GCP游戏分析解决方案

1. 概述

常见的游戏分析系统架构如下图所示，一般会包含以下几个部分：

游戏客户端：采集游戏日志、打点信息后，以实时或非实时方式发送到采集模块
采集模块：认证游戏客户端，接收日志和打点信息，将接收到的数据存储到对应数据库或数据仓库
分析系统：对数据进行ETL，将不同类型的数据处理后存放至不同类型的数据存储，计算汇总信息
展现模块：根据业务关心的指标制作图表，可视化展现数据结果

2. GCP架构

为了演示如何在GCP进行游戏数据分析，设计了一个简单的架构用于展示如何从游戏客户端采集数据，如何将数据实时发送至服务端，如何实时存储和处理数据并进行可视化展现。

此架构包含两类数据的采集和处理：用户事件的实时处理和日志的批量处理。

2.1 用户事件实时处理

用户登陆游戏、购买虚拟资产、充值等行为我们将其定义为事件,除上述通用行为外，我们还可为特定游戏定义特定的事件，如：用户升级、加入工会、获得装备等。如何定义游戏事件，请参考：Google Analytics推荐事件和 GA推荐的游戏事件

用户事件具有实效性，如果能尽快的采集和处理用户事件，能改善用户体验，提高玩家留存率。例如：当玩家卡在某一关卡无法过关，当服务端接收到几条事件后，为玩家提供过关指引。

Cloud Pub/Sub 为玩家事件采集提供了托管的消息队列服务，游戏客户端集成SDK之后可将玩家事件发送至Cloud Pub/Sub。Cloud Pub/Sub是一个全球化的服务，Google在全球范围跟大多数网络服务提供商(ISP)都有peering，无论玩家所在何处，都能够快速的将玩家事件发送到Cloud Pub/Sub。

玩家事件发送到Cloud Pub/Sub之后，通过Dataflow 作为消费者获取数据，进行ETL操作之后保存到BigQuery 。整条处理采集和处理的管道(Pipeline)不需要游戏开发者部署服务器来安装应用，免去了运维负担。并且数据管道的处理能力可以根据玩家事件数据量的变化而弹性扩展，让游戏开发者按使用量付费。使用Dataflow 而非Spark或Flink，因为前者能提供批流一体的能力，并且能对流式处理提供更好的时序支持。

2.2 服务器日志实时/批量处理

对于服务器产生的日志，可以实时处理，也可以批量处理。通过在服务器上“侧加载”一个日志收集的组件，如flume或fluent-bit ,便可将服务器日志传输到Cloud Logging 服务，然后将日志路由至其他服务进行处理。

3. 安装部署

选择或创建一个项目

本demo采用容器化技术，将用户事件模拟器和服务器模拟器都封装成为容器，并以K8S技术对容器进行编排。先打开Cloud Shell,然后将repo代码pull到本地

git clone https://github.com/ykzj/gaming-analytics.git
cd gaming-analytics

repo中目录结构如下图:

如果在Cloud Shell中运行，可以通过以下命令打开交互式向导：

teachme README.md

首先，我们需要定义project_id这个环境变量，后面多处会用到，重要

export project_id="{{project-id}}"

3.1 用户事件模拟器

stream目录中包含用户事件模拟器及对应的yaml文件，部署之前先通过Dockerfile生成容器镜像

cd stream
gcloud builds submit --tag gcr.io/${project_id}/simulator:0.3

(可选)

如果需要在本地验证容器的运行情况，可以替换run.sh中的内容，并在本地执行，观察容器运行日志。如果容器能在本地正常运行，再将容器push到Container Registry 中。

构建好容器镜像之后，push到Container Registry 中

gcloud auth configure-docker
docker build -t simulator .
docker tag simulator gcr.io/${project_id}/simulator:0.3
docker push gcr.io/${project_id}/simulator:0.3

3.2 服务器日志模拟器

batch目录中包含服务器日志模拟器及对应的yaml文件，部署之前先通过Dockerfile生成容器镜像

cd ../batch
gcloud builds submit --config=gameserver.yaml
gcloud builds submit --config=fluent-bit.yaml

(可选)

如果需要在本地验证容器的运行情况，可以替换run.sh中的内容，并在本地执行，观察容器运行日志。如果容器能在本地正常运行，再将容器push到Container Registry 中。

构建好容器镜像之后，push到Container Registry 中

docker build -t gameserver -f Dockerfile.gameserver .
docker build -t fluent-bit -f Dockerfile.fluent-bit .
docker tag gameserver gcr.io/${project_id}/gameserver:0.2
docker push gcr.io/${project_id}/gameserver:0.2
docker tag fluent-bit gcr.io/${project_id}/fluent-bit:1.8
docker push gcr.io/${project_id}/fluent-bit:1.8

至此，用户事件模拟器和服务器日志模拟器的镜像制作完成。

3.3 创建Google Kubernetes Engine集群

接下来创建一个GKE 集群，用来运行用户事件模拟器和服务器日志模拟器。用户事件模拟器将模拟事件发送到Pub/Sub服务，服务器日志模拟机将日志发送到Cloud Logging服务，因此需要先创建一个服务账号，并授予Pub/Sub服务和Cloud Logging服务的权限。

gcloud iam service-accounts create gaming-analytics-demo \
            --display-name="Gaming Analytics Demo"

gcloud projects add-iam-policy-binding ${project_id} \
            --member=serviceAccount:gaming-analytics-demo@${project_id}.iam.gserviceaccount.com \
            --role=roles/pubsub.publisher

gcloud projects add-iam-policy-binding ${project_id} \
            --member=serviceAccount:gaming-analytics-demo@${project_id}.iam.gserviceaccount.com \
            --role=roles/logging.logWriter
            
gcloud projects add-iam-policy-binding ${project_id} \
            --member=serviceAccount:gaming-analytics-demo@${project_id}.iam.gserviceaccount.com \
            --role=roles/storage.objectViewer

创建好服务账号之后，创建一个新的GKE集群，并给node赋予新建的服务账号:

gcloud beta container --project ${project_id} clusters create "gke-gaming-analytics-demo" --zone "us-central1-c" --no-enable-basic-auth --cluster-version "1.20.9-gke.1001" --release-channel "None" --machine-type "n2d-standard-8" --image-type "COS_CONTAINERD" --disk-type "pd-standard" --disk-size "100" --metadata disable-legacy-endpoints=true --service-account "gaming-analytics-demo@${project_id}.iam.gserviceaccount.com" --max-pods-per-node "110" --preemptible --num-nodes "200" --enable-stackdriver-kubernetes --enable-ip-alias --network "projects/${project_id}/global/networks/default" --subnetwork "projects/${project_id}/regions/us-central1/subnetworks/default" --no-enable-intra-node-visibility --default-max-pods-per-node "110" --enable-autoscaling --min-nodes "200" --max-nodes "1000" --no-enable-master-authorized-networks --addons HorizontalPodAutoscaling,HttpLoadBalancing,GcePersistentDiskCsiDriver --enable-autoupgrade --enable-autorepair --max-surge-upgrade 2 --max-unavailable-upgrade 0 --enable-shielded-nodes --node-locations "us-central1-c"

等待几分钟，GKE集群创建好后，获取身份验证以便与集群交互：

gcloud container clusters get-credentials gke-gaming-analytics-demo --zone=us-central1-c

通过下列命令验证kubectl命令行能正常获取集群信息：

kubectl get node

3.4 创建Cloud Pub/Sub Topic

在部署应用到GKE之前，还需要先创建一个Cloud Pub/Sub Topic用来接收用户事件模拟器的模拟事件：

gcloud pubsub topics create gaming-analytics-topic

3.5 部署应用到GKE

接下来可以开始部署用户事件模拟器和服务器日志模拟器到GKE集群，** 注意：在部署前调整yaml文件配置以匹配project id、Pub/Sub topic等设置。

cd ..
kubectl create -f stream/simulator-deployment.yaml
kubectl create -f batch/gameserver-deployment.yaml
kubectl get po

如果需要调整模拟器的数量，请修改yaml文件中的对应设置。

3.6 创建BigQuery数据集

通过bq命令行工具来创建一个数据集，用于存储用户事件和服务器日志：

bq --location=US mk -d \
--default_table_expiration 86400 \
--description "Gaming Analytics demo dataset." \
gaming_analytics

创建一张表用于存储具体内容，用于存储用户事件的events表的schema定义文件在stream目录下：

bq mk \
  --table \
  --expiration 86400 \
  --description "user events" \
  gaming_analytics.events \
  stream/event_table_schema.json

3.7 创建Dataflow任务

Dataflow用于消费Pub/Sub数据后存入BigQuery，得益于Dataflow自带的Pub/Sub Topic to BigQuery任务模版，我们只需要从模版创建任务即可，不需要自己写代码来实现,只需要创建一个存储桶用于任务执行的临时存储。此任务的DAG如下图：

执行下列命令：

gsutil mb gs://${project_id}

gcloud dataflow jobs run job-gaming-analytics --gcs-location gs://dataflow-templates-us-central1/latest/PubSub_to_BigQuery --region us-central1 --staging-location gs://${project_id}/temp --parameters inputTopic=projects/${project_id}/topics/gaming-analytics-topic,outputTableSpec=${project_id}:gaming_analytics.events

等待job创建完成后，通过bq命令行查询events表以获取结果

bq query --use_legacy_sql=false \
'SELECT * FROM gaming_analytics.events LIMIT 10'

至此，用户事件模拟器生成的模拟事件已经经过流式处理，并且存储到BigQuery表里。

3.8 存储服务器日志到BigQuery

服务器日志模拟器生成的模拟日志已经自动发送到Cloud Logging中，接下来我们创建一个sink:

gcloud logging sinks create sink-gaming-analytics \
bigquery.googleapis.com/projects/${project_id}/datasets/gaming_analytics \
--log-filter='resource.type="k8s_container" resource.labels.cluster_name="gke-gaming-analytics-demo" resource.labels.namespace_name="default" resource.labels.container_name="fluent-bit"'

命令完成后，会在BigQuery的gaming_analytics数据集下自动创建一张表，用来存放服务器日志信息

4. 自动扩展

为了验证数据分析pipeline的自动扩展能力，我们可以调整用户事件模拟器和服务器日志模拟器的replicas数量，每个replica对应一个用户或一台服务器。除了Dataflow和Pub/Sub服务能自动扩展外，运行模拟器的GKE集群也可以自动扩展。

4.1 扩展用户事件模拟器

通过修改stream目录下的simulator-deployment.yaml文件中replicas的值，我们就可以扩展用户事件模拟器的数量。

vi stream/simulator-deployment.yaml

初始值为1，为了模拟10000个并发用户，我们将replicas的值修改为10000后保存，然后更新deployment：

kubectl apply -f stream/simulator-deployment.yaml

为了验证deployment下的pod数量达到预期，通过kubectl get po命令获得pod信息：

kubectl get po

等pod数量扩展完成后再运行一段时间（等待一杯咖啡的时间），便可去Cloud Console的Dataflow服务页面下，查看 Dataflow任务的节点扩展情况。

4.2 扩展服务器日志模拟器

当用户增加后，后端服务器的数量也会相应增加。通过修改batch目录下的gameserver-deployment.yaml文件中replicas的值，我们就可以扩展用户事件模拟器的数量。

vi batch/gameserver-deployment.yaml

初始值为1，为了模拟1000台后端服务器，我们将replicas的值修改为1000后保存，然后更新deployment：

kubectl apply -f batch/gameserver-deployment.yaml

为了验证deployment下的pod数量达到预期，通过kubectl get po命令获得pod信息：

kubectl get po

等pod数量扩展完成后再运行一段时间（等待一杯咖啡的时间），Cloud Logging的Sink会自动扩展处理能力，将服务器产生的日志信息导出到BigQuery。

4.3 减少负载

为了模拟用户请求随着时间而变化的过程，我们减少用户事件模拟器和服务器日志模拟器的yaml文件中replicas的值，除了pod会随之减少之外，GKE的node数量也会随之减少，随之Cloud Logging Sink和Dataflow Job的处理能力也会收缩。

修改用户事件模拟器replicas数量：

vi stream/simulator-deployment.yaml

kubectl apply -f stream/simulator-deployment.yaml

修改服务器日志模拟器replicas数量：

vi batch/gameserver-deployment.yaml

kubectl apply -f batch/gameserver-deployment.yaml

调整完后等待一段时间，观察各个服务收缩的情况。

5. 清理

为了避免产生额外的费用，实验完成后请删除实验过程中创建的资源：

删除部署的用户事件模拟器和服务器日志模拟器：

kubectl delete -f stream/simulator-deployment.yaml
kubectl delete -f batch/gameserver-deployment.yaml

删除GKE集群:

gcloud container clusters delete gke-gaming-analytics-demo --zone=us-central1-c --async

删除Cloud Logging Sink:

gcloud logging sinks delete sink-gaming-analytics

删除Dataflow任务：注意：第一条命令无法正常在Cloud Shell中复制粘贴，请手动拷贝第一条命令到Cloud Shell中执行

export job_id=`gcloud dataflow jobs list --region=us-central1 --status=active --filter="name=job-gaming-analytics" | head -n 1 | cut -f 2 -d " "`

执行完上面的命令后，再执行下面的命令：

gcloud dataflow jobs cancel ${job_id} --region=us-central1

删除Pub/Sub Topic：

gcloud pubsub topics delete projects/${project_id}/topics/gaming-analytics-topic

删除BigQuery数据集：

bq rm -r -f -d ${project_id}:gaming_analytics

删除创建的服务账号：

gcloud iam service-accounts delete gaming-analytics-demo@${project_id}.iam.gserviceaccount.com

删除容器镜像：

gcloud container images delete gcr.io/${project_id}/fluent-bit:1.8
gcloud container images delete gcr.io/${project_id}/gameserver:0.2
gcloud container images delete gcr.io/${project_id}/simulator:0.3

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README.md

README.md

GCP游戏分析解决方案

1. 概述

2. GCP架构

2.1 用户事件实时处理

2.2 服务器日志实时/批量处理

3. 安装部署

3.1 用户事件模拟器

(可选)

3.2 服务器日志模拟器

(可选)

3.3 创建Google Kubernetes Engine集群

3.4 创建Cloud Pub/Sub Topic

3.5 部署应用到GKE

3.6 创建BigQuery数据集

3.7 创建Dataflow任务

3.8 存储服务器日志到BigQuery

4. 自动扩展

4.1 扩展用户事件模拟器

4.2 扩展服务器日志模拟器

4.3 减少负载

5. 清理

Files

README.md

Latest commit

History

README.md

File metadata and controls

GCP游戏分析解决方案

1. 概述

2. GCP架构

2.1 用户事件实时处理

2.2 服务器日志实时/批量处理

3. 安装部署

3.1 用户事件模拟器

(可选)

3.2 服务器日志模拟器

(可选)

3.3 创建Google Kubernetes Engine集群

3.4 创建Cloud Pub/Sub Topic

3.5 部署应用到GKE

3.6 创建BigQuery数据集

3.7 创建Dataflow任务

3.8 存储服务器日志到BigQuery

4. 自动扩展

4.1 扩展用户事件模拟器

4.2 扩展服务器日志模拟器

4.3 减少负载

5. 清理