1. 七猫选用 StarRocks 的原因
1.1 历史的痛点
之前七猫采用的是clickhouse用于存储明细和聚合数据。随着业务的快速发展，已经越来越不满足用户的需求，主要表现为以下几点：
- 使用门槛高，不支持标准sql，做分片后关联需要注意sql写法
- 并发能力差，join性能不理想
- 运维成本高，故障恢复难度高
- 数据快速膨胀，查询性能达到瓶颈
- clickhouse去重效果差
1.2 OLAP引擎选型
为了解决这些问题，我们调研了多款OLAP引擎，没有一款引擎能从数据规模，查询性能，灵活性三个方面满足我们的需求。结合实际，综合考虑，我们选择了 StarRocks 作为七猫大数据基础平台新一代 OLAP 引擎。主要考虑到 StarRocks 有以下几点优势：
- 极致查询性能：单表查询性能已经超过 ClickHouse，多表 Join 经过 CBO 优化，性能远超 ClickHouse
- 同时支持明细和聚合模型：支持 Duplicate/Aggregate/Unique 三种数据模型，同时支持物化视图
- 高效数据导入：支持高效流式导入和批量导入
- 运维简单，高可用：多副本，一致性协议支持高可用，自动化运维，操作简单
2. StarRocks 原理介绍
2.1 系统架构图
2.2 FE
FE 是 StarRocks 的前端节点，负责管理元数据，管理客户端连接，进行查询规划，查询调度等工作。每个 FE 节点都会在内存保留一份完整的元数据，这样每个 FE 节点都能够提供无差别的服务。
FE 有三种角色：Leader FE，Follower FE 和 Observer FE。Follower 会通过类 Paxos 的 Berkeley DB Java Edition（BDBJE）协议自动选举出一个 Leader。三者区别如下：
Leader
- Leader 从 Follower 中自动选出，进行选主需要集群中有半数以上的 Follower 节点存活。如果 Leader 节点失败，Follower 会发起新一轮选举。
- Leader FE 提供元数据读写服务。只有 Leader 节点会对元数据进行写操作，Follower 和 Observer 只有读取权限。Follower 和 Observer 将元数据写入请求路由到 Leader 节点，Leader 更新完数据后，会通过 BDB JE 同步给 Follower 和 Observer。必须有半数以上的 Follower 节点同步成功才算作元数据写入成功。
Follower
- 只有元数据读取权限，无写入权限。通过回放 Leader 的元数据日志来异步同步数据。
- 参与 Leader 选举，必须有半数以上的 Follower 节点存活才能进行选主。
Observer
- 主要用于扩展集群的查询并发能力，可选部署。
- 不参与选主，不会增加集群的选主压力。
- 通过回放 Leader 的元数据日志来异步同步数据。
2.3 BE
BE 是 StarRocks 的后端节点，负责数据存储、SQL执行等工作。
- 数据存储方面，StarRocks 的 BE 节点都是完全对等的，FE 按照一定策略将数据分配到对应的 BE 节点。BE 负责将导入数据写成对应的格式存储下来，并生成相关索引。
- 在执行 SQL 计算时，一条 SQL 语句首先会按照具体的语义规划成逻辑执行单元，然后再按照数据的分布情况拆分成具体的物理执行单元。物理执行单元会在对应的数据存储节点上执行，这样可以实现本地计算，避免数据的传输与拷贝，从而能够得到极致的查询性能。
3. StarRocks 在七猫的实践
3.1 集群架构
采用StarRocks作为七猫大数据基础平台的OLAP引擎后，我们的当前的架构是这样的：
业务数据和流量数据通过DRS服务，写入至Kafka中。实时数据通过 Flink 进行 ETL，实时写入 StarRocks 中；离线数据通过 Spark 进行 ETL，写入 Hive 中，然后导入到 StarRocks 中。由 StarRocks 作为统一的查询引擎，架构简单明了。
目前已经落地2套StarRocks集群，还有1-2套集群正在测试阶段。其中规模较大的集群为：3个FE,20个BE,同时有一套针对StarRocks监控系统（Prometheus+Grafana）。
3.2 平台展示
下图是我们基于 StarRocks 实现的一个广告数据分析平台，主要是提供业务分析以及看板、报表等等这些服务。
4. StarRocks 优化
4.1 对象存储(Obs)兼容性优化
在利用StarRocks读取对象存储(Obs)上存储的Hive表时，我们碰到StarRocks无法识别对象存储(Obs)地址。
经过源码分析是由于计算签名时的Canonical Request String将objKey中的‘=’编码为‘%3D’, 但是发送请求时没有做urlencode，造成对象存储(Obs)服务端403。我们针对源码修改、编译、部署后顺利实现StarRocks读取对象存储(Obs)上存储的Hive表。
在生产集群中我们也碰到其他一些问题，StarRocks社区都能帮我们快速解决问题，后续我们也会将此功能贡献给StarRocks社区，携手社区共同发展。
5. 总结
总的来说，首先我们觉得 StarRocks 运维简单，成本低。由于StarRocks同时支持明细和聚合模型，可以满足大多数场景，之前采用的多种引擎构建数据中心的架构，现在可以采用 StarRocks 作为唯一引擎，架构简单明了，运维高效便捷。第一: StarRocks 查询性能优越，StarRocks 近乎实时的查询性能，针对很多典型场景进行优化的各种特性（Colocate Shuffle Join，Bucket Shuffle Join，CBO等），给用户带来了良好的使用体验。第二：StarRocks 既可存算一体，也可存算分离。目前 StarRocks 是存算一体的系统，但它同时支持 ES/MySQL/Hive 等外表功能，可以实现对 Hadoop 生态的查询，可以做到存算分离，对于节省成本，打通 Hadoop 生态很有意义。