mPaaS 服务端核心组件：移动分析服务 MAS 架构解析

承接《开篇 | mPaaS 服务端核心组件体系概述》已经介绍移动分析服务 MAS 的主要功能和数据链路状况，包括“基础分析，自定义分析，性能分析，日志管理”。 本章节，咱们将对移动分析服务 MAS 背后的架构能力作进一步的解析。

1. MAS 移动分析核心能力：

1. 经过实时计算多维数据，全方位展示移动应用的表现力；
2. 经过离线分析用户属性和行为，促进服务产品优化与运营推广；
3. 经过自动采集流程日志，提高排查效率，快速解决研发问题。

由核心能力延伸出来的功能包括：

1. 用户行为分析：提供应用使用分析，包括用户报活、用户登陆、新增用户等多种指标的统计功能，并支持按照平台、版本、地域、时间的多维度分析对比，方便用户更快速、便捷的了解自身 App 的使用状况。
2. 稳定性分析：提供应用稳定性分析，包括闪退监控、异常监控、性能监控及用户诊断功能，帮助开发人员及时发现、定位问题。
3. 诊断分析：提供应用日志诊断，包括我的用户诊断和诊断日志采集两部分。其中我的用户诊断用户实时获取用户客户端行为，诊断日志采集经过 Push 方式下发指令到客户端传回客户端本地日志。

因而可知，MAS移动分析对移动客户端研发及企业其余方面的做用为：采集海量移动端产生的日志数据，并经过实时或离线计算，输出特定的分析结果和报表，并经过 MAS 数据分析能力来赋能企业，协助企业创建一个互利共生的移动端服务生态，帮助企业监控终端、洞察用户行为和行业变迁来辅助企业的进行战略布局和决策支持。

2. MAS 移动分析架构解析

首先看一下数据链路图：

从数据链路图中咱们能够得知：数据的最前端源于客户端的 SDK，目前 mPaaS 框架中提供的日志埋点 SDK 主要由 4 部分功能：

1. 从服务端拉取日志采集及上报规则，如“是否上报、上报网络条件、上报频率、包大小、日志存放时间”等等；
2. 自动监控客户端基础行为，并记录埋点日志，如：报活、跳转、网络、耗时、Crash 等；
3. 提供相应的接口 API，供业务模块调用，并封装基础参数（业务只需关注业务日志数据）后输出至客户端日志文件；
4. 根据采集与上报规则，将客户端日志上报至服务端日志网关（MDAP）。

然后，当所需日志均上报至 MDAP 日志网关后，MDAP 会以服务端日志输出至服务器日志文件中，在服务器中部署的 logtail/flume 等采集工具将日志采集并传输至 SLS/Kafka 等消息中间件，再由不一样的平台接收，并根据各自的规则和调度计划进行计算。

目前 MAS 同时支持了实时、离线 2 种计算形式：

a. 实时计算

依托于 Kepler 或 JStorm 的计算引擎来提供支持，其中：Kepler 为蚂蚁实时计算平台，包括底层的计算引擎 Kepler 和对应的开发平台 Kepler-UI，支持 exactly once语义，并提供了 Transaction 等支持。

Kepler 为提供了 SQL 和高阶算子两种编程范式：

1. Kepler SQL：兼容了大部分的 Streaming SQL 的语义，并支持 Window、Trigger 等 Apache Beam 的概念。SQL 因为易上手易维护的特色，是目前 Kepler 用户使用方式的主流。
2. 高阶算子：Kepler 内置了完备的实时计算算子，包括：过滤（Filter）、转换（UDF、UDTF）、聚合（UDAF）、多流 Join、Union、Split 等类型，在 Spark 、Flink 高阶 API 里你能看到相同的概念，经过组装这些算子，用户能够轻松实现一个自定义逻辑的 DataStream。经过高阶 API，用户能够更细粒度地去描述计算自己，而由于高阶算子封装了 State、Retract 等能力，又为用户省去了繁琐的存储和出错回滚细节。

在 Kepler 计算引擎层，则专一调度和执行数据流，而执行引擎对于算子层是可插拔的，目前 Kepler 支持了默认的执行引擎和蚂蚁的分布式计算框架 Raya。

Raya 是蚂蚁版本的 Ray，Ray学习可参考： https://ray.readthedocs.io/en/latest/index.html

在 IO 层，Kepler 计划支持了全部的存储组件，包括但不限于 SLS、AntQ、DRC、HBase、MySQL、Kudu、Pangu、Explorer 等等，而且这些存储类型都有对应的内置 IO 组件，使用者不须要写任何 IO 相关的一行代码，就能轻松完成数据读取和存储。

此外，MAS 为适应不一样部署环境，也支持了 JStorm 实时计算平台，经过在 JStorm 中提交计算拓扑完成数据分析。

JStorm 是一个分布式实时计算引擎，相似 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 便可将任务 7*24 小时调度起来。核心原理以下图：

1. JStorm 提交运行的程序称为 Topology。
2. 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。
3. Topology 由 Spout 和 Bolt 构成。Spout 是发出 Tuple 的结点。Bolt 能够随意订阅某个 Spout 或者 Bolt 发出的 Tuple。Spout 和 Bolt 都统称为 Component。

MAS 埋点数据经过 SLS/Kafka，等消息中间件流入计算拓扑。拓扑中会根据预先配置的日志切分、聚合规则，对数据进行屡次的处理，并最终流出至持久层，持久层 MAS主要用到了 MESDB（基于 ElasticSearch）、OTS(HBase) 和 Explorer：

• 鉴于 ElasticSearch 全文检索能力以及强大的写入和查询性能，MESDB 主要用来存放基础行为数据，例如，活跃用户、新增用户、累计用户以及日志回放数据。

• OTS(HBase)，则主要存放了部分结果，与计算中间态数据，而 Explorer 则用来作用户自定义分析的数据存储。

• Explorer 是蚂蚁分布式低延时的 PB 级实时分析型列式数据库：

  首先，列式设计可最大限度地减小 I/O 争用，后者是致使分析处理发生延迟的主要缘由。列式设计还可提供极高的压缩率，相比于行式数据库，一般可将压缩率提升四倍或五倍。MPP 数据仓库一般按比例线性扩展，这意味着若是您将双节点 MPP 仓库的空间翻倍，那么可有效将其性能提升一倍。

  其次，Explorer 协议层提供 MySQL 协议的接口，经过 mysql-jdbc-driver，能够向 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 总体架构以下图：

对于 MAS 自定义分析中，因没法预先肯定用户自定义聚合规则，以及属性维度，所以选择了 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 便可完成聚合。

此外，即时查询能力强与弱的核心的标准：返回时间。

且不说支付宝客户端这样的超级 App，mPaaS 公有云服务的厂商天天的日志都达到数亿条，数据存储TB级别，在这个量级上的查询要在秒级返回数据，是很是困难的。而 Explorer 采用的 Hyperlog 算法则恰好解决了这个问题，充分的支撑了 MAS 的诉求（若是想要更多了解这个算法，请搜索 Cardinality Estimation，能够对类型的算法有更全面的了解）。

b. 离线计算

为支持不一样的部署场景，MAS 在离线计算平台，可按实际须要选择阿里云 DataWorks，Hadoop/Spark，或蚂蚁金融云-数据智能研发平台来支撑。

1. DataWorks：是阿里云提供的离线数据平台，在国内有很是良好的应用。
2. Hadoop/Spark：开源事实标准型的数据平台，是自建大数据平台的不二选择。
3. 数据智能研发平台（彩云间）：是在蚂蚁金融云中搭载的数据研发平台，已经在不少大型机构中得的应用和实践

上述的离线计算平台均提供了 MAS 所需的核心能力为：数据集成、数据开发、数据管理、数据治理，可对数据进行传输、转换、集成的操做，从不一样的数据源引入数据，对数据进行转化和开发，最后将数据输送到其余数据系统。

此外在离线计算中最核心的概念为 ETL 任务：ETL 是对大数据的，清洗，加工，加载，它实现了对日志数据的格式化，验证，补充等处理，通过一系列统计分析，并加载到在线系统中。而不管上述 3 个平台怎么支撑，MAS离线分析始终围绕ETL来建设和管理，在当前这套 MAS 中经过长时间提炼出来经常使用，通用的计算方法和逻辑， MAS 预置了上百个任务，并按照任务功能主要分为：ODS,CDM,ADS 三层，分别是数据接入层，数据公共层，数据应用层。数据模型则采用了星型模型，可以知足快速理解，快速开发等特色。

• 任务关系：

• 任务树 Demo：

离线计算目前主要支撑了 MAS 的：设备分析、留存分析、页面分析、漏斗分析、 mPaaS 组件分析等多个模块。

3. MAS 核心竞争力与优点

1. 多样性：MAS 除行为分析、活跃分布、参与度分析、漏斗分析、留存分析、设备分析、页面分析、事件分析、自定义分析提等基于用户为的数据分析外，还提供供了启动分析、Crash 分析、卡顿卡死分析、渠道分析、地域分析等多种维度的分析能力，已可知足常规 App 绝大部分的分析需求。
2. 兼容性：MAS 提供支持主流的开源解决方案和基于蚂蚁金融云、阿里云解决方案的能力，提供更加符合不一样资源环境的解决方案。
3. 扩展性：MAS 架构经历了海量数据的压力的检验，具备极强的横向扩展能力。即便在初期是搭建最小单元，随着用户量的增加，能够即时扩容，水平提高服务能力，以知足企业对将来的规划需求。
4. 适应性：MAS 的客户已包含银行、证券等金融企业，也有出行、地铁等非金融行业，同时可支持企业根据自身的特性定制特定的业务报表。

经过本节内容，但愿给你们介绍一下大数据的基本技术，mPaaS MAS的相关技术，但愿有机会针对全文索引，分析数仓系统，实时流计算，离线开发等等各个维度上的技术进行交流。

欢迎加入 mPaaS 技术交流群：

• 钉钉群：经过钉钉搜索群号“23124039”。

期待你的加入。

Code Hub 线上直播第一期，邀约台湾 DevOps 社区陈正玮和蚂蚁金服移动开发平台 mPaaS 团队古塘，和你们一同探讨《DevOps 前世此生》及《敏捷开发与动态更新在支付宝内的深度实践》。3 月 13 日，线上直播见！