引言
随着计算机和网络技术的迅猛发展以及向各行业的不断渗透，如今数据的产生方式和产生来源相比以前都有了极大的丰富，比如：来自传感器的数据、网站上的用户活动数据、来自移动终端和智能设备的数据、金融市场的实时交易数据，各种监控程序产生的数据等等。 这些数据大多都是以连续的数据流的形式，从多种外部数据源持续不断地生成，在多数情况下，我们无法控制这些流数据到达的顺序和产生的速率。
一直以来，为了更好地解决当前各行业实际业务中对于实时流数据存储和处理的种种需求，EMQ 始终在探寻一个佳的流处理系统与架构。
在《当数据库遇见流计算：流数据库的诞生！》 一文中，EMQ 提出了 「流数据库」 这一全新数据库品类。相比当前各种非系统化的流数据解决方案，我们有理由相信流数据库会是实时数据处理时代的佳选择，也将成为未来企业软件系统的核心基础设施。
在今天这篇文章中，我们将向大家介绍 EMQ 正在研发的流数据库产品 HStreamDB。
HStreamDB 项目概述
HStreamDB 是一款专为流式数据设计的， 针对大规模实时数据流的接入、存储、处理、分发等环节进行全生命周期管理的流数据库。 它使用标准 SQL (及其流式拓展）作为主要接口语言，以实时性作为主要特征，旨在简化数据流的运维管理以及实时应用的开发。
HStreamDB 的整体架构如下图所示，单个 HStreamDB 节点主要由 HStream Server (HSQL) 和 HStream Storage (HStore) 两个核心部件组成，一个 HStream 集群由若干个对等的 HStreamDB 节点组成， 客户端可连接至集群中任意一个 HStreamDB 节点， 并通过熟悉的 SQL 语言来完成各种从简单到复杂的流处理和分析任务。
HStream Server (HSQL) 作为 HStreamDB 的核心计算组件，其本身被设计为无状态的。它主要负责客户端的连接管理，安全认证，SQL 解析，SQL 优化，以及流计算任务的创建、调度、执行和管理等。
HStream Server (HSQL) 自顶向下可具体分为以下几层结构：
- 接入层。 主要负责客户端请求的协议处理、连接管理、以及安全认证和访问控制。
- SQL 层。 客户端主要通过 SQL 语句与 HStreamDB 交互，来完成大部分流处理和实时分析的任务。该层主要负责将用户提交的 SQL 语句编译成逻辑数据流图。与经典的数据库系统一样，这里包含两个核心的子组件：SQL 解析器 和 SQL 优化器。SQL 解析器负责负责完成词法分析、语法分析，将 SQL 语句编译到对应的关系代数表达式；SQL 优化器负责根据各种规则和 Context 信息对生成的执行计划进行优化。
- Stream 层。 该层包含各种常见的流处理算子的实现，以及表达数据流图的数据结构和 DSL，还支持用户自定义函数作为处理算子。主要负责为 SQL 层传递下来的逻辑数据流图选择对应的算子实现和优化，生成可执行的数据流图。
- Runtime 层。 该层负责实际执行数据流图的计算任务并返回结果。主要包含任务调度器、状态管理器以及执行优化器等组件。其中调度器负责计算任务在可用计算资源之间的调度，可能是在单个处理的多线程之间调度，也可能是在单机的多处理器之间调度，或者是在分布式集群的多台机器或容器之间调度。状态管理器负责协调流处理算子的状态维护和容错。执行优化器可以通过自动化并行等手段加速数据流图的执行。
HStream Storage (HStore) 作为 HStreamDB 的核心存储组件，它是专门为流式数据设计的低延时存储组件，不但能够分布式持久化存储大规模实时数据，而且能够通过 Auto-Tiering 机制，无缝对接 S3 之类的大容量二级存储，实现历史数据和实时数据的统一存储。
HStream Storage (HStore) 的核心存储模型是非常贴合流式数据的日志模型，数据流本身可以看作是一个无限增长的日志，它支持的典型操作包括追加写和区间读，同时数据流是不可变的，一般不支持更新操作。
HStream Storage (HStore) 可分为以下几个层次：
- Streaming Data API 层。 该层提供核心的数据流管理和读写操作，包括数据流的创建、删除，以及向数据流中写入数据和消费数据流中的数据。在 HStore 对创建的数据流的数量没有限制，同时能支持大量数据流的并发写入，在大量数据流并发写入的时候依然能够保持稳定的低延迟，HStore 的存储设计中并没有按照数据流来做存储， 因此数据流的创建是非常轻量的操作。针对数据流的特点，HStore 提供了 append 操作支持数据快速写入，同时在读取流数据方面，提供了基于订阅语义的 read 操作，数据流中新写入的数据会被实时推送给数据消费者。
- 复制层。 该层主要基于优化的 Flexible Paxos 共识引擎实现了流数据的强一致复制，保证数据的容错和可高可用性。同时通过非确定性的数据分布策略，大化了集群数据的可用性。而且支持复制组在线重配置，实现了无缝的集群数据均衡和水平扩展。
- 本地存储层。 该层主要负责数据的本地持久化存储，实现上基于优化的 RocksDB 存储引擎 封装了流数据的存取接口，可支持大量数据低延迟的写入和读取。
- 二级存储层。 该层为多种长期存储系统提供了统一的接口封装，比如 HDFS, AWS S3 等，支持将历史数据自动卸载到这些二级存储系统上，同时也可以通过统一的 Streaming Data 接口来访问。
HStreamDB 功能特性
注：以下功能特性为到 HStreamDB 1.0 版本为止的全部规划，部分功能正在持续开发中，当前版本暂未实现，敬请期待。
基于 SQL 的数据流处理
HStreamDB 设计了完整的基于事件时间的状态化处理方案，不仅支持基本的过滤、转换操作，还支持按 key 做聚合计算，基于多种时间窗口的计算，以及数据流之间 join 的能力，同时也支持乱序和晚到的消息的特殊处理，保证计算结果的准确性。用户只需要通过 SQL 语句就能完成上述所有的处理功能，无需学习任何三方 API。同时，HStream 的流处理具备丰富的扩展能力，用户可以针对自己的业务自行扩展。
数据流的物化查询
HStreamDB 提供物化视图功能，支持在持续更新的数据流上进行复杂的查询和分析操作。HStreamDB 内部的增量计算引擎会根据数据流的变化实时更新物化视图，用户可通过 SQL 语句查询物化视图获得实时的数据洞察。
数据流管理
HStreamDB 支持创建和管理大量的数据流， 数据流的创建在 HStreamDB 是非常轻量的操作， 同时基于优化的存储设计， 在大量数据流并发读写的情况下仍然能够保持稳定的读写延迟。
数据流的持久化存储
HStreamDB 提供低延时的可靠的数据流存储，保证写入的数据消息不丢失，并且能够重复消费。HStreamDB 会将写入的数据消息复制到多个存储节点，提供高可用和容错能力，同时支持将冷数据转储到成本更低的存储服务上，比如对象存储、分布式文件存储等，存储的容量可无限扩展，能够实现数据的存储。
数据流的 Schema 管理
HStreamDB 强调弹性的 Schema 支持，数据流可以是无 Schema 的，也可以通过 Json、 Avro、Protobuf 等多种格式来制定 Schema， 同时也支持 Schema 的演化，自动管理多版本 Schema 之间的兼容性。
数据流的接入和分发
HStreamDB 数据的接入和分发由 Connector 完成，它与包括 MQTT Broker、MySQL、ElasticSearch、Redis 等在内的多种数据系统相连接，方便用户和外部数据系统进行集成。
安全机制
HStreamDB 的安全性将由 TLS 加密传输、基于 OAuth 和 JWT 等的身份认证以及授权机制保证，同时预留安全插件接口，用户可根据需要对默认的安全机制进行扩展。
监控和运维工具
HStreamDB 设置了基于 Web 的控制台，包含大量的系统仪表盘和可视化图表， 能够对集群机器状态，系统关键指标等进行详细的监控，方便运维人员对集群进行管理。
HStreamDB 应用场景
实时数据分析
传统的数据分析通常基于批处理技术， 批处理一般是在预先收集好的有限的数据集上运行，因此分析的结果往往不包含新的数据，有较高的时延。HStreamDB 能够对实时的数据流进行分析，并随着数据流的变化及时地更新结果，这能够更好的支持诸如网站用户活动实时预测、物联网传感器数据实时分析等应用。相比批处理，不但能提供更实时的数据洞察， 而且避免了周期性调度批处理任务的易出错和复杂性。
事件驱动应用
事件驱动应用通常是根据到来的事件实时触发对应的动作或行为， 它可以是无状态的或者带状态的，比如：金融交易中的实时欺诈检测，业务流程监控预警物联网规则引擎等。基于 HStreamDB，实现这些复杂的事件驱动应用可能仅需要寥寥几条仅仅需要几条 SQL 语句，大大降低了开发和维护这些应用的成本。
实时数据管道
企业内部往往需要在多个数据系统之间进行数据同步和迁移， 比如将在线的事务数据库中的数据拷贝到离线的数据仓库进行分析，这个过程通常是由一整套 ETL 系统完成的， 这类 ETL 系统的开发和维护成本都比较高， 而且它的数据同步往往不是实时的， 扩展性也比较差。HStreamDB 集成了多种外部系统的连接器， 能够非常方便地搭建实时的数据管道， 实现实时构建索引，实时构建缓存等数据同步任务。
在线机器学习
如今机器学习系统在业务系统中起着越来越重要的作用， 包括搜索、推荐、风控等事件背后都广泛依赖机器学习系统。然而随着在线业务及相关应用场景的井喷式发展， 常规的离线系统及离线机器学习平台已无法满足业务发展要求。HStreamDB 的实时计算引擎能够助力机器学习系统的实时化， 实现在线特征提取，实时推荐等应用。
HStreamDB 快速上手
下面我们将基于 docker 快速上手使用 HStreamDB。
拉取 docker 镜像
docker pull hstreamdb/logdevice
docker pull hstreamdb/hstream在 docker 中启动一个本地的 HStream Server
创建一个目录用于存储数据
mkdir ./dbdata启动 HStream Storage
docker run -td --rm --name some-hstream-store -v dbdata:/data/store --network host hstreamdb/logdevice ld-dev-cluster --root /data/store --use-tcp启动 HStreamDB Server
docker run -it --rm --name some-hstream-server -v dbdata:/data/store --network host hstreamdb/hstream hstream-server --port 6570 -l /data/store/logdevice.conf启动 HStreamDB CLI
docker run -it --rm --name some-hstream-cli -v dbdata:/data/store --network host hstreamdb/hstream hstream-client --port 6570如果一切正常的话，进入 CLI 后你会看到类似下面的信息：
Start HStream-Cli!
Command
:h help command
:q quit cli
show queries list all queries
terminate query <taskid> terminate query by id
terminate query all terminate all queries
<sql> run sql
>创建数据流
下面我们将用 CREATE STREAM 语句创建一个新的数据流，
CREATE STREAM demo WITH (FORMAT = "JSON");在 CLI 中执行上述语句后，你会看到类似下面的信息，表示执行成功。
Right
( CreateTopic
{ taskid = 0
, tasksql = "CREATE STREAM demo WITH (FORMAT = "JSON");"
, taskStream = "demo"
, taskState = Finished
, createTime = 2021 - 02 - 04 09 : 07 : 25.639197201 UTC
}
)执行一个持续查询
我们使用 SELECT 语句来对数据流进行实时处理和分析。 在 CLI 中执行以下语句，
SELECT * FROM demo WHERE humidity > 70 EMIT CHANGES;执行完成后会发现并没有产生任何结果，这是正常的， 因为现在数据流中还没有任何数据， 接下来我们将向数据流中写入一些数据并观察结果。 另外，请注意这个 SELECT 语句不同于普通数据库的SELECT 在一次执行完毕后返回， 相反它会一直执行下去， 除非你显式的终止它。
开启一个新的 CLI 会话
docker exec -it some-hstream-cli hstream-client --port 6570向数据流中插入数据
执行以下 INSERT 语句向数据流中写入数据，
INSERT INTO demo (temperature, humidity) VALUES (22, 80);
INSERT INTO demo (temperature, humidity) VALUES (15, 20);
INSERT INTO demo (temperature, humidity) VALUES (31, 76);
INSERT INTO demo (temperature, humidity) VALUES ( 5, 45);
INSERT INTO demo (temperature, humidity) VALUES (27, 82);
INSERT INTO demo (temperature, humidity) VALUES (28, 86);如果一切运行正常的话， 你将会在刚才的 CLI 窗口看到以下实时的输出：
{"temperature":22,"humidity":80}
{"temperature":31,"humidity":76}
{"temperature":27,"humidity":82}
{"temperature":28,"humidity":86}HStreamDB 开源社区
作为一家开源基础软件供应商，EMQ 始终坚信开源的价值与力量，因此 HStreamDB 从立项之初就完全采用开源的方式在 GitHub 上进行开发。
目前 HStreamDB 项目正在团队的努力下积极向前推进着， 同时这也正是各位开源社区的伙伴们一同参与进来的好时机。
诚邀大家与我们共同建设 HStreamDB 的开源社区： 大家可以通过访问 HStreamDB 的网站 (https://hstream.io/)，或者 GitHub 项目地址(https://github.com/hstreamdb/hstream) 来了解项目相关信息，也欢迎加入我们的 Slack Channel (https://slack-invite.hstream.io/) 一起参与讨论。我们还将定期举办 Open Day 活动，与大家分享项目进展，交流技术心得。
在后续的规划中，HStreamDB 将陆续支持和完善分布式处理支持、Schema 管理、SQL 优化以及监控和运维等功能。
相信在每一个热爱开源的伙伴的支持下，我们将以 HStreamDB 为标杆， 共同创造和见证流数据库的未来！
公司介绍
EMQ 是一家开源物联网基础设施软件供应商，服务 5G 产业周期的物联网、边缘计算与云计算市场，交付全球领先的开源 MQTT 消息服务器和流处理数据库，提供物联网实时数据移动分发、流处理与分析一站式解决方案。
EMQ 公司成立于 2017 年，开源项目团队分布在世界各地。公司总部位于杭州，在北京、上海、深圳、南京、昆明、重庆设有分支机构；海外研发总部设在斯德哥尔摩，在瑞典、德国、北美、日本设有分支机构或服务团队。
我们相信并 All-In 商业开源软件，追逐「通过开源软件产品，服务人类未来产业与社会」的公司使命。
在未来，EMQ 将继续着力打造这款集流数据存储、实时流处理以及低延迟流数据分析于一体的流数据库产品 HStreamDB。它将与现有的 EMQ X Broker 结合，共同构成⾯向 Streaming 的下⼀代 Cloud-Edge Model，并作为极具竞争⼒的开源基础软件产品栈，重塑未来十年全球数据库与流处理市场。
版权声明： 本文为 EMQ 原创，转载请注明出处。
原文链接：https://www.emqx.cn/blog/hstreamdb
