OpenMLDB 针对线上线下的特征工程全流程,在不同阶段提供了不同的执行模式。尤其在生产环境下所使用的集群版,针对不同阶段做了较为复杂的执行模式的划分。本文集中说明在集群版 OpenMLDB 中,从特征开发到上线的全流程,及其相应的执行模式。

注意:本文所述内容均以 OpenMLDB 最新发布的版本 v0.4.2 版本为准,部分功能的支持在持续迭代开发中,欢迎关注。

1. OpenMLDB 使用流程概览

1.1 特征工程开发上线全流程

我们首先对基于 OpenMLDB 的特征工程的开发和上线全流程做总结概述,以下为使用的典型流程:

  1. 离线数据导入:导入离线数据用于离线特征工程开发和调试。
  2. 离线开发:开发特征工程脚本,调试到效果满意为止。注意在这个步骤里会牵涉到机器学习模型的联合调试(比如 XGBoost, LightGBM 等),本篇文章内容主要集中于 OpenMLDB 相关部分的特征工程开发。
  3. 特征方案部署:得到满意的特征脚本以后,部署上线。
  4. 冷启动在线数据导入:在正式上线之前需要导入在线存储引擎的必需的窗口内数据。比如特征方案是对于过去三个月内的数据做特征聚合计算,那么冷启动就需要导入之前三个月的数据。
  5. 实时数据接入:系统上线以后,随着时间推移,需要汇入最新数据来维持窗口计算逻辑,因此需要进行实时数据接入。
  6. 在线数据预览(可选):可以通过支持的 SQL 命令进行线上数据的预览检查。
  7. 实时请求服务:方案部署,并且数据正确接入以后,即得到一个可以相应在线请求的实时特征计算服务。

1.2 集群版执行模式概览

由于离线和线上场景的操作数据对象不同,其底层的存储和计算节点亦不同。因此,OpenMLDB 设置了几种不同的执行模式来支持完成以上步骤。以下表格总结了各个步骤所使用的执行模式,稍后将会详细介绍关于执行模式的重要概念。

执行模式总结

从以上的总结表格上可以看到,执行模式分为 离线模式在线模式,以及请求模式。在后面的章节中,我们将对这几种模式展开详细介绍。下图总结示意了全流程开发和对应的执行模式。

典型使用流程和执行模式

1.3 单机版执行模式说明

虽然本文集中讲解集群版,但是有必要也简单介绍单机版的执行模式。单机版的执行模式相对简单,主要其离线数据和在线数据的存储和计算节点统一,因此单机版并不区分离线模式和在线模式。即我们可以直观的理解为,在 CLI 下,单机版并没有执行模式的概念,任何可以支持的 SQL 语法均可以在 CLI 下直接运行。因此,单机版特别适合用来快速试用或者实验学习 SQL 使用。在实时特征计算阶段,单机版和集群版一样,依然运行于在线请求模式下。注意,当前版本(v0.4.2)单机版仅支持在 CLI 下进行开发,暂不支持 SDK。

注意:如果你只是在非生产环境想试用 OpenMLDB,或者学习实验相关 SQL,强烈建议使用单机版,可以更加快捷方便的部署体验。

2. 离线模式

按照之前总结,集群版的离线数据导入、离线特征开发、特征方案部署上线均在离线模式下执行。离线模式是针对离线数据进行管理和计算,所涉及到的计算节点是由针对特征工程优化的 OpenMLDB Spark 发行版所支持,存储节点支持 HDFS 等常见存储系统。

离线模式有以下主要特点:

  • 离线模式支持所有 OpenMLDB 提供的 SQL 语法,包括扩展优化的 LAST JOINWINDOW UNION 等复杂 SQL 语法。
  • 离线模式的部分 SQL 运行是基于非阻塞式的异步执行,包括 LOAD DATASELECT, 以及SELECT INTO 命令。
  • 非阻塞式执行的 SQL 执行是由内部的 TaskManager 进行管理,可以通过 SHOW JOBSSHOW JOBSTOP JOB 命令进行查看和管理。

和很多关系型数据库系统不同,SELECT 在离线模式下为异步执行。因此在离线特征开发阶段,强烈建议使用 SELECT INTO 语句进行开发调试,可以将结果导出到文件,方便进行查看。

特征方案部署的命令(DEPLOY)亦在离线模式下执行。其部署规范对于 SQL 还有一定的限制,详细可以参阅 OpenMLDB SQL上线规范和要求

离线模式可以通过以下形式设置:

  • CLI: SET @@execute_mode='offline';CLI 启动以后的默认模式也为离线模式。
  • REST APIs, Java/Python SDK:不支持离线模式

3. 在线模式

冷启动在线数据导入、实时数据接入、以及在线数据预览在在线模式下执行。在线模式主要是针对线上数据进行管理和预览,线上数据的存储和计算是由 tablet server 支持。

在线模式有以下主要特点:

  • 在线数据导入(LOAD DATA)和离线模式下一样,属于非阻塞式的异步执行 SQL,其余均为同步执行。
  • 在线模式目前仅支持简单的 SELECT 列相关操作来查看相关数据,并不支持复杂的 SQL 查询。因此在线模式并不支持 SQL 特征的开发调试,相关开发工作应该在离线模式或者单机版进行。

在线模式通过以下形式进行设置:

  • CLI: SET @@execute_mode='online'
  • REST APIs, Java/Python SDK:默认只支持在线模式下执行,无需进行设置。

4. 请求模式

在特征脚本被部署以及接入线上数据以后,实时特征计算服务就已经准备就绪,可以通过请求模式来进行实时特征抽取。请求模式在 REST APIs 以及 SDK 下支持。请求模式是 OpenMLDB 特有的支撑线上实时计算的模式,和常见数据库的 SQL 查询非常不同。

请求模式需要三个输入:

  • SQL 特征脚本,即为特征部署上线过程中所使用的 SQL 脚本,其规定了做特征抽取的计算逻辑。
  • 在线数据,即为冷启动导入或者实时接入的线上数据,一般其为配合 SQL 的窗口计算的最新数据。比如 SQL 脚本的聚合函数会定义一个最近三个月的时间窗口,那么在线存储就需要保留相应的最新三个月数据。
  • 实时请求行(a request row),包含了当前正在发生的实时行为,用于实时特征抽取,比如反欺诈场景下的刷卡信息,或者是推荐场景下的搜索关键字等。

基于这三个输入,对于每一个实时请求行,请求模式都会返回一条特征抽取的结果。其计算逻辑为:请求行会依据 SQL 脚本的逻辑(如 PARTITION BYORDER BY 等),被虚拟的插入在线数据表格的正确位置中,然后只针对该行进行特征聚合计算,返回唯一对应的抽取结果。下图直观的解释了在线请求模式的运算过程。

请求模式计算过程

请求模式通过以下形式支持:

  • CLI:不支持
  • REST APIs:支持单行或者多行 request rows 的请求,详见:REST APIs
  • Java SDK:支持单行或者多行 request rows 的请求,详见:Java SDK 快速上手
  • Python SDK:仅支持单行的 request row 请求,详见:Python SDK 快速上手