Arctic —— 网易开源的流式湖仓服务

Arctic 是由网易开源的流式湖仓系统，Arctic 在 Iceberg 和 Hive 之上添加了更多实时场景的能力，并且面向 DataOps 提供流批统一，开箱即用的元数据服务，让数据湖更加好用和实用。

概述

Arctic 是搭建在 Apache Iceberg 表格式之上的流式湖仓服务（Streaming LakeHouse Service）。通过 Arctic，用户可以在 Flink、Spark、Trino 等引擎上实现更加优化的 CDC，流式更新，OLAP 等功能， 结合数据湖高效的离线处理能力，Arctic 能够服务于更多流批混用的场景；同时，Arctic 的结构自优化、并发冲突解决以及标准化的湖仓管理功能，可以有效减少用户在数据湖管理和优化上的负担。  

Arctic 服务通过部署 AMS 来展现，AMS 可以认为是 HMS（Hive Metastore）的下一代产品，或者是面向 Iceberg 的 HMS。 Arctic 依赖 Iceberg 作为基础表格式，但 Arctic 没有侵入 Iceberg 实现，而是将 Iceberg 作为一个 Lib 使用， 在 Flink、Spark、Trino 等计算引擎来看，Arctic 首先是一个独立数据源，具有流式湖仓的特性， 其次也可以将 Arctic 表当做一个或多个 Iceberg 表来使用，考虑到 Hive 依然有很大的用户体量， Arctic 在设计时考虑了 Hive 的兼容性。Arctic 开放的叠加式架构，可以帮助已具规模的离线数据湖快速批量升级为实时数据湖， 而不用担心和原有数据湖的兼容性问题，让数据湖满足更多实时分析，实时风控，实时训练，特征工程等场景。

Arctic 特性

• 基于主键高效地流式更新
• 数据自动分桶，结构自优化（self-optimized）
• 支持将数据湖和消息队列封装成统一的表，实现更低延迟的流批一体
• 提供流式数仓标准化的度量，dashboard 和相关管理工具
• 支持 Spark 和 Flink 读写数据，支持 Trino 查询数据
• 百分百兼容 Iceberg / Hive 的表格式和语法
• 为流批并发写入提供事务性保障

架构与概念

Arctic 的组件包括 AMS，optimizer 以及 dashboard，如下所示： 

AMS

Arctic Meta Service，在 Arctic 架构中，AMS 定义为新一代 HMS，AMS 管理 Arctic 所有 schema，向计算引擎提供元数据服务和事务 API，以及负责触发后台结构优化任务。

Transaction

Arctic 将一次数据提交定义为事务，并且保障流和批并发写入下的事务一致性语义，与 Iceberg 提供的 ACID 不同，Arctic 因为支持 CDC 摄取和流式更新，需要保障基于主键的数据一致性。

Tablestore

Tablestore 是 Arctic 在数据湖上存储的表格式实体，Tablestore 类似于数据库中的 cluster index，代表独立的存储结构，一个 Tablestore 是一张 Iceberg 表，数据流式写入和批式写入会分别进入 Arctic 的 Changestore 和 Basestore，在查询时 Arctic 会在多个 Tablestore 上提供整合的视图，后续在 Arctic 上扩展 sort key 或 aggregate key 也将通过扩展 Tablestore 来实现。

Optimizing

Arctic 作为流式湖仓服务，会在后台持续进行文件结构优化操作，并致力于这些优化任务的可视化和可测量，优化操作包括但不限于小文件合并，数据分区，数据在 Tablestore 之间的合并转化。

• Optimizing planner 决定了优化任务的调度策略，Arctic 支持在表属性中设置 quota，以此影响 Optimizing planner 在单表结构优化占用的资源。
• Optimizer container 是 optimizing 任务调度的容器，目前支持两种调度：standalone 和 yarn，standalone 在 AMS 本地调度，适合测试，arctic 支持用户扩展 optimizer container 实现。
• Optimizer group 用于资源隔离，optimizing container 下可以设置一个或多个 optimizer group，也可以通过 optimizer group 保障优先级，在 yarn 上 optimizer container 对应队列。