Розробка потокової обробки блокчейн-даних (Kafka/Flink)

Розробка потокової обробки блокчейн-даних (Kafka/Flink)

Ми часто стикаємося з ситуацією, коли нода Ethereum в режимі real-time генерує близько 2–5 МБ даних на секунду в періоди високої активності мережі. Це події Transfer, виклики контрактів, зміни стану. Якщо ваша аналітична система або торговий двигун отримують ці дані через періодичний polling RPC-ноди — ви працюєте з застарілими даними та пропускаєте події. Для задач, де затримка в 1–2 блоки критична (арбітраж, liquidation monitoring, fraud detection), потрібна потокова архітектура з гарантіями доставки. Наші інженери будують такі системи під ключ — від топіків до дашбордів.

Чому потокова обробка блокчейн-даних критична для DeFi?

Арбітражні боти, liquidation моніторинг та виявлення MEV потребують затримки менше 500 мс від появи блоку до прийняття рішення. Polling RPC-ноди через JSON-RPC дає затримку в кілька секунд і не гарантує доставку всіх подій. Потокова архітектура на Kafka забезпечує збереження всіх даних з можливістю перечитування, а Flink дозволяє виконувати ковзні агрегації та детектувати складні патерни в реальному часі.

Джерела даних: від ноди до Kafka

WebSocket підписки vs polling

Стандартний eth_subscribe("newHeads") через WebSocket дає сповіщення про новий блок без затримки polling. Але WebSocket-з'єднання нестабільне на довгих періодах — потрібен reconnect з catchup логікою:

func (s *NodeSubscriber) subscribeWithRecovery(ctx context.Context) error {
	for {
		lastBlock, _ := s.db.GetLastProcessedBlock()
		// Догнати пропущені блоки при reconnect
		if err := s.catchUpFromBlock(ctx, lastBlock+1); err != nil {
			return err
		}
		// Підписатися на нові блоки
		sub, err := s.client.SubscribeNewHead(ctx, s.headers)
		if err != nil {
			time.Sleep(backoffDuration)
			continue
		}
		select {
		case err := <-sub.Err():
			log.Warnf("subscription error: %v, reconnecting", err)
		case <-ctx.Done():
			return nil
		}
	}
}

Firehose protocol (StreamingFast/Pinax)

Для Ethereum та інших EVM-мереж найефективніший спосіб отримання raw даних — Firehose (StreamingFast), що інструментує ноду на рівні бінарника та експортує блоки в protobuf з мінімальною затримкою. Throughput на порядок вище ніж через JSON-RPC. Для проектів з вимогою повної історичної прокрутки — Firehose + зберігання flat files в S3/GCS дозволяє відтворювати будь-який діапазон блоків без повторної синхронізації ноди.

Kafka як транспортний шар

Kafka — черга зі збереженням (log-based). На відміну від RabbitMQ/Redis Streams, Kafka зберігає всі повідомлення в налаштований retention період (дні, тижні), що дозволяє consumers перечитувати дані. Це критично для блокчейн-аналітики: нова consumer group може прочитати всю історію подій без звернення до ноди.

Топології топіків для blockchain pipeline:

raw.blocks → сирі блоки (partitioned by block_number % N)
raw.transactions → всі транзакції
raw.logs → всі event logs
decoded.transfers → декодовані ERC-20 Transfer події
decoded.swaps → декодовані Swap події (Uniswap, Curve, etc.)
alerts.large-txns → транзакції > threshold
analytics.prices → агреговані цінові дані

Partitioning strategy важлива: для подій конкретного контракту — partition by contractAddress (гарантує ordering). Для транзакцій — partition by from address або blockNumber.

Apache Flink: stateful stream processing

Flink — правильний інструмент для задач, які потребують стану: ковзні агрегати, join потоків, виявлення патернів у часі. Spark Streaming — батчинг під виглядом стрімінгу (micro-batches). Flink — справжній event-time processing.

Декодування ABI on-the-fly

Вхідні logs — сирі hex дані. Flink job повинен декодувати їх у типізовані події:

public class LogDecoderFunction extends RichFlatMapFunction<RawLog, DecodedEvent> {
    private Map<String, ContractABI> abiRegistry;

    @Override
    public void flatMap(RawLog log, Collector<DecodedEvent> out) {
        String contractAddress = log.getAddress().toLowerCase();
        ContractABI abi = abiRegistry.get(contractAddress);
        if (abi == null) return; // невідомий контракт

        String topic0 = log.getTopics().get(0);
        EventDefinition eventDef = abi.findEventBySignatureHash(topic0);
        if (eventDef != null) {
            DecodedEvent decoded = AbiDecoder.decode(eventDef, log);
            out.collect(decoded);
        }
    }
}

ABI реєстр завантажується з PostgreSQL/Redis при старті job та оновлюється через Broadcast State pattern — без перезапуску job при додаванні нових контрактів.

Часові вікна та агрегації

Задача: обчислювати 5-хвилинний VWAP (Volume Weighted Average Price) по свапах Uniswap V3 в режимі реального часу.

DataStream<SwapEvent> swaps = source
    .filter(e -> e.getType().equals("Swap"))
    .map(e -> (SwapEvent) e);
DataStream<VWAPResult> vwap = swaps
    .keyBy(SwapEvent::getPoolAddress)
    .window(TumblingEventTimeWindows.of(Time.minutes(5)))
    .aggregate(new VWAPAggregator(), new VWAPWindowFunction());

Event time vs processing time — принциповий вибір. Event time (час блоку) дає детерміновані результати при переграванні історії. Processing time швидше, але дає різні результати при replay.

Watermarks для обробки late events — блокчейн транзакції можуть приходити в Kafka з невеликою затримкою:

WatermarkStrategy.<RawLog>forBoundedOutOfOrderness(Duration.ofSeconds(10))
        .withTimestampAssigner((log, ts) -> log.getBlockTimestamp() * 1000L)

Складні патерни: CEP для виявлення аномалій

Flink CEP (Complex Event Processing) дозволяє описувати послідовності подій. Задача: детектувати sandwich attack — front-run транзакція, жертва, back-run транзакція в одному блоці.

Pattern<DecodedEvent, ?> sandwichPattern = Pattern
    .<DecodedEvent>begin("frontrun")
    .where(e -> e.isSwap() && e.getGasPrice() > threshold)
    .next("victim")
    .where(e -> e.isSwap() && samePool(e, "frontrun"))
    .next("backrun")
    .where(e -> e.isSwap() && samePool(e, "frontrun") && e.getSender().equals(frontrunSender(e)))
    .within(Time.seconds(12)); // в межах одного блоку

State backend та відмовостійкість

Як ми забезпечуємо exactly-once доставку?

Flink checkpoint — знімок стану всіх операторів в S3/HDFS. При збої — відновлення з останнього checkpoint, Kafka consumer offset зберігається атомарно з state. Це гарантує exactly-once семантику для більшості операторів.

RocksDB state backend — обов'язковий для production при великому стані (мільйони ключів). In-memory backend не масштабується.

Моніторинг та dead letter queues

Необроблені події (невідомий ABI, помилка парсингу, неочікуваний формат) не можна просто дропати. Dead letter queue (DLQ) в окремий Kafka топік зі збереженням оригінального повідомлення та stack trace помилки — стандартний патерн.

Метрики Flink + Prometheus + Grafana: lag по кожному топіку, throughput операторів, backpressure по графу job. Backpressure — перший індикатор, що downstream не справляється.

Типові use cases та затримки

Порівняння інструментів потокової обробки

Інфраструктура та стек

Мінімальний production кластер: 3 Kafka брокери (3 репліки для durability), Flink cluster з 1 JobManager + 3–5 TaskManager pods в Kubernetes. Сховище результатів — ClickHouse для аналітичних запитів (колонкове, швидкі aggregations на великих обсягах) або PostgreSQL + TimescaleDB для метрик часових рядів.

Керовані сервіси скорочують операційне навантаження: Confluent Cloud (Kafka), Amazon Kinesis (альтернатива для AWS-native стека). Для on-premise або compliance вимог — власний кластер.

Що входить в розробку системи

• Архітектура потокового пайплайну від джерел до сховищ
• Налаштування Kafka: топіки, партиціонування, retention політики
• Розробка Flink jobs: декодування ABI, агрегації, CEP патерни
• Моніторинг та оповіщення: Prometheus + Grafana дашборди
• Документація та навчання команди
• Підтримка після запуску (згідно SLA)

Наша команда має 7+ років досвіду в розробці високонавантажених систем для Crypto та DeFi, реалізувала 30+ проектів. Готові оцінити ваш проект — напишіть нам. Оцінка займає 2 робочі дні.