Netflix資深軟件工程師Tom Gianos和Netflix大數(shù)據(jù)計算工程經(jīng)理Dan Weeks在2016年度QCon舊金山活動中介紹了Netflix的大數(shù)據(jù)策略和分析基礎架構，此外還概括介紹了他們的數(shù)據(jù)規(guī)模、S3數(shù)據(jù)倉庫，以及他們的大數(shù)據(jù)大數(shù)據(jù)聯(lián)合編排系統(tǒng)（Federated orchestration system）Genie。

為了介紹具體的需求，Weeks解釋稱，“規(guī)模”是Netflix在大數(shù)據(jù)領域面臨的最大挑戰(zhàn)。該公司在全球范圍內(nèi)有超過8600萬會員，每天通過流播的方式播放總時長超過1.25億小時的內(nèi)容。這樣的規(guī)模導致他們的數(shù)據(jù)倉庫容量已經(jīng)超過60PB。

盡管很多人可能覺得視頻流播數(shù)據(jù)是Netflix數(shù)據(jù)分析工作的主要數(shù)據(jù)源，但Weeks解釋說，他們分析的主要是其他類型的數(shù)據(jù)，例如公司內(nèi)部各種微服務和營銷活動產(chǎn)生的事件，尤其是Weeks專門提到：

Netflix是一家徹頭徹尾的數(shù)據(jù)驅動型公司。我們喜歡根據(jù)真憑實據(jù)作出不同的決策。對于整個平臺的某些變更，如果無法切實證明有助于改善用戶體驗，我們寧愿不進行這樣的變更。

Weeks列舉了一個此類數(shù)據(jù)類型的用例：A/B測試。數(shù)據(jù)科學家可以分析用戶的交互，進而決定向用戶永久推送哪些類型的功能。

Weeks還概括介紹了Netflix的數(shù)據(jù)流程架構。他們共使用了兩個數(shù)據(jù)流，一個用于事件數(shù)據(jù)，一個用于維度數(shù)據(jù)。事件數(shù)據(jù)通過他們的Kafka數(shù)據(jù)管道傳遞，維度數(shù)據(jù)則使用開源工具Aegisthus從他們的Cassandra群集拉取。最終，所有類型的數(shù)據(jù)匯總至S3。

雖然傳統(tǒng)數(shù)據(jù)倉庫可以使用HDFS，但Weeks提到使用S3可以獲得其他一些優(yōu)勢。例如99.99%可用性、版本控制，以及將計算負載從存儲系統(tǒng)中剝離的能力。最后一點非常關鍵，盡管數(shù)據(jù)未能本地保存會導致延遲增高，但通過這樣的剝離可以很輕松地在無須移動數(shù)據(jù)的前提下對計算群集進行縮放或執(zhí)行升級任務。

在數(shù)據(jù)倉庫方面，為了獲得所需數(shù)據(jù)，Weeks介紹說他們使用了一種名為Metacat的元數(shù)據(jù)系統(tǒng)。具體來說，該系統(tǒng)提供了有關確定如何處理數(shù)據(jù)所需的信息，此外還可以從中了解數(shù)據(jù)具體是什么，保存在哪里。由于這是一種聯(lián)合（Federated）系統(tǒng)，因此可在Hive、RDS、S3等存儲的基礎之上運行的技術。

Weeks還介紹說，數(shù)據(jù)本身存儲為Parquet文件格式。這是一種列式存儲格式，借此可獲得更高壓縮率。Parquet文件還可以存儲額外的元數(shù)據(jù)，例如有關列最大/最小長度及其體積的信息。這樣諸如計數(shù)或跳過之類的操作就可以非?？焖俚貓?zhí)行完畢。

有關Parquet調(diào)優(yōu)地詳細信息已由Netflix資深軟件工程師Ryan Blue公開發(fā)布至這里。

在Weeks從底層介紹他們的大數(shù)據(jù)環(huán)境后，Gianos從較高層面進行了介紹。他介紹的內(nèi)容主要圍繞Genie，這是一種聯(lián)合編排引擎，可用于管理諸如Hadoop、Pig、Hive等不同類型的大數(shù)據(jù)作業(yè)。

為了介紹他們針對Genie的具體需求，Gianos用一個簡單的用例作為例子：少量用戶同時訪問同一個群集。雖然這種情況非常易于管理，但隨著組織規(guī)模的增大，可能會面臨不同的情況，導致對客戶端資源和群集資源的需求激增，進而導致部署變得愈加復雜。這就導致了導致數(shù)據(jù)科學家經(jīng)常遇到的問題，例如作業(yè)速度變慢，數(shù)據(jù)處理庫過時等，這也使得系統(tǒng)管理員難以輕松地對這些問題作出響應。

按照Gianos的介紹，Genie可以幫助系統(tǒng)管理員執(zhí)行群集的啟動和管理、庫文件的安裝等任務，這一切都不會影響到最終用戶。從用戶的角度來看，用戶可以通過這樣的抽象直接訪問群集，而無須考慮如何連接到群集，也不需要了解群集上到底運行了什么。

在群集的更新方面，Gianos介紹說，只要成功通過測試，只需要添加對應的標簽即可順利遷移至新群集。Genie可以對所有工作進行編排，并讓原本的作業(yè)繼續(xù)在老群集上運行，同時新提交的作業(yè)可以在新群集上運行。這樣即可實現(xiàn)不停機更新。

Genios還介紹說，Genie的標簽機制可以應用于負載均衡，為此只需跨越群集對標簽進行復制即可拆分負載。從客戶端的角度來看，這一過程是完全透明的。

另外Genios也介紹了Genie的二進制更新機制。新的二進制文件可以移動到一個集中的下載位置，隨后在下一次調(diào)用時自動替換老的文件。

Genios從數(shù)據(jù)科學家的角度演示了Genie的完整工作流?；旧?，他們只需要將作業(yè)提交至Genie，其中可包含群集標簽等元數(shù)據(jù)，以及自己希望使用的大數(shù)據(jù)處理引擎。隨后Genie可以查找最適合運行該作業(yè)的群集。Genie的界面會通過用戶反饋告訴用戶作業(yè)的運行進度。

詳細信息請在線查看完整演示文稿。

閱讀英文原文：Netflix Demonstrates Big Data Analytics Infrastructure