趨勢大資料平臺架構大公開

不少新興大資料技術接連竄起，3、5年前被視為企業頭號救星的Hadoop，也已經形成更完整的生態系，不再是當年只能做批次資料分析的技術而已，趨勢科技是國內最早採用Hadoop技術的企業之一，其資深軟體工程師葉祐欣在Big Data Conference 2015大會上，分享了趨勢大資料平臺架構（Big Data Stack）與建置經驗，並揭露趨勢為了自行建置Hadoop平臺所用的自動化更新和部署工具Bigtop。

葉祐欣是Apache Bigtop專案的貢獻者與專案管理者（PMC），有Hadoop、HBase、Spark、Kafka、Pig、Spark、Fluentd、Akka及Docker等相關技術與系統的建置經驗。他在趨勢負責建立整個基於Hadoop生態系統的大資料服務產品組合，打造內部的Hadoop版本，並開發一套可部署並管理跨數百臺伺服器的Hadoop叢集系統。

他也曾開發基於Apache HBase的搜尋系統，能在數秒內搜尋數十億的網路流量的紀錄，協助公司資安團隊快速追蹤資安事件。他進一步揭露整個趨勢大資料Stack架構。

趨勢大資料架構大公開

趨勢的自建Hadoop版本稱為Trend Micro Hadoop（TMH），目前這整個大資料堆疊架構（Big Data Stack），由下而上分為部署層、資源管理層、儲存層、運算處理引擎、API介面層，以及最上層由內部開發的應用系統（In-house Apps）。

葉祐欣表示，部署層有兩套自行開發的系統，分別為開發用的Hadoocker和上線用的Hadooppet，並使用YARN做資源管理，儲存與運算處理引擎仍使用Hadoop HDFS及MapReduce，葉祐欣表示，這是因為趨勢的大資料平臺很早期就開始建置，因此還有很多程式碼要支援。

趨勢在API介面層採用Pig套件，並在Pig系統上，自行開發一個能讓應用程式更容易與Pig平臺串接的查詢機制（Ad-hoc Query）和UDF，葉祐欣說，趨勢有自己的檔案格式，因此要讓使用者可以輕易的存取檔案。

另一方面，趨勢採用Oozie做工作管理，並開發Wuji讓使用者更方便使用。並以HBase做即時資料處理，此外，也有些API用Solr Cloud來搜尋，Solr叢集可監控每個系統產生的Log資料，來監看各個Stack上的系統運作紀錄。葉祐欣也強調，他們一直採用Kerberos來強化資安。

其中，上線用的Hadooppet是將Hadoop結合Puppet，目的是支援大資料平臺開發的部署與管理，可以自動化建置環境，配置HDFS、YARN、HA架構，也能自動化配置用於身分驗證的Kerberos，以及統一管理客戶端的使用與操作的LDAP。

此外，Hadooppet也能自動化配置跨領域身分驗證的Kerberos，讓多叢集之間可以使用分散式複製工具Distcp（Distributed Copy）來進行資料的複製與轉移，他解釋，因為每個叢集都有Kerberos，要做Distcp要先讓兩個叢集之間建立一些信任設定。

另一個趨勢在大資料平臺上的重要開發輔助工具是Hadoocker，可用來協助Hadoop App開發者快速開發和測試應用程式，包含大資料的預載映像檔（Big Data Stack Preload Image），把Hadoop環境打包成一個現成的映像檔，用Vagrant開啟Docker容器，只要開啟後就是可以使用的Hadoop環境，讓開發者不用每次都重新花時間為了建置Hadoop環境做設定，可以更專注在自己的應用開發上。

此外，Hadoocker也支援版本升級，能針對新版本先做功能測試，不需做效能測試。

Hadoocker也將需要用到的服務預先打包成映像檔，包括主要的Hadoop Server、Hadoop client和data容器，使用者可以直接開啟一個Hadoop伺服器端環境，用Hadoop客戶端服務來部署自己的App。

另一個好處是，由於服務開發通常有服務本身與環境的依賴性問題，要與環境整合很麻煩，這個Stack可以在本地環境中開啟，拿測試好的服務來用，開發者只需要改自己的應用程式就好，不需要顧慮環境問題或是受阻擋。讓開發者可以在環境中做想做的事情。其他包括Dependency service、Solr等服務也都打包成Docker映像檔。

趨勢的大資料堆疊架構，在部署層為兩套自行開發的系統，分別為開發用的Hadoocker和上線用的Hadooppet，並使用YARN做資源管理，儲存與運算處理引擎仍使用Hadoop HDFS及MapReduce，API介面層採用Pig套件及自行開發一個容易與Pig平臺串接的查詢機制（Ad-hoc Query）和UDF，另外也用Oozie做工作管理，開發讓使用者更方便使用的Wuji。此外，還採用HBase做即時資料處理，也有些API用Solr Cloud來搜尋，並整合Kerberos來強化資安。（圖片來源／趨勢科技）

自建大資料平臺的關鍵：Bigtop自動化部署工具

為了自行建置整個大資料平臺，趨勢採用自動化部署和建置的工具Bigtop。葉祐欣表示，Bigtop能協助將程式碼打包封裝、自動化建置、部署Hadoop環境並進行測試與管理，可解決各框架之間的版本相容問題。透過Bigtop工具更容易建構出一個能涵蓋Hadoop生態圈各類應用套件的大資料分析平臺。

他進一步解釋Bigtop的作用，就如Linux有Ubuntu、Debian、openSUSE、CentOS、Fedora這些發行版本，現在的Hadoop也有Hortonworks、Cloudera、Pivotal、MapR所提供的發行版本，雖然這些版本完全開源，不過企業若要採用，想要自行更新修補程式並非是一件容易的事。

再加上在Hadoop Ecosystem中，又包含了Hadoop、Spark、HBase、Tez、Solr、Hive、Pig、Oozie等多種功能套件，不同套件的更新維護，也造成了非常複雜的版本相容問題。所以，趨勢科技採用了Apache Bigtop這項專案，來協助開發者更容易隨時依自己需求加上修補程式碼或進行更新。

Bigtop用於提供Hadoop的自動化建置流程，並能做到一鍵部署Hadoop叢集環境，Bigtop透過Packaging機制，能自動將Hadoop生態圈中各類套件的修補程式碼，打包封裝成正式環境所需的RPM或DEM安裝檔。

Bigtop還內建了一個自動化測試框架，能自動進行上線前的煙霧測試（Smoke Tests）以及整合性測試（Integration Tests），解決套件更新時的版本相容問題，並確保這些修補程式碼及安裝檔都能順利運行在實際環境中。

進行整合測試之前，Bigtop會透過Provisioner功能來自動建立基礎架構和設定，如自動呼叫Vagrant來建立Virtualbox虛擬機環境，或在Docker Container上安裝Puppet，再用Puppet來管理和部署出一套分散式Hadoop叢集，完成環境建置與部署之後，就能在這些Hadoop叢集環境上進行各種測試。

葉祐欣說，只要下一個指令就可以自動開啟一個測試用的容器。

由於各種作業系統及各元件的不同版本，要準備環境是一件非常複雜的事情，Bigtop也提供了一整套工具鏈，以及Puppet菜單，來協助開發者能自動下載所有需要的函式庫及建置工具。

目前Bigtop支援各種Linux作業系統版本如Ubuntu、Debian、openSUSE、CentOS、Fedora、Redhat，也支援Hadoop生態圈裡的各個套件，包括Hadoop、Spark、HBase、Tez、Solr、Hive、Pig、Oozie等。

葉祐欣表示，使用Bigtop的好處是可以簡單且快速的建置自己的Hadoop版本，並在任何時間加上任何想要的修補程式，選擇想要的元件版本來建置大資料平臺。

外部廠商如Hortonworks、Cloudera，儘管可以提供好的技術與服務支援，不過葉祐欣認為，這樣一來也容易綁定於特定的Hadoop版本，而無法依需求完全自製。

他建議，企業若想靠Bigtop自建Hadoop版本，最好是建立一個Hadoop團隊，有能力自行除錯，也還要具備自行開發修補程式的能力。

趨勢的內部Hadoop版本TMH，就完全使用Bigtop來部署而不需藉助外部廠商支援。葉祐欣說，趨勢依據建置TMH 7遇到的需求，開發了許多Bigtop的新功能，如Provisioner、Puppet菜單、CI基礎架構工具等。

透過Bigtop Provisioner的自動化功能，可進行Bigtop的煙霧測試和整合測試，確保這樣的Stack可行，此外，也不用自己每天重複開叢集、準備資源。

特定任務平臺採用SDACK 5大技術，以Lambda架構將資料分流處理

除TMH之外，趨勢也另外開發一套用來解決特定問題的特定用途大資料分析平臺，來進行如即時的資料串流，在資料傳遞過程同時參照外部資料的，串流資料進來時做風險與惡意活動的偵測，基於串流資料，也做串流資料與歷史資料的關聯性，像是一、兩個小時前的歷史資料，可支援指定任何起始與結束時間，來做該特定時段的批次偵測，最後也支援調查作業（Investigation）可以降到最原始的紀錄層級（Raw log level）。

這個特定任務平臺使用了Fluentd、Kafka、Akka、Cassandra這幾個熱門的大資料套件。先由紀錄檔或串流資料蒐集程式Fluentd來接收資料，並將資料存放在分散式訊息系統Kafka，再用Akka來轉換記錄檔、參照外部資料，分為兩個資料流，把轉換好的紀錄檔同時存到Cassandra及Kafka。

葉祐欣表示，這麼做其實是用同一個叢集開啟不同的Topic，其中Kafka可支援Spark的串流分析，另一邊Cassandra則做批次分析，採用像是Lambda的架構。

他也進一步說明這幾個大資料套件的特色，其中，Kafka是一套分散式訊息系統，可以輕易擴充，特色是能支援多個Consumer。

此外Kafka可以配置每個Partition需要備份的個數，並備份到多臺機器上每個分區都會進行備份，即使單一節點壞掉也可以確保訊息不遺失，也可以設定多個Consumer Group針對同一主題，確保服務不會產生重複訊息。

而Cassandra則是NoSQL分散式資料庫，採用Key-Value資料儲存架構，在Cassandra叢集架構中，每一臺伺服器節點對等獨立，彼此沒有主從關係，且具有複寫機制，因此也沒有單點失效問題（Single Point of Failure，SPOF），不會因為單一臺主機掛掉導致資料庫無法運作。

此外，Cassandra具有非常快的寫入效能，只要算一個分區的Key放到對的節點上就做完了，適合串流資料的處理。

葉祐欣表示，目前Spark Cassandra連結器的發展不錯，可用來整合Cassandra跟Spark，在Spark裡讀寫Cassandra的資料，同時Cassandra的Data Connector也可串流讀取Cassandra的資料。

另外，Akka是一個高效能、併發資料處理的框架，支援Java和Scala，以Actor模式進行訊息驅動的資料處理。每個Actor可以用訊息傳遞的方式來互相傳資料做溝通，都是非同步進行。

在Actor模式中，每個Actor是單一執行緒（Single Thread），Actor裡面存的訊息只供自己更新，不會有多執行緒問題。

Akka也具有容錯能力和自動修復系統，並有階層關係，Actor下面可以有多個Actor，並由上面的Actor監管。此外，還提供了叢集功能，可用多個節點來組成叢集，讓應用程式可以分散在不同的節點上。

葉祐欣將這整個架構稱為SDACK，結合Spark來處理串流與批次資料分析，而然後用Docker做資源管理，葉祐欣表示，因為在特定任務平臺上只有一個App，只要把自己的資源管理好，不需要用到多重管理工具如YARN或Mesos，Akka用來做細緻的資料處理流程，Cassandra用來做批次查詢，Kafka則提供可用的緩衝區。

SMACK大資料架構夯，Bigtop即將釋出新版本

他也說，不同企業採用的技術不同，趨勢現在也正在發展階段，他建議企業可以選擇採用SMACK Stack中的5大資料元件來因應多種不同的資料處理情境，包括Spark、Mesos、Akka、Cassandra及Kafka。

葉祐欣認為，大資料未來發展，很多新興大資料解決方案都專注在記憶體式運算（In Memory）和Fast Data，如Spark，或是更晚出現的Flink、Iginte、Geode等新興套件。

他也預告，Bigtop 1.1版預計在2016年1月釋出，將可支援Hadoop 2.7.1版、有Back-pressure功能的Spark 1.5.1版、支援Spark action的Oozie 4.2。