Детальная информация

Объект исследования – процесс миграции больших объёмов данных из разнородных источников (HDFS) в платформу распределенного хранения и обработки данных YTsaurus, а также обратная выгрузка из YTsaurus в аналитическую систему ClickHouse. Цель работы – разработка и описание двух движков – hadoop2yt (перенос данных из HDFS в статические таблицы YTsaurus) и yt-dumpster (выгрузка данных из YTsaurus в ClickHouse), расширяющих функциональность существующего сервиса миграции данных Datatransfer компании VK. Методы – анализ существующих решений (Debezium, Apache Sqoop), проектирование микросервисной архитектуры с использованием операций MapReduce платформы YTsaurus, реализация управляющего сервиса на Python (hadoop2yt) и Go (yt-dumpster), разработка высокопроизводительного C++ маппера на базе Apache Arrow. Тестирование проводилось вручную на реальных промышленных данных с оценкой метрик мониторинга. Результаты – разработаны, протестированы и внедрены в промышленную эксплуатацию движки hadoop2yt и yt-dumpster. Ошибок, приводящих к потере данных, не зафиксировано. Практическая значимость – разработанные движки интегрированы в инфраструктурную команду Datatransfer компании VK и используются для решения реальных задач миграции данных, подтверждая высокую отказоустойчивость, масштабируемость.

Object of research – the process of migrating large (petabyte-scale) data from heterogeneous sources (HDFS) into the YTsaurus distributed storage and processing platform, as well as reverse export from YTsaurus to the ClickHouse analytical system. Objective – to develop and describe two engines – hadoop2yt (transferring data from HDFS to YTsaurus static tables) and yt-dumpster (exporting data from YTsaurus to ClickHouse), which extend the functionality of the existing VK data migration service Datatransfer. Methods – analysis of existing solutions (Debezium, Apache Sqoop), design of a microservice architecture based on YTsaurus MapReduce and Vanilla operations, implementation of a Python control service (hadoop2yt) and a Go control service (yt-dumpster), development of a high‑performance C++ mapper using Apache Arrow. Testing was performed manually on real production data using monitoring metrics. Results – the hadoop2yt and yt-dumpster engines have been developed, tested and deployed in production. No data loss was observed. Practical significance – developed engines are integrated into the VK Datatransfer infrastructure team and are used to solve real‑world data migration problems, demonstrating high fault tolerance, scalability.

• Термины и определения
• Список сокращений
• Введение
• Глава 1. Обзор предметной области
  • 1.1 Назначение и принцип работы сервиса Datatransfer
  • 1.2 Обзор существующих решений миграции больших объемов данных
    • 1.2.1 Debezium
    • 1.2.2 Apache Sqoop
  • 1.3 Сравнительный анализ систем
  • 1.4 Вывод
• Глава 2. Архитектура сервиса Datatransfer
  • 2.1 Основные компоненты архитектуры YTsaurus
  • 2.2 Datatransfer Core
  • 2.3 Движки
  • 2.4 Вывод
• Глава 3. Реализация hadoop2yt
  • 3.1 Сервис Hadoop2yt
    • 3.1.1 REST API
  • 3.2 hdfs-yt-mapper
  • 3.3 Вывод
• Глава 4. Реализация yt-dumpster
  • 4.1 Сервис yt-dumpster
    • 4.1.1 REST API
  • 4.2 Mapper
  • 4.3 Вывод
• Глава 5. Тестирование и запуск реальных поставок hadoop2yt
  • 5.1 Цели и подход к тестированию
  • 5.2 Перенос исторических данных датасета Одноклассников apiStat
  • 5.3 CDC трансфер на примере датасета AdsUsers
  • 5.4 Вывод
• Глава 6. Тестирование и запуск реальных поставок yt-dumpster
  • 6.1 Конфигурация поставки
  • 6.2 Результаты тестирования
  • 6.3 Вывод
• Заключение
• Список используемых источников
• Приложение