|
被誉为最火的流式处理框架，弥补了Hadoop的众多缺点，Storm经常用于在实时分析、在线机器学习、持续计算、分布式远程调用和ETL等领域。本文介绍的是基于Storm的Nginx log实时监控系统。
Hadoop的缺点也和它的优点同样鲜明——延迟大，响应缓慢，运维复杂。被人广受诟病，但是 有需求就有创造，在Hadoop基本奠定了大数据霸主地位的时候，很多的开源项目都是以弥补Hadoop的实时性为目标而被创造出来，Storm正是在这个时候横空出世，Storm是一个免费开源、分布式、高容错的实时计算系统。Storm令持续不断的流计算变得容易，弥补了Hadoop批处理所不能满足的实时要求。
以下为原文：
背景
UAE（UC App Engine）是一个UC内部的PaaS平台，总体架构有点类似CloudFoundry，包括：
- 快速部署：支持Node.js、Play!、PHP等框架
- 信息透明：运维过程、系统状态、业务状况
- 灰度试错：IP灰度、地域灰度
- 基础服务：key-value存储、MySQL高可用、图片平台等
这里它不是主角，不作详细介绍。
有数百个Web应用运行在UAE上，所有的请求都会经过UAE的路由，每天的Nginx access log大小是TB级，如何实时监控每个业务的访问趋势、广告数据、页面耗时、访问质量、自定义报表和异常报警？
Hadoop可以满足统计需求，但秒级的实时性不能满足；用Spark Streaming又有些大材小用，同时我们也没有Spark的工程经验；自写分布式程序调度比较麻烦并且要考虑扩展、消息流动；
最后我们的技术选型定为Storm：相对轻量、灵活、消息传递方便、扩展灵活。
另外，而由于UC的各地集群比较多，跨集群日志传输也会是其中一个比较大的问题。
技术准备
基数计数（Cardinality Counting）
在大数据分布式计算的时候，PV（Page View）可以很方便相加合并，但UV（Unique Visitor）不能。
分布式计算的情况下，几百个业务、数十万URL同时统计UV，如果还要分时段统计(每分钟/每5分钟合并/每小时合并/每天合并)，内存的消耗是不可接受的。
这个时候，概率的力量就体现了出来。我们在Probabilistic Data Structures for Web Analytics and Data Mining可以看到，精确的哈希表统计UV和基数计数的内存比较，并不是一个数量级的。基数计数可以让你实现UV的合并，内存消耗极小，并且误差完全在可接受范围内。
可以先了解LogLog Counting，理解均匀哈希方法的前提下，粗糙估计的来由即可，后面的公式推导可以跳过。
具体算法是Adaptive Counting，使用的计算库是stream-2.7.0.jar。
实时日志传输
实时计算必须依赖于秒级的实时日志传输，附加的好处是可以避免阶段性传输引起的网络拥堵。
实时日志传输是UAE已有的轻量级的日志传输工具，成熟稳定，直接拿来用了，包括客户端（mca）和服务器端（mcs）。
客户端监听各个集群的日志文件的变化，传输到指定的Storm集群的各台机器上，存储为普通日志文件。
我们调整了传输策略，使得每台Storm机器上的日志文件大小大致相同，所以Spout只读取本机数据即可。
数据源队列
我们并没有用Storm常用的队列，如Kafka、MetaQ等，主要是太重了…
fqueue是一个轻量的memcached协议队列，把普通的日志文件转为memcached的服务，这样Storm的Spout就可以直接以memcached协议逐条读取。
这个数据源比较简单，它不支持重新发射（replay），一条记录被取出之后就不复存在，如果某个tuple处理失败或超时，则数据丢失。
它比较轻量，基于本地文件读取，做了一层薄的缓存，并不是一个纯内存的队列，它的性能瓶颈在于磁盘IO，每秒吞吐量跟磁盘读取速度是一致的。但对于我们这个系统已经足够，后续有计划改成纯内存队列。
架构
通过上面的技术储备，我们可以在用户访问几秒后就能获取到用户的日志。
整体架构也比较简单，之所以有两种计算bolt，是基于计算的均匀分布考虑。业务的量相差极大，如果仅按业务ID去进行fieldsGrouping，计算资源也会不均衡。
- spout将每条原始日志标准化，按照URL分组（fieldsGrouping，为保持每台服务器计算量的均匀），派发到对应的stat_bolt上；
- stat_bolt是主要的计算Bolt，将每个业务的URL梳理并计算，如PV、UV、总响应时间、后端响应时间、HTTP状态码统计、URL排序、流量统计等；
- merge_bolt将每个业务的数据合并，如PV数，UV数等。当然，这里的UV合并就用到了前面提到的基数计数；
- 自写了一个简单的Coordinator协调类，streamId标记为”coordinator”，作用：时间协调（切分batch）、检查任务完成度、超时处理。原理跟Storm自带的Transactional Topolgoy类似。
- 实现一个Scheduler通过API获取参数，动态调整Spout、Bolt在各服务器的分布，以便灵活分配服务器资源。
- 支持平滑升级Topology：当一个Topology升级的时候，新Topology和旧Topology讲同时运行，协调切换时间，当新的Topology接管了fqueue之后，过河拆桥，杀死旧的Topology。
注意点：
- Storm机器尽量部署在同一个机柜内，不影响集群内的带宽；
- 我们的Nginx日志是按小时切分的，如果切分的时间不准确，在00分的时候，就可以看到明显的数据波动，所以，尽量使用Nginx module去切日志，用crontab发信号切会有延迟。切日志这种10秒级的延迟，在大尺度的统计上没有问题，秒级的统计时波动却很明显；
- 堆太小会导致woker被强制杀死，所以要配置好-Xmx参数；
自定义项
- 静态资源：静态资源过滤选项，通过Content-Type或后缀筛选特定的静态资源。
- 资源合并：URL合并，比如RESTful的资源，合并后方便展示；
- 维度与指标：通过ANTLR v3做语法、词法分析，完成自定义维度和指标，并且后续的报警也支持自定义表达式。
其他
我们还用其他方式实现了：
- 业务的进程级（CPU/MEM/端口）监控
- 业务依赖的服务，如MySQL/memcached等的监控
- 服务器的磁盘/内存/IO/内核参数/语言环境/环境变量/编译环境等监控
|
