种模式允许用户在实时数据集（Kafka）和离线数据集（Hive）上执行相同的 SQL 查询。
基于 API： Kappa+ 架构允许在批量数据上直接重用流处理逻辑。
Uber的经验教训
1.采用开源
Uber 在开源组件上构建了大部分实时分析堆栈，这些开源组件为 Uber 奠定了坚实的基础。不过，也遇到了一些挑战：
根据实践经验，大多数开源技术都是为特定目的而构建的。
Uber必须做大量工作，调整开源解决方案以适用于广泛的用例和编程语言。
2.系统快速开发和演变
对于 Uber 这样的大公司来说，在架构演变过程中通常会遇到多种驱动因素，例如新的业务需求或行业趋势。因此，Uber 认识到了实现快速软件开发的重要性，以便每个系统都能快速发展：
接口标准化对于清晰的服务边界至关重要。Uber利用Monorepo在单个代码库中管理所有项目。
Uber始终倾向于使用瘦客户机（thin clients），以减少客户端升级的频率。在引入瘦Kafka客户端之前，升级Kafka客户端需要几个月的时间。
采用语言整合策略，减少与系统通信的方式数量。Uber只支持Java和Golang编程语言，使用PrestoSQL作为声明性SQL语言。
平台团队将所有基础架构组件与Uber专有的CI/CD框架集成，以在临时环境中持续测试和部署开源软件更新或功能开发，这也最大限度减少了生产环境中的问题和错误。
3.易于操作和监控
操作：Uber投资了声明式框架来管理系统部署。用户定义了诸如集群启动/关闭、资源重新分配或流量重新平衡等操作的高级意图后，框架将自动处理这些指令，无需工程师干预。
监控：Uber使用Kafka、Flink或Pinot为每个特定用例构建了实时自动化仪表板和警报。
4.易于用户入门和调试
Uber努力解决用户规模扩展带来的挑战，主要改进了以下几个方面：
数据发现：Uber的集中式元数据存储库充当Kafka、Pinot和Hive等跨系统模式的真实来源，使用户能够方便地搜索所需的数据集。该系统还记录了这些组件中数据流的数据沿袭。
数据审计：应用程序的事件从端到端进行审计。Kafka客户端为个别事件附加额外的元数据，例如唯一标识符、应用程序时间戳、服务名称和层级。系统使用这些元数据跟踪数据生态系统每个阶段的数据丢失和重复，帮助用户有效检测数据问题。
无缝上线：系统为生产环境中部署的相应服务自动提供应用程序日志的Kafka主题。用户还可以使用拖放式UI创建Flink和Pinot管道，由此减少了基础架构配置的复杂性。
结语
Uber的论文包含了有关实时基础架构、系统设计以及公司如何改进和调整开源解决方案（如Kafka、Pinot或Presto）以满足其独特扩展要求的宝贵经验。
作者丨Vu Trinh 编译丨onehunnit
来源丨blog.det.life/how-does-uber-build-real-time-infrastructure-to-handle-petabytes-of-data-every-day-ddf5fe9b5d2c
