批量数仓与实时分析:延迟预算和重放
T+1、秒级或亚秒级是业务可见性目标,不是仅靠换一个存储引擎就能保证的指标。端到端延迟应拆成采集、队列等待、计算、落库、读副本追齐和展示刷新,并说明事件时间与处理时间。
机制与确认边界
Lambda 分离批式历史修正与速度层,需要对账和合并;Kappa 以可重放事件日志与重建状态减少两套逻辑。二者都要决定迟到、删除、更新和历史重放如何修正已发布结果,不能把重放等同自动精确一次。
实现与验证范围
例如 24 小时与 5 秒之比是算术对比,不是实测加速比。单节点同步插入后可读只验证数据库一个边界;Kafka、计算作业、异步缓冲、Distributed 队列和 BI 刷新未串联测试时,应把总延迟留为待测而非给出编造的三秒时间线。
本章共享图解见 1.1 的机制图 ,其中的状态与确认点需和本节一起阅读。
复现与资料
下载本卷实验包
,按 README 运行 Java 8 lab.RunAll。单节点原生运行 clickhouse-probe.sh,多分片与复制实验运行 clickhouse_cluster.py;每个脚本仅把实际执行并断言的场景记为实测。外部源、真实 Kafka、TTL 介质、TPC-H 和未测版本的功能不包含在这些结果中。
继续阅读
探索更多技术文章
浏览归档,发现更多关于系统设计、工具链和工程实践的内容。