58集团 x DorisDB：全面升级数据分析能力，满足多场景业务分析需求
58集团是中国互联网生活服务领域的领导者，旗下有国内最大的生活服务平台，覆盖各类业务场景，例如车业务、房产业务、本地服务、招聘业务、金融业务等等。
随着业务的高速发展，越来越多的分析需求涌现，例如：安全分析、商业智能分析、数仓报表等。这些场景的数据体量都较大，对数据分析平台提出了很高的要求。为了满足这些分析型业务的需求，DBA团队从2021年初就开始调研各类分析型数据库，其中包括DorisDB、TiFlash、ClickHouse等，评测他们的性能及功能。
总体评测下来，DorisDB表现全面，在单表／多表查询性能、物化视图及SQL支持等方面能力都契合集团业务需求。目前，我们已经落地了两套DorisDB集群，还有1－2套正在测试阶段，后续会进行进一步推广和落地更多应用。
一、评测信息
我们从两个方面来评测以上这些分析型数据库：一个是功能，一个是性能。每种数据库都有各自的特点。
1．功能方面
2．性能方面
2021年初，我们完整对比过3种数据库的性能，包括TiFlash（4．0．10）、ClickHouse（20．3．8．53）、DorisDB（1．11．0）单表及多表join的性能情况。TiDB5．0的TiFlash已经支持MPP，此处为4．0版本，无MPP。
测试使用业界流行的Star Schema Benchmark星型模型测试集。结论如下：
·单表／多表查询，DorisDB总体时间均最短。
·单表查询：DorisDB最快次数最多，ClickHouse次之。
·多表查询：DorisDB所有执行均最快。
关于TiDB／TiFlash
·TiDB／TiFlash总体时间单表／多表查询均最长。
·TiDB执行计划多数走TiKV，导致执行时间长，且数据量越多，执行时间越长。
·TiDB强制走TiFlash，单表多数提速多，多表多数变慢，但4．0．10版本的执行计划多数不走。
关于Clickhouse
·ClickHouse多表查询需要更改SQL，使类型一致才可以，且字段名、表名区分大小写。
·ClickHouse单机性能强悍，性价比较高。
·ClickHouse大单表查询方式效率好，多表关联效率降低明显。
关于DorisDB
·DorisDB单表和多表关联查询速度都非常快。
【单表查询结果】
【多表关联查询结果】
二、业务需求及应用
1．安全分析相关业务
每天，内部服务器上的各类操作和运行情况，是内部安全人员比较关心的。但是服务器上每天有大量的信息，如何能快速收集落地、统一实时分析，是这个数据分析场景面临的挑战。具体来说，安全分析业务需要应对以下情况：
·写入数据量大，每天大约几亿的数据需要落地；
·实时快速的分析支持，例如：最近15分钟，机器信息的情况是怎样的；
·需要定期进行数据清理；
·数据量不断累积，数据总量规模增长快。
综合评估后，我们选择了DorisDB来支持安全分析相关业务。在使用初期，我们使用了DorisDB的明细模型（即保留所有历史数据），20天左右，数据行数总量就800亿＋了，磁盘空间占用8T左右，由于明细数据量庞大导致查询性能也受到影响。
后与内部研发人员讨论，业务分析并不需要详细的历史明细，数据按照指定时间粒度进行聚合汇总即可。便将数据模型改成聚合模型，设置日期、小时和15分钟三个时间维度，指标数据按照这个级别的时间维度进行聚合，聚合后每天新增的数据在10亿左右，数据量降低了75％，查询性能也得到大幅提升。且采用kafka＋routine load的方式在DorisDB中进行导入聚合，避免了引入冗余的组件，统一了技术栈。
2．DBA内部业务
MySQL中间件，我们使用的ProxySQL，ProxySQL支持展示SQL情况。但是操作较为繁琐，每次需要重置，才重新开始统计。如何分析指定时间的SQL情况，是困扰我们的另一问题。
每个ProxySQL有自己的全日志，我们可以分析全日志来获取需要的信息。第一个架构方案，我们想到了使用ES，ProxySQL全日志–＞Filebeat采集–＞Kafka–＞Logstash–＞ES。但是实际使用中，发现虽然可以查看流水，但是分析时就比较麻烦，不如写SQL的方便。
后来架构又改成了 ProxySQL全日志–＞Filebeat采集–＞Kafka–＞DorisDB，这样就可以进行快速分析了。
另一个问题，因为线上的ProxySQL的日志量特别大，不能所有集群都开，我们设置了可以选择开启，这样有需要的集群才进行分析。降低存储的压力。
举例：分析某30分钟某集群的SQL执行情况，按照次数排序，查询很快。
除了上述两个场景之外，DorisDB还被用在了销售使用的报表系统等场景中，包含实时数据分析等业务场景，共50＋张表，占用约100T存储空间，查询并发量100－500＋。
三、系统运维
1．数据接入
DorisDB支持的数据导入方式很丰富，例如本地文件、HDFS、Kafka（支持csv、json格式）、外表、批量SQL等。数据接入时有以下需要注意的问题：
·HDFS导入需要提供Namenode的信息，有些不方便提供就支持不了。
·外表模式，创建外表后，可以使用insert into select的方式，循环导入到DorisDB的本地表，能比较方便的从MySQL、TiDB导入数据。
·日常最常用的是Kafka的Json格式的数据，需要开发提供：
··表字段、字段类型及模型（明细模型，聚合模型和更新模型）。
··Kafka信息：kafka＿broker＿list，kafka＿topic，client．id等。
·Kafka的方式，DBA创建表及导入任务就可以导入数据了；日常需要注意的是：最好写个小工具，查看下Kafka的数据信息，然后指明字段，这样来保证成功率。
·查看导入任务：SHOW ROUTINE LOADG；关注Statistic，ErrorLogUrls。
2．集群架构
目前为单套集群，3个FE，3个BE，Broker按需建立，搭建1套监控（Prometheus＋Grafana），推荐使用kafka来接入数据。
3．运维及自动化
因为DorisDB标准版无管理组件，需要DBA自己实现：
·标准制定，例如：运维标准、开发接入标准等；
·自动化部署；
·自动化扩缩容；
·自动化升级；
·拓扑展示、登录；
·搭建开源监控；
·自己实现报警，例如存活报警、性能报警；
·相关运维报表，例如表大小、集群磁盘使用情况、流量情况、SQL情况等。
目前我们自己已经实现了部分运维规范的制定，例如集群端口、目录、拓扑架构等，并开发了拓扑工具：qdorisdb，可以查看所有集群、指定集群、登录、展示监控节点信息等。
后期我们会开发相关自动化管理工具，并整合至我们内部的CDB平台，开发相关报表、工单等，方便开发人员使用。
【查看指定集群拓扑】：
【查看所有集群】：
4．服务器
当前我们使用如下机器进行部署，后期会考虑将FE节点使用虚拟机部署。
四、发现的问题及注意事项
·如果想混合部署，需要提前计划好端口，集群间需要有一定间隔；
·DorisDB升级比较快，如果遇到bug可以咨询官方，及时升级避开；
·查询报错：2021－05－09 11：38：56－WARN
com．mysql．jdbc．PacketTooBigException：Packet for query is too large（1095400＞1048576）．You can change this value on the server by setting the max＿allowed＿packet’variable；
··处理：set global max＿allowed＿packet＝102410248；
·账号授权跟MySQL不同，需要注意；
·标准版的周边较少，希望能不断丰富，让更多的人用起来；
·Json格式数据导入，字段没法复用，推荐官方添加上，例如：求最大最小时间，需要开发写入Kafka两个时间字段，无法复用一个；
·导入数据需要一定的调试经验，例如Kafka，可以自己写个工具，查看下Kafka里面的数据，再进行测试；
五、场景及定位
DorisDB是优秀的分析型数据库，可以满足多种数据分析场景的需求。但还有不少业务场景需要用其他数据库来服务，目前58DBA提供了多种数据库，方便业务方根据自身的场景进行选择。
总结
目前，我们已经落地了两套DorisDB集群，还有1－2套正在测试阶段，后续会进行进一步推广和落地更多应用。最后，十分感谢DorisDB鼎石科技团队专业的支持服务，希望我们能一起把DorisDB建设得更好。（作者：刘春雷 负责58同城MySQL、TiDB数据库、DorisDB的运维工作，主要从事数据库自动化、平台化的建设）
