千万级GPS数据接入案例分享

业务背景：

项目需要接入全省的GPS数据（数据量从一开始的1000w+ 到 现在的 4000w+），原始数据存于Datahub中。

GPS数据的使用场景：

1.地图撒点（最新GPS点位）

2.统计车辆当日车辆和在线数

3.历史轨迹（按时间查询点位列表）

4.实时跟踪（后端主动推送实时点位信息）

5.报废车辆报警 （根据报废车辆信息生成告警）

6.围栏管控（根据GPS信息与围栏规则进行计算）

…………

业务分析：

GPS撒点：只取最新的GPS数据，查询频率较高，条件也较为复杂，因此原始数据尽量要少，能够直接满足我们查询需求。 针对业务场景，新建一张GPS_CURRENT表，表中只存每辆车的最新GPS点位，根据车辆ID新增/更新，同时根据车辆ID关联出区域，类型等信息，以满足我们撒点的查询需求。

历史轨迹： 由于每日的数据量在千万级，使用传统MYSQL数据库，存在极大的存储和查询压力，因此首先要考虑的是，我们的存储极限在哪里，与产品协商后，仅保留7天数据，而7天的数据也有2亿+的数据量，单表还是比较吃力的，因此考虑到作分区表，较为理想的情况是每个分区数据在千万级，5G以内； 轨迹的查询条件比较清晰，根据车牌ID + 时间范围作为查询条件， 因此分区条件必然在这两个字段中产生，由于我们需要定时按时间清理分区，使用时间作为分区字段，我们可以很方便的使用drop分区的方式达到清理历史数据的效果，而车辆ID作为条件则不能，因此选用时间作为分区字段。

因此我们需要两张表：

gps_current： 根据车辆ID进行插入或更新，用于撒点，在线统计等

gps_log：以时间为分区字段，用于轨迹查询

方案：

version.1

// datahub 协同消费代码RecordEntryrecord=consumer.read(maxRetry);

该方案是需求最平铺直叙的表达，很快就遇到了问题 —— 消费速度无法跟上生产速度。

version.2

在version.1的基础上，增加队列机制，使gps_log插入变为batchInsert， gps_current的insertOnDuplicate 变为 batchInsertOnDuplicate。

在某一次版本后， 我们修改过滤条件， 由原先的只处理危货车 且 速度不为0的数据 变更为 处理危货/包车/客车 数据，且去掉速度的过滤条件后， 终于，在某天这套方案的消费能力也开始捉襟见肘。

version.3

重新梳理业务后，我们把业务划分为两类： 需要较高的实时性的 和 能够接收一定延时的

因此我们先将gps_current相关的消费服务独立消费并拆分为单独的服务部署，在拆分独立服务后，gps_current相关的消费能力于原先等到了数十倍的提升。

原先我们gps消费是放在compute服务， 这个服务中有大量的datahub消费服务和计算服务，且存在一定线程池的滥用，通过arms监控可看到单个服务存在500+线程，大量线程处理等待状态，导致该服务内的线程效率较差，重构后解决了一部分问题。 因此最终我们拆分为3个订阅，由于sockeServer是集成在compute服务（原先是单独的服务，通过RPC调用，由于推送都是由compute服务发起的，且日均百万次调用，考虑IO成本因此将两服务合并）。

version.4

其实在version.3版本，服务的消费性能已经能满足我们在相当长的时间内的性能需求了，但是存在一个不得不解决的问题 -> GPS时间上是乱序的， 即存在同一辆车，时间更早的GPS点反而更晚写入datahub， 而我们是直接更新gps_curret表的，导致存在最新点位时间向下更新的情况，因此需要加时间的判断条件。

第一直觉上，通过mysql判断肯定是不可取的，车辆最新的点位信息扔到redis，通过redis判断就能满足要求； 而实际实施过程发现，直接使用redis是消费速度是无法满足要求的，即使使用pipeline作批处理，与上一版本也存在较大的性能差。最后的方案是使用java内部的Map来做判断，该方案与version.3消费性能略有下降，但仍是当前的生产速度5-8倍，能够满足性能上的要求。

总结：

1.使用批量处理

2.更快的IO速度  数据库 -> redis -> java内存

3.取舍和拆分

实际上我们对于gps的处理，是不止上面4种方案的演进的；还有一些细节问题，在这里简单介绍下：

1.多节点datahub协同消费，但实际只有一个节点处于忙碌状态，其他节点都处于空闲状态， 原因是datahub协同消费时，是根据shard进行负载均衡的，即同一shard，只能分配到一个consumer上；当服务中consumer（多线程模拟多consumer） 数  >  shard数时，由于节点发布有先后顺序，后续启动的节点几乎是只能“干瞪眼”了。这里需要说明两点 （1）当consumer数 < shard数 时，一个consumer会被分配多个shard，所以为了保证多节点能够正确的协同消费，尽量使单服务的consumer数 < shard数（2）以上结论只基于当前datahub版本

2.在多线程batchInsertOnDuplicate时，发生了数据库死锁问题（具体原因就不分析了，篇幅较长，有兴趣的可以去找相关材料阅读）， 我们的处理方式是，某一线程保证每个线程只拿到； 因此，对队列作了一层包装，内部有多个队列组成，根据车牌ID hash到不同队列， 消费队列时，要带上shard参数（即每个shard对应的是一个实际的队列），确保线程shard不会重复且与队列数量对应即可。

3.在version.4中，多线程下使用hashMap会存在线程安全问题，而currentHashMap性能上又低于hashMap， 我们采用的方案是针对每个线程使用一个HashMap （同时用多队列保证某一俩车只会被同一线程消费）