據統計，互聯網數據量正以每三年翻一番的速度膨脹，其中，95%以上都是非結構化數據，且這個比例仍在不斷提升。如今，互聯網已全面覆蓋大家生活的方方面面，每個人的消費行為、娛樂行為和社交行為都將產生海量的圖片、音視頻、網絡日志等非結構化數據。非結構化數據的持續在線及數據種類的多樣對數據的處理提出了很高的要求。作為國內最專業的數據管理平臺，七牛已覆蓋國內50%以上的互聯網用戶。那么，七牛數據處理架構都經過了哪些演變呢？小編帶你一探究竟。

七牛云存儲的數據處理主要分為實時處理和異步處理，對于較小的文件（如圖片），一般推薦使用實時處理的方式。

對于實時處理，用戶可簡單通過URL對已有的文件進行實時處理。當用戶將文件上傳到七牛KODO對象存儲平臺，會得到相應的key，可通過URL訪問。例如http://xxx.com/key，當需要對該文件進行實時處理時，可以通過http://xxx.com/key?<fop>/<param1_value>/<param2_name>/<param2_value>/……進行處理。具體操作參數可以參考七牛官方文檔。參數過多過長時可以設置樣式，若涉及操作復雜多變可以采用管道技術。

異步請求可以通過Portal、命令行工具、SDK發起請求。一般適合處理較大文件，比如較大的音視頻，這種情況下實時響應的效果并不理想，則可以采用異步持久化處理方式，返回的結果是處理后的文件在七牛云存儲中的相關元信息（bucket、key等），用戶可以通過設置回調服務器地址，將結果Post到自己的接收服務器，也可以主動查詢數據處理狀態和結果信息。

上圖描述了簡單的實時處理的基本架構，用戶可以通過七牛云存儲的I/O入口發起請求，判斷出是合法的數據處理請求后，就會將其傳給數據處理調度服務，通過調度分發給計算處理集群。每個worker處理的流程為參數檢查->下載數據->結合原數據信息對參數進行檢查（若數據的相關信息不需要download下來就可以獲取，那么可以和前面的步驟對調）->自己編寫算法實現或者調用工具對數據進行處理，比如轉碼、圖像縮略等操作->結果返回（異步請求一般會持久化保存，通過對象存儲服務，將結果上傳，得到文件上傳后的相關信息，例如bucket、key等，返回的是文件的相關信息）。這里可以簡單的把數據處理調度看做負載均衡器，請求根據接口判斷，通過調度指向對應服務，然后將結果原路返回給用戶。

上面的結構簡單清晰，但同時面臨幾個問題：

1.數據處理調度這個服務相對比較重，它不僅僅需要實現負載均衡，還需要對所有處理終端服務進行管理，單臺計算型服務器上可能有多個服務worker（多個圖片處理、音視頻處理服務worker），隨著業務發展，管理的worker數量是非常多的。

2.內部實現緩存機制，使得讀寫緩存的流量全部集中在數據處理調度這個服務

3.數據的處理離不開原數據，一般我們可以在worker中待前面的步驟順利通過后，調用七牛的對象存儲服務開始下載，那么每個worker都必須配置對象存儲服務的地址信息，然后才能download原數據，這套地址信息對所有worker都是共用的。前面提到1臺物理機器上可能有多個服務worker，每個worker自身有不同的屬性參數（最起碼端口號不同），而且可能機器上的服務worker有Image Worker也有Video Worker，共用一套配置顯然不能滿足，若每個worker都將這些普遍共用的信息寫入配置，那么維護起來非常不方便。因此，七牛的數據處理架構有了一些演變，就有了如下的架構。

首先，將Data Cache獨立出來，理由非常簡單，在很多環節都需要緩存服務，并且根據緩存數據大小、熱度選擇是SSD或者HDD進行緩存，小文件且熱度高適合SSD，大文件且熱度較低適合HDD。

其次，為每臺服務器添加了Agent服務。一臺服務器可能有多個worker且可能是不同種的worker，數據處理調度服務只需要知道該請求的對應worker存在于哪些機器即可，剩下的判斷則交由agent處理。因為整個計算集群的服務器存在性能差異，采用權重輪詢調度，這時某個worker對應所在的機器一目了然，也不需要對worker整體標記序號，只需要知道某臺服務器有哪些worker。Agent可以承擔download原數據的責任，相當于提取各個worker的一些公共操作都可以都交給Agent，同時，Agent分擔了向Data Cache寫入數據的任務。

值得一提的是，對于返回失敗的數據也可以緩存。假如請求量巨大，每天100億條請求，確認是客戶端請求信息不當的錯誤約占5%，那么就有5億錯誤請求，即使服務迭代升級，也會保持原有接口功能不變。那么，若是同一個文件的同一個錯誤請求，基本上必然重現，這樣的請求實際上就可以被緩存，一來用戶那邊獲得快速響應，二來減少計算壓力而且減少拖取數據的流量。后來發現這個方案存在一個瑕疵，就是給Data Cache造成的壓力略微變大，且有部分錯誤請求響應并沒有加快，至少為了獲得緩存數據而讀盤會有時間消耗。先前worker的設計是檢查參數是否合法->download數據->結合原數據信息檢查參數是否合法。這里我們對錯誤請求做了細化，單獨屏蔽了download數據之前所產生的錯誤請求，因為這部分響應非常快，本身也沒有多少計算，無需寫入緩存。

***，通過Discover服務來監控服務情況的變化，所有的Agent和Worker都需要向Discover上報心跳狀態，Load Balancer會從Discover讀取各個服務狀態、服務相關信息（地址、權重等），同時允許人工通過Discover修改各個服務的狀態。

異步請求的架構，則是在整個實時處理架構前面加上異步隊列服務、異步請求狀態服務等，每個worker的處理結果需要持久化，返回的是結果文件持久化保存后的相關信息。

現在的整個數據處理架構，看上去中規中矩，同時也存在一些弊端，即使做到了可以對單條請求大致消耗資源的預估，經過多次數據回滾壓力測試以及峰值比對確定一臺服務器應該部署多少個worker，實現較為合理的調度，但機器上的worker數量基本上是固定的，無法跨機器實現彈性的實時調度，服務器的資源仍然不能充分利用。例如，當實時處理服務的機器在非峰值階段，可以將異步請求的服務worker遷移到該機器上，分擔一部分任務，使得每臺機器的負載較為均衡；當實時請求到達峰值的時候，可以遷移部分worker到處理公有隊列異步請求的機器（付費的私有隊列用戶不受影響），分擔部分壓力。

因此，七牛后續將會對整個數據處理的架構做一些關于Container的嘗試，希望打破原有的一些束縛，帶來比較好的效果，可以把agent和worker放在一個Container內部，成為1:1的關系。Container自身具有隔離性，可以依據系統的資源情況選擇這臺機器有多少Container運行。當某一臺服務器資源已經接近飽和時，就會在下一臺服務器上啟動一個新的Container繼續接收請求。一旦某臺服務器空閑下來，那么這臺服務器就屬于Container待運行的機器，整個計算服務器集群就是個資源池，worker無需被機器束縛，哪里空閑就啟動在哪里，再也不用擔心機器資源浪費了。