海量数据的挑战数据分析平台架构

海量数据的挑战：数据分析平台架构【IT168技术】本文的作者谢超是Admaster数据挖掘总监，云计算实践者，数据仓库和数据挖掘咨询经验，现专注于分布式平台上的海量数据挖掘和机器学习。下列是文章全文：随着互联网、移动互联网和物联网的发展，谁也无法否认，我们已经切实地迎来了一种海量数据的时代，数据调查公司IDC预计的数据总量将达成1.8万亿GB，对这些海量数据的分析已经成为一种非常重要且急迫的需求。作为一家互联网数据分析公司，我们在海量数据的分析领域那真是被“逼上梁山”。数年来在严苛的业务需求和数据压力下，我们几乎尝试了全部可能的大数据分析办法，最后落地于Hadoop平台之上。Hadoop在可伸缩性、强健性、计算性能和成本上含有无可替代的优势，事实上已成为现在互联网公司主流的大数据分析平台。本文重要介绍一种基于Hadoop平台的多维分析和数据挖掘平台架构。大数据分析的分类Hadoop平台对业务的针对性较强，为了让你明确它与否符合你的业务，现粗略地从几个角度将大数据分析的业务需求分类，针对不同的具体需求，应采用不同的数据分析架构。1、按照数据分析的实时性，分为实时数据分析和离线数据分析两种。实时数据分析普通用于金融、移动和互联网B2C等产品，往往规定在数秒内返回上亿行数据的分析，从而达成不影响顾客体验的目的。要满足这样的需求，能够采用精心设计的传统关系型数据库构成并行解决集群，或者采用某些内存计算平台，或者采用HDD的架构，这些无疑都需要比较高的软硬件成本。现在比较新的海量数据实时分析工含有EMC的Greenplum、SAP的HANA等。对于大多数反馈时间规定不是那么严苛的应用，例如离线统计分析、机器学习、搜索引擎的反向索引计算、推荐引擎的计算等，应采用离线分析的方式，通过数据采集工具将日志数据导入专用的分析平台。但面对海量数据，传统的ETL工具往往彻底失效，重要因素是数据格式转换的开销太大，在性能上无法满足海量数据的采集需求。互联网公司的海量数据采集工具，有Facebook开源的Scribe、LinkedIn开源的Kafka、淘宝开源的Timetunnel、Hadoop的Chukwa等，均能够满足每秒数百MB的日志数据采集和传输需求，并将这些数据上载到Hadoop中央系统上。2、按照大数据的数据量，分为内存级别、BI级别、海量级别三种。这里的内存级别指的是数据量不超出集群的内存最大值。不要小看今天内存的容量，Facebook缓存在内存的Memcached中的数据高达320TB，而现在的PC服务器，内存也能够超出百GB。因此能够采用某些内存数据库，将热点数据常驻内存之中，从而获得非常快速的分析能力，非常适合实时分析业务。图1是一种实际可行的MongoDB分析架构。转播到腾讯微博图1用于实时分析的MongoDB架构

MongoDB大集群现在存在某些稳定性问题，会发生周期性的写堵塞和主从同时失效，但仍不失为一种潜力十足的能够用于高速数据分析的NoSQL。另外，现在大多数服务厂商都已经推出了带4GB以上SSD的解决方案，运用内存+SSD，也能够容易达成内存分析的性能。随着SSD的发展，内存数据分析必然能得到更加广泛的应用。BI级别指的是那些对于内存来说太大的数据量，但普通能够将其放入传统的BI产品和专门设计的BI数据库之中进行分析。现在主流的BI产品都有支持TB级以上的数据分析方案。种类繁多，就不具体列举了。海量级别指的是对于数据库和BI产品已经完全失效或者成本过高的数据量。海量数据级别的优秀公司级产品也有诸多，但基于软硬件的成本因素，现在大多数互联网公司采用Hadoop的HDFS分布式文献系统来存储数据，并使用MapReduce进行分析。本文稍后将重要介绍Hadoop上基于MapReduce的一种多维数据分析平台。3、数据分析的算法复杂度根据不同的业务需求，数据分析的算法也差别巨大，而数据分析的算法复杂度和架构是紧密关联的。举个例子，Redis是一种性能非常高的内存Key-ValueNoSQL，它支持List和Set、SortedSet等简朴集合，如果你的数据分析需求简朴地通过排序，链表就能够解决，同时总的数据量不不不大于内存(精确地说是内存加上虚拟内存再除以2)，那么无疑使用Redis会达成非常惊人的分析性能。尚有诸多易并行问题(EmbarrassinglyParallel)，计算能够分解成完全独立的部分，或者很简朴地就能改造出分布式算法，例如大规模脸部识别、图形渲染等，这样的问题自然是使用并行解决集群比较适合。而大多数统计分析，机器学习问题能够用MapReduce算法改写。MapReduce现在最擅长的计算领域有流量统计、推荐引擎、趋势分析、顾客行为分析、数据挖掘分类器、分布式索引等。面对大数据OLAP分析的某些问题第2页：面对大数据OLAP分析的某些问题OLAP分析需要进行大量的数据分组和表间关联，而这些显然不是NoSQL和传统数据库的强项，往往必须使用特定的针对BI优化的数据库。例如绝大多数针对BI优化的数据库采用了列存储或混合存储、压缩、延迟加载、对存储数据块的预统计、分片索引等技术。Hadoop平台上的OLAP分析，同样存在这个问题，Facebook针对Hive开发的RCFile数据格式，就是采用了上述的某些优化技术，从而达成了较好的数据分析性能。如图2所示。转播到腾讯微博图2RCFile的行列混合存

然而，对于Hadoop平台来说，单单通过使用Hive模仿出SQL，对于数据分析来说远远不够，首先Hive即使将HiveQL翻译MapReduce的时候进行了优化，但仍然效率低下。多维分析时仍然要做事实表和维度表的关联，维度一多性能必然大幅下降。另首先，RCFile的行列混合存储模式，事实上限制死了数据格式，也就是说数据格式是针对特定分析预先设计好的，一旦分析的业务模型有所改动，海量数据转换格式的代价是极其巨大的。最后，HiveQL对OLAP业务分析人员仍然是非常不友善的，维度和度量才是直接针对业务人员的分析语言。并且现在OLAP存在的最大问题是：业务灵活多变，必然造成业务模型随之经常发生变化，而业务维度和度量一旦发生变化，技术人员需要把整个Cube(多维立方体)重新定义并重新生成，业务人员只能在此Cube上进行多维分析，这样就限制了业务人员快速变化问题分析的角度，从而使所谓的BI系统成为死板的日常报表系统。使用Hadoop进行多维分析，首先能解决上述维度难以变化的问题，运用Hadoop中数据非构造化的特性，采集来的数据本身就是包含大量冗余信息的。同时也能够将大量冗余的维度信息整合到事实表中，这样能够在冗余维度下灵活地变化问题分析的角度。另首先运用HadoopMapReduce强大的并行化解决能力，无论OLAP分析中的维度增加多少，开销并不明显增加。换言之，Hadoop能够支持一种巨大无比的Cube，包含了无数你想到或者想不到的维度，并且每次多维分析，都能够支持成千上百个维度，并不会明显影响分析的性能。因此，我们的大数据分析架构在这个巨大Cube的支持下，直接把维度和度量的生成交给业务人员，由业务人员自己定义好维度和度量之后，将业务的维度和度量直接翻译成MapReduce运行，并最后身成报表。能够简朴理解为顾客快速自定义的“MDX”(多维体现式，或者多维立方体查询)语言→MapReduce的转换工具。同时OLAP分析和报表成果的展示，仍然兼容传统的BI和报表产品。如图3所示。转播到腾讯微博图3MDX→MapReduce简略示意图

图3能够看出，在年收入上，顾客能够自己定义子维度。另外，顾客也能够在列上自定义维度，例如将性别和学历合并为一种维度。由于Hadoop数据的非构造化特性，维度能够根据业务需求任意地划分和重组。第3页：一种Hadoop多维分析平台的架构整个架构由四大部分构成：数据采集模块、数据冗余模块、维度定义模块、并行分析模块。如图4所示。转播到腾讯微博图4Hadoop多维分析平台架构图

数据采集模块采用了Cloudera的Flume，将海量的小日志文献进行高速传输和合并，并能够确保数据的传输安全性。单个collector宕机之后，数据也不会丢失，并能将agent数据自动转移到其它的colllecter解决，不会影响整个采集系统的运行。如图5所示。转播到腾讯微博图5采集模块

数据冗余模块不是必须的，但如果日志数据中没有足够的维度信息，或者需要比较频繁地增加维度，则需要定义数据冗余模块。通过冗余维度定义器定义需要冗余的维度信息和来源(数据库、文献、内存等)，并指定扩展方式，将信息写入数据日志中。在海量数据下，数据冗余模块往往成为整个系统的瓶颈，建议使用某些比较快的内存NoSQL来冗余原始数据，并采用尽量多的节点进行并行冗余;或者也完全能够在Hadoop中执行批量Map，进行数据格式的转化。维度定义模块是面对业务顾客的前端模块，顾客通过可视化的定义器从数据日志中定义维度和度量，并能自动生成一种多维分析语言，同时能够使用可视化的分析器通过GUI执行刚刚定义好的多维分析命令。并行分析模块接受顾客提交的多维分析命令，并将通过核心模块将该命令解析为Map-Reduce，提交给Hadoop集群之后，生成报表供报表中心展示。核心模块是将多维分析语言转化为MapReduce的解析器，读取顾客定义的维度和度量，将顾客的多维分析命令翻译成MapReduce程序。核心模块的具体逻辑如图6所示。转播到腾讯微博图6核心模块的逻辑

图6中根据JobConf参数进行Map和Reduce类的拼装并不复杂，难点是诸多实际问题很难通过一种MapReduceJob解决，必须通过多个MapReduceJob构成工作流(WorkFlow)，这里是最需要根据业务进行定制的部分。图7是一种简朴的MapReduce工作流的例子。图7MapReduceWorkFlow例子

MapReduce的输出普通是统计分析的成果，数据量相较于输入的海量数据会小诸多，这样就能够导入传统的数据报表产品中进行呈现。结束语固然，这样的多维分析架构也不是没有缺点。由于MapReduce本身就是以蛮力去扫描大部分数据进行计算，因此无法像传统BI产品同样对条件查询做优化，也没有缓存的概念。往往诸多很小的查询需要“兴师动众”。尽管如此，开源的Hadoop还是解决了诸多人在大数据下的分析问题，真可谓是“功德无量”。Hadoop集群软硬件的耗费极低，每GB存储和计算的成本是其它公司级产品的百分