七牛數據處理架構變遷

據統計，互聯網數據量正以每三年翻一番的速度膨脹，其中，95%以上都是非結構化數據，且這個比例仍在不斷提升。如今，互聯網已全面覆蓋大家生 活的方方面面，每個人的消費行為、娛樂行為和社交行為都將產生海量的圖片、音視頻、網絡日志等非結構化數據。非結構化數據的持續在線及數據種類的多樣對數 據的處理提出了很高的要求。作為國內最專業的數據管理平臺，七牛已覆蓋國內50%以上的互聯網用戶。那么，七牛數據處理架構都經過了哪些演變呢？小編帶你 一探究竟。

七牛云存儲的數據處理主要分為實時處理和異步處理，對于較小的文件（如圖片），一般推薦使用實時處理的方式。

對于實時處理，用戶可簡單通過URL對已有的文件進行實時處理。當用戶將文件上傳到七牛KODO對象存儲平臺，會得到相應的key，可通過URL訪問。例如 http://xxx.com/key ，當需要對該文件進行實時處理時，可以通過 http://xxx.com/key?<fop>/<param1_value>/<param2_name>/<param2_value>/…. 進行處理。具體操作參數可以參考七牛官方文檔。參數過多過長時可以設置樣式，若涉及操作復雜多變可以采用管道技術。

異步請求可以通過Portal、命令行工具、SDK發起請求。一般適合處理較大文件，比如較大的音視頻，這種情況下實時響應的效果并不理想，則 可以采用異步持久化處理方式，返回的結果是處理后的文件在七牛云存儲中的相關元信息（bucket、key等），用戶可以通過設置回調服務器地址，將結果 POST到自己的接收服務器，也可以主動查詢數據處理狀態和結果信息。

上圖描述了簡單的實時處理的基本架構，用戶可以通過七牛云存儲的I/O入口發起請求，判斷出是合法的數據處理請求后，就會將其傳給數據處理調度 服務，通過調度分發給計算處理集群。每個worker處理的流程為參數檢查->下載數據->結合原數據信息對參數進行檢查（若數據的相關信息 不需要download下來就可以獲取，那么可以和前面的步驟對調）->自己編寫算法實現或者調用工具對數據進行處理，比如轉碼、圖像縮略等操作 ->結果返回（異步請求一般會持久化保存，通過對象存儲服務，將結果上傳，得到文件上傳后的相關信息，例如bucket、key等，返回的是文件的 相關信息）。這里可以簡單的把數據處理調度看做負載均衡器，請求根據接口判斷，通過調度指向對應服務，然后將結果原路返回給用戶。

上面的結構簡單清晰，但同時面臨幾個問題：

• 數據處理調度這個服務相對比較重，它不僅僅需要實現負載均衡，還需要對所有處理終端服務進行管理，單臺計算型服務器上可能有多個服務worker（多個圖片處理、音視頻處理服務worker），隨著業務發展，管理的worker數量是非常多的。
• 內部實現緩存機制，使得讀寫緩存的流量全部集中在數據處理調度這個服務。
• 數據的處理離不開原數據，一般我們可以在worker中待前面的步驟順利通過后，調用七牛的對象存儲服務開始下載，那么每個 worker都必須配置對象存儲服務的地址信息，然后才能download原數據，這套地址信息對所有worker都是共用的。前面提到1臺物理機器上可 能有多個服務worker，每個worker自身有不同的屬性參數（最起碼端口號不同），而且可能機器上的服務worker有Image Worker也有Video Worker，共用一套配置顯然不能滿足，若每個worker都將這些普遍共用的信息寫入配置，那么維護起來非常不方便。因此，七牛的數據處理架構有了一 些演變，就有了如下的架構。

首先，將Data Cache獨立出來，理由非常簡單，在很多環節都需要緩存服務，并且根據緩存數據大小、熱度選擇是SSD或者HDD進行緩存，小文件且熱度高適合SSD，大文件且熱度較低適合HDD。

其次，為每臺服務器添加了agent服務。一臺服務器可能有多個worker且可能是不同種的worker，數據處理調度服務只需要知道該請求 的對應worker存在于哪些機器即可，剩下的判斷則交由agent處理。因為整個計算集群的服務器存在性能差異，采用權重輪詢調度，這時某個 worker對應所在的機器一目了然，也不需要對worker整體標記序號，只需要知道某臺服務器有哪些worker。agent可以承擔 download原數據的責任，相當于提取各個worker的一些公共操作都可以都交給Agent，同時，agent分擔了向Data Cache寫入數據的任務。

值得一提的是，對于返回失敗的數據也可以緩存。假如請求量巨大，每天100億條請求，確認是客戶端請求信息不當的錯誤約占5%，那么就有5億錯 誤請求，即使服務迭代升級，也會保持原有接口功能不變。那么，若是同一個文件的同一個錯誤請求，基本上必然重現，這樣的請求實際上就可以被緩存，一來用戶 那邊獲得快速響應，二來減少計算壓力而且減少拖取數據的流量。后來發現這個方案存在一個瑕疵，就是給Data Cache造成的壓力略微變大，且有部分錯誤請求響應并沒有加快，至少為了獲得緩存數據而讀盤會有時間消耗。先前worker的設計是檢查參數是否合法 ->download數據->結合原數據信息檢查參數是否合法。這里我們對錯誤請求做了細化，單獨屏蔽了download數據之前所產生的錯 誤請求，因為這部分響應非常快，本身也沒有多少計算，無需寫入緩存。

最后，通過Discover服務來監控服務情況的變化，所有的agent和worker都需要向Discover上報心跳狀態，Load Balancer會從Discover讀取各個服務狀態、服務相關信息（地址、權重等），同時允許人工通過Discover修改各個服務的狀態。

異步請求的架構，則是在整個實時處理架構前面加上異步隊列服務、異步請求狀態服務等，每個worker的處理結果需要持久化，返回的是結果文件持久化保存后的相關信息。

現在的整個數據處理架構，看上去中規中矩，同時也存在一些弊端，即使做到了可以對單條請求大致消耗資源的預估，經過多次數據回滾壓力測試以及峰 值比對確定一臺服務器應該部署多少個worker，實現較為合理的調度，但機器上的worker數量基本上是固定的，無法跨機器實現彈性的實時調度，服務 器的資源仍然不能充分利用。例如，當實時處理服務的機器在非峰值階段，可以將異步請求的服務worker遷移到該機器上，分擔一部分任務，使得每臺機器的 負載較為均衡；當實時請求到達峰值的時候，可以遷移部分worker到處理公有隊列異步請求的機器（付費的私有隊列用戶不受影響），分擔部分壓力。

因此，七牛后續將會對整個數據處理的架構做一些關于Container的嘗試，希望打破原有的一些束縛，帶來比較好的效果，可以把agent和 worker放在一個Container內部，成為1:1的關系。Container自身具有隔離性，可以依據系統的資源情況選擇這臺機器有多少 Container運行。當某一臺服務器資源已經接近飽和時，就會在下一臺服務器上啟動一個新的Container繼續接收請求。一旦某臺服務器空閑下 來，那么這臺服務器就屬于Container待運行的機器，整個計算服務器集群就是個資源池，worker無需被機器束縛，哪里空閑就啟動在哪里，再也不 用擔心機器資源浪費了。