多站点和多区域联合

许多复杂的解决方案需要相同的事件流供多个位置使用,或者需要在多个位置收集事件流,然后合并到特定位置以供使用。 此外,也需要在单个区域和解决方案中扩充或减少事件流,或者转换事件格式。

实际上,这意味着解决方案将维护多个事件中心(通常位于不同的区域和事件中心命名空间中),然后在这些事件中心之间复制事件。 还可以与源和目标(例如 Azure 服务总线Apache Kafka)交换事件。

如果在不同的区域中维护多个活动的事件中心,在合并事件中心的内容时客户端可以选择这些事件中心并在它们之间切换,从而可以提高整个系统应对区域可用性问题的复原能力。

本章内容介绍了联合模式,以及如何使用无服务器 Azure 流分析Azure Functions 运行时来实现这些模式,并且可以选择在事件流路径中使用自己的转换或扩充代码。

联合模式

你可能会因为很多潜在原因而需要在不同的事件中心或其他源和目标之间移动事件,我们在本节中将列举了最重要的模式,同时链接到对各个模式更详细的指导。

针对区域可用性事件的复原能力

区域可用性

虽然最大可用性和可靠性是事件中心的最高操作优先级,不过仍有许多情况下,生成者或使用者可能由于网络或名称解析问题而无法与其分配的“主要”事件中心通信,或者事件中心确实可能暂时无响应或返回错误。

这种情况并不是“灾难性的”,你不会像在灾难恢复情况下那样想要完全放弃区域部署,但是一些应用程序的业务场景可能已经受到持续时间不超过几分钟甚至几秒钟的可用性事件的影响。

可以通过两种基本模式来处理此类方案:

  • 复制模式与将主要事件中心的内容复制到次要事件中心有关,其中,应用程序通常使用主要事件中心来生成和使用事件,而次要事件中心则在主要事件中心不可用时用作回退选项。 由于复制是从主中心到辅助中心单向复制的,创建器和使用者从不可用的主中心切换到辅助中心,将会导致旧的主中心不再接收新的事件,因此它将不再是最新的。 因此,纯复制仅适用于单向故障转移方案。 执行故障转移后,旧的主要事件中心将被放弃,并且需要在另一个目标区域中创建新的次要事件中心。
  • 合并模式将连续合并两个或更多事件中心的内容,扩展了复制模式。 最初生成到方案中的其中一个事件中心的每个事件都将复制到其他的事件中心。 在复制事件时,将为事件加上批注,以便复制目标的复制进程随后略过这些事件。 使用合并模式的结果是两个或更多事件中心,将以最终一致的方式包含相同的事件集。

无论是哪种情况,事件中心的内容都将不相同。 来自任何一个创建器并按相同分区键分组的事件将按最初提交的相对顺序显示,但事件的绝对顺序可能会有所不同。 对于源事件中心和目标事件中心的分区计数不同的情况,尤其如此,这对于此处所述的几种扩展模式而言是理想的。 拆分器或路由器可以获取大得多的事件中心(包含数百个分区)的一部分,并将其传送到仅包含少量分区的更小事件中心,这更适合用于通过有限的处理资源来处理子集。 相反,合并可将多个较小事件中心的数据传送到单个包含更多分区的较大事件中心,以应对合并的吞吐量和处理需求。

将事件保持在一起的标准是分区键,而不是原始分区 ID。 复制模式说明中介绍了有关相对顺序的其他注意事项,以及如何在不依赖于相同范围的流偏移量的情况下,从一个事件中心故障转移到下一个事件中心。

指南:

延迟优化

延迟优化

事件流由创建器写入一次,但事件使用者可以读取任意次数。 对于某个区域中的事件流由多个使用者共享,并且需要在位于不同区域的分析处理过程中反复访问的情况,或者在可能耗尽并行使用者的整个需求中,将事件流的副本放在分析处理器附近以减少往返延迟,这样做可能是比较好的做法。

在跨区域远程使用事件时,应优先使用复制,这特别适合区域非常远的情况,例如,欧洲和澳大利亚在地球上的地理位置几乎是跨轴相对的,而且网络延迟在任何往返行程中很容易就超过 250 毫秒。 你无法加快光的速度,但是可以减少与数据进行交互的高延迟往返次数。

指南:

验证、减少和扩充

验证、减少、扩充

事件流可能由你自己的解决方案外部的客户端提交到事件中心。 此类事件流可能要求检查外部提交的事件是否符合指定的架构,以及要删除不符合规范的事件。

许多“物联网”方案中使用的是按流量计费方式而使客户端的带宽极度受限,或者事件最初是通过数据包大小受限的非 IP 网络发送,在这些情况中,则可能必须使用引用数据来扩充事件,以便添加更多上下文,使其可供下游事件处理器使用。

在其他情况下,尤其是在合并流时,可能需要通过省略一些细节来降低事件数据的复杂性或大小。

在复制、合并或合并流时,可能会需要进行以上一些操作。

指南:

与分析服务集成

与分析服务集成

Azure 的多个云原生分析服务(如 Azure 流分析或 Azure Synapse)最适用于从 Azure 事件中心提供的流式处理或预先批处理数据,Azure 事件中心还可以与多个开源分析包(如 Apache Samza、Apache Flink、Apache Spark 和 Apache Storm)集成。

如果你的解决方案主要使用服务总线或事件网格,你可以让这些事件可供此类分析系统轻松访问,并且还可供使用“事件中心捕获”功能进行存档(如果将其传送到事件中心)。 事件网格原生就能使用其事件中心集成来实现此目的。对于服务总线,请遵循服务总线复制指导

Azure 流分析直接与事件中心集成

指南:

事件流的合并和规范化

事件流的合并和规范化

全球解决方案通常由独立性较大的区域占用(包括具备独立的处理能力)组成,但是从区域和全球的角度来看需要集成,因此需要对相同的事件流进行中央合并,并在各自的区域占用中从本地视角进行评估。

规范化是合并方案的一种形式,其中两个或多个传入的事件流携带相同类型的事件,但具有不同的结构或不同的编码,并且必须先对事件进行转码或转换,然后才能使用它们。

规范化还可以包括加密工作,例如解密端到端的加密有效负载,并使用不同的密钥和算法为下游使用者受众进行重新加密。

指南:

拆分和路由事件流

拆分和路由事件流

Azure 事件中心偶尔用于“发布-订阅”式方案,其中引入事件的传入量远远超过了 Azure 服务总线或 Azure 事件网格的容量,这两者都具有原生发布-订阅筛选和分发功能,并且是此模式的首选。

虽然真正的“发布-订阅”功能使订阅者能够选择事件,但拆分模式则是让创建器通过预定义的分布模型将事件映射到分区,然后指定的使用者从“他们”的分区以专有方式提取。 由于事件中心会缓冲总体流量,因此,特定分区(代表原始吞吐量卷的一小部分)的内容随后可以复制到队列中,供竞争性使用者在其事务中可靠使用。

许多方案中,事件中心主要用于在某个区域内的应用程序中移动事件,其中在某些情况下,只需从单个分区中选择事件,也可以在其他位置使用。 此方案类似于拆分方案,但可能使用可缩放的路由器。该路由器会考虑进入事件中心的所有消息,挑选少量的消息进行前向路由,并按照事件元数据或内容来区分路由目标。

指南:

日志投影

日志投影

在某些方案中,你会想要访问为事件的任何子流发送的最新值,并经常通过分区键来区分。 在 Apache Kafka 中,这通常通过启用主题的“日志压缩”实现,除标记有任何唯一键的最新事件之外,其他所有事件都将丢弃。 日志压缩方法有三个复合缺点:

  • 压缩需要连续重组日志,这样的操作对于一个经过优化后仅限追加工作负荷的中转站来说过于昂贵。
  • 压缩具有破坏性,不允许对同一流进行压缩和非压缩。
  • 压缩的流仍具有顺序访问模型,这表示在最坏的情况下,在日志中找到所需的值需要读取整个日志,但是,这种情况通常会得到优化,实现这里提出的精确模式:将日志内容投射到数据库或缓存中。

最终,压缩的日志是键-值存储,因此它是这种存储最不理想的实现方案。 对于查找和查询来说,更有效的方式是创建一个永久的日志投影到一个适当的键-值存储或其他数据库上并使用它。

由于事件是不可变的,并且顺序始终保留在日志中,因此日志到键-值存储中的任何投影对于同一范围的事件始终是相同的,这意味着,一直保持更新的投影将始终具有权威性,并且永远不会在投影生成后从日志内容重新生成。

指南:

复制应用程序技术

实现上述模式需要为要配置和运行的复制任务提供可缩放且可靠的执行环境。 在 Azure 上,最适合此类任务的运行时环境是 Azure 流分析(用于有状态流复制任务)和 Azure Functions(用于无状态复制任务)。

Azure 流分析中的有状态复制应用程序

对于需要考虑事件间关系、创建复合事件、扩充事件或减少事件、创建数据聚合和转换事件负载的有状态复制应用程序,Azure 流分析是最佳的选择。

在 Azure 流分析中,你将创建作业用于集成输入输出,并通过查询来集成输入中的数据,从而在输出上提供结果。

查询基于 SQL 查询语言,可用于对某个时段的流数据轻松进行筛选、排序、聚合和联接。 还可以使用 JavaScript 扩展此 SQL 语言。 通过简单的语言构造和/或配置执行聚合操作时,可以轻松地调整事件排序选项和时段的持续时间。

每个作业都有一个或多个转换后数据的输出,你可以针对所要分析的信息控制过程。 例如,你能够:

  • 将数据发送到 Azure Functions、服务总线主题或队列等服务,以触发下游的通信或自定义工作流。
  • 将数据发送到 Power BI 仪表板进行实时仪表板操作。
  • 将数据存储到其他 Azure 存储服务(例如 Azure Data Lake、Azure Synapse Analytics 等)中,基于历史数据庞大的索引池执行批处理分析或训练机器学习模型。
  • 将投影(也称为“具体化视图”)存储在数据库(SQL 数据库)中。

Azure Functions 中的无状态复制应用程序

对于无状态复制任务,如果你想转发事件而不考虑它们的有效负载,或者单独处理它们而不必考虑事件的关系(除了它们的相对顺序外),那么你可以使用具有高灵活性的 Azure Functions。

Azure Functions 为 Azure 事件中心Azure IoT 中心Azure 服务总线Azure 事件网格Azure 队列存储提供了预生成、可扩展的触发器和输出绑定,为 RabbitMQApache Kafka 提供了自定义扩展。 大多数触发器将根据记录的指标通过纵向扩展和缩减并发执行实例的数量来动态适应吞吐量需求。

对于生成日志投影,Azure Functions 支持 Azure Cosmos DBAzure 表存储的输出绑定。

Azure Functions 可以在 Azure 托管标识 下运行,因此,它可以在 Azure 密钥保管库内访问控制严格的存储中保存凭据的配置值。

Azure Functions 还允许复制任务直接与 Azure 虚拟网络和所有 Azure 消息传送服务的服务终结点集成,且 Azure Functions 已与 Azure Monitor 集成。

通过 Azure Functions 使用计划,预生成的触发器甚至可以在没有消息可供复制的情况下缩减为零,这意味着你不需要为使配置准备好回缩负担任何成本;使用计划的关键不足在于,从这种状态下“唤醒”复制任务的延迟明显高于保持基础设施运行的托管计划。

与所有这些不同的是,用于消息传递和事件处理的最常见的复制引擎(例如 Apache Kafka 的 MirrorMaker)需要你提供一个主机环境并自行缩放复制引擎。 这包括配置和集成安全性和网络功能以及辅助监视数据流,你仍然没有机会将自定义复制任务注入到流中。

在 Azure Functions 和 Azure 流分析之间进行选择

每当你需要在复制事件的同时处理事件的有效负载时,Azure 流分析 (ASA) 都是最佳选择。 ASA 可以逐个复制事件,也可以创建聚合,以便在转接事件流之前对其信息进行紧缩。 它可以依赖 Azure Blob 存储或Azure SQL 数据库中保存的补充引用数据,而不必将此类数据导入流中。

借助 ASA,你可以轻松地在超大规模数据库中创建流的具体化视图,体现流的持续性。 这种方法比笨拙的 Apache Kafka“日志压缩”模型以及 Kafka Streams 的易失性客户端表投影要优越得多。

对于你想要在不触及有效负载的情况下“按原样”复制事件流,或者需要实施路由器、执行加密操作、更改有效负载编码或需要对数据流内容进行完全控制的所有复制任务,Azure Functions 就是最佳选项。

后续步骤

本文介绍了一系列联合模式,并解释了 Azure Functions 在 Azure 中作为事件和消息复制运行时的作用。

接下来,需要了解如何使用 Azure 流分析或 Azure Functions 设置复制器应用程序,以及如何在事件中心和各种其他事件和消息传递系统之间复制事件流: