大数据技术架构详解

　　大数据出现的原因：

　　大多数的技术突破来源于实际的产品需要，大数据最初诞生于谷歌的搜索引擎中。随着web2.0时代的发展，互联网上数据量呈献爆炸式的增长，为了满足信息搜索的需要，对大规模数据的存储提出了非常强劲的需要。基于成本的考虑，通过提升硬件来解决大批量数据的搜索越来越不切实际，于是谷歌提出了一种基于软件的可靠文件存储体系GFS，使用普通的PC机来并行支撑大规模的存储。存进去的数据是低价值的，只有对数据进行过加工才能满足实际的应用需要，于是谷歌又创造了MapReduce这一计算模型，该模型能够利用集群的力量将复杂的运算拆分到每一台普通PC上，计算完成后通过汇总得到最终的计算结果，这样就能够通过直接增加机器数量就获得更好的运算能力了。

　　有了GFS和MapReduce之后，文件的存储和运算得到了解决，这时候又出现了新的问题。GFS的随机读写能力很差，而谷歌有需要一种来存放格式化数据的数据库，原本通过单机的数据库就能解决的问题到了谷歌那里就悲剧了，于是神器的谷歌就又开发了一套BigTable系统，利用GFS的文件存储系统外加一个分布式的锁管理系统Chubby就设计出来了BigTable这样一个列式的数据库系统。

　　在谷歌完成了上述的系统后，就把其中的思想作为论文发布出来了，基于这些论文，出现了一个用JAVA写的类GFS开源项目Hadoop，最开始hadoop的赞助人是yahoo，后来这个项目成了Apche的顶级项目。

　　大数据的解决方案：

　　谷歌的那一套系统是闭源的，开源的Hadoop于是就广泛传播开来了。

　　 

　　和谷歌那套系统类似，Hadoop的最核心的存储层叫做HDFS，全称是Hadoop文件存储系统，有了存储系统还要有分析系统，于是就有了开源版本的MapReduce，类似的参照BigTable就有了Hbase。一开源之后整个系统用的人就多了，于是大家都像要各种各样的特性。facebook的那些人觉得mapreduce程序太难写，于是就开发了Hive，Hive就是一套能把SQL语句转成Mapreduce的工具，有了这套工具只要你会SQL就可以来Hadoop上写mapreduce程序分析数据了。对了，参考chubby，我们有了开源的ZooKeeper来作为分布式锁服务的提供者。

　　由于Hadoop最开始设计是用来跑文件的，对于数据的批处理来说这没什么问题，有一天突然大家想要一个实时的查询服务，数据这么大，要满足实时查询首先要抛开的是mapreduce，因为它真的好慢。2008年的时候一家叫Cloudera的公司出现了，他们的目标是要做hadoop界的redhat，把各种外围系统打包进去组成一个完整的生态系统，后来他们开发出来了impala，impala的速度比mapreduce在实时分析上的效率有了几十倍的提升，后来hadoop的创始人Doug Cutting也加入了cloudera。这时候学院派也开始发力了，加州大学伯克利分校开发出来了Spark来做实时查询处理，刚开始Spark的语法好诡异，后来慢慢出现了Shark项目，渐渐的使得Spark向SQL语法靠近。

　　未来的发展趋势：

　　时代的发展决定了未来几乎就要变成数据的时代了，在这样的一个时代，大数据的需求越来越深，摒弃过去的抽样调查，改为全量的统计分析，从一些原本无意义的数据中挖掘价值。当前大数据已经开始逐渐服务于我们的生活，搜索、科学、用户分析。。。

　　为了进一步提供大数据的分析能力，内存计算的概念在未来还会持续很长的时间，通过内存计算，摒弃磁盘IO对性能的天花板作用，将运算的结果以实时的方式呈献在我们面前。

　　大数据数量庞大，格式多样化。大量数据由家庭、制造工厂和办公场所的各种设备、互联网事务交易、社交网络的活动、自动化传感器、移动设备以及科研仪器等生成。它的爆炸式增长已超出了传统IT基础架构的处理能力，给企业和社会带来严峻的数据管理问题。因此必须开发新的数据架构，围绕“数据收集、数据管理、数据分析、知识形成、智慧行动”的全过程，开发使用这些数据，释放出更多数据的隐藏价值。

　　一、大数据建设思路

　　1）数据的获得

　　

　　大数据产生的根本原因在于感知式系统的广泛使用。随着技术的发展，人们已经有能力制造极其微小的带有处理功能的传感器，并开始将这些设备广泛的布置于社会的各个角落，通过这些设备来对整个社会的运转进行监控。这些设备会源源不断的产生新数据，这种数据的产生方式是自动的。因此在数据收集方面，要对来自网络包括物联网、社交网络和机构信息系统的数据附上时空标志，去伪存真，尽可能收集异源甚至是异构的数据，必要时还可与历史数据对照，多角度验证数据的全面性和可信性。

　　2）数据的汇集和存储

　　

　　数据只有不断流动和充分共享，才有生命力。应在各专用数据库建设的基础上，通过数据集成，实现各级各类信息系统的数据交换和数据共享。 数据存储要达到低成本、低能耗、高可靠性目标，通常要用到冗余配置、分布化和云计算技术，在存储时要按照一定规则对数据进行分类，通过过滤和去重，减少存储量，同时加入便于日后检索的标签。

　　3）数据的管理

　　

　　大数据管理的技术也层出不穷。在众多技术中，有6种数据管理技术普遍被关注，即分布式存储与计算、内存数据库技术、列式数据库技术、云数据库、非关系型的数据库、移动数据库技术。其中分布式存储与计算受关注度最高。上图是一个图书数据管理系统。

　　4）数据的分析

　　

　　数据分析处理：有些行业的数据涉及上百个参数，其复杂性不仅体现在数据样本本身，更体现在多源异构、多实体和多空间之间的交互动态性，难以用传统的方法描述与度量，处理的复杂度很大，需要将高维图像等多媒体数据降维后度量与处理，利用上下文关联进行语义分析，从大量动态而且可能是模棱两可的数据中综合信息，并导出可理解的内容。大数据的处理类型很多，主要的处理模式可以分为流处理和批处理两种。批处理是先存储后处理，而流处理则是直接处理数据。挖掘的任务主要是关联分析、聚类分析、分类、预测、时序模式和偏差分析等。

　　5）大数据的价值：决策支持系统

　　

　　大数据的神奇之处就是通过对过去和现在的数据进行分析，它能够精确预测未来;通过对组织内部的和外部的数据整合，它能够洞察事物之间的相关关系;通过对海量数据的挖掘，它能够代替人脑，承担起企业和社会管理的职责。

　　6）数据的使用

　　

　　大数据有三层内涵：一是数据量巨大、来源多样和类型多样的数据集;二是新型的数据处理和分析技术;三是运用数据分析形成价值。大数据对科学研究、经济建设、社会发展和文化生活等各个领域正在产生革命性的影响。大数据应用的关键，也是其必要条件，就在于“IT”与“经营”的融合，当然，这里的经营的内涵可以非常广泛，小至一个零售门店的经营，大至一个城市的经营。

　　二、大数据基本架构

　　基于上述大数据的特征，通过传统IT技术存储和处理大数据成本高昂。一个企业要大力发展大数据应用首先需要解决两个问题：一是低成本、快速地对海量、多类别的数据进行抽取和存储;二是使用新的技术对数据进行分析和挖掘，为企业创造价值。因此，大数据的存储和处理与云计算技术密不可分，在当前的技术条件下，基于廉价硬件的分布式系统（如Hadoop等）被认为是最适合处理大数据的技术平台。

　　Hadoop是一个分布式的基础架构，能够让用户方便高效地利用运算资源和处理海量数据，目前已在很多大型互联网企业得到了广泛应用，如亚马逊、Facebook和Yahoo等。其是一个开放式的架构，架构成员也在不断扩充完善中，通常架构如图2所示：

　　Hadoop体系架构

　　

　　（1）Hadoop最底层是一个HDFS（Hadoop Distributed File System，分布式文件系统），存储在HDFS中的文件先被分成块，然后再将这些块复制到多个主机中（DataNode，数据节点）。

　　（2）Hadoop的核心是MapReduce（映射和化简编程模型）引擎，Map意为将单个任务分解为多个，而Reduce则意为将分解后的多任务结果汇总，该引擎由JobTrackers（工作追踪，对应命名节点）和TaskTrackers（任务追踪，对应数据节点）组成。当处理大数据查询时，MapReduce会将任务分解在多个节点处理，从而提高了数据处理的效率，避免了单机性能瓶颈限制。

　　（3）Hive是Hadoop架构中的数据仓库，主要用于静态的结构以及需要经常分析的工作。Hbase主要作为面向列的数据库运行在HDFS上，可存储PB级的数据。Hbase利用MapReduce来处理内部的海量数据，并能在海量数据中定位所需的数据且访问它。

　　（4）Sqoop是为数据的互操作性而设计，可以从关系数据库导入数据到Hadoop，并能直接导入到HDFS或Hive。

　　（5）Zookeeper在Hadoop架构中负责应用程序的协调工作，以保持Hadoop集群内的同步工作。

　　（6）Thrift是一个软件框架，用来进行可扩展且跨语言的服务的开发，最初由Facebook开发，是构建在各种编程语言间无缝结合的、高效的服务。

　　Hadoop核心设计

　　

　　Hbase——分布式数据存储系统

　　

　　Client：使用HBase RPC机制与HMaster和HRegionServer进行通信

　　Zookeeper：协同服务管理，HMaster通过Zookeepe可以随时感知各个HRegionServer的健康状况

　　HMaster： 管理用户对表的增删改查操作

　　HRegionServer：HBase中最核心的模块，主要负责响应用户I/O请求，向HDFS文件系统中读写数据

　　HRegion:Hbase中分布式存储的最小单元，可以理解成一个Table

　　HStore：HBase存储的核心。由MemStore和StoreFile组成。

　　HLog：每次用户操作写入Memstore的同时，也会写一份数据到HLog文件

　　结合上述Hadoop架构功能，大数据平台系统功能建议如图所示：

　　

　　应用系统：对于大多数企业而言，运营领域的应用是大数据最核心的应用，之前企业主要使用来自生产经营中的各种报表数据，但随着大数据时代的到来，来自于互联网、物联网、各种传感器的海量数据扑面而至。于是，一些企业开始挖掘和利用这些数据，来推动运营效率的提升。

　　数据平台：借助大数据平台，未来的互联网络将可以让商家更了解消费者的使用习惯，从而改进使用体验。基于大数据基础上的相应分析，能够更有针对性的改进用户体验，同时挖掘新的商业机会。

　　数据源：数据源是指数据库应用程序所使用的数据库或者数据库服务器。丰富的数据源是大数据产业发展的前提。数据源在不断拓展，越来越多样化。如：智能汽车可以把动态行驶过程变成数据，嵌入到生产设备里的物联网可以把生产过程和设备动态状况变成数据。对数据源的不断拓展不仅能带来采集设备的发展，而且可以通过控制新的数据源更好地控制数据的价值。然而我国数字化的数据资源总量远远低于美欧，就已有有限的数据资源来说，还存在标准化、准确性、完整性低，利用价值不高的情况，这大大降低了数据的价值。

　　三、大数据的目标效果

　　

　　通过大数据的引入和部署，可以达到如下效果：

　　1）数据整合

　　·统一数据模型：承载企业数据模型，促进企业各域数据逻辑模型的统一;

　　·统一数据标准：统一建立标准的数据编码目录，实现企业数据的标准化与统一存储;

　　·统一数据视图：实现统一数据视图，使企业在客户、产品和资源等视角获取到一致的信息。

　　2）数据质量管控

　　·数据质量校验：根据规则对所存储的数据进行一致性、完整性和准确性的校验，保证数据的一致性、完整性和准确性;

　　·数据质量管控：通过建立企业数据的质量标准、数据管控的组织、数据管控的流程，对数据质量进行统一管控，以达到数据质量逐步完善。

　　3）数据共享

　　·消除网状接口，建立大数据共享中心，为各业务系统提供共享数据，降低接口复杂度，提高系统间接口效率与质量;

　　·以实时或准实时的方式将整合或计算好的数据向外系统提供。

　　4）数据应用

　　·查询应用：平台实现条件不固定、不可预见、格式灵活的按需查询功能;

　　·固定报表应用：视统计维度和指标固定的分析结果的展示，可根据业务系统的需求，分析产生各种业务报表数据等;

　　·动态分析应用：按关心的维度和指标对数据进行主题性的分析，动态分析应用中维度和指标不固定。

　　四、总结

　　基于分布式技术构建的大数据平台能够有效降低数据存储成本，提升数据分析处理效率，并具备海量数据、高并发场景的支撑能力，可大幅缩短数据查询响应时间，满足企业各上层应用的数据需求。