“理想解决方案”：Daltix 的自动化数据湖归档节省了 10 万美元

本文最初发布于 Backblaze 官方博客。

在快消领域，Daltix 是提供完整、透明、高质量零售数据的先行者。GFK 和联合利华等全球行业领导者依靠他们的定价、产品、促销和位置数据来制定入市策略并做出关键决策，对 Daltix 来说，维护一个可靠的数据生态系统势在必行。

自 2016 年成立以来，随着公司的发展，Daltix 处理的数据量呈指数级增长。他们目前管理着大约 250TB 的数据，分散在数十亿个文件中，很快就造成了巨大的时间和资源消耗。Daltix 的基础设施几乎完全是围绕 AWS 构建，因为需要管理数十亿个极小的文件，所以在可扩展性和成本效益方面，AWS 的存储选项已经开始无法满足他们的需求。

我们与 Daltix 首席软件工程师 Charlie Orford 进行了交流，了解他们如何迁移到 Backblaze B2 云存储以及他们从那个过程中得出了什么结论。以下是其中的一些要点：

• 他们使用一个自定义引擎将数十亿个文件从 AWS S3 迁移到 Backblaze B2；

• 月度成本减少了 2500 美元，数据的可移植性和可靠性都得到了提升；

• Daltix 创建的基础设施每天可以自动备份 840 万个数据对象。

请继续阅读，看看他们是如何做到的。

一个基于 AWS 构建的复杂数据管道

Daltix 在公司创立初期创建的基于 S3 的基础设施，大部分还完好无损。过去，数据管道将从网络上抓取的资源直接写入 Amazon S3，经由基于 Lambda 的提取器进行标准化后，再发送回 S3。然后，由 AWS Batch 选取要使用其他数据源进行补充和丰富的资源。

所有这些步骤都是在 Daltix 的分析师团队准备好数据之前进行的。为了优化流程并提高效率，Orford 开始将该流程的部分环节纳入到 Kubernetes 中，但数据存储仍然存在问题；Daltix 每天生成大约 300GB 的压缩数据，而且这个数值还在迅速增长。“随着数据收集规模的扩大，我们必须更加关注成本控制、数据可移植性和可靠性，”Orford 说，“这些都是显而易见的，但规模大了，就更加重要了。”

成本方面的考量促使我们寻找更友好的归档存储

到 2020 年，Daltix 开始意识到，在 AWS 中构建这么多基础设施存在局限性。例如，围绕 S3 元数据进行的大量定制使得移动对象的能力完全受制于目标系统与 S3 的兼容性。Orford 还担心，在 S3 中永久存储如此巨大的数据湖的成本。如他所言，“很明显，没有必要把所有东西都永远存在 S3 中。如果不采取任何措施，那么我们的 S3 成本将继续上升，并最终远远超出我们使用其他 AWS 服务的成本。”

服务器成本对比

因为 Daltix 要处理数十亿个小文件，所以不可能使用 Glacier，因为它的定价模式是基于检索费用的。即使是使用 Glacier 即时检索，Daltix 所处理的文件数量也会使他们每年额外支付 20 万美元的费用。因此，Daltix 的数据收集团队（公司 85% 以上的数据都来自这个团队）推动实施了一种可替代的解决方案，解决了一些相互矛盾的问题：

• 数据湖的庞大规模；

• 需要将原始资源存储为离散文件（这意味着无法进行批处理）；

• 团队能够投入的时间和精力有限；

• 简化解决方案，以保证其可靠性。

Daltix 决定使用 Amazon S3 进行热存储，并将暖存储转移到新的归档解决方案中，这可以降低成本，同时保持重要数据可访问——即使目的是将文件存储在别处。Orford 说：“重要的是要找到某个非常容易集成而且开发风险低的东西，并且有助于降低我们的成本。对我们来说，Backblaze 确实可以满足所有要求。”

只是初步迁移每月就立省 2000 美元

在开始全面迁移之前，Orford 和他的团队做了概念验证（POC），以确保解决方案解决了他们重点关注的问题：

• 确保海量数据成功迁移；

• 避免数据损坏并使用审计日志检查错误；

• 保留每个对象的自定义元数据。

“早期，我们与 Backblaze 合作，定制了一个可以满足我们所有需求的迁移工具，”Orford 说，“这给了我们继续前进的信心。”Backblaze 为我们定制了一个迁移引擎，可以保证迁移过程能够可靠地传输整个数据湖，并且保证对象级元数据完好无损。在成功迁移了一开始的 POC 存储桶之后，Daltix 就拥有了开始建模和预测未来成本所需的一切。Orford 说道：“在开始接触 Backblaze 之后，我们便不再寻找其他选项“。

2021 年 8 月，Daltix 将一个包含 22 亿个对象的 120TB 的存储桶从 S3 的标准存储转移到 Backblaze B2 云存储。仅最初的迁移就立即节省了 2000 美元 / 月或 24000 美元 / 年的成本。

宁静的数据湖

三倍的数据，直接兼容 S3，累计节省 10 万美元

现在，Daltix 每天从 Amazon S3 向 Backblaze B2 迁移 320 万个数据对象（大约 160GB 的数据）。他们在 S3 中保存了 18 个月的热数据，一旦一个对象存在达 18 个月零一天，就会被归档到 B2 中。在少数情况下，Daltix 也会接收到请求 18 个月窗口期之外的数据的请求，由于 Backblaze 的 API 兼容 S3 且数据永远可用，所以他们可以直接将数据从 Backblaze B2 拉到 Amazon S3。

每日审计日志会汇总已传输的数据量，整个迁移过程每天自动执行。Orford 说：“它在后台运行，我们不需要管理任何东西，什么都可以看到，而且很划算。对我们来说，Backblaze B2 是一个理想的解决方案。”

随着每日数据收集量的增加，会有越来越多的数据从热存储窗口中迁出，Orford 预计成本会进一步降低。据 Orford 估计，日迁移量将在大约一年半后接近目前水平的三倍：这意味着 Daltix 每天将向 Backblaze B2 备份 900 万个对象（约 450GB 数据）。长远来看，从 Amazon S3 切换到 Backblaze B2 为 Daltix 节省的成本都令人难以置信。Orford 说：“因为使用了 Backblaze B2，预计到 2023 年，我们在存储支出上将累计节省 7.5 万至 10 万美元，每年至少节省 3 万美元。”

自己算算看

想知道每年多出 3 万美元能做什么吗？可以利用我们的云存储定价计算器，了解下迁移到 Backblaze B2 可以节省多少钱。

声明：本文为 InfoQ 翻译，未经许可禁止转载。

原文链接：https://www.backblaze.com/blog/an-ideal-solution-daltixs-automated-data-lake-archive-saves-100k/