如何构建面向海量数据、高实时要求的企业级OLAP数据引擎？

在字节跳动各产品线飞速成长的过程中，对数据分析能力也提出了更高的要求，现有的主流数据分析产品都没办法完全满足业务要求。因此，字节跳动在ClickHouse引擎基础上重构了技术架构，实现了云原生环境的部署和运维管理、存储计算分离、多租户管理等能力，推出了云原生数据仓库ByteHouse。

在性能、可扩展性、稳定性、可运维性以及资源利用率方面都实现了巨大提升，能够很好的满足字节跳动数据量极大、实时性要求极高、场景丰富的业务需求。

我们可以从下面几个方面认识ByteHouse：

极致性能

在延续了ClickHouse单表查询强大性能的同时，新增了自研的查询优化器，在多表关联查询和复杂查询场景下性能提升若干倍，实现了在各类型查询中都达到极致性能。

新一代MPP架构，存算分离

使用新式架构，Shared-nothing的计算层和Shared-everything的存储层，可以性能损耗很小的情况下，实现存储层与计算层的分离，独立按需扩缩容。

资源隔离，读写分离

对硬件资源进行灵活切割分配，按需扩缩容。资源有效隔离，读写分开资源管理，任务之间互不影响，杜绝了大查询打满所有资源拖垮集群的现象。

丰富功能

ByteHouse提供客户丰富的企业级能力，如：兼容ANSI-SQL 2011标准、支持多租户、库表资产管理、基于角色的权限管理以及多样的性能诊断工具等。

 

ByteHouse架构设计

ByteHouse整体架构图

云原生数据仓库ByteHouse总体架构图如上图所示，设计目标是实现高扩展性、高性能、高可靠性、高易用性。从下往上，总体上分服务层、计算层和存储层。

服务层

服务层包括了所有与用户交互的内容，包括用户管理、身份验证、查询优化器，事务管理、安全管理、元数据管理，以及运维监控、数据查询等可视化操作功能。

服务层主要包括如下组件：

• 资源管理器

资源管理器（Resource Manager）负责对计算资源进行统一的管理和调度，能够收集各个计算组的性能数据，为查询、写入和后台任务动态分配资源。同时支持计算资源隔离和共享，资源池化和弹性扩缩等功能。资源管理器是提高集群整体利用率的核心组件。

• 服务节点

服务节点（CNCH Server）可以看成是Query执行的master或者是coordinator。每一个计算组有1个或者多个CNCH Server，负责接受用户的query请求，解析query，生成逻辑执行计划，优化执行计划，调度和执行query，并将最终结果返回给用户。计算组是 Bytehouse 中的计算资源集群，可按需进行横向扩展。

服务节点是无状态的，意味着用户可以接入任意一个服务节点（当然如果有需要，也可以隔离开），并且可以水平扩展，意味着平台具备支持高并发查询的能力。

• 元数据服务

元数据服务（Catalog Service）提供对查询相关元数据信息的读写。Metadata主要包括2部分：Table的元数据和Part的元数据。表的元数据信息主要包括表的Schema，partitioning schema，primary key，ordering key。Part的元数据信息记录表所对应的所有data file的元数据，主要包括文件名，文件路径，partition, schema，statistics，数据的索引等信息。

元数据信息会持久化保存在状态存储池里面，为了降低对元数据库的访问压力，对于访问频度高的元数据会进行缓存。

元数据服务自身只负责处理对元数据的请求，自身是无状态的，可以水平扩展。

• 安全管理

权限控制和安全管理，包括入侵检测、用户角色管理、授权管理、访问白名单管理、安全审计等功能。

计算层

通过容器编排平台（如 Kubernetes）来实现计算资源管理，所有计算资源都放在容器中。

计算组是计算资源的组织单位，可以将计算资源按需划分为多个虚拟集群。每个虚拟集群里包含0到多台计算节点，可按照实际资源需求量动态的扩缩容。

计算节点主要承担的是计算任务，这些任务可以是用户的查询，也可以是一些后台任务。用户查询和这些后台任务，可以共享相同的计算节点以提高利用率，也可以使用独立的计算节点以保证严格的资源隔离。

计算组是无状态的，可以快速水平扩展。

存储层

采用HDFS或S3等云存储服务作为数据存储层。用来存储实际数据、索引等内容。

数据表的数据文件存储在远端的统一分布式存储系统中，与计算节点分离开来。底层存储系统可能会对应不同类型的分布式系统。例如HDFS，Amazon S3, Google cloud storage，Azure blob storage，阿里云对象存储等等。底层存储是天然支持高可用、容量是无限扩展的。

不同的分布式存储系统，例如S3和HDFS有很多不同的功能和不一样的性能，会影响到我们的设计和实现。例如HDFS不支持文件的update, S3 object move操作时重操作需要复制数据等。

通过存储的服务化，计算层可以支持ByteHouse自身的计算引擎之外，将来还可以便捷地对接其他计算引擎，例如Presto、Spark等。

 

数据导入导出

ByteHouse包括一个数据导入导出（Data Express）模块，负责数据的导入导出工作。

Data Express模块架构图

Data Express 为数据导入/导出作业提供工作流服务和快速配置模板，用户可以从提供的快速模板创建数据加载作业。

DataExpress 利用 Spark 来执行数据迁移任务。

主要模块：  

• JobServer 

• 导入模板

• 导出模板

JobServer 管理所有用户创建的数据迁移作业，同时运行外部事件触发数据迁移任务。

启动任务时，JobServer 将相应的作业提交给 Spark 集群，并监控其执行情况。作业执行状态将保存在我们的元存储中，以供 Bytehouse 进一步分析。

ByteHouse支持离线数据导入和实时数据导入。

离线导入

离线导入数据源：

• Object Storage：S3、OSS、Minio

• Hive (1.0+)

• Apache Kafka /Confluent Cloud/AWS Kinesis

• 本地文件

• RDS

离线导入适用于希望将已准备好的数据一次性加载到 ByteHouse 的场景，根据是否对目标数据表进行分区，ByteHouse 提供了不同的加载模式：

• 全量加载：全量将用最新的数据替换全表数据。

• 增量加载：增量加载将根据其分区将新的数据添加到现有的目标数据表。ByteHouse 将替换现有分区，而非进行合并。

支持的文件类型

ByteHouse的离线导入支持以下文件格式：

• Delimited files (CSV, TSV, etc.)

• Json (multiline)

• Avro

• Parquet

• Excel (xls)

实时导入

ByteHouse 能够连接到 Kafka，并将数据持续传输到目标数据表中。与离线导入不同，Kafka 任务一旦启动将持续运行。ByteHouse 的 Kafka 导入任务能够提供 exactly-once 语义。您可以停止/恢复消费任务，ByteHouse 将记录 offset 信息，确保数据不会丢失。

ByteHouse 在流式导入中支持以下消息格式：

• Protobuf

• JSON

 

总结

云原生数据仓库ByteHouse是一个具备极致性能、能够存储和计算资源分别按需扩缩容、功能丰富的数据分析产品，是一个面向海量数据、高实时要求的一个企业级OLAP数据引擎。

ByteHouse在字节跳动的众多场景中有着丰富的经验积累，尤其是在实时数据分析场景和海量数据灵活查询场景，都有超大规模的应用。ByteHouse基于自研技术优势和超大规模的使用经验，为企业大数据团队带来新的选择和支持，以应对复杂多变的业务需求，高速增长的数据场景。目前，ByteHouse已在火山引擎上提供免费试用，欢迎大家来尝试，并为我们提出宝贵建议。

立即跳转 火山引擎ByteHouse官网了解详情！欢迎下载 《从ClickHouse到ByteHouse》白皮书了解更多~