大数据总线平台DBus设计思路与工作原理

问题导读

1.传统数据同步的方法有哪些及对应的缺点是什么？
2.DBUS主要分成哪几部分？
3.DBUS源端数据采集主要模块有哪些？
4.多租户数据分发主要功能有哪些？

一、背景
企业中大量业务数据保存在各个业务系统数据库中，过去通常的同步数据的方法有很多种，比如：

各个数据使用方在业务低峰期各种抽取所需数据（缺点是存在重复抽取而且数据不一致）
由统一的数仓平台通过sqoop到各个系统中抽取数据（缺点是sqoop抽取方法时效性差，一般都是T+1的时效性）
基于trigger或时间戳的方式获得增量的变更（缺点是对业务方侵入性大，带来性能损失等）

这些方案都不能算完美，我们在了解和考虑了不同实现方式后，认为要想同时解决数据一致性和实时性，比较合理的方法应该是基于日志的解决方案，同时能够提供消息订阅的方式给下游系统使用。

DBus（数据总线）项目就是应这个需求而生的，DBus专注于数据的收集及实时数据流计算，通过简单灵活的配置，以无侵入的方式对源端数据进行采集，采用高可用的流式计算框架，对公司各个IT系统在业务流程中产生的数据进行汇聚，经过转换处理后成为统一JSON的数据格式（UMS），提供给不同数据使用方订阅和消费，充当数仓平台、大数据分析平台、实时报表和实时营销等业务的数据源。

二、系统架构和工作原理
DBUS主要分为两个部分：貼源数据采集和多租户数据分发。两个部分之间以Kafka为媒介进行衔接。无多租户资源、数据隔离需求的用户，可以直接消费源端数据采集这一级输出到kafka的数据，无需再配置多租户数据分发。

2.1 DBUS源端数据采集
DBUS源端数据采集大体来说分为2部分：

读取RDBMS增量日志的方式来实时获取增量数据日志，并支持全量拉取；
基于logtash，flume，filebeat等抓取工具来实时获得数据，以可视化的方式对数据进行结构化输出。

以下为具体实现原理

主要模块如下：

日志抓取模块：从RDBMS的备库中读取增量日志，并实时同步到kafka中；
增量转换模块：将增量数据实时转换为UMS数据，处理schema变更，脱敏等；
全量抽取程序：将全量数据从RDBMS备库拉取并转换为UMS数据；
日志算子处理模块：将来自不同抓取端的日志数据按照算子规则进行结构化处理；
心跳监控模块：对于RDMS类源，定时向源端发送心跳数据，并在末端进行监控，发送预警通知；对于日志类，直接在末端监控预警。
web管理模块：管理所有相关模块。

2.2 多租户数据分发
对于不同租户对不同源端数据有不同访问权限、脱敏需求的情形，需要引入Router分发模块，将源端貼源数据，根据配置好的权限、用户有权获取的源端表、不同脱敏规则等，分发到分配给租户的Topic。这一级的引入，在DBUS管理系统中，涉及到用户管理、Sink管理、资源分配、脱敏配置等。不同项目消费分配给他的topic。

主要功能：

无侵入方式接入多种数据源：业务系统无需任何修改，以无侵入性读取数据库系统的日志获得增量数据实时变化。目前RDBMS支持mysql，oracle数据源（Oracle数据源请参考Oracle相关协议），日志方面支持基于logstash，flume和filebeat的多种数据日志抽取方案。
海量数据实时传输：使用基于Storm的流式计算框架，秒级延时，整体无单点保证高可用性。
多租户支持：提供用户管理、资源分配、Topology管理、租户表管理等丰富的功能，可根据需求，为不同租户分配不同的源端表数据访问权限，应用不同的脱敏规则，从而实现多租户资源隔离、差异化数据安全。