根据美团等其他公司在Kylin社区的公开分享资料，跨HBase集群升级方案需要在新集群重新构建历史的Cube，或者有一段时间的服务停止。

小米在Kylin生产环境的跨HBase集群迁移中实现了无中断的平滑迁移，对业务的影响减到最低。

背景     

小米Kylin生产环境部署的是基于社区2.5.2修改的内部版本，所依赖HBase集群是一个公共集群，小米内部很多离线计算服务共享使用该HBase集群。由于Kylin已经产生超过6000张HBase表，给HBase的metadata管理造成了不小的压力，HBase metadata节点异常恢复的速度也受到极大的影响。随着业务的增长，Kylin HBase表继续快速增长，HBase集群的运维压力也越来越大。

为了应对快速增长的业务需求，我们决定将Kylin使用的HBase集群独立运维。同时，公共集群的HBase是基于社区0.98.11的小米内部版本，版本较旧。在集群独立过程中，HBase团队推荐使用最新基于社区2.2.0的小米内部版本 ，升级后HBase对超大metadata的管理也更友好。 

目标与挑战     

小米Kylin生产环境上运行着超过50个项目、300多个cube，服务于很多在线的BI或报表系统。本次升级希望尽量减小对业务的影响：

1. 迁移数据和切换集群期间，查询服务不中断；
2. 项目、数据模型和cube的新增、更改、发起构建、发起合并等操作不受影响；
3. 数据构建任务可延后调度，但不能超过天级别；

Kylin存储在HBase中的数据主要有两类：Kylin metadata(元数据)、Cube预计算数据。

元数据中存储着所有的用户、项目和数据模型的信息；数据模型对应的结果数据表；数据任务的执行参数、状态和日志；查询使用的词典等重要信息。由于我们接入了很多自动化BI系统，这部分信息随时在变化。

Cube预计算数据是查询使用的结果数据，每一个segment对应着一张数据表，预计算的数据表生成之后不会变化。我们虽然可以通过HBase snapshot复制后在新集群restore的方式将数据复制到新的集群，但是由于生产环境的Kylin中的数据表比较多，且以每天400张的速度不断生成（注：因为有合并和过期删除策略，每天数据表的增加数量要少于400）。新的数据表生成后会在metadata中标记为可查询，若此时数据表的同步未完成，就会导致查询失败。

我们面对挑战是如何保障数据迁移的过程中的服务可用性：

1. Kylin metadata不断变化，Cube预计算数据存量巨大且在持续增加；
2. metadata可以做到秒级别同步，Cube预计算数据只能做到天级别（存量）和小时级别（增量）的同步；
3. metadata新旧集群保证一致，Cube预计算数据迁移过程中保障可用；

如下图所示：

图1-通常方案的问题 

迁移方案     

因为我们维护了基于Kylin-2.5.2的内部版本，希望通过修改代码实现平滑迁移，其关键点是：

1、通过HBase replication保证新旧集群Kylin metadata的数据同步

Kylin的meta信息存储在HBase的kylin_metadata表中，两个集群的此表保持同步更新。

2、Kylin支持连接多个HBase集群

查询时如果在首选HBase中找不到需要的HTable，则回退到备选HBase集群。（已提交社区：KYLIN-4175）

3、 任务调度支持安全模式

安全模式下，用户可继续提交构建任务，且已在调度中的任务可以继续执行，但新提交的任务暂缓调度。（已提交社区：KYLIN-4178）迁移示意图如下：

图2-支持secondary HBase方案

除了上述关键点，还需要注意一些细节问题。

1. 超大metadata的数据迁移 

超过阈值（默认为10MB）的metadata存储在HBase依赖的HDFS上，需要手动迁移这部分数据。我们通过Hadoop distcp来迁移此部分数据。

2. coprocessor的更新 

Kylin使用了HBase的coprocessor机制，在执行查询的时候扫描HBase的数据。起初我们认为可以使用兼容HBase 0.98和2.2的coprocessor，实际测试中发现需要更新为支持HBase2.2的coprocessor。Kylin提供了工具来进行批量的更新。

构建基于HBase 2.2的Kylin，需要基于社区的2.5.x-hadoop3.1或2.6.x-hadoop3.1分支。我们选择从Hadoop3.1的分支上移植相关特性。相关的JIRA有：KYLIN-2565、KYLIN-3518

>>>>迁移步骤

具体迁移步骤如下：

• HBase团队搭建好基于HBase 2.2的独立HBase集群
• HBase团队添加新老集群kylin_metadata表的异步replication；
• HBase团队通过snapshot + restore同步HBase其他表，并更新coprocessor；
• 在测试节点上回放生产环境查询请求，验证新集群HBase数据表可正常提供查询；
• 开启JobServer的安全模式，禁用新的任务调度；
• 滚动升级QueryServer，切换至兼容新旧HBase；
• 等待安全模式下所有任务运行完成，切换JobServer至新HBase并关闭安全模式；
• 等待表全部迁移完成，使用KylinHealthCheck工具检查HBase表，确认所有在用cube segment对应的HBase表存在；
• 检查确认后，从Kylin去除旧HBase集群配置；
• 旧HBase集群数据保留一段时间，最后清理删除。

  问题&解决     

在演练和执行的过程中，我们遇到了如下的一些问题：

>>>>Kylin metadata的一致性验证

Metadata作为最重要的HBase表，影响着Kylin的主要功能。虽然有HBase replication来保证数据同步，也最好双重确认来保障服务可用性。

我们在Kylin中开发了一个脚本来批量对比两个meta表，通过扫描meta表所有的键值和时间戳来发现差异。在初期确实发现了差异，也依此来修正了replication的配置。在HBase团队的协助下，该表做到了实时的同步。

>>>>新HBase数据表的可用性验证

为了验证新集群的数据可用性，我们启动了一个测试的Kylin实例用以模拟兼容多个HBase集群的查询。测试实例不直接对用户服务，而是通过回放SQL query来进行可用性测试。回放测试自动验证查询是否正常返回。

这种测试方式弥补了回归测试用例覆盖范围的不足，通过测试我们确实发现了隐藏的问题并进行了修复。在生产环境的切换中，未发生新的问题。

>>>>HBase2 protobuf变更带来的影响

测试中发现，若HBase返回数据量较大时会查询报错，提示消息的长度超过限制：

InvalidProtocolBufferException:Protocol message was too large. May be malicious.

在查询时，HBase和Kylin之间的数据发送通过protobuf序列化。HBase 2修改了返回数据的方式，从一次性返回变成了流式的返回，从而触发了protobuf的长度检查逻辑。这个长度在protobuf 3之前的版本被限制为64M，支持通过setSizeLimit()方法来修改。

实际上，大多数Hadoop项目都会使用shaded protobuf并修改这个限制。由于Kylin项目中未使用自己打包的protobuf，因此这里需要通过接口修改长度限制。

相关讨论见：KYLIN-3973。

>>>>HBase写大文件的异常

当Cube的预计算结果数据量比较大，单HBase region的文件大小超过配置的阈值时，向HBase 2.2写文件会造成海量的小文件。这一步发生在将计算的结果转换为HFile时，此步骤的任务执行时间也比较长。这是由HBase 2.2的BUG导致，HBase的修复方案已合入最新分支。可以移植该patch以解决问题，也修改配置hbase.hregion.max.filesize来解决。

相关讨论见：HBASE-22887、KYLIN-4292、KYLIN-4293。

>>>>部分数据构建任务失败

迁移过程中有两种数据构建任务的失败：包更新导致的失败、segment合并的失败。

由于Kylin的任务机制，在提交任务的时候就已经指定了使用的jar包的绝对路径。如果Kylin的依赖升级后，jar包版本号发生了变化，就会导致执行异常。社区版本尚未修复，可以通过保留原来版本的文件来避免该问题。相关讨论见：KYLIN-4268。

另外，多集群的HBase配置仅支持了查询引擎，在合并最新生成的HBase表时会出现异常。我们认为segment合并可以接受一定时间的延迟，在HBase表同步完成后再触发相关合并操作即可。

总结与展望

本次Kylin的HBase跨集群迁移和版本升级的挑战点是如何保证对用户的影响最小。迁移的重点是设计一个高效迁移方案、保证迁移过程的数据一致性和正确性、保证测试方案的完整覆盖，同时需要设计执行过程中的异常情况的判定和处理机制。

最后的Kylin滚动升级过程耗时2小时，也就意味着用户作业的调度延后为2小时。基于前期的大量工作，最终实现了对业务的影响最小。我们在维护的内部版本的基础上，通过技术修改优雅解决问题，相关成果也反馈给社区。

>>>>后续改进

目前使用HBase作为Kylin的预计算结果存储有着诸多问题。除了本文提到的海量表，还包括不支持第二索引、查询引擎无法分布式、扫描表的数据量和时间存在限制等问题，这些都限制了Kylin的能力。社区正在实现Kylin on Parquet的方案，数据存储使用Parquet，查询引擎使用SparkSQL，此方案能够极大的提升Kylin的能力。我们期待该方案的落地，也会积极的参与相关讨论、开发和测试。

致谢

感谢HBase团队同学在迁移期间的给力支持！

关于我们
小米云平台计算平台团队，负责为小米集团各业务线提供高品质的弹性调度和计算服务。包括离线平台（Spark，Hadoop Yarn，Kylin，Drois等），流式平台（Kafka，Flink及自研Talos等），弹性平台（Docker，Kubernetes等）。武汉团队主要负责Kylin、Druid等OLAP引擎开发。