Linkis 简述

Linkis Github repo: https://github.com/apache/incubator-linkis

Linkis，一个打通了多个计算存储引擎如Spark、TiSpark、Hive、Python和HBase等，对外提供统一REST/WebSocket/JDBC接口，提交执行SQL、Pyspark、HiveQL、Scala等脚本的数据中间件。

Linkis基于微服务架构，提供了金融级多租户隔离、资源管控、权限隔离等企业级特性，支持统一变量、UDF、函数、用户资源文件管理，具备高并发、高性能、高可用的大数据作业/请求全生命周期管理能力。

背景

大数据技术的广泛应用，催生出层出不穷的上层应用和下层计算引擎。

通过引入多个开源组件来实现业务需求，不断更新和丰富大数据平台架构，几乎是现阶段所有企业的通用做法。

如下图所示，当我们的上层应用、工具系统，和底层的计算存储组件越来越多时，整个数据平台的情况就会变成如上图的网状结构。

不断引入新组件来实现业务需求，越来越多的痛点也随之产生：

业务需求变化多端，上层组件各具特色，用户使用起来割裂感强烈，学习成本高昂。
数据种类繁多，存储和计算非常复杂，一个组件一般只解决一个问题，开发人员必须具备完善的技术栈。
上层应用直接对接底层计算存储引擎，一旦底层环境发生任何改变，都会直接影响业务产品的正常使用。

设计初衷

如何提供统一的数据中间件，对接上层应用工具，屏蔽掉底层的各种调用和使用细节，真正做到让业务用户只需关注业务实现，就算底层平台机房扩建、整体搬迁都不受影响，是Linkis的设计初衷！

如上图所示，我们基于SpringCloud微服务技术，新建了多个微服务集群，来打造Linkis的中间件能力。

每个微服务集群都承担系统的一部分功能职责，我们对其进行了如下明确的划分。如：

统一作业执行服务：一个分布式的REST/WebSocket服务，用于接收上层系统提交的各种访问请求。

目前支持的计算引擎有：Spark、Python、TiSpark、Hive和Shell等。

支持的脚本语言有：SparkSQL、Spark Scala、Pyspark、R、Python、HQL和Shell等；
资源管理服务：支持实时管控每个系统和用户的资源使用情况，限制系统和用户的资源使用量和并发数，并提供实时的资源动态图表，方便查看和管理系统和用户的资源；

目前已支持的资源类型：Yarn队列资源、服务器（CPU和内存）、用户并发个数等。
统一存储服务：通用的IO架构，能快速对接各种存储系统，提供统一调用入口，支持所有常用格式数据，集成度高，简单易用；
统一上下文服务：统一用户和系统的资源文件（用户脚本、JAR、ZIP、Properties等），用户、系统、计算引擎的参数和变量统一管理，一处设置，处处自动引用；
物料库服务：系统和用户级物料管理，可分享和流转，支持全生命周期自动管理；
元数据服务：实时的Hive库表结构和分区情况展示。

依赖这些微服务集群的相互协作，我们改善了整个大数据平台对外服务的方式和流程。

业务架构

名词解释：

1) Gateway网关:

2) 统一入口:

统一入口是用户某一类引擎作业的Job生命周期管理者。

从接收作业、作业提交给执行引擎、到作业执行信息反馈给用户，再到作业完成，Entrance管理了一个作业的全生命周期。

3) 引擎管理器:

引擎管理器负责管理引擎的全生命周期。

负责向资源管理服务申请和锁定资源，并实例化新的引擎，也负责监控引擎的生命状态。

4) 执行引擎:

执行引擎是真正执行用户作业的微服务，它由引擎管理器启动。

为了提升交互性能，执行引擎直接跟统一入口进行交互，实时推送执行的日志、进度、状态和结果集给统一入口。

5) 资源管理服务

实时管控每个系统和每个用户的资源使用情况，管理引擎管理器的资源使用和实际负载，限制系统和用户的资源使用量和并发数。

6) Eureka

Eureka是Netflix开发的服务发现框架，SpringCloud将它集成在其子项目spring-cloud-netflix中，以实现SpringCloud的服务发现功能。

每个微服务都内置了Eureka Client，可以访问Eureka Server，实时获得服务发现的能力。

处理流程

Linkis如何处理上层系统提交的一条SparkSQL？

上层系统的用户提交一个SQL，先经过Gateway，Gateway负责解析用户请求，并路由转发给合适的统一入口Entrance
entrance会先寻找该系统的该用户是否存在可用的Spark引擎服务，如果存在，则直接将请求提交给Spark引擎服务
不存在可用Spark引擎服务，开始通过Eureka的服务注册发现功能，拿到所有的引擎管理器列表，通过请求RM实时获取引擎管理器的实际负载
Entrance拿到负载最低的引擎管理器，开始要求引擎管理器启动一个Spark引擎服务
引擎管理器接收到请求，开始询问RM该系统下的该用户，是否可以启动新引擎
锁定资源成功，开始启动新的spark引擎服务；启动成功后，将新Spark新引擎返回给Entrance
Entrance拿到新引擎后，开始向新引擎请求执行SQL
Spark新引擎接收SQL请求，开始向Yarn提交执行SQL，并实时推送日志、进度和状态给Entrance
Entrance将获取的日志、进度和状态实时推送给Gateway
Gateway回推日志、进度和状态给前端
一旦SQL执行成功，Engine主动将结果集推给Entrance，Entrance通知前端拿取结果。

众所周知，Spring Cloud集成了Feign来作为微服务之间的通信工具。

基于Feign的微服务之间HTTP接口调用，只支持A微服务实例根据简单规则随机访问B微服务的某个实例。

Linkis基于Feign实现了一套自己的底层RPC通信方案。

如上图所示，我们在Feign的基础上，封装出了Sender和Receiver。

Sender作为发送端直接可用，用户可以指定访问某个微服务实例，也可以随机访问，还支持广播。

Receiver作为接收端，需要用户实现Receiver接口，用于处理真正的业务逻辑即可。

Sender提供三种访问方式，如下：
ask方法为同步请求响应方法，要求接收端必须同步返回响应；
send方法为同步请求方法，只负责同步将请求发送给接收端，不要求接收端给出答复；
deliver则为异步请求方法，只要发送端的进程不异常退出，在稍后会通过其它线程将请求发送给接收端。

如何支撑高并发

Linkis设计了5大异步消息队列和线程池，Job每次占用线程不到1毫秒，保证每个统一入口可承接超1万+TPS常驻型Job请求。

如何提高上层的请求吞吐能力？

Entrance的WebSocket处理器，内置一个处理线程池和处理队列，接收Spring Cloud Gateway路由转发的上层请求。
如何保证不同系统不同用户的执行请求，互相隔离？

Entrance的Job调度池，每个系统的每个用户，都有一个专用线程，保证隔离度
如何保证Job执行高效？

Job执行池，只用于提交Job，一旦Job提交给了Engine端，则立马放入Job执行队列，保证每个Job占用执行池线程的时间不超过1毫秒。

RPC请求接收池，用于接收和处理Engine端推来的日志、进度、状态和结果集，并实时更新Job的相关信息。

用户级隔离度和调度时效性

Linkis设计了Scheduler模块——可智能监控扩展的分组调度消费模块，用于实现Linkis的高并发能力。

每个系统的每个用户，都会单独分组，来保证系统级和用户级的隔离度。

每个消费器均有一个独立的监控线程，统计消费器中等待队列的长度、正在执行的事件数量、执行时间的增长比例等指标。

消费器所对应的分组对象，会对这些指标设置阈值和告警比例，一旦某个指标超过阈值，或多个指标间的比例超过限定范围（比如监控到平均执行时间大于分发间隔参数，即认为超过阈值），监控线程就会立即对消费器进行相应的扩展。

扩展时，会充分利用上述的调参过程，具有针对性的调大某个参数，其它参数会自动随之得到扩展。

Linkis作为数据中间件，为实现对下层调用细节的屏蔽，做了许多的尝试和努力。

比如：Linkis如何实现统一存储服务？Linkis如何统一UDF、函数和用户变量？

由于篇幅所限，本文不再详细论述，如您感兴趣，欢迎您访问我们的：https://linkis.apache.org

有没有一套真正基于开源，经过金融级生产环境和场景的自研打磨完善，再回到开源社区的数据中间件，让人能相对放心的拿去服务于生产，支持金融级业务，具备企业级特性保障？

同时，我们也期待更多的社区力量，一起推动Linkis的成长。