作者:处厚,目前主要负责支付宝数据分析组件开发和通过移动开发平台 mPaaS 对外输出工作。本专题主要围绕 mPaaS 移动分析服务 MAS 展开分享如何从
0 到 1 设计、构建移动分析架构。 直播回顾地址(请复制到浏览器中打开):t.cn/EoVbajX
<https://link.juejin.im/?target=http%3A%2F%2Ft.cn%2FEoVbajX>
 

0. 移动分析的过去与未来


移动分析,这个名字其实不够全面,本质上是“移动数据分析”。因此我们接下来讨论的具体业务问题虽然仍在数据统计分析的范畴,但由于移动端应用的蓬勃发展,因此我们将具体业务与
BI、数据仓库等技术深度结合,并逐步推演沉淀了移动分析架构设计的思考。

移动数据分析在发展初期和现阶段的情况已经是完全不同:

* 发展初期:从业务层面看,App 处于蓝海市场时获客容易,因此研发团队有条件更关注业务发展,专注开发好用的 App
来吸引客户;从技术层面看,BI/数据仓库技术曲高和寡,仍旧运行在大型企业中,如运营商、能源机构等。同时,开源数据平台还处在初级阶段。
* 现阶段:经过了多年的高速发展,移动数据分析已经进入了成熟期,App 厂商需要应对严厉的市场竞争才能存活。因此业务团队一方面需要更加熟悉 App
运营状况,精细化运营客户,另一方面,Hadoop 作为基础的大数据平台产品已经相对成熟,不仅方便于数据开发,对于自建大数据平台而言也非常适配。
而市面上众多提供数据分析服务的公司能够坚持到现在,也足以说明相关能力确实在解决移动开发者的相应痛点:
 

1、App 已经下发,那么 App 的运行情况实际如何?

2、用户的数量及以后的增长趋势如何评估

3、App 中的哪些功能是实际上受用户喜爱和欢迎的?

4、用户画像(用户所在区域、用户使用设备的价位、用户使用 App 的频次)


这些问题,如果解决起来,和线上耦合性较小。但是直接使用线上的数据库来做则是非常困难,而且消耗很大,这就需要使用数据仓库技术,来处理移动数据,形成指标报表,从而深度支持业务方完成运营决策,更精准地展开用户运营;或者形成
AI 算法,提供新的用户服务。

那么,我们今天探讨一下,如何从 0 到 1 设计、构建一个移动分析平台。

1. 移动分析架构简析




大数据平台架构的层次划分没啥标准,主要是由于应用的分类横纵交错,因此基于大部分数据平台架构的共性基础上,我们总结归纳了一些思路,方便大家理解和应用到实际业务中。首先,我们将大数据平台架构划分为“四横一纵”:

* 四横:数据采集、数据处理/分析、数据访问 应用
* 一纵:管控体系
开发管理,数据管理, 运维管理等等属于数据管理体系中非常重要的部分,目标是逐步完善四层架构体系,并将移动数据分析处理体系这样的来复枪变成机关枪,强大而快速。

2. 移动分析架构详解

【数据采集】

数据采集部分,我们可以将具体工作分为两块:

* 日志采集接口:接受移动端上报数据,并将接受的日志落盘。这个模块一般需要自己开发。
* 采集传输工具:监听日志文件,将落盘的问题读出,发送至需要的数据存储端,例如 HDFS, Kafka
等。这个模块一般可以采用开源或者商业的组件:Apache Flume, Elastic Logstash,Aliyun Logtail 等等。
两者虽然可以合在一起,但是一般都是分开来,分开管理的好处是显而易见的:灵活,高并发,吞吐量兼顾。

除了采集 App 数据之外,针对数据库数据的采集,一般选用 Hadoop 大数据套件中专门用来采集关系型数据库的 Sqoop。对于关系型数据库的
mySQL,MariaDDB,Oracle,SQLServer 等都可以使用它来进行数据采集,快速健壮。当然除了 Sqoop 之外,Datax,kettle
甚至 Hive 都可以作为选型考虑。

基于 mPaaS 移动分析服务 MAS 产品本身日志类型较简单,同时产品使用需要兼顾速度以及灵活支持后端数据通道和存储,我们最终使用了 Apache
Flume 以及 Hive 作为选型组合。

【数据处理、分析】

根据数据处理场景要求不同,可以划分为离线、实时流处理、即席查询等等。

在这个部分,可能也是要分两个部分:基础组件和业务流程
。基础组件有较大共性,而业务流程因为不同的业务团队而差异较大,从而有不同的设计和实践方案,因此不能一概而论。接下来我们围绕 mPaaS
的数据计算流程进行简单解析:

* 离线部分
离线是数据计算的基石,也是最早发展起来的。Hadoop/Hive/Spark 现在基本成为现在开源离线数据处理的标配。基于 Hive/Spark
构建分布式数据仓库,可以支持相对复杂的数据集分析场景,擅长海量的数据分析计算,但是运行时间来说相对较长。因此对计算时间不敏感的数据可以通过这种方式来进行处理,一般情况下的第二天凌晨开始计算,能够完成前一天业务数据的计算并导出。

基于 Hive/Spark,我们可以使用 SQL 非常灵活地开发 ETL
任务,对数据完成清洗,转换与加载。在做离线开发时,由于比较强调逻辑模型和分层设计,因此我们普遍用数仓的知识来指导开发。

一般而言,我们会使用纬度建模,也叫星型模型。为了分析方便,商业纬度往往会被分成不同层次,并融合到数据模型中。对应的,分层设计中我们主要分为接入层,汇总层和
应用层。



[图为页面访问接口数据处理过程]

以 mPaaS MAS 的离线为例,ETL 中接入事实表,从数据库同步的 10 张维度表为接入层,对数据汇总后,形成了庞大的中间层,最后形成了面向设备分析、
留存分析、页面分析、漏斗分析等应用层。

* 实时流计算
离线计算只能提供 N
个小时之前的数据计算结果,这对业务方而言,效率实在太低。在相当多的业务场景下,比如淘宝的双十一大促大盘,当前的计算结果需要被实时获取,从而时刻更新消费总额。因此,实时流计算便延伸出来,Spark
Streaming、Storm(triden)/JStorm/Flink 是目前最常见的几种实时流计算技术,他们分别在吞吐量以及准确性上各善其场。

目前,mPaaS MAS 使用 JStorm/Kepler 技术,其中 JStorm 是一个分布式实时计算引擎,类似 Hadoop
MapReduce。用户按照规定的编程规范实现一个任务,将任务提交到 JStorm 上,JStorm 即可将任务 7*24 小时调度起来。核心原理如下图:



JStorm 提交运行的程序称为 Topology。Topology 处理的最小的消息单位是一个Tuple,也就是一个任意对象的数组。Topology 由
Spout 和 Bolt 构成。Spout 是发出 Tuple 的结点。Bolt 可以随意订阅某个 Spout 或者Bolt 发出的 Tuple。Spout
和 Bolt 都统称为 Component。

* 即席查询
对大量数据进行多维分析的情况下,传统的 SQL 数据库是远远不能满足需要的。ES/Druid
等提供了高效的索引,在分布式的情况下,支持亿级数据量以及秒级多维查询。目前在众多商业公司中得到的极广的应用与落地。

蚂蚁金服在 Druid 基础上,开发了 Explorer 从而更加完善地支持 SQL 与 mysql-jdbc-driver。Druid 列式设计
可最大限度地减少 I/O 争用,后者是导致分析处理发生延迟的主要原因。列式设计还可提供极高的压缩率,那么可有效将其性能提高一倍。

Druid 协议层提供 MySQL 协议的接口,通过 mysql-jdbc-driver,可以向 Explorer 发起 insert,select
请求;而计算层基于 Drill,支持多种类型的存储,集群线性扩展,执行计划可定制;存储层则基于 Druid,拥有针对 OLAP
特有的存储格式和计算能力。Explorer 整体架构如下图:



对于 MAS 自定义分析中,因无法预先确定用户自定义聚合规则,以及属性维度,因此选择了 Explorer,并利用其强大的预聚合能力来支撑。在
Kepler/JStorm 实时计算拓扑中,仅需根据用户自定义的属性维度,切分后实时插入 Explorer 即可完成聚合。

* 数据访问
通过数据平台对于数据处理和分析之后,产出了大量的数据指标等内容,放在 HDFS 上,可以通过 Hive/Sqoop 等技术,将数据从 HDFS
中,回流到在线系统中,提供高速访问。

Hbase/OTS
等列式存储引擎提供了大容量,高性能,高可用的能力,查询速度在毫秒级,对于百亿级别的查询也是可以支持,同时具备了一定的高可用性。限制的部分仅仅需要通过
rowkey 或者 rowkey 的前缀进行范围查询。

MySQL 等数据库,针对数据量小的统计结果,可以存放到 SQL 数据库中,对于查询等操作同样非常方便。

在上一个小节,我们已经介绍过 ES/Druid
等即席查询数据库。它们对于多维分析可以提供极其有效的帮助。对于一些数据精细化分析的业务场景,通过数据漏斗等方式可以先删掉大量无效数据,结合自定义的多维分析,能够有效提升分析的效率和质量。

3. 应用

 

* 指标
经过以上各个阶段,我们已经完成了业务数据的各项计算,得到了针对 App 的版本,渠道、iOS/Android
平台、业务纬度等聚合的计算结果,从而获取到针对“新增、累计用户、设备、渠道”等各项分类数据。

* 日志管理
围绕日志管理功能,我们需要再提到 ES 工具。基于 ES 的全文索引能力,其可以提供非常强大的日志查询回放能力。对于定位错误,辅助开发都有非常好的作用。

* 异常管理
移动端因为离开发者较远,因此无法像 server
端可以快速的看到错误。因此,针对移动端所面临的闪退、卡顿卡死等现象进行日志采集,有助于更好地优化产品体验,同时支持应用快速发版,也是现在敏捷开发的重要保证和支持。

* 管控体系

有了离线计算,实时流式计算以及应用积累的业务数据,管控平台的建设需要提上日程。它的作用就是催化上述分析能力以及相关数据,从而帮助业务方持续不断地优化分析方式来使用数据,将步枪升级为冲锋枪。

对于离线、实时计算的开发管理、数据管理、运维管理等模块,一般都是集成在数据平台这个层次上。开源系统也提供了 Hive Web Interface
等工具,但是功能还比较弱。

调度系统 Oozie azkaban Zeus 离线 SQL 开发 Hue Zepplin 元数据管理 Hive 实时需要自行开发

mPaaS 移动分析服务 MAS

mPaaS,即mobile PaaS,简单来说它是源于支付宝技术的一个移动开发平台,包含了移动开发、测试、发布、分析、运营各个方面的云到端的一体化的解决方案。

移动分析服务 MAS 在 mPaaS
产品体系中,定位是支持移动端应用进行数据采集和分析,帮助业务方展开精细化、智能化运营,同时结合应用日志采集与分析等功能从而帮助开发团队更快、更精确地找到问题并快速修复。此外,移动分析能力在蚂蚁金服内部经历了双
11、双 12 等高并发大促业务的挑战和锤炼。

目前,mPaaS 移动分析服务 MAS 已经在支付宝香港版、印度 Paytm、印尼 Dana、上海地铁、华夏银行等多个项目中完成能力输出和落地应用。欢迎阅读 
移动分析服务 MAS
<https://link.juejin.im/?target=https%3A%2F%2Ftech.antfin.com%2Fdocs%2F2%2F49561>
 技术文档,进一步了解更多产品功能和优势介绍。

友情链接
KaDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:[email protected]
QQ群:637538335
关注微信