流式计算技术及应用探究.docx

流式计算技术及应用研究报告学校代码：10248作者姓名：叶稳定学号：115372050第一导师：第二导师：学科专业：软件工程上海交通大学软件学院2016年5月1流式计算技术综述1.1流式计算技术概述流数据处理应用要求我们的系统可以接受大量的，不间断的数据称为流式数据。流式计算中,无法确定数据的到来时刻和到来顺序,也无法全部数据存储起来.因此,不再 进行流式数据的存储,而是当流动的数据到来后在内存中直接进行数据的实时计算.如 Twitter 的 Storm、Yahoo 的 S4[6] 就是典型的流式数据计算架构,数据在任务拓扑中被计算,并输出有价值的信息. 对于无需先存储,可以直接进行数据计算,实时性 要求很严格,但数据的精确度要求稍微宽松的应用场景,流式计算具有明显优势.流式计算中,数据往往是最近 一个时间窗口内的,因此数据延迟往往较短,实时性较强。1.2 流式计算框架Storm的架构分析?Apache Storm[5]，在Storm中，先要设计一个用于实时计算的图状结构，我们称之为拓扑（topology）。这个拓扑将会被提交给集群，由集群中的主控节点（master node）[5]分发代码，将任务分配给工作节点（worker node）执行。一个拓扑中包括spout和bolt两种角色，其中spout发送消息，负责将数据流以tuple元组的形式发送出去；而bolt则负责转换这些数据流，在bolt中可以完成计算、过滤等操作，bolt自身也可以随机将数据发送给其他bolt。由spout发射出的tuple是不可变数组，对应着固定的键值对。Spark的设计思想是将流式计算分解成一系列短小的批处理作业，也就是把Spark?Streaming的输入数据按照时间分成一段一段的数据，每一段数据都转换成Spark中的RDD，然后在Spark[6]内部对RDD进行处理操作，结果可以放到内存中继续处理或者存储到外部设备。1.3 流式计算框架Spark Streaming的架构分析?Spark Streaming是核心Spark API的一个扩展，它并不会像Storm那样一次一个地处理数据流，而是在处理前按时间间隔预先将其切分为一段一段的批处理作业。Spark针对持续性数据流的抽象称为DStream（DiscretizedStream），一个DStream是一个微批处理（micro-batching）的RDD（弹性分布式数据集）；而RDD则是一种分布式数据集，能够以两种方式并行运作，分别是任意函数和滑动窗口数据的转换。Storm将计算逻辑抽象为拓扑Topology，Spout是Topology的数据源，数据源可以是日志或者消息队列，也可以是数据库中的表等等数据，Bolt负责数据的整个传递方向，也叫消息处理者，Bolt可能由另外2个Bolt进行join得到，在Storm中数据流的单位就是Tuple(元组)，这个Tuple可能是由多个Fields字段构成，每个字段都由Bolt定义，Storm中工作进程叫做worker，一个Topology实际上实在多个worker中运行的，在集群中每个Spout和Bolt都是由多个Tasks(任务)组成的，对于宏观的节点，分为Nimbus主节点和Supervisor从节点，Nimbus通过Zookeeper管理集群所有的Supervisor，Storm提供很多配置来调整Nimbus、Supervisor进程和正在运行的Topology的行为。1.3 Storm与Spark Streaming的架构对比?以上2种实时计算系统都是开源的分布式系统，具有低延迟、可扩展和容错性诸多优点，它们的共同特色在于：允许你在运行数据流代码时，将任务分配到一系列具有容错能力的计算机上并行运行。此外，它们都提供了简单的API来简化底层实现的复杂程度。所以，总结一下Storm[2]的计算流程，首先是用户使用Storm提供的API编写Topology计算逻辑，然后使用Storm提供的Client将Topology提交给Nimbus，然后Nimbus将Task作业指派给Supervisor，Supervisor在得到Task后，为Task启动Worker由Worker执行具体的Task，最后完成计算任务。流式计算技术在实际项目中的应用?2.1 基于流式计算框架Spark Streaming的数据实时处理应用的系统架构?SPARK大数据框架融合了流式计算技术、内存计算技术，利用SPARK streaming建立大规模监控视频流分析系统，利用流式计算和内存计算的技术，结合OPENCV视频分析算法[2]，达到对多路监控视频流进行实时分析。平台组成如图所示，分为三大部分： 数据传输、 数据处理和数据存储。智能视频监控很多情况下是要对采集的图像进行实时处理。