企業(yè)大數(shù)據(jù)分析挖掘指南

1、 企業(yè)大數(shù)據(jù)分析挖掘指南現(xiàn)如今已經(jīng)進(jìn)入大數(shù)據(jù)時(shí)代，各種系統(tǒng)、應(yīng)用、活動(dòng)所產(chǎn)生的數(shù)據(jù)浩如煙海，數(shù)據(jù)不再僅僅是企業(yè)存儲(chǔ)的信息，而是成為可以從中獲取巨大商業(yè)價(jià)值的企業(yè)戰(zhàn)略資產(chǎn)。這樣背景下，如何存儲(chǔ)海量復(fù)雜的數(shù)據(jù)、從紛繁錯(cuò)綜的數(shù)據(jù)中找到真正有價(jià)值的數(shù)據(jù)，是大數(shù)據(jù)時(shí)代企業(yè)面臨的難題。數(shù)據(jù)庫高可用容災(zāi)方案設(shè)計(jì)和實(shí)現(xiàn)高可用容災(zāi)是搭建數(shù)據(jù)庫服務(wù)的一個(gè)重要考量特性，搭建高可用數(shù)據(jù)庫服務(wù)需要解決諸多問題，保證最終的容災(zāi)效果。UCloud云數(shù)據(jù)庫產(chǎn)品UDB在研發(fā)演進(jìn)過程中，根據(jù)用戶的需要不斷完善和演進(jìn)，形成了一套完善的高可用架構(gòu)體系。UCloud資深存儲(chǔ)研發(fā)工程師丁順從高可用數(shù)據(jù)庫概述、典型的高可用架構(gòu)分析以及高可

2、用數(shù)據(jù)庫自動(dòng)化運(yùn)維等角度，講述了如何設(shè)計(jì)和運(yùn)營一套完善的數(shù)據(jù)庫高可用架構(gòu)，保證在出現(xiàn)異常時(shí)能夠及時(shí)恢復(fù)數(shù)據(jù)庫服務(wù)。高可用數(shù)據(jù)庫由一系列的數(shù)據(jù)庫構(gòu)成了總的系統(tǒng)，在任何時(shí)刻至少有一個(gè)節(jié)點(diǎn)可以接受客戶端請求，提供數(shù)據(jù)庫服務(wù)。大多數(shù)的高可用架構(gòu)有一個(gè)主節(jié)點(diǎn)處理主要請求，還有若干備用節(jié)點(diǎn)，當(dāng)主節(jié)點(diǎn)不能提供服務(wù)時(shí)，備節(jié)點(diǎn)成為主節(jié)點(diǎn)繼續(xù)提供服務(wù)，這樣可以保證整個(gè)系統(tǒng)的可用和穩(wěn)定。業(yè)界典型的高可用架構(gòu)可以劃分為四種：第一種，共享存儲(chǔ)方案；第二種，操作系統(tǒng)實(shí)時(shí)數(shù)據(jù)塊復(fù)制；第三種，數(shù)據(jù)庫級(jí)別的主從復(fù)制；第三，高可用數(shù)據(jù)庫集群。每種數(shù)據(jù)同步方式可以衍生出不同的架構(gòu)。 第一種，共享存儲(chǔ)。共享存儲(chǔ)是指若干DB服務(wù)使用同

3、一份存儲(chǔ)，一個(gè)主DB，其他的為備用DB，若主服務(wù)崩潰，則系統(tǒng)啟動(dòng)備用DB，成為新的主DB，繼續(xù)提供服務(wù)。一般共享存儲(chǔ)采用比較多的是SAN/NAS方案，這種方案的優(yōu)點(diǎn)是沒有數(shù)據(jù)同步的問題，缺點(diǎn)是對(duì)網(wǎng)絡(luò)性能要求比較高。 第二種，操作系統(tǒng)實(shí)時(shí)數(shù)據(jù)塊復(fù)制。這種方案的典型場景是DRBD。如下圖所示，左邊數(shù)據(jù)庫寫入數(shù)據(jù)以后立即同步到右邊的存儲(chǔ)設(shè)備當(dāng)中。如果左邊數(shù)據(jù)庫崩潰，系統(tǒng)直接將右邊的數(shù)據(jù)庫存儲(chǔ)設(shè)備激活，完成數(shù)據(jù)庫的容災(zāi)切換。這個(gè)方案同樣有一些問題，如系統(tǒng)只能有一個(gè)數(shù)據(jù)副本提供服務(wù)，無法實(shí)現(xiàn)讀寫分離；另外，系統(tǒng)崩潰后需要的容災(zāi)恢復(fù)時(shí)間較長。 第三種，數(shù)據(jù)庫主從復(fù)制。這種方案是較經(jīng)典的數(shù)據(jù)同步模式，系統(tǒng)采

4、用一個(gè)主庫和多個(gè)從庫，主庫同步數(shù)據(jù)庫日志到各個(gè)從庫，從庫各自回放日志。它的好處是一個(gè)主庫可以連接多個(gè)從庫，能很方便地實(shí)現(xiàn)讀寫分離，同時(shí)，因?yàn)槊總€(gè)備庫都在啟動(dòng)當(dāng)中，所以備庫當(dāng)中的數(shù)據(jù)基本上都是熱數(shù)據(jù)，容災(zāi)切換也非?？?。 第四種，數(shù)據(jù)庫高可用集群。前面三種是通過復(fù)制日志的模式實(shí)現(xiàn)高可用，第四種方案是基于一致性算法來做數(shù)據(jù)同步。數(shù)據(jù)庫提供一種多節(jié)點(diǎn)的一致性同步機(jī)制，然后利用該機(jī)制構(gòu)建多節(jié)點(diǎn)同步集群，這是業(yè)界近年來比較流行的高可用集群的方案。UCloud綜合了原生MySQL兼容，不同版本、不同應(yīng)用場的覆蓋等多種因素，最終選擇采用基于數(shù)據(jù)庫主從復(fù)制的方式實(shí)現(xiàn)高可用架構(gòu)，并在原架構(gòu)基礎(chǔ)上，使用雙主架構(gòu)、半

5、同步復(fù)制、采用GTID等措施進(jìn)行系列優(yōu)化，保證數(shù)據(jù)一致性的同時(shí)，實(shí)現(xiàn)日志的自動(dòng)尋址。自動(dòng)化運(yùn)維是高可用數(shù)據(jù)庫當(dāng)中的難點(diǎn)，UDB在日常例行巡檢之外，也會(huì)定期做容災(zāi)演練，查看在不同場景下數(shù)據(jù)是否丟失、是否保持一致性等，同時(shí)設(shè)置記錄日志、告警系統(tǒng)等等，以便于第一時(shí)間發(fā)現(xiàn)問題，并追溯問題的根源，找出最佳解決方案。新一代公有云分布式數(shù)據(jù)庫UCloud Exodus公有云2.0時(shí)代，云數(shù)據(jù)庫新產(chǎn)品不斷涌現(xiàn)。諸如AWS Aurora、阿里云PolarDB等，UCloud在采用最新軟硬件和分布式技術(shù)改造傳統(tǒng)數(shù)據(jù)庫的工作中，也在思考除了分布式數(shù)據(jù)庫所要求的更大和更快之外，是否還有其他更重要的用戶價(jià)值？UClou

6、d資深數(shù)據(jù)庫研發(fā)工程師劉堅(jiān)君，現(xiàn)場講解了UCloud對(duì)于新一代公有云分布式數(shù)據(jù)庫的思考與設(shè)計(jì)。劉堅(jiān)君首先從1.0時(shí)代存在的問題入手，他認(rèn)為1.0時(shí)代云數(shù)據(jù)庫帶來了三方面價(jià)值：彈性、故障救援、知識(shí)復(fù)用。但它同樣面臨三大難以解決的問題：容量和性能、租用成本、運(yùn)營成本。到2.0時(shí)代，解決上述三個(gè)問題的思路是計(jì)算和讀寫分離。通過計(jì)算和讀寫分離，將傳統(tǒng)數(shù)據(jù)庫的計(jì)算層和存儲(chǔ)層拆開，各自獨(dú)立擴(kuò)展和演進(jìn)。這樣做的好處是：1.提供更大的容量和讀寫性能；2.按需擴(kuò)容和付費(fèi)；3.優(yōu)化運(yùn)營成本并降低運(yùn)營風(fēng)險(xiǎn)。業(yè)界已推出的2.0云數(shù)據(jù)庫（如Aurora、PolarDB等），均采用計(jì)算和存儲(chǔ)分離的架構(gòu)。 UCloud E

7、xodus的產(chǎn)品和技術(shù)理念則更進(jìn)一步：計(jì)算和存儲(chǔ)分離后，存儲(chǔ)層將完全復(fù)用云平臺(tái)的高性能分布式存儲(chǔ)（如UCloud UDisk、阿里云盤古等），而Exodus則專注于構(gòu)建一款數(shù)據(jù)庫內(nèi)核，去適配主流公有云和私有云廠商發(fā)布的高性能分布式存儲(chǔ)產(chǎn)品。Exodus的這種產(chǎn)品架構(gòu)，稱之為Shared-ALL-DISK架構(gòu)。Shared-ALL-DISK架構(gòu)的優(yōu)點(diǎn)明顯，在提供云數(shù)據(jù)庫2.0創(chuàng)新功能的同時(shí)，賦予用戶業(yè)務(wù)自由遷徙的能力，不被某個(gè)云平臺(tái)綁架，同時(shí)能夠連接上下游的軟硬件廠商，共建Exodus數(shù)據(jù)庫生態(tài)。更為重要的是，Exodus將最終將開源，UCloud會(huì)將核心系統(tǒng)的每一行源碼開放，賦予用戶深入了解和

8、優(yōu)化Exodus的能力。并建設(shè)開源社區(qū)，吸收全行業(yè)的優(yōu)化成果，共同改進(jìn)和完善Exodus?；贗mpala平臺(tái)打造交互查詢系統(tǒng)在數(shù)據(jù)分析當(dāng)中，因?yàn)閿?shù)據(jù)基數(shù)龐大、關(guān)系模型復(fù)雜、響應(yīng)時(shí)間要求高等特性，數(shù)據(jù)之間的交互查詢就顯得尤為重要。來自網(wǎng)易的大數(shù)據(jù)技術(shù)專家蔣鴻翔現(xiàn)場從交互式查詢特點(diǎn)著手，深入淺出講解了Impala架構(gòu)、原理，以及網(wǎng)易對(duì)Impala的改進(jìn)思路和使用場景。Impala是Cloudera公司主導(dǎo)開發(fā)的新型查詢系統(tǒng)，它提供SQL語義，能查詢存儲(chǔ)在Hadoop的HDFS和HBase中的PB級(jí)大數(shù)據(jù)。已有的Hive系統(tǒng)雖然也提供了SQL語義，但由于Hive底層執(zhí)行使用的是MapReduce引

9、擎，仍然是一個(gè)批處理過程，難以滿足查詢的交互性。相比之下，Impala能夠很快速的實(shí)現(xiàn)數(shù)據(jù)查詢。下圖是一個(gè)Impala的架構(gòu)圖。Impala擁有元數(shù)據(jù)緩存、MPP并行計(jì)算、支持LLVM與JIT以及支持HDFS本地讀、算子下推等特性。但它也有一些缺陷，如服務(wù)單點(diǎn)、Web信息無法持久化、資源隔離并不精確、負(fù)載均衡需要外部支持等。網(wǎng)易針對(duì)上述不足之處，在原有的Impala查詢系統(tǒng)下，進(jìn)行了系列改進(jìn)優(yōu)化： 基于ZK的Loadbalance。原始的Impala負(fù)載均衡需要外部支持，為此網(wǎng)易基于ZK做了一個(gè)Loadbalance方案； 管理服務(wù)器。主要為了解決當(dāng)某一個(gè)節(jié)點(diǎn)掛掉時(shí)數(shù)據(jù)丟失的問題，管理服務(wù)器會(huì)

10、將所有的狀態(tài)信息搜集進(jìn)來，后續(xù)如果做分析都可以通過關(guān)聯(lián)的服務(wù)器查詢； 細(xì)粒度權(quán)限和代理； Json格式； 兼容Ranger權(quán)限管理； 批量元數(shù)據(jù)刷新； 元數(shù)據(jù)同步； 元數(shù)據(jù)過濾； 對(duì)接ElasticSearch查詢。據(jù)蔣鴻翔介紹，改造后的交互查詢系統(tǒng)，已經(jīng)成功應(yīng)用于網(wǎng)易數(shù)據(jù)科學(xué)中心的一站式大數(shù)據(jù)平臺(tái)自助查詢系統(tǒng)上。同時(shí)，數(shù)據(jù)分析中心的一站式報(bào)表系統(tǒng)底層，也搭載在Impala上。相信未來，基于Impala的查詢系統(tǒng)將會(huì)應(yīng)用于更多不同的場景。UCloud分布式KV存儲(chǔ)系統(tǒng)分布式KV存儲(chǔ)系統(tǒng)在互聯(lián)網(wǎng)公司中扮演著重要角色，各類上層業(yè)務(wù)對(duì)于KV存儲(chǔ)系統(tǒng)的高可用性、可擴(kuò)展性和數(shù)據(jù)一致性都有著很高的要求。U

11、Cloud存儲(chǔ)部門在迭代升級(jí)分布式Redis架構(gòu)的同時(shí)，也一直致力于研發(fā)基于硬盤存儲(chǔ)的大容量分布式KV系統(tǒng)。來自UCloud的技術(shù)專家王仆，著重介紹了UCloud在大容量分布式KV系統(tǒng)設(shè)計(jì)方面的經(jīng)驗(yàn)，以及應(yīng)對(duì)線上業(yè)務(wù)高性能、高容量要求的系統(tǒng)架構(gòu)設(shè)計(jì)思路。下圖為UCloud分布式KV存儲(chǔ)系統(tǒng)架構(gòu)，底層為多個(gè)Storage，每一個(gè)Storage有三個(gè)節(jié)點(diǎn)，這三個(gè)節(jié)點(diǎn)需要放在不同的物理機(jī)上，防止一臺(tái)機(jī)器宕機(jī)后系統(tǒng)不可用；標(biāo)紅框的屬于Master節(jié)點(diǎn)，Master節(jié)點(diǎn)通過日志同步的方式，同步到層節(jié)點(diǎn)，整個(gè)數(shù)據(jù)的請求從Proxy進(jìn)入。整個(gè)系統(tǒng)是有中心節(jié)點(diǎn)的系統(tǒng)，路由管理由Master來管理，Master

12、通過每個(gè)機(jī)器上的Host管理Storage節(jié)點(diǎn)，由Zookeeper確定誰是主誰是從，因此，一些管理方面的請求都是直接連接到Master上的，包括創(chuàng)建、刪除和控制臺(tái)方面的功能等。在測試過程中也發(fā)現(xiàn)了一些性能方面的問題，如采用的部分Raft協(xié)議是單Raft，設(shè)計(jì)之初并沒有實(shí)現(xiàn)并行Raft功能，因此數(shù)據(jù)同步較慢；其次，請求是通過代理的方式實(shí)現(xiàn)，代理的延遲會(huì)比直接訪問的延遲更高，后期，會(huì)考慮提供一些客戶端的SDK，讓請求可以跳過代理，減少一次網(wǎng)絡(luò)交互。在KV系統(tǒng)的后續(xù)優(yōu)化上，王仆介紹到，為了能夠?qū)⒋鎯?chǔ)系統(tǒng)應(yīng)用于更多不同的業(yè)務(wù)場景，未來會(huì)考慮更高的通用性，適配多種的存儲(chǔ)引擎；另外，因?yàn)镽edis比較流

13、行，系統(tǒng)設(shè)計(jì)之初主要是支持Redis，但是業(yè)界還有一些其他協(xié)議，這時(shí)候需要特殊的轉(zhuǎn)化流程，未來希望做成一個(gè)支持各種協(xié)議的通用結(jié)構(gòu)化存儲(chǔ)系統(tǒng)，適配其他不同協(xié)議。實(shí)時(shí)流計(jì)算技術(shù)及其應(yīng)用隨著Flink/Spark Streaming的大受歡迎，實(shí)時(shí)流計(jì)算開始為人熟知，進(jìn)入大眾視野。流計(jì)算在物聯(lián)網(wǎng)行業(yè)、車聯(lián)網(wǎng)、智慧城市等行業(yè)快速落地，亦創(chuàng)造出越來越多的價(jià)值。來自華為的架構(gòu)師時(shí)金魁，現(xiàn)場分享了實(shí)時(shí)流計(jì)算的一些技術(shù)方案和落地應(yīng)用。在傳統(tǒng)的數(shù)據(jù)處理流程中，總是先收集數(shù)據(jù)，然后將數(shù)據(jù)放到DB中。當(dāng)人們需要的時(shí)候通過DB對(duì)數(shù)據(jù)做query，得到答案或進(jìn)行相關(guān)的處理。這個(gè)流程看起來雖然合理，但是結(jié)果卻非常的緊湊，

14、尤其是對(duì)于一些實(shí)時(shí)搜索應(yīng)用環(huán)境中的某些具體問題，類似于MapReduce方式的離線處理并不能很好地解決問題。這就引出了一種新的數(shù)據(jù)計(jì)算結(jié)構(gòu)-流計(jì)算方式。它可以很好地對(duì)大規(guī)模流動(dòng)數(shù)據(jù)在不斷變化的運(yùn)動(dòng)過程中實(shí)時(shí)地進(jìn)行分析，捕捉到可能有用的信息，并把結(jié)果發(fā)送到下一計(jì)算節(jié)點(diǎn)。目前，業(yè)界開源的流計(jì)算框架很多，最早有Storm、Heron，后來還有Akka，Beam，以及現(xiàn)在的Kafka等等。在諸多的開源框架中，時(shí)金魁認(rèn)為，F(xiàn)link是最恰當(dāng)?shù)牧饔?jì)算框架，Spark Streaming則是最有潛力的流計(jì)算框架，但這兩個(gè)框架在落地應(yīng)用中都有各自的優(yōu)缺點(diǎn)。華為根據(jù)Flink與Spark框架各自的特點(diǎn)，摒棄其劣勢，設(shè)計(jì)開發(fā)出一款全新的實(shí)時(shí)流計(jì)算服務(wù)Cloud Stream Service（簡稱CS）。CS采用Apache Flink的Dataflow模型，實(shí)現(xiàn)完全的實(shí)時(shí)計(jì)算，同時(shí)，采用在線SQL編輯平臺(tái)編寫Stream SQL，定義數(shù)據(jù)流入、數(shù)據(jù)處理、數(shù)據(jù)流出，用戶無需關(guān)心計(jì)算集群, 無需學(xué)習(xí)編程技能，降低流數(shù)據(jù)分析門檻。下圖為華為的實(shí)時(shí)流計(jì)算服務(wù)概覽圖。據(jù)介紹，CS聚焦于互聯(lián)網(wǎng)和物聯(lián)網(wǎng)場景，適用于實(shí)時(shí)性要求高、吞吐量大的業(yè)務(wù)場景。主要應(yīng)用在互聯(lián)網(wǎng)行業(yè)中小企業(yè)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、金融反欺詐等多種行業(yè)應(yīng)用場景，如互聯(lián)網(wǎng)汽車、日志在線分析、