本篇文章内容来自2016年TOP100summitTwitter technical lead for Heron Maosong Fu的案例分享。

编辑：Cynthia

Maosong Fu：TechnicalLead for Heron at Twitter

导读：人们需要处理的数据规模和对结果的响应速度需求增长得越来越快，但摩尔定律逐渐失效，系统设计者再也无法简单地通过硬件升级来获得巨大的性能提升。这时，我们希望可以把过去的单机任务分割给许多计算机进行并行处理。我们需要分布式系统，从资源的分布式管理、分布式消息分发、分布式计算到分布式存储等等。而大规模实时计算，出于低时延、高吞吐、计算准确的考虑，日益变成了一个愈发值得关注的问题。为此，Twitter开发了新一代实时计算平台Heron，来针对性解决这些问题。

一、问题的提出

大规模运行实时计算任务，首要的问题是：如何降低开发实时计算任务的门槛，使得开发可以实时处理海量数据的程序，像开发单线程程序那么简单。此前，我们使用自主研发的分布式实时计算框架Storm（于2011年开源并且成为业界最流行的实时计算框架），很好地解决了这个问题。

但随着Twitter的数据规模不断提高，我们遇到了新的需求和挑战，包括：每分钟数十亿的事件；大规模处理具有次秒级延迟和可预见的行为；在故障情况下，具有很高的数据准确性；具有很好的弹性，可以应对临时流量峰值和管道阻塞；易于调试；易于在共享基础设施中部署。

如何低时延、高吞吐，并且满足上述需求地处理这些海量数据是一个重大的挑战。

为此，我们考虑过以下方案：

●改进Storm

●使用业界流行的开源或者商业方案

●重新根据需求设计实现一个实时计算框架

这三个方案的成本是依次上升的，所以我们的尝试也是从前往后的。

首先我们对Storm进行了大量的改进，改进主要针对拓展性和稳定性。成果包括：使得Storm单集群可以容纳之前5倍的机器。但如果要继续改进，需要更改底层的设计和实现，代价很高，不亚于重新设计实现一个实时计算框架。

我们也考察过业界流行的开源方案和商业方案。当时业界最流行的就是Storm。而其他框架并不能很好地满足我们在扩展性、吞吐量和延迟方面的需求。而且，其它系统也不兼容Storm的API，需要重写所有实时计算任务，这样一来，迁移成本会大大增加。业界也没有很好的适合Twitter这种实时流量巨大的商业方案。

最后我们决定，基于之前的经验和当前的需求，重新设计实现一个兼容Storm API的实时计算框架Heron。

二、实践过程

以下是Heron的主要设计目标：

●资源隔离 – 实时计算任务中的每一个节点和计算单元，应该确保能够使用且只使用它们分配的那些资源。这使得Heron在共享的基础设施上也保证资源分配以及资源隔离。

●兼容性 – Heron与Apache Storm的API和数据模型是完全兼容的，降低在两个系统的迁移成本。

●场景保证–Heron支持at-most-once，at-least-once，exactly-once等场景。并且在各种语义下，也可以通过不同的配置实现不同的取舍，如在exactly-once的场景下，可以通过配置选择低开销但恢复时间长、高开销但恢复时间短以及混合模式。

●性能 – 许多Heron的设计选择使得Heron获得了比Storm更高的吞吐量和更低的延迟，同时还提供了增强的可配置性来微调可能的延迟/吞吐量的折中。

●效率 – Heron的构建目标是以最小的资源使用量达到上述所有目标。

●提供新的功能，如反压机制 – 在Heron这类分布式系统中，不能保证所有的系统组件以相同的速度执行。Heron有内置的反压机制来确保拓扑在组件缓慢的情况下可以自适应。

Heron的整体架构如图1和图2。用户可以使用Storm API来实现topologies，并提交给资源调度器。资源调度器将一个topology按照打包算法(Packing Algorithm)分拆成多个容器来运行：其中一个容器运行Topology master，负责管理topology；剩余的每个容器都会运行，一个流管理器(stream manager)负责数据路由、一个指标管理器(metrics manager)用来搜集和报告各种指标；多个 Heron instances（运行user-defined spout/bolt代码）进程；以及其他守护进程。资源调度器会自动根据集群的可用资源来调度各个容器。此外，我们使用Zookeeper来同步Topology的元数据。

图1：Heron架构

图2：拓扑架构

2.1Topology（拓扑）运行时组件

Heron Topology运行时包括以下组件：

– Topology Master

– Stream Manager

– Heron Instance

– Metrics Manager

Topology Master

Topology Master(TM) 管理Topology的整个生命周期，从提交直到最终被杀死。当Heron部署一个Topology时，它启动了一个TM和多个containers。这个TM创建了一个唯一的临时ZooKeeper节点使得其可以被其他容器发现；同时这个节点的唯一性也保证这个拓扑只有这一个TM。这个TM也负责构建Topology的元数据，传递给不同组件。

Stream Manager

Stream Manager(SM) 管理组件间元组的路由。一个拓扑中的每个Heron实例连接到它的本地SM，同时在一个给定的拓扑中所有的SM互相连接形成了一个网络。图3是SM网络的图示：

图3 SM网络图示

除了作为数据流的路由引擎外，SM还负责在需要时在拓扑中实现反压机制。图4是反压的图示：

图4 反压图示

上图中，假定bolt B3(在container A中)所有输入都来自spout S1。B3比其他组件运行更慢。结果是：container A的SM会拒绝来自容器C和D的输入，因为那样会导致那些容器的缓冲溢出，进而导致进程崩溃。

在这种情况下，Heron的反压机制起效。容器A中的SM会向其他所有SM发送一条消息，通知数据源头减小数据流量。如图5。

图5 Heron的反压机制起效

一旦落后的bolt(B3)恢复正常，容器A的SM会通知其他SM，这个Toplogy的流路由就会恢复正常。

Heron Instance

一个Heron Instance(HI)是处理独立spout或bolt任务的进程，支持简单的调试和分析。目前，Heron只支持Java，所以所有HI都是JVM进程，但是未来会改变。

Metrics Manager

每个拓扑运行一个Metrics Manager(MM)，用于收集和导出一个container中所有组件的运行参数指标。然后把这些运行参数指标度量发给Topology Master和或者其他指标收集器，如Scribe， Graphite，等等。

我们也允许用户可以实现自己的指标收集器(Metrics Sink)，使Heron支持其他系统。

2.2Heron特色：

●Off the shelf scheduler

我们对业界流行的资源调度器进行了抽象，使得Heron可以轻松地运行在现有的各种资源调度框架上，如：Mesos、YARN、Docker等等。这样可以利用先有的资源调度框架而不需专门为Heron部署一个集群，大大降低了部署和维护的成本。

●Handling spikes and congestion

Heron 具有反压机制，即在执行时的一个topology中动态地调整数据流，使得当任务上下流处理速度不一致的情况下，仍能够很好地运行，不丢失数据保证分析结果正确性。这在流量峰值和管道堵塞时非常有用。

●Easy debugging

每个任务是进程级隔离的，从而很容易理解行为、性能和文件配置。此外，Heron内置如图6所示的UI，可自动展示相应参数，便于快速和有效地排除故障问题，显示逻辑计划、物理计划和多种实时运行参数指标。

图6：Heron UI

●Compatibility with Storm

Heron提供了完全兼容Storm的特性，无需再为新系统花太多的时间和资源进行调研。另外，不要更改任何代码就可在Heron中运行现有的Storm topologies，实现轻松地迁移。

●Scalability and latency

Heron能够处理大规模的topologies，且满足高吞吐量和低延迟的要求。此外，该系统可以处理大量的topologies。

2.3Heron性能

比较Heron和Storm，样本流是150,000个单词，如图7所示：

图7. Throughput with acks enabled

图8. Latency with acks enabled

如图7所示，Heron和Storm的吞吐量呈现线性增长的趋势。然而在所有的实验中，Heron吞吐量比Storm高10–14倍。同样在端至端延迟方面，如图8所示，两者都在增加，可Heron延迟比Storm低5–15倍。

除此之外，Twitter已经运行topologies的规模大概是数百台的机器，其中许多实现了每秒产生数百万次事件的资源处理，完全没有问题。有了 Heron，众多topologies的每秒集群数据可达到亚秒级延迟。在这些案例中，Heron实现目标的资源消耗能够比Storm更低。

2.4Heron at Twitter

在Twitter，Heron作为主要的流媒体系统，运行数以百万计的开发和生产topologies。由于Heron可高效使用资源，在迁移Twitter所有的topologies后，整体硬件减少了3倍，导致Twitter的基础设置效率有了显著的提升。

TOP100全球软件案例研究峰会已举办六届，甄选全球软件研发优秀案例，每年参会者达2000人次。包含产品、团队、架构、运维、大数据、人工智能等多个技术专场，现场学习谷歌、微软、腾讯、阿里、百度等一线互联网企业的最新研发实践。

更多TOP100案例信息及日程请前往[官网]查阅。4天时间集中分享2017年最值得学习的100个研发案例实践。免费体验票申请入口