长沙高端网站建设公司,app下载注册量推广平台,建设一个视频网站需要什么条件,厦门网站开发建设业务系统产生的明细数据通常要经过加工处理#xff0c;按照一定逻辑计算成需要的结果#xff0c;用以支持企业的经营活动。这类数据加工任务一般会有很多个#xff0c;需要批量完成计算#xff0c;在银行和保险行业常常被称为跑批#xff0c;其它像石油、电力等行业也经常…业务系统产生的明细数据通常要经过加工处理按照一定逻辑计算成需要的结果用以支持企业的经营活动。这类数据加工任务一般会有很多个需要批量完成计算在银行和保险行业常常被称为跑批其它像石油、电力等行业也经常会有跑批的需求。
大部分业务统计都会要求以某日作为截止点而且为了不影响生产系统的运行跑批任务一般会在夜间进行这时候才能将生产系统当天产生的新明细数据导出来送到专门的数据库或数据仓库完成跑批计算。第二天早上跑批结果就可以提供给业务人员使用了。
和在线查询不同跑批计算是定时自动执行的离线任务不会出现多人同时访问一个任务的情况所以没有并发问题也不必实时返回结果。但是跑批必须在规定的窗口时间内完成。比如某银行的跑批窗口时间是晚上8:00到第二天早上7:00如果到了早上7:00跑批任务还没有完成就会造成业务人员无法正常工作的严重后果。
跑批任务涉及的数据量非常大很可能用到所有的历史数据而且计算逻辑复杂、步骤众多所以跑批时间经常是以小时计的一个任务两三小时是家常便饭跑到十个小时也不足为奇。随着业务的发展数据量还在不断增加。跑批数据库的负担快速增长就会发生整晚都跑不完的情况严重影响用户的业务这是无法接受的。
问题分析
要解决跑批时间过长的问题必须仔细分析现有的系统架构中的问题。
跑批系统比较典型的架构大致如下图
从图上看数据要从生产数据库取出存入跑批数据库。跑批数据库通常是关系型的编写存储过程代码完成跑批计算。跑批的结果一般不会直接使用而是再从跑批数据库中导出采用接口文件的方式提供给其他系统或者再导入其他系统数据库。这是比较典型的架构图中的生产数据库也可能是某个中央数据仓库或者Hadoop等。一般情况下生产库和跑批库不会是同一种数据库它们之间往往通过文件的方式传递数据这样也比较有利于降低耦合度。跑批计算完成后结果要给多个应用系统使用一般也都是以文件方式传递。
跑批很慢的第一个原因是用来完成跑批任务的关系数据库入库、出库太慢。由于关系数据库的存储和计算能力具有封闭性数据的进出要做过多的约束检查和安全处理当数据量较大时写入读出的效率非常低耗时会非常长。所以跑批数据库导入文件数据的过程以及跑批计算结果再导出文件的过程都会很慢。
跑批很慢的第二个原因是存储过程性能差。由于SQL的语法体系过于陈旧存在诸多限制很多高效的算法无法实施所以存储过程中的SQL语句计算性能很不理想。而且业务逻辑比较复杂的时候很难用一个SQL实现经常要分成多个步骤用十几甚至几十个SQL语句才能完成。每个SQL的中间结果都要存入临时表给后续步骤的SQL使用。临时表数据量较大时就必须落地会造成大量的数据写出。而数据库的写出要比读入性能差很多会严重拖慢整个存储过程。
对于更复杂的计算甚至很难用SQL语句直接实现需要用数据库游标遍历取出数据循环计算。但数据库游标遍历计算性能又要比SQL语句差很多一般也都不直接支持多线程并行计算很难利用多CPU核的计算能力会让计算性能更加糟糕。
那么是否可以考虑用分布式数据库来代替传统关系数据库通过增加节点数量的办法来提高跑批任务的速度呢
答案仍然是不可行。主要原因是跑批计算的逻辑相当复杂即使是用传统数据库的存储过程也常常要写几千甚至上万行代码而分布式数据库的存储过程计算能力还比较弱很难实现这么复杂的跑批计算。
而且当复杂计算任务不得不分成多个步骤时分布式数据库也面临中间结果落地的问题。由于数据可能在不同的节点上所以前序步骤将中间结果落地后续步骤再读取的时候都会造成大量跨网络的读写操作性能很不可控。
这时也不能采用分布式数据库依靠数据冗余来提升查询速度的办法。这是因为查询之前可以预先准备好多份冗余数据但是跑批的中间结果是临时生成的如果冗余的话就要临时生成多份整体的性能只会变得更慢。
所以现实的跑批业务通常仍然是使用大型单体数据库进行计算强度太大时会采用类似ExaData这样的一体机ExaData是多数据库但被Oracle专门优化过可以看成是个超大型单体数据库。虽然很慢但是暂时找不到更好的选择只有这类大型数据库有足够的计算能力所以只能用它来完成跑批任务了。
SPL用于跑批
开源的专业计算引擎SPL提供了不依赖数据库的计算能力直接利用文件系统计算可以解决关系数据库出库入库太慢的问题。而且SPL实现了更优算法性能远远超过存储过程能显著提高单机计算效率非常适合跑批计算。
利用SPL实现的跑批系统新架构是下面这样的
在新架构中SPL解决了造成跑批慢的两大瓶颈问题。
首先来看数据的入库、出库问题。SPL可以直接基于生产库导出的文件计算不必再将数据导入到关系数据库中。完成跑批计算后SPL还能将最终结果直接存储成文本文件等通用格式传递给其他应用系统避免了原有跑批数据库的出库操作。这样一来SPL就省去了关系数据库缓慢的入库、出库过程。
下面再来看计算的过程。SPL提供了更优的算法有许多是业界首创计算性能远远超过存储过程和SQL语句。这些高性能算法包括 这些高性能算法可以应用于跑批任务中的常见JOIN计算、遍历、分组汇总等能有效提升计算速度。例如跑批任务常常要遍历整个历史表。有些情况下对一个历史表还要遍历好多次来完成多种业务逻辑的计算。历史表数据量一般都很大每次遍历都要消耗很多的时间。此时我们可以应用SPL的遍历复用机制仅对大表遍历一次就可以同时完成多种计算可以节省大量时间。
SPL的多路游标能做到数据的并行读取和计算即使是很复杂的跑批逻辑也可以利用多CPU核实现多线程并行运算。而数据库游标是很难并行的这样一来SPL的计算速度常常可以达到存储过程的数倍。
SPL的延迟游标机制可以在一个游标上定义多个计算步骤之后让数据流按顺序依次完成这些步骤实现链式计算能够有效减少中间结果落地的次数。在数据必须落地的情况下SPL也可以将中间结果存成内置的高性能数据格式供下一个步骤使用。SPL高性能存储基于文件采用有序压缩存储、自由列式存储、倍增分段、自有压缩编码等技术减少了硬盘占用读写速度要远远好于数据库。
应用效果
SPL在技术架构上打破了关系型跑批数据库存在的两大瓶颈在实际应用中也取得了非常好的效果。
L 银行跑批任务采用传统架构以关系数据库作为跑批数据库用存储过程编程实现跑批逻辑。其中贷款协议存储过程需要执行 2 个小时而且是很多其他跑批任务的前序任务耗时这么久对整个跑批任务造成了严重影响。
采用SPL后使用高性能列存、文件游标、多线程并行、小结果内存分组、游标复用等高性能算法和存储机制将原来2个小时的计算时间缩短为10分钟性能提高12倍。
而且SPL代码更简洁。原存储过程3300多行改为SPL后仅有500格语句代码量减少了6倍多大大提高了开发效率。
P保险公司的车险业务中需要用往年历史保单来关联新的保单在跑批中称为历史保单关联任务。原来也采用关系数据库完成跑批存储过程计算10天的新增保单关联历史保单运行时间47分钟30天则需要112分钟接近2小时如果日期跨度更大运行时间就会长的无法忍受基本就变成不可能完成的任务了。
采用SPL后应用了高性能文件存储、文件游标、有序归并分段取出、内存关联和遍历复用等技术计算10天新增保单仅需13分钟30天新增保单只需要17分钟速度提高了近7倍。而且新算法执行的时间随着保单天数的增长并不是很大并没有像存储过程那样成正比的增长。
从代码总量来看原来存储过程有2000行代码去掉注释后还有1800多行而SPL的全部代码只有不到500格不到原来的1/3。
T银行通过互联网渠道发放贷款的明细数据需要每天执行跑批任务统计汇总指定日期之前的所有历史数据。跑批任务采用关系数据库的SQL语句实现运行总时间7.8小时占用了过多的跑批时间甚至影响了其他的跑批任务必须优化。
采用SPL后应用了高性能文件、文件游标、有序分组、有序关联、延迟游标、二分法等技术原来需要7.8小时的跑批任务单线程仅需180秒2线程仅需137秒速度提高了204倍。
