概述

在物流系統(tǒng)相關的大屏中，供應鏈大屏復雜度較高，數據鏈路較長，穩(wěn)定性要求較高，當前大屏已經經過2年時間的打磨，整體表現(xiàn)已經相對比較成熟穩(wěn)定。

本文描述了物流供應鏈業(yè)務較復雜的業(yè)務場景下，結合了大數據計算相關技術，總結了實時監(jiān)控大屏指標建設和服務構建的框架和經驗，為后續(xù)其他核心大屏的高可用和高實時性建設提供建設思路。以下幾點需要重點關注：

1、基于Flink的數據加工鏈路和OLAP的數據分析引擎

基于目前較為成熟的實時計算Flink，結合ClickHouse搭建基礎模型，借助雙流和EasyData實現(xiàn)一鍵切換。

2、指標的一致性

加工和展示分離，可基于單倉原子指標進行區(qū)域和品類上卷，既保障了指標的維度一致性（單倉-區(qū)域-全國），又保障了同一個數據版本的時間一致性。

同時借助緩存庫/表，來滿足不同的業(yè)務場景。

3、穩(wěn)定性建設

?數據鏈路的穩(wěn)定性

?接口服務的兜底

?指標準確性的驗證機制

?重算機制

本文內容有限，很多設計的小細節(jié)未能體現(xiàn)，感興趣的可隨時與我交流，希望上述內容對正在從事大屏建設的同學有一些新的啟發(fā)和思考。

一、背景

供應鏈大屏是供應鏈事業(yè)部重要的看數工具，尤其在大促期間，為業(yè)務管理層掌握大促實時動態(tài)提供了支撐，為事業(yè)部的目標達成、排產提供重要的數據支持。

特點：

?指標較多，170+；

?刷新頻率，1分鐘；

?數據來源較多，大件、逆向、冷鏈、服務+、Udata、離線等；

?鏈路長：10+個計算傳輸節(jié)點

?重要性高，穩(wěn)定性要求高，準確性要求高；

二、方案

2.1 數據模型存儲選型

供應鏈大屏涉及模型較多，消息量較大，對寫入性能和查詢性能要求較高，主要基于Elasticsearch和ClickHouse進行對比選型，對比項如下：

由上面的比較可以看出，作為OLAP數據庫，CH的寫入，查詢性能都優(yōu)于ES，但是唯一的問題是高并發(fā)支持問題。所以對于不需要高并發(fā)和全文檢索的場景，選擇CH是更合適的。針對某些需要高并發(fā)的場景，可以選擇ES，或者CH+緩存層實現(xiàn)。

?

2.2 整體架構

?

由于數據來源多、復雜度高，為了提升指標服務的穩(wěn)定性，降低代碼復雜度提升可維護性，提升指標的復用性，整體架構分5層，包括模型加工層、數據處理層、單倉指標加工層、區(qū)域指標加工層和展示層。各層的職責如上圖所示。

2.3 指標分層及一致性設計

以倉訂單相關指標為例，所有指標加工保持1套邏輯，同一主任務觸發(fā)，加工完成之后，基于單倉指標上卷加工區(qū)域等更高維度的指標，保證指標數據的一致性。

針對不同的業(yè)務報表，根據不同的場景，進行指標查詢，通過指標緩存表的方式，減少數據量，提升指標的查詢性能。

?

2.4 穩(wěn)定性設計

由于數據鏈路長，穩(wěn)定性較差，問題主要集中在Flink、CH環(huán)節(jié)，恢復周期長。對于大屏等核心任務，數據的實時性和準確性要求較高，以下是歷史發(fā)生過的問題：

?CK分區(qū)太多，寫入阻塞

?CK rename操作，節(jié)點太多，表結構同步慢，導致寫入報錯，大量消息積壓，丟消息

?Flink機房網絡故障

?flink 偶發(fā)丟消息，未定位到原因

?checkpoint失敗

?jdq分片不均，單個分區(qū)消息增加400倍，消息積壓

?維表數據未更新，導致丟失字段

?上游運單模型積壓，丟失部分字段

?數據積壓

?加工邏輯復雜，偶發(fā)亂序問題

?state未保存，丟數據

?CK跨分區(qū)字段查詢明細，性能較低

?代碼編寫使用了Flink序列化未支持的格式、循環(huán)過多，導致算子背壓嚴重

?邏輯復雜，上線風險高且回滾困難

從整個鏈路中，針對易出問題的flink-CK鏈路進行雙流，物理隔離，遇到問題可一鍵切換至備流。

?

?

?

2.5 擴展性設計

基于UCC配置，通過配置靈活適配業(yè)務訴求，節(jié)約開發(fā)成本，方便定位問題和恢復；

包括4H/24H/28H、同環(huán)比日期配置、預測日期配置、單倉兜底配置、展示配置等；

（1）28小時模式配置化：可通過配置將任意一天切換為28小時、4小時模式，為業(yè)務和研發(fā)側提供了充分的線上驗證機會；

（2）閾值開關配置化：可通過閾值開關進行數據兜底邏輯管控，確保數據平穩(wěn)；

（3）自動刷新白名單配置化：靈活配置大屏自動刷新白名單，支持封版期間人員白名單權限控制；

（4）歷史日期配置化：計算預測全天指標使用指定歷史日期的單量占比作為對比項，數據庫里包含部分歷史大促日單量數據，可靈活配置修改對比的歷史日期；

（5）重算機制：可基于某一時間段進行數據重算。

?

參數配置：

?

{
  "thresholdEnable": "false", //大促預測上下線是否開啟，開啟后upperLimit與lowerLimit生效，
  "upperLimit": "1.6d", //上限
  "lowerLimit": "0.6d", //下限
  "zyShowFlag": true, //中小件產品維度-自營是否展示開關
  "swShowFlag": true,  //中小件產品維度-商務是否展示開關
  "jjShowFlag": true,  //中小件產品維度-經濟是否展示開關
  "wdShowFlag": true, //中小件產品維度-外單是否展示開關
  "todayTradeCleanRateShowFlag": true, //今日交易清理率展示開關
  "promotionTradeCleanRateShowFlag": true,//大促交易清理率展示開關
  "isDebug": true, //是否debug，目前還沒使用
  "isCacheOn": true, //是否打開緩存，默認開
  "isWriteMinuteAndHour": true, //是否雙寫分鐘表和小時表，代表是否寫 wms_order_analysis_report_minute_2023 和 wms_order_analysis_report_hour_2023
  "isMinuteWrite": true, //是否寫分鐘表wms_order_analysis_report_minute_2023 開關
  "isHourWrite": true, //是否寫wms_order_analysis_report_hour_2023 開關
  "isMinuteNotice": false, //是否分鐘表寫完發(fā)mq
  "isHourNotice": false,//是否小時表寫完發(fā)咚咚推送mq
 }

?

對比策略配置：

{
    "sTime": "2023-06-17 00:00:00", // 大屏策略時間開始
    "eTime": "2023-06-17 19:59:59", // 大屏策略時間結束
    "tbSTime": "2022-06-17 00:00:00", //同比開始
    "tbETime": "2022-06-17 19:59:59",//同比結束
    "hbSTime": "2022-11-10 00:00:00",//環(huán)比開始
    "hbETime": "2022-11-10 19:59:59",//環(huán)比結束
    "showType": "24h",//類型，24h同20h小時，都可以
    "special24hCompDateStr": "2022-06-17",//大促24h特殊對比日期，（4h，28h不使用） 主要影響預測；主要用作非 4h/28h 的預測不使用昨日了；
    "specialCompDateStr": ""       //大促4h/28h預測對比天數
}

2.6 數據監(jiān)控

多種驗證及監(jiān)控手段組合保證數據準確性

1）前端自動化模型，定時截取每個大屏關鍵節(jié)點截圖。

2）自動化抓包，分鐘級記錄接口調用情況，結合定時截圖，便用問題排查及定位。

3）大屏結果分鐘級落庫，并通過Grafana,創(chuàng)建大屏數據監(jiān)控看板，持續(xù)監(jiān)控大屏數據，通過異常拐點發(fā)現(xiàn)問題點，避免遺漏問題。并結合不同看板分析數據趨勢及變化原因。

4）結合大屏計算邏輯，通過京東動力搭建測試模型，做到自由指定時間計算大屏指標明細，驗證分析大屏數據。

?審核編輯 黃宇