大数据平台架构技术选型与场景运用

资讯频道 → 行业应用

2顶
0踩

2017-06-21 10:59 by 副主编 jihong10102006 评论(0) 有15289人浏览

大数据

声明：ITeye资讯文章的版权属于ITeye网站所有，严禁任何网站转载本文，否则必将追究法律责任！

引用

导读：本文将大数据的工作角色分为三种类型，包括业务相关、数据科学相关和数据工程。大数据平台偏向于工程方面，大数据平台一般包括数据源、数据采集、数据存储、数据分析等方面。

讲师从数据来源、数据源结构、数据变化程度和数据规模等4个维度对数据源进行分类，数据源分类维度的不同决定最后的技术选型。讲师还对数据源分类的定义及选型方式进行详细讲解，最终联系到大数据的应用场景，让数据应用方式更加直观。

一、大数据平台

大数据在工作中的应用有三种：
与业务相关，比如用户画像、风险控制等；

与决策相关，数据科学的领域，了解统计学、算法，这是数据科学家的范畴；
与工程相关，如何实施、如何实现、解决什么业务问题，这是数据工程师的工作。

数据工程师在业务和数据科学家之间搭建起实践的桥梁。本文要分享的大数据平台架构技术选型及场景运用偏向于工程方面。

如图所示，大数据平台第一个要素就是数据源，我们要处理的数据源往往是在业务系统上，数据分析的时候可能不会直接对业务的数据源进行处理，而是先经过数据采集、数据存储，之后才是数据分析和数据处理。

从整个大的生态圈可以看出，要完成数据工程需要大量的资源；数据量很大需要集群；要控制和协调这些资源需要监控和协调分派；面对大规模的数据怎样部署更方便更容易；还牵扯到日志、安全、还可能要和云端结合起来，这些都是大数据圈的边缘，同样都很重要。

二、数据源的特点

数据源的特点决定数据采集与数据存储的技术选型，我根据数据源的特点将其分为四大类：

第一类：从来源来看分为内部数据和外部数据；
第二类：从结构来看分为非结构化数据和结构化数据；
第三类：从可变性来看分为不可变可添加数据和可修改删除数据；
第四类，从规模来看分为大量数据和小量数据。

内部数据

来自企业内部系统，可以采用主动写入技术(push)，从而保证变更数据及时被采集。

外部数据

企业要做大数据的话肯定不会只局限于企业内部的数据，比如银行做征信，就不能只看银行系统里的交易数据和用户信息，还要到互联网上去拉取外部数据。

外部数据分为两类：

一类是要获取的外部数据本身提供API，可以调用API获取，比如微信；
另一类是数据本身不提供API，需要通过爬虫爬取过来。

这两类数据都不是我们可控制的，需要我们去获得，它的结构也可能跟我们企业内部数据的结构不一样，还需要进行转换，爬虫爬取的数据结构更乱，因此大数据平台里需要做ETL，由ETL进行数据提取、转换、加载，清洗、去重、去噪，这个过程比较麻烦。爬虫爬过来的数据往往是非结构性的、文档型的数据，还有视频、音频，这就更麻烦了。

结构化数据 & 非结构化数据

结构化和非结构化数据在存储时的选型完全不同，非结构化数据偏向于文件，或者选择NoSQL数据库；考虑到事务的一致性，我们也可能选择传统的数据库。

不变可添加数据

如果数据源的数据是不变的，或者只允许添加（通常，数据分析的事实表，例如银行交易记录等都不允许修改或删除），则采集会变得非常容易，同步时只需要考虑最简单的增量同步策略，维持数据的一致性也相对变得容易。

对于大数据分析来说，我们每天在处理的数据大部分是不可变更的。正如Datomic数据库的设计哲学就是数据为事实（fact），它是不可变的，即数据是曾经发生的事实，事实是不可以被篡改的，哪怕改一个地址，从设计的角度来说也不是改动一个地址，而是新增了一个地址。交易也是如此。

可修改可删除数据

银行的交易记录、保险单的交易记录，互联网的访客访问记录、下单记录等都是不可变的。但是数据源的数据有些可能会修改或删除，尤其是许多维表经常需要变动。要对这样的数据进行分析处理，最简单的办法就是采用直连形式，但直连可能会影响数据分析的效率与性能，且多数数据模型与结构可能不符合业务人员进行数据分析的业务诉求。如果采用数据采集的方式，就要考虑同步问题。

大数据量

针对大数据量，如果属于高延迟的业务，可以采用batch的处理方式，实时分析则需要使用流式处理，将两者结合就是Lambda架构，即有实时处理、又能满足一定的大数据量，这是现在比较流行的大数据处理方式。

三、数据存储的技术选型

大数据平台特征：相同的业务数据会以多种不同的表现形式，存储在不同类型的数据库中，形成一种poly-db的数据冗余生态。

先把数据源进行分类，然后根据其特点判断用什么方式采集，采集之后要进行存储。数据存储的技术选型依据有三点：

第一点取决于数据源的类型和采集方式。比如非结构化的数据不可能拿一个关系数据库去存储。采集方式如果是流失处理，那么传过来放到Kafka是最好的方式。
第二点取决于采集之后数据的格式和规模。比如数据格式是文档型的，能选的存储方式就是文档型数据库，例如MongoDB；采集后的数据是结构化的，则可以考虑关系型数据库；如果数据量达到很大规模，首选放到HDFS里。
第三点是分析数据的应用场景。根据数据的应用场景来判定存储技术选型。

场景一：舆情分析

做舆情分析的时候客户要求所有数据存放两年，一天600多万，两年就是700多天×600多万，几十亿的数据。而且爬虫爬过来的数据是舆情，做了分词之后得到的可能是大段的网友评论，客户要求对舆情进行查询，做全文本搜索，并要求响应时间控制在10s以内。

我们后来选择用ES，在单机上做了一个简单的测试，大概三亿多条数据，用最坏的查询条件进行搜索，保证这个搜索是全表搜索（基于Lucence创建了索引，使得这种搜索更高效），整个查询时间能控制在几秒以内。

如图所示，爬虫将数据爬到Kafka里，在里面做流处理，去重去噪做语音分析，写到ElasticSearch里。我们做大数据的一个特点是多数据库，会根据不同的场景选择不同的数据库，所以会产生大量的冗余。

场景二：商业智能产品

BI产品主要针对数据集进行的数据分析以聚合运算为主，比如求合、求平均数、求同比、求环比、求其他的平方差或之类的标准方差。我们既要满足大数据量的水平可伸缩，又要满足高性能的聚合运算。选择Parquet列式存储，可以同时满足这两个需求。

场景三：Airbnb的大数据平台

Airbnb的大数据来自两块：一是本身的业务数据，二是大量的事件。数据源不同，采集方式也不一样。日志数据通过发送Kafka事件，而线上数据则通过Sqoop同步。数据存储选择HDFS集群，然后通过Presto对Hive表执行即席查询。S3是一个独立的存储系统。

四、数据处理

数据处理分为三大类：

第一类是从业务的角度，细分为查询检索、数据挖掘、统计分析、深度分析，其中深度分析分为机器学习和神经网络。
第二类是从技术的角度，细分为Batch、SQL、流式处理、machine learning、Deep learning。
第三类是编程模型，细分为离线编程模型、内存编程模型、实时编程模型。

结合前文讲述的数据源特点、分类、采集方式、存储选型、数据分析、数据处理，我在这里给出一个总体的大数据平台的架构。值得注意的是，架构图中去掉了监控、资源协调、安全日志等。

左侧是数据源，有实时流的数据（可能是结构化、非结构化，但其特点是实时的），有离线数据，离线数据一般采用的多为ETL的工具，常见的做法是在大数据平台里使用Sqoop或Flume去同步数据，或调一些NIO的框架去读取加载，然后写到HDFS里面，当然也有一些特别的技术存储的类型，比如HAWQ就是一个支持分布式、支持事务一致性的开源数据库。

从业务场景来看，如果我们做统计分析，就可以使用SQL或MapReduce或streaming或Spark。如果做查询检索，同步写到HDFS的同时还要考虑写到ES里。如果做数据分析，可以建一个Cube，然后再进入OLAP的场景。

这个图基本上把所有的内容都涵盖了，从场景的角度来分析倒推，用什么样的数据源、采用什么样的采集方式、存储成什么样子，能满足离线、内存、实时、流的各种模型，都能从图中得到解答。

以上为本次分享的全部内容。

引用

作者：张逸，大眼科技CTO，先后就职于中兴通讯、惠普GDCC、中软国际、ThoughtWorks等中外企业，任职角色为高级软件工程师，架构师，技术总监，首席咨询师。目前致力于商业智能产品与大数据分析平台的开发与架构设计。
声明：本篇文章内容来自第八期魅族开放日大眼科技CTO张逸的现场分享，由IT大咖说提供现场速录，由msup整理编辑。

查看图片附件

分享到：

2
顶

0
踩

评论共 0 条请登录后发表评论

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

大数据平台架构技术选型与应用场景

Hadoop生态系统中的MapReduce和Spark是常用的批处理框架，Kafka和Flink是常用的流处理...根据具体的需求和场景，选择适合的技术组合，能技术组合，能够构建出高效可靠的大数据平台，为各行业提供数据驱动的决策支持。

大数据平台架构技术选型与场景运用(转)

大数据平台偏向于工程方面，大数据平台一般包括数据源、数据采集、数据存储、数据分析等方面。讲师从数据来源、数据源结构、数据变化程度和数据规模等4个维度对数据源进行分类，数据源分类维度的不同决定最后的技术...

【转载】大数据平台架构技术选型与场景运用

https://blog.csdn.net/qiansg123/article/details/80130106

大数据技术架构如何选型

最后是运维成本，这个其实涉及到产品的应用形态，如果只是SaaS公有云，则是可控的，如果私有化部署的场景非常多，则运维成本会非常大，也可能在选型时起到决定性的作用。即做大数据是满足业务诉求的，业务诉求会有很...

大数据平台架构及主流技术栈

互联网和移动互联网技术开启了大规模生产、分享和应用数据的大数据时代。面对如此庞大规模的数据，如何存储？...经过十几年的发展，如今的大数据技术生态已相对成熟，围绕大数据应用搭建的平台架构和技术选型也逐

基于CST软件的三维超材料能带计算及其应用

内容概要：本文介绍了如何利用CST软件进行三维超材料的能带计算。首先概述了三维超材料的独特性质及其广泛应用前景，接着简要介绍了CST软件的功能特点。随后详细阐述了能带计算的具体步骤，包括模型建立、材料参数设置、网格划分与求解设置以及最终的计算与结果分析。最后给出了一段Python代码示例，展示了如何处理CST输出的数据并绘制能带图。文章强调了计算机模拟技术对于深入了解超材料电子结构和物理性质的重要性。适合人群：从事材料科学研究的专业人士，尤其是对三维超材料和电磁场模拟感兴趣的科研工作者和技术人员。使用场景及目标：适用于希望借助CST软件开展三维超材料能带计算的研究项目，旨在提高对超材料的理解，推动相关领域的技术创新和发展。其他说明：文中提供的Python代码仅为示例，在实际操作时可根据具体情况进行调整优化。同时，掌握CST软件的基本操作和电磁理论基础知识有助于更好地理解和应用本文内容。

基于FPGA的永磁同步伺服系统设计：电流环及矢量控制实现

内容概要：本文详细介绍了基于FPGA的永磁同步伺服系统的矢量控制设计，涵盖了从电流环到速度环的关键模块实现。具体包括Clarke和Park变换、PI调节器、AD7606采样、正交编码器反馈以及SVPWM生成等部分。文中提供了详细的Verilog代码片段，展示了各个模块的具体实现方法和技术细节。特别强调了定点数处理、时序设计和跨时钟域处理等方面的技术挑战及其解决方案。适合人群：具备一定FPGA开发经验和电机控制基础知识的研发人员。使用场景及目标：适用于希望深入了解FPGA在电机控制应用中的具体实现方式，特别是矢量控制和电流环设计的专业人士。目标是掌握FPGA平台下高效、低延迟的电机控制系统设计方法。阅读建议：由于涉及大量具体的Verilog代码和硬件设计细节，建议读者在阅读过程中结合实际项目进行实验和调试，以便更好地理解和掌握相关技术。

飞机大战：从运动方程到战斗系统的全链路设计解析

经典飞机大战游戏是理解实时交互系统设计的绝佳载体。本文将深入剖析现代空战游戏的核心模块，涵盖刚体运动学、弹道轨迹优化、碰撞检测算法等关键技术，揭示二维游戏背后复杂的三维数学建模过程。

scratch少儿编程逻辑思维游戏源码-冰塔.zip

scratch少儿编程逻辑思维游戏源码-弹跳(4).zip

COMSOL焊接热源模型解析：双椭球、高斯旋转体与柱状体热源的应用与优化

内容概要：本文详细介绍了COMSOL软件中三种常见的焊接热源模型——双椭球热源、高斯旋转体热源和柱状体热源。双椭球热源适用于模拟移动热源（如激光焊、电弧焊），通过调整轴向系数a1和a2来控制热流分布；高斯旋转体热源适合小范围焊接，采用三维高斯函数描述热流密度；柱状体热源则用于深熔焊场景，特点是计算速度快。文中还提供了每种模型的具体代码实现，并强调了调试时需要注意的关键点，如时间步长、网格加密等。此外，作者分享了一些实用技巧，如将热源参数设置为全局变量并利用参数扫描功能提高调试效率。适合人群：从事焊接工艺仿真、材料加工领域的研究人员和技术人员，以及对COMSOL建模感兴趣的工程技术人员。使用场景及目标：帮助用户选择合适的热源模型进行焊接模拟，确保模拟结果的准确性；提供具体的代码实现和调试方法，使用户能够快速掌握并应用于实际项目中。其他说明：文中提到的热源模型不仅限于理论介绍，还包括实际操作中的注意事项和优化建议，有助于提升模拟效果和工作效率。

基于RBF神经网络的PID控制器在PMSM转速环中的Simulink模型设计与性能分析

内容概要：本文介绍了将基于RBF神经网络的PID控制器应用于永磁同步电机(PMSM)转速环控制的方法及其性能优势。传统的PID控制器在面对非线性和时变系统时存在参数整定困难的问题，而引入RBF神经网络可以实现实时在线调参，提高系统的灵活性和鲁棒性。文中详细描述了Simulink模型的设计，特别是Matlab s-function模块中RBF神经网络的具体实现，包括高斯函数激活和带惯性的权值更新机制。实验结果显示，在转速突变情况下，改进后的控制器能够迅速稳定系统，超调量控制在2%以内，调节时间较传统方法缩短约40%，并且在负载变化时表现出色，无需重新整定参数。适合人群：从事电机控制系统研究和开发的技术人员，尤其是对PID控制器优化感兴趣的工程师。使用场景及目标：适用于需要提升PMSM转速环控制精度和响应速度的应用场合，如工业自动化设备、机器人等领域。目标是通过引入智能算法解决传统PID控制器参数整定难题，提高系统性能。阅读建议：关注RBF神经网络与PID控制器结合的具体实现细节，特别是在Matlab s-function模块中的编码技巧以及参数调整策略。同时，注意学习率的选择和动量项的作用，这对于实际应用至关重要。

scratch少儿编程逻辑思维游戏源码-GTA 6.zip

scratch少儿编程逻辑思维游戏源码-仓鼠跑酷.zip

scratch少儿编程逻辑思维游戏源码-超级麦克世界.zip

scratch少儿编程逻辑思维游戏源码-400年.zip

少儿编程scratch项目源代码文件案例素材-气球足球.zip

少儿编程scratch项目源代码文件案例素材-沙漠迷城.zip

2顶0踩