一个一站式流式处理云平台解决方案

随着互联网、IT、大数据等技术的爆发式发展，企业系统产生的大量爆发数据。对于保存在数据库中的业务数据，可以通过DBus数据总线+Wormhole流式处理平台的日志方式实时地无侵入同步和落地到任意sink端，提供下游系统分析使用；对于业务系统产生的日志数据，这些包含了业务高低峰、用户轨迹、系统异常/错误信息、调用链等诸多信息，也蕴含着无价的宝藏。一些公司通过埋点等方式和手段，往日志数据里输出他们想要监控和跟踪的信息，以便提供客观的数据支撑，做出更高效、更准确的决策。

DBus-https://github.com/bridata/dbus

Wormhole-https://github.com/edp963/wormhole

在这种背景下，各种各样的日志收集、结构化、分析工具如雨后春笋般出现，业界目前已有不少发展得比较成熟的方案，例如：Logstash、Filebeat、Flume、Fluentd、Chukwa. scribe、Splunk等，更有整合了日志采集、转换分析和展示的ELK集成方案。这些方案各有所长。在结构化日志这个方面，大多采用配置正则表达的方式：用于提取日志中模式比较固定、通用的部分，例如日志时间、日志类型、行号等。对于真正的和业务比较相关的信息，我们权且称之为message部分，原因主要是这部分千变万化，很难有一个特定、通用的模式来一劳永逸地描述及囊括所有情形。然而，这部分内容对于企业来说，比前面相对固定的部分更有价值。

本文就是介绍一种通过简单、可视化、所见即所得即席验证的方式，为用户提供高效、灵活地采集和加工利用数据日志的工具。

常见的日志处理方案

目前业界常见的日志分析代表为ELK：

通过Logstash实时收集和转换数据，保存到Eleaticsearch中，通过Kibana进行展示。
或者通过Filebeat 作为前端抓取数据，Logstash进行数据转换，保存到Eleaticsearch中，通过Kibana进行展示。

结构化日志的原理

DBUS设计的数据日志同步方案如下：

日志抓取端采用业界流行的组件（例如Logstash、Flume、Filebeat等）。一方面便于用户和业界统一标准，方便用户的整合；另一方面也避免无谓的重造轮子。抓取数据称为原始数据日志（raw data log）放进Kafka中，等待处理。
提供可视化界面，配置规则来结构化日志。用户可配置日志来源和目标。同一个日志来源可以输出到多个目标。每一条“日志源-目标”线，中间数据经过的规则处理用户根据自己的需求来自由定义。最终输出的数据是结构化的，即：有schema约束，可以理解为类似数据库中的表。
所谓规则，在DBUS中，即“规则算子”。DBUS设计了丰富易用的过滤、拆分、合并、替换等算子供用户使用。用户对数据的处理可分多个步骤进行，每个步骤的数据处理结果可即时查看、验证；可重复使用不同算子，直到转换、裁剪得到自己需要的数据。
将配置好的规则算子组运用到执行引擎中，对目标日志数据进行预处理，形成结构化数据，输出到Kafka，供下游数据使用方使用。

系统流程图如下所示：

根据配置，我们支持同一条原始日志，能提取为一个表数据，或者可以提取为多个表数据。

每个表是结构化的，满足相同的schema。

每个表是一个规则算子组的合集，可以配置1个到多个规则算子组
每个规则算子组，由一组规则算子组合而成

拿到一条原始数据日志，它最终应该属于哪张表呢？

每条日志需要与规则算子组进行匹配：

符合条件的进入规则算子组的，最终被规则组转换为结构化的表数据。
不符合的尝试下一个规则算子组。
都不符合的，进入unknown_table表。

规则算子

规则算子是对数据进行过滤、加工、转换的基本单元。常见的规则算子如下：

算子之间是独立的，通过组合不同的算子达到更复杂的功能，对算子进行迭代使用最终达到对任意数据进行加工的目的。

我们试图使得算子尽量满足正交性或易用性（虽然正则表达式很强大，但我们仍然开发一些简单算子例如trim算子来完成简单功能，以满足易用性），算子的开发也可以随意扩充，比如可以开发提取JSON节点值或XML节点值的算子。算子的开发也很容易，只要遵循基本接口原则，就可以开发任意自定义算子。

结构化日志的例子

下面以提取heart_beat_status表为例子进行配置说明，整个数据日志结构化过程如下：

使用通用抓取端抓取原始日志

使用Logstash 读取log4j文件作为数据输入源，输出到Kafka中（这里具体配置就不说了，可参考Logstash配置）

这里抓取端不限制，你可以使用Flume、Filebeat，甚至你自己写的端，只要输出到Kafka中就可以。

使用可视化方式进行规则算子的配置

首先配置一个输出表的规则组，查看heartbeat_log_new这个topic中，我们直接实时的可视化操作配置。

1、读取原始数据日志

可以看到由Logstash 预先提取已经包含了log4j的基本信息，例如path、@timestamp、level等。但是数据日志的详细信息在字段log中。由于不同的数据日志输出是不一样的，因此可以看到log列数据是同的。

（需要指出的是：使用logstash预先提取其它列是可选的，其实对于Flume这样直接抓取到的就是raw data log，这对我们后面的提取没有影响）

2、提取感兴趣列

例如我们提取timestamp、log 原始信息等，可以添加一个toindex算子，提取感兴趣的字段，如下：

这里需要指出，我们考虑使用数组下标方式，是有原因的：

并不是所有列天生就有列名（例如flume抽取的原始数据，或者split算子处理后的数据列）；
下表方式对可以使用数组方式指定列（类似python方式，例如：1:3 表示1，2，3列）；

因此后续操作全部基于数组下标方式访问。

特别说明一下：如下？号所在的地方，鼠标移上去就会显示一个在线帮助，告诉你这个算子怎么使用，每个算子怎么用不需要记。

执行一下，就可以看到被提取后的字段情况：

3、过滤不相关数据

在这个例子中，我们只对插入心跳包的数据感兴趣。因此添加一个filter算子，对第2列进行过滤”插入心跳包”：

执行后，不符合条件的日志行就被过滤了。

4、以切分方式进行提取

添加一个split算子，我们对“数据源”，“插入心跳包”，还有后面的“node”进行切分。

可以看到切分后，原来的第1列变新的1，2，3，4，5列了。

特别需要说明的是：提取的方式非常多，Split只是一种常见方式。我们可以substring提取，replace掉不需要的数据等，我们还也可以配置正则表示式提取。我们不积极推荐用正则表示的原因是正则表达式很容易写错，并不是最简单可视化的选择。

5、以trim方式出来数据

我们想提取4列的值，使用trim算子进行过滤掉不需要的数据。

执行后，这样新的5列就拿到干净的值。

6、选择输出列

最后我们把感兴趣的列输出，使用saveAs算子进行输出，指定列名和类型。

执行后，这就是处理好的最终输出数据样本。

查看结构化输出结果

保存上一步配置好的规则组，运用到DBus执行算子引擎，就可以生成相应的结构化数据了。目前根据项目实际，DBus输出的数据是UMS格式。UMS是DBus开源项目（https://github.com/bridata/dbus）定义并使用的，通用的数据交换格式，是标准的JSON。其中同时包含了schema和数据信息。更多UMS介绍请参考DBus开源项目主页的介绍。

输出结果的数据格式和结构，不想使用UMS的，可经过简单的开发，实现定制化。

以下是测试案例，输出的结构化UMS数据的例子：

{

“payload”: [

{

“tuple”: [

“127046516736228867”,

“2017-12-17 13:57:30.000”,

“i”,

“320171788”,

“2017/12/17 13:57:30.877”,

“edpdb”,

“成功”,

“/DBus/HeartBeat/Monitor/edpdb/TEST1/T1000”

]

{

“tuple”: [

“127046516736228869”,

“2017-12-17 13:57:30.000”,

“i”,

“320171790”,

“2017/12/17 13:57:30.946”,

“edpdb”,

“成功”,

“/DBus/HeartBeat/Monitor/edpdb/TEST4/ONEYI”

]

{

“tuple”: [

“127046520930532871”,

“2017-12-17 13:57:31.000”,

“i”,

“320171792”,

“2017/12/17 13:57:31.026”,

“edpdb”,

“成功”,

“/DBus/HeartBeat/Monitor/edpdb/TEST3/USER_REGISTER”

]

}

“protocol”: {

“type”: “data_increment_data”,

“version”: “1.3”

“schema”: {

“batchId”: 0,

“fields”: [

{

“encoded”: false,

“name”: “ums_id_”,

“nullable”: false,

“type”: “long”

{

“encoded”: false,

“name”: “ums_ts_”,

“nullable”: false,

“type”: “datetime”

{

“encoded”: false,

“name”: “ums_op_”,

“nullable”: false,

“type”: “string”

{

“encoded”: false,

“name”: “ums_uid_”,

“nullable”: false,

“type”: “string”

{

“encoded”: false,

“name”: “event_time”,

“nullable”: false,

“type”: “datetime”

{

“encoded”: false,

“name”: “datasource”,

“nullable”: false,

“type”: “string”

{

“encoded”: false,

“name”: “heartbeat_state”,

“nullable”: false,

“type”: “string”

{

“encoded”: false,

“name”: “heartbeat_node”,

“nullable”: false,

“type”: “string”

}

“namespace”: “heartbeat_log.heartbeat_log_schema.heartbeat_table.3.host1.0”

}

查看监控

为了便于掌握数据抽取及规则匹配等情况，我们提供了日志数据提取的可视化实时监控界面，如下图所示，可随时了解：

实时数据条数
错误条数情况（错误条数是指：执行算子时出现错误的情况，帮助发现算子与数据是否匹配，用于修改算子）
数据延时情况

监控中还有一张表叫做__unkown_table__ 表明所有没有被匹配上的数据条数。例如：logstash抓取的日志中有5种不同模式的数据，我们只捕获了其中3种模式，其它没有被匹配上的数据，全部在_unkown_table_计数中。

总结

DBus日志同步方案总结如下：

1、集成整合现有日志抓取工具（Flume、filebeat、logstash等），方便用户接入及整合；

2、DBUS提供了丰富的算子及可视化配置界面，供用户结构化数据日志使用。

通过可视化的，自由地使用各种规则算子对日志进行处理，生成结构化的数据日志；
每个算子配置过程都可以看到原始数据和加工后的数据；
算子可以随意增减，处理顺序可以随意调换，每个步骤的算子相互叠加使用；
用户也可以扩展开发自己需要的算子；
提供源到目标一对多的配置，让用户想怎么玩就怎么玩，从而可从任意多个角度挖掘数据价值；
监控让用户更直观地了解到数据结构化实时转换的情况，一切尽在掌控；

3、将原始数据日志转换为结构化数据，输出到kafka中提供给下游数据使用费进行使用。

最终使得日志业务数据结构化的过程，变得简单、可视化、配置集中化，使得大家都能轻松地玩转日志数据。

本文提到的日志结构化方案计划于2018年1月发布到开源项目DBus 0.4版本中，项目地址https://github.com/bridata/dbus

系统架构和工作原理

DBUS主要分为两个部分：貼源数据采集和多租户数据分发。两个部分之间以Kafka为媒介进行衔接。无多租户资源、数据隔离需求的用户，可以直接消费源端数据采集这一级输出到kafka的数据，无需再配置多租户数据分发。

1 DBUS源端数据采集

DBUS源端数据采集大体来说分为2部分：

读取RDBMS增量日志的方式来实时获取增量数据日志，并支持全量拉取；
基于logtash，flume，filebeat等抓取工具来实时获得数据，以可视化的方式对数据进行结构化输出；

以下为具体实现原理

主要模块如下：

日志抓取模块：从RDBMS的备库中读取增量日志，并实时同步到kafka中；
增量转换模块：将增量数据实时转换为UMS数据，处理schema变更，脱敏等；
全量抽取程序：将全量数据从RDBMS备库拉取并转换为UMS数据；
日志算子处理模块：将来自不同抓取端的日志数据按照算子规则进行结构化处理；
心跳监控模块：对于RDMS类源，定时向源端发送心跳数据，并在末端进行监控，发送预警通知；对于日志类，直接在末端监控预警。
web管理模块：管理所有相关模块。

2 多租户数据分发

对于不同租户对不同源端数据有不同访问权限、脱敏需求的情形，需要引入Router分发模块，将源端貼源数据，根据配置好的权限、用户有权获取的源端表、不同脱敏规则等，分发到分配给租户的Topic。这一级的引入，在DBUS管理系统中，涉及到用户管理、Sink管理、资源分配、脱敏配置等。不同项目消费分配给他的topic。

主要功能：

无侵入方式接入多种数据源：业务系统无需任何修改，以无侵入性读取数据库系统的日志获得增量数据实时变化。目前RDBMS支持mysql，oracle数据源（Oracle数据源请参考Oracle相关协议），日志方面支持基于logstash，flume和filebeat的多种数据日志抽取方案。
海量数据实时传输：使用基于Storm的流式计算框架，秒级延时，整体无单点保证高可用性。
多租户支持： 提供用户管理、资源分配、Topology管理、租户表管理等丰富的功能，可根据需求，为不同租户分配不同的源端表数据访问权限，应用不同的脱敏规则，从而实现多租户资源隔离、差异化数据安全。

感知源端schema变更：当源端发生schema变更时，能自动感知schema变化，调整UMS版本号，并通过Kafka消息和邮件通知下游
数据实时脱敏：可根据需求对指定列数据进行实时脱敏。脱敏策略包括：直接替换、MD5、murmur等脱敏算法，脱敏加盐，正则表达式替换等。支持用户开发jar包实现DBUS未覆盖的个性化脱敏策略。
初始化加载：支持高效的初始化加载和重新加载，支持任意指定输出topic，灵活应对客户需求。
统一标准化消息传输协议：使用统一的UMS(JSON格式)消息schema格式输出便于消费，提供数据线级ums_id保证数据顺序性,输出insert,Update(before/after),Delete event数据。
可靠多路消息订阅分发：使用Kafka存储和传递消息保证可靠性和便捷的多用户订阅
支持分区表/系列表数据汇集：支持分区表的数据汇集到一个“逻辑表” 。也可将用户自定义的系列表数据汇集到一个“逻辑表“。例：
实时监控&预警：可视化监控系统能随时查看各数据线实时流量和延时状况；当数据线发生异常时，根据配置策略自动发邮件或短信通知相关负责人

Wormhole Architecture

设计理念

统一 DAG 高阶分形抽象
- 构建由 Source DataSys，Kafka Topic，Spark Stream（Flink Stream），Sink DataSys 组成的物理 DAG
- 每个物理 DAG 里可以并行处理多个由 Source Namespace，Flow，Sink Namespace 组成的逻辑 DAG
- 每个 Flow 本身是典型的 Spark RDD DAG
统一通用流消息 UMS 协议抽象
- UMS 是 Wormhole 定义的流消息协议规范
- UMS 试图抽象统一所有结构化消息
- UMS 自身携带结构化数据 Schema 信息
- Wh4 支持用户自定义半结构化 JSON 格式
统一数据逻辑表命名空间 Namespace 抽象
- Namespace 唯一定位所有数据存储所有结构化逻辑表
- [Data System].[Instance].[Database].[Table].[Table Version].[Database Partition].[Table Partition]