01 背景介绍

　　1. 整体架构和规模　　

　　B 站是一个视频分享平台，拥有海量数据。大数据平台要支撑公司的众多业务，包括 AI、商业等重要应用。

　　大数据平台整体是一个“五层一体”+“存算分离”的架构，底层是分布式文件系统；中间有智能调度层，以及不同的计算引擎如 Spark、Flink 等，还包括各种客户端，以及实时数据流 Kafka、OLAP 引擎 ClickHouse 等，还有一些自建的工具和 CI/CD 平台。　　

　　平台任务量非常大，每天有 27 万个离线任务计算，2 万左右的 Ad-hoc 查询，7000 个左右重要的实时业务。团队的咨询量也非常大，每周有上千条咨询，每个小团队每周要处理 3 人天的咨询量，需要安排一个人专门处理业务上的咨询，回答用户关于任务失败、任务变慢等问题。

　　2. 用户的问题

　　关于离线计算，用户主要有两个问题，一个是为什么任务失败，另一个是为什么任务变慢。

　　（1）任务为什么会失败

　　系统内核的缺陷。有些时候系统内核升级了，但任务并没有做充分的测试，导致大规模的任务失败。

　　依赖组件的问题。平台数据量大，资源组件也很多，有很多任务彼此之间存在依赖，依赖的组件升级或者有 bug 就会导致任务的失败。

　　数据质量问题。本身有些数据有问题，也会造成任务失败。

　　当然，可能还会有其它一些原因造成任务失败，比如内存相关的问题等等。

　　（2）任务为什么会变慢

　　硬件老化引起。如果计存达到一定规模就会发现这个问题，我们的视频网站，硬盘的数量非常大，数据磁盘是有寿命的，过一段时间读写速度容易变得很慢。

　　资源调度问题。用户量非常大之后，资源调度压力会非常大的，加上公司的混合部署机制，资源会在不同的部门之间进行调转，在一些潮汐时可能有任务会受到影响。

　　数据分布问题。数据倾斜或数据本身存在问题也会造成任务变慢。

　　任务失败或变慢的原因非常繁杂，需要逐一排查，耗时耗力，因此我们需要探索利用智能手段来协助解决问题。　　

　　用户的提问通常是比较工程化的，没有很多描述，往往就是一个问题+一个链接，或者比较友好一点的会再加上一个截图。