作者：许亮
背景介绍
京东工业是独立出来成立的新事业群-京东工业事业群，包括工业品、工业服务、工业互联等四大板块业务。工业互联业务主要是搭建工业互联网平台，用于将实时现场工业数据汇入平台进行分析，做数据智能工作。目前支持业务有国家电网管理平台、综合能源、碳中和交易、电力交易等业务。本文重点介绍下京东云
ClickHouse（JCHDB）在京东工业的综合能源领域的应用。工业互联网场景的数据主要有如下三个特点：
一、数据量大。
微型的客户几百个设备，大型的客户十几万个仪表设备，上报频率每分钟1~60条不等，上报数据量很大。
二、查询实时性要求高。
大部分客户将大屏实时应用当做实时仪表盘用，随时盯盘，使用上最高频的应用就是实时应用。
三、数据一致性要求高。
会经常发生底层环境的变动导致难以预料的脏数据，但是客户不允许错。比如设备错乱，出现过一堆设备部署错位置，导致很长一段时间上报数据都是数值错位；再比如新加字段，客户全局更新设备，导致需要引入新字段；或者更换单位，将t/h 转换成 kg/h，数值瞬间放大1000倍。
技术架构
由于业务架构的演进，工业互联网平台也经历了以下技术架构的演进。
架构1.0 存储聚合分离
第一代架构
第一代的整体架构如下图，分为数据过滤、数据处理引擎、Influxdb和Kylin几个重要的组成部分。
数据过滤。
1、策略工厂过滤脏数据。通过全局通用规则+企业特定个性化规则来过滤。
2.、异常处理流程。可能前方环境变化导致误判，需要将异常数据转发暂存。
数据处理引擎
1、维度和特征拉宽。
如设备维度、组织架构维度、告警规则等，用于OLAP和算法模型
2、数据差分。
如流量、电量等维度，方便复杂的查询瞬时状态以及复杂聚合抗中间数据丢失
3、预警告警。
监测非脏数据是否触发 企业设定的告警规则触发告警处理流程
Influxdb
明细时序数据落库
Kylin
查询聚合数据数据
业务表现和感受
Kylin实际业务表现：
1、需要提前搭建依赖的各种hadoop环境，运维压力大。
2、 需要提前预设好所有的cube、dimension、measures等等组合关系，上线后不能改
3、仅仅是基于预计算的查询引擎，并不存储数据，导致无法查询历史明细数据
Influxdb实际业务表现：
1、 当时分布式版本还没开源，运维当时大部分没听说过这个新东西；
2、 配套工具和文档很难找，入门困难，概念有点复杂，tag、series、fields…；
3、 聚合查询性能坑爹，明细查询几乎无提升；
4、没有大厂核心应用背书。
综合感受：
1、 运维负担大：运维两套数据库，且kylin在性能一般的测试环境经常宕机
2、 使用难度大：需要区分是查询明细还是聚合数据
3、数据一致性难保证：物联网和工业场景经常需要改数据
4、架构基本满足需求，但是缺点大于优点，需要更好的架构方案
架构2.0 ClickHouse合二为一
第二代架构希望解决第一代的架构三个的痛点：一、运维负担重，2套存储框架；二、使用负担大,查询需要分数据源；三、数据一致性维护困难。
第二代架构使用的是ClickHouse官方推荐实践：Kafka引擎表+物化流程+本地表+分布式表
第二代架构优缺点分析：
优点：1、解决所有痛点，一套方案解决。2、性能优秀。支持稳定大吞吐量数据写入，满足做中台建设的基础存储要求；超高的数据压缩率，节省磁盘存储；合理设置索引后，数据查询速度极快
缺点：1、数据量巨大；2、QPS不高，无法toC。
业务表现
实践感受有三点：
一、 架构清晰简洁。最简单的多主分片结构，只依赖个zk，任何运维半天都能搭起来。
二、 一站式方案，既能存数据，有能查数据，而且内部默认对查询的性能优化就很好。
三、Sql友好，只要有mysql的基本技能就无缝衔接到ClickHouse的使用，没有入门门槛。
总结一下，ClickHouse是很优秀的存储查询一揽子方案，对于需要大量group by和排序的聚合查询场景是几乎不二选择。对DBMS的支持目前也是够用的，像mysql的一样使用感受大大降低运维、研发等的使用门槛。
新的问题
大屏应用遭遇性能瓶颈
主要瓶颈如下：
一、瞬时查询数吞吐量大
数据基本按照日分区，如果切换到“年”，那么该接口就要瞬间聚合365个分区的数据，接口延时5~10s
二、瞬时查询QPS高：
大屏应用组件奇多，粗粗一算，刷新首页大屏瞬间十几个sql就提交到ClickHouse，如果都是跨越365分区的按年查询，压力更是暴增。
官方建议每秒最多查询100次。
基于以上原因，下一代开始考虑尝试架构实时数仓：生产和消费相分离
架构3.0 ClickHouse+实时数仓
第三代架构如下：
DWD 明细数据层：
1、 分主题的明细大宽表数据。
业务上解耦拆分大宽表。
2、 维度数据。
更建议提前维度拉宽，避免join；可以预留备用字段，业务上mapping使用。
DWS 数据聚合层：
1、物化流程聚合
AggregatingMergeTree
面向：针对明细数据不经常修改的场景
优点：实现简单快速，性能丝滑，查询优化明显
缺点：明细数据发生变更，需要时间评估和修复
2、定时任务调度
脚本或者可视化任务上下线调度
面向：针对明细数据经常修改的场景,需要强数据一致性
优点：数据一致性随时可以保证
缺点：需要前期建设工作，包括分析提炼业务数据模式等
ADS数据应用层
1、数据生产消费解耦层：使用redis，按照QPS 5W+设计
2、数据应用：直接使用redis里的数据，不需要访问下层数仓。
ClickHouse 实践总结
ClickHouse的适用场景
一、复杂查询聚合的OLAP场景，基本不支持OLTP场景
典型特征是存在大量的group by、order by运算。
二、需要支持稳定大量数据写入。
ClickHouse一般可以支持每秒几百MB的数据量写入，优化过的更高。
三、不需要高频的查询。
裸奔使用，官方建议每秒最多查询100次，但是按照上述实时数仓方案优化过会大大提升。最适合在内部运营人员内部使用的场景上落地。
四、当你OLAP聚合之外，也需要明细查询的场景，这是优秀的方案。
五、其它：
不需要高级的DBMS功能，如事务性；不需要经常很复杂的表间操作，比如join。
京东云ClickHouse的最佳实践总结
一、官方提供的 kafka引擎表+物化流程+本地表+分布式表 的大宽表使用流程。
尽可能使用提前的维度拉宽+大宽表+合理物化ETL流程解决问题，而不是复杂的表间join。
使用好大量的mergeTree家族的不同表引擎，比如在数据去重，数据聚合等等特殊场景。
二、所有的数据库方案都是数据仓库解决方案的一部分，需要站在数据仓库的高度上去想问题。
没有绝对的银弹可以解决所有数据问题，合理搭配去使用数据库，扬长避短，各司其职。
