大數(shù)據(jù)倉庫建設(shè)方案設(shè)計(jì)

1、第 1 章數(shù)據(jù)倉庫建設(shè)1.1 數(shù)據(jù)倉庫總體架構(gòu)專家系統(tǒng)接收增購項(xiàng)目車輛 TCMSTCMS 或其他子系統(tǒng)通過車地通信傳輸?shù)膶?shí)時(shí)或離線數(shù)據(jù)，經(jīng)過一系列綜合診斷分析，以各種報(bào)表圖形或信息推送的形式向用戶展示分析結(jié)果。針對(duì)診斷出的車輛故障將給出專家建議處理措施，為車輛的故障根因修復(fù)提供必要的支持。根據(jù)專家系統(tǒng)數(shù)據(jù)倉庫建設(shè)目標(biāo)，結(jié)合系統(tǒng)數(shù)據(jù)業(yè)務(wù)規(guī)范，包括數(shù)據(jù)采集頻率數(shù)據(jù)采集量等相關(guān)因素，設(shè)計(jì)專家系統(tǒng)數(shù)據(jù)倉庫架構(gòu)如下：數(shù)據(jù)倉庫架構(gòu)從層次結(jié)構(gòu)上分為數(shù)據(jù)采集、數(shù)據(jù)存、數(shù)據(jù)分析、數(shù)據(jù)服務(wù)等幾個(gè)方面的內(nèi)容：數(shù)據(jù)采集：負(fù)責(zé)從各業(yè)務(wù)自系統(tǒng)中匯集信息數(shù)據(jù)，系統(tǒng)支撐 KafkaKafka、StormStorm、Flume

2、Flume 及傳統(tǒng)的 ETLETL 采集工具。數(shù)據(jù)存儲(chǔ)：本系統(tǒng)提供 HdfsHdfs、HbaseHbase 及 RDBMSRDBMS 結(jié)合的存儲(chǔ)模式，支持海量數(shù)據(jù)的分布式存庫區(qū)ORkl安線范王繇健審評(píng)佑監(jiān)海相星J：0C/QDEC曝汴樓口機(jī),學(xué)習(xí)UDFOLAPSQLISE后 M 百溝寧云好白數(shù)據(jù)百里儲(chǔ)。數(shù)據(jù)分析：數(shù)據(jù)倉庫體系支持傳統(tǒng)的 OLAPOLAP 分析及基于 SparkSpark 常規(guī)機(jī)器學(xué)習(xí)算法。數(shù)據(jù)服務(wù)總線：數(shù)據(jù)系統(tǒng)提供數(shù)據(jù)服務(wù)總線服務(wù)，實(shí)現(xiàn)對(duì)數(shù)據(jù)資源的統(tǒng)一管理和調(diào)度，并對(duì)外提供數(shù)據(jù)服務(wù)。1.2 數(shù)據(jù)采集專家系統(tǒng)數(shù)據(jù)倉庫數(shù)據(jù)采集包括兩個(gè)部分內(nèi)容：外部數(shù)據(jù)匯集、內(nèi)部各層數(shù)據(jù)的提取與加載。

3、 外部數(shù)據(jù)匯集是指從 TCMSTCMS 車載子系統(tǒng)等外部信息系統(tǒng)匯集數(shù)據(jù)到專家數(shù)據(jù)倉庫的操作型存儲(chǔ)層（ODSODS；內(nèi)部各層數(shù)據(jù)的提取與加載是指數(shù)據(jù)倉庫各存儲(chǔ)層間的數(shù)據(jù)提取、轉(zhuǎn)換與加載。1.2.1外部數(shù)據(jù)匯集專家數(shù)據(jù)倉庫數(shù)據(jù)源包括列車監(jiān)控與檢測(cè)系統(tǒng)（TCMSTCMS、車載子系統(tǒng)等相關(guān)子系統(tǒng)，數(shù)據(jù)采集的內(nèi)容分為實(shí)時(shí)數(shù)據(jù)采集和定時(shí)數(shù)據(jù)采集兩大類， 實(shí)時(shí)數(shù)據(jù)采集主要對(duì)于各項(xiàng)檢測(cè)指標(biāo)數(shù)據(jù)；非實(shí)時(shí)采集包括日檢修數(shù)據(jù)等。根據(jù)項(xiàng)目信息匯集要求，列車指標(biāo)信息采集具有采集數(shù)據(jù)量大，采集頻率高的特點(diǎn)，考慮到系統(tǒng)后期的擴(kuò)展，因此在數(shù)據(jù)數(shù)據(jù)采集方面，要求采集體系支持高吞吐量、高頻率、海量數(shù)據(jù)采集，同時(shí)系統(tǒng)應(yīng)該靈活可配

4、置，可根據(jù)業(yè)務(wù)的需要進(jìn)行靈活配置橫向擴(kuò)展。本方案在數(shù)據(jù)采集架構(gòu)采用 Flume+Kafka+StormFlume+Kafka+Storm 的組合架構(gòu)，采用 FlumeFlume 和 ETLETL 工具作為KafkaKafka 的 ProducerProducer, ,采用 StormStorm 作為 KafkaKafka 的 Consumer;StormConsumer;Storm 可實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的實(shí)時(shí)處理，及時(shí)對(duì)問題指標(biāo)進(jìn)行預(yù)警。具體采集系統(tǒng)技術(shù)結(jié)構(gòu)圖如下：1.2.1.1數(shù)據(jù)匯集架構(gòu)功能FlumeFlume 提供了從 consoleconsole （控制臺(tái)） 、 RPCRPC （Thrif

5、t-RPCThrift-RPC） 、 texttext （文件） 、 tailtail （UNIXtailUNIXtail） 、syslogsyslog（syslogsyslog 日志系統(tǒng)，支持 TCTC 可口 UDUD 將 2 2 種模式），execexec（命令執(zhí)行）等數(shù)據(jù)源上收集數(shù)據(jù)的能力。FlumeFlume 的數(shù)據(jù)接受方，可以是 consoleconsole（控制臺(tái)）、texttext（文件）、dfsdfs（HDFSHDFS 文件）、RPCRPC（Thrift-RPCThrift-RPC）和 syslogTCPsyslogTCP（TCPsyslogTCPsyslog 日志系統(tǒng)）等。在

6、我們系統(tǒng)中由 kafkakafka 來接收。KafkaKafka 分布式消息隊(duì)列，支撐系統(tǒng)性能橫向擴(kuò)展，通過增加 brokerbroker 來提高系統(tǒng)的性能。StormStorm 流處理技術(shù)，支撐Supervisor橫向擴(kuò)展以提高系統(tǒng)的擴(kuò)展性和數(shù)據(jù)處理的實(shí)時(shí)性。1.2.1.2采集架構(gòu)優(yōu)勢(shì)（一）解耦在項(xiàng)目中要平衡數(shù)據(jù)的匯集與數(shù)據(jù)的處理性能平衡，是極其困難的。消息隊(duì)列在處理過程中間插入了一個(gè)隱含的、基于數(shù)據(jù)的接口層，兩邊的處理過程都要實(shí)現(xiàn)這一接口。這允許你獨(dú)立的擴(kuò)展或修改兩邊的處理過程，只要確保它們遵守同樣的接口約束。?冗余有些情況下，處理數(shù)據(jù)的過程會(huì)失敗。除非數(shù)據(jù)被持久化，否則將造成丟失。消息隊(duì)

7、列把數(shù)據(jù)進(jìn)行持久化直到它們已經(jīng)被完全處理，通過這一方式規(guī)避了數(shù)據(jù)丟失風(fēng)險(xiǎn)。在被許多消息隊(duì)列所采用的“插入-獲取-刪除”范式中，在把一個(gè)消息從隊(duì)列中刪除之前，需要你的處理過程明確的指出該消息已經(jīng)被處理完畢， 確保你的數(shù)據(jù)被安全的保存直到你使用完producerKitfkaFlum=BrokerDroxerBrokerll&docpHEs”HdfsCansimcr畢。?擴(kuò)展性因?yàn)橄㈥?duì)列解耦了你的處理過程，所以增大消息入隊(duì)和處理的頻率是很容易的；只要另外增加處理過程即可。不需要改變代碼、不需要調(diào)節(jié)參數(shù)。擴(kuò)展就像調(diào)大電力按鈕一樣簡(jiǎn)單。?靈活性&峰值處理能力在訪問量劇增的情況下，應(yīng)用仍然需要繼續(xù)發(fā)揮作

8、用，但是這樣的突發(fā)流量并不常見；如果為以能處理這類峰值訪問為標(biāo)準(zhǔn)來投入資源隨時(shí)待命無疑是巨大的浪費(fèi)。 使用消息隊(duì)列能夠使關(guān)鍵組件頂住突發(fā)的訪問壓力，而不會(huì)因?yàn)橥话l(fā)的超負(fù)荷的請(qǐng)求而完全崩潰。?可恢復(fù)性當(dāng)體系的一部分組件失效，不會(huì)影響到整個(gè)系統(tǒng)。消息隊(duì)列降低了進(jìn)程間的耦合度，所以即使一個(gè)處理消息的進(jìn)程掛掉，加入隊(duì)列中的消息仍然可以在系統(tǒng)恢復(fù)后被處理。而這種允許重試或者延后處理請(qǐng)求的能力通常是造就一個(gè)略感不便的用戶和一個(gè)沮喪透頂?shù)挠脩糁g的區(qū)別。?送達(dá)保證消息隊(duì)列提供的冗余機(jī)制保證了消息能被實(shí)際的處理，只要一個(gè)進(jìn)程讀取了該隊(duì)列即可。在此基礎(chǔ)上，IronMQIronMQ 提供了一個(gè)”只送達(dá)一次”保證。

9、無論有多少進(jìn)程在從隊(duì)列中領(lǐng)取數(shù)據(jù)， 每一個(gè)消息只能被處理一次。 這之所以成為可能， 是因?yàn)楂@取一個(gè)消息只是“預(yù)定”了這個(gè)消息，暫時(shí)把它移出了隊(duì)列。除非客戶端明確的表示已經(jīng)處理完了這個(gè)消息，否則這個(gè)消息會(huì)被放回隊(duì)列中去，在一段可配置的時(shí)間之后可再次被處理。?緩沖在任何重要的系統(tǒng)中，都會(huì)有需要不同的處理時(shí)間的元素。例如，加載一張圖片比應(yīng)用過濾器花費(fèi)更少的時(shí)間。 消息隊(duì)列通過一個(gè)緩沖層來幫助任務(wù)最高效率的執(zhí)行一寫入隊(duì)列的處理會(huì)盡可能的快速，而不受從隊(duì)列讀的預(yù)備處理的約束。該緩沖有助于控制和優(yōu)化數(shù)據(jù)流經(jīng)過系統(tǒng)的速度。?異步通信很多時(shí)候，你不想也不需要立即處理消息。消息隊(duì)列提供了異步處理機(jī)制，允許你把一

10、個(gè)消息放入隊(duì)列，但并不立即處理它。你想向隊(duì)列中放入多少消息就放多少，然后在你樂意的時(shí)候再去處理它們。1.2.2內(nèi)部各層數(shù)據(jù)提取與加載數(shù)據(jù)匯集將數(shù)據(jù)儲(chǔ)存于操作型數(shù)據(jù)存儲(chǔ)層（ODS,ODS,在數(shù)據(jù)倉庫各層次間數(shù)據(jù)轉(zhuǎn)換提取加載，采用傳統(tǒng)的 ETLETL 工具進(jìn)行采集，數(shù)據(jù)倉庫間的各層次的數(shù)據(jù)采集的實(shí)效性根據(jù)具體的數(shù)據(jù)需求而定，具體 ETLETL 建模界面如圖：1.3 數(shù)據(jù)加工與處理對(duì)于數(shù)據(jù)倉庫平臺(tái)，應(yīng)該建立一套標(biāo)準(zhǔn)化、規(guī)范化的數(shù)據(jù)處理流程，例如：如何采集內(nèi)部和外部數(shù)據(jù)、結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)；如何清洗采集來的臟數(shù)據(jù)和無效數(shù)據(jù)；如何對(duì)不同來源的數(shù)據(jù)進(jìn)行打通；如何對(duì)非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行結(jié)構(gòu)化加工；如何在結(jié)構(gòu)

11、化數(shù)據(jù)的基礎(chǔ)上進(jìn)行商業(yè)建模和數(shù)據(jù)挖掘等等。大數(shù)據(jù)管理層在一條數(shù)據(jù)總線上構(gòu)建了一條完整的大數(shù)據(jù)處理流水線。這條流水線從數(shù)據(jù)的采集、清洗到加工處理，把原始雜亂無章的數(shù)據(jù)加工成結(jié)構(gòu)化的數(shù)據(jù)組件，供上層的大數(shù)據(jù)應(yīng)用來拼裝調(diào)用，讓企業(yè)擁有創(chuàng)造數(shù)據(jù)資產(chǎn)的能力。1.4 存儲(chǔ)設(shè)計(jì)1.4.1數(shù)據(jù)量估算按每列列車平均 500500 毫秒通過車地通信采集監(jiān)測(cè)數(shù)據(jù) 100100 條，每天運(yùn)營(yíng)時(shí)間 1818 小時(shí)，按每條記錄 160160 字節(jié)計(jì)算（監(jiān)測(cè)數(shù)據(jù)的數(shù)據(jù)項(xiàng)相對(duì)簡(jiǎn)單），），初步按照 6767 列列車計(jì)算。單列列車日監(jiān)測(cè)數(shù)據(jù)=3600*2*160*100*18/1024/1024/1024-2G=3600*2*1

12、60*100*18/1024/1024/1024-2G6767 列列車年數(shù)據(jù)量=2*67*365/1024=2*67*365/102448T48T1010 年總數(shù)據(jù)量（乘上增長(zhǎng)系數(shù) 10%10%產(chǎn) 530T530T（含操作系統(tǒng)）數(shù)據(jù)規(guī)劃 1010 年，加上系統(tǒng)用戶信息、系統(tǒng)日志信息、專家信息、業(yè)務(wù)數(shù)據(jù)及其它不可預(yù)測(cè)類數(shù)據(jù)，數(shù)據(jù)總量預(yù)估 530T530T。1.4.2數(shù)據(jù)存儲(chǔ)專家系統(tǒng)數(shù)據(jù)采用混合存儲(chǔ)模式進(jìn)行存儲(chǔ)，RDBMRDBM/儲(chǔ)專家系統(tǒng)業(yè)務(wù)基本數(shù)據(jù)及最近 1 1 年的監(jiān)測(cè)數(shù)據(jù)， 1010 年內(nèi)歷史監(jiān)測(cè)數(shù)據(jù)采用 NoSQLHBasNoSQLHBas 數(shù)據(jù)庫進(jìn)行存儲(chǔ)， 以方便查詢， HBaseHB

13、ase 基于 HdfHdfs s分布式文件系統(tǒng)搭建，具體存儲(chǔ)模式如下圖。Hadoop(Hdfs)HbaseIII一一一一.一一高餅值密度數(shù)據(jù)低價(jià)值密度歷史數(shù)據(jù)存儲(chǔ)最近一年監(jiān)測(cè)數(shù)據(jù)測(cè)數(shù)據(jù)系統(tǒng)配置數(shù)據(jù)系統(tǒng)配置數(shù)據(jù)專家基本信息數(shù)據(jù)故障評(píng)估業(yè)務(wù)數(shù)據(jù)等1 1 .RDBM.RDBM 頷據(jù)庫，支持專家?guī)斓暮诵臉I(yè)務(wù)，存儲(chǔ)列車最近 1 1 年的監(jiān)測(cè)數(shù)據(jù)為保證專家系統(tǒng)安全、 穩(wěn)定運(yùn)行， 在數(shù)據(jù)庫系統(tǒng)上支撐各種統(tǒng)計(jì)分析及傳統(tǒng)的 BIBI 業(yè)務(wù)。考慮到操作系統(tǒng)存儲(chǔ)、緩存存儲(chǔ)、數(shù)據(jù)庫系統(tǒng)存儲(chǔ)、日志存儲(chǔ)等因素，RDBMRDBM 數(shù)據(jù)庫服務(wù)器預(yù)計(jì)每臺(tái) 60T60T 存儲(chǔ)，考慮數(shù)據(jù)安全及系統(tǒng)穩(wěn)定因素 RDBMRDBM 采用雙

14、機(jī)熱備技術(shù)互備。2 2 . .大數(shù)據(jù)平臺(tái)規(guī)劃存儲(chǔ)最近 1010 年監(jiān)測(cè)數(shù)據(jù)，日志文件備份及歷史數(shù)據(jù)采用大數(shù)據(jù)HadoopHadoop 和 HBaseHBase 存儲(chǔ)，大數(shù)據(jù)平臺(tái)數(shù)據(jù)采用節(jié)點(diǎn)問冗余備份，預(yù)設(shè)數(shù)據(jù) 2 2 倍冗余存儲(chǔ)，（考慮平臺(tái)提供的壓縮技術(shù)，壓縮存儲(chǔ)可以節(jié)省 30-55%30-55%勺空間）。1010 年數(shù)據(jù)量=530T*1.5=530T*1.5= =800T800T（2 2 倍冗余存儲(chǔ)）結(jié)構(gòu)化數(shù)據(jù)統(tǒng)一資源調(diào)度結(jié)構(gòu)化數(shù)據(jù)非結(jié)構(gòu)化數(shù)據(jù)RDBMS非結(jié)構(gòu)化數(shù)據(jù)1.4.3分層存儲(chǔ)專家數(shù)據(jù)分三個(gè)層次進(jìn)行匯集與存儲(chǔ)，分別為 ODSgODSg、數(shù)據(jù)倉庫層、主題數(shù)據(jù)層，各層次數(shù)據(jù)存儲(chǔ)內(nèi)容如下?

15、?ODS1:ODS1:數(shù)據(jù)來源于各生產(chǎn)系統(tǒng)，通過 ETLETL 工具對(duì)接口文件數(shù)據(jù)進(jìn)行編碼替換和數(shù)據(jù)清洗轉(zhuǎn)換，不做關(guān)聯(lián)操作。未來也可用于準(zhǔn)實(shí)時(shí)數(shù)據(jù)查詢。? ?數(shù)據(jù)倉庫層：數(shù)據(jù)深度匯集層，根據(jù)業(yè)務(wù)有選擇的對(duì) ODSODS 層的數(shù)據(jù)進(jìn)行提取，通過對(duì)數(shù)據(jù)的加工處理，將單一的數(shù)據(jù)信息轉(zhuǎn)換成體系信息，將點(diǎn)信息數(shù)據(jù)變成面信息數(shù)據(jù)。? ?主題數(shù)據(jù)層：將數(shù)據(jù)信息體系根據(jù)各主題進(jìn)行提取與轉(zhuǎn)換，主題域內(nèi)部進(jìn)行拆分、關(guān)聯(lián)。是對(duì) ODSODS 操作型數(shù)據(jù)按照主題域劃分規(guī)則進(jìn)行的拆分及合并。、車輛健車輛以康評(píng)估障診斷1.5 數(shù)據(jù)分析建模伴隨著大數(shù)據(jù)時(shí)代的悄然來臨，數(shù)據(jù)的價(jià)值得到人們的廣泛認(rèn)同，對(duì)數(shù)據(jù)的重視提到了前所未有

16、的高度。數(shù)據(jù)已經(jīng)作為企業(yè)、事業(yè)單位的重要資產(chǎn)被廣泛應(yīng)用于盈利分析與預(yù)測(cè)、客戶關(guān)系管理、合規(guī)性監(jiān)管、運(yùn)營(yíng)風(fēng)險(xiǎn)管理等業(yè)務(wù)當(dāng)中。如何建大全立大數(shù)據(jù)分析模型，以提供決策依據(jù)是很多用戶所迫切解決的問題。專家數(shù)據(jù)倉庫建立在 HadoopHadoop 分布式系統(tǒng)之上，提供了多種豐富的算法模型,不同的應(yīng)用通過借助不同的接口實(shí)現(xiàn)數(shù)據(jù)的多維呈現(xiàn)和結(jié)果展示，為用戶提供科學(xué)的決策支持。數(shù)據(jù)服務(wù)乂數(shù)據(jù)集市層數(shù)據(jù)倉庫層操作型數(shù)據(jù)層數(shù)據(jù)源公Hadoop分布式球螭圖 10-7hadoop10-7hadoop 算法模型圖大數(shù)據(jù)平臺(tái)提供數(shù)據(jù)挖掘模型、分布式計(jì)算引擎、高性能機(jī)器學(xué)習(xí)算法庫（包含分類、聚類、預(yù)測(cè)、推薦等機(jī)器學(xué)習(xí)算法）

17、、即席查詢功能，可以幫助決策者快速建立數(shù)據(jù)分析模型立方體，便于決策者進(jìn)行 OLAOLA 小析。常用算法模型:? ?分類算法：分類是找出數(shù)據(jù)庫中的一組數(shù)據(jù)對(duì)象的共同特點(diǎn)并按照分類模式將其劃分為不同的類，其目的是通過分類模型， 將數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)映射到某個(gè)給定的類別中。 如政務(wù)網(wǎng)中將用戶在一段時(shí)間內(nèi)的網(wǎng)上辦理所遇到的問題劃分成不同的類，根據(jù)情況向用戶推薦關(guān)聯(lián)類的問題解決方案，從而方便用戶快速解決網(wǎng)上辦事審批中遇到的各類問題。? ?回歸算法回歸分析反映了數(shù)據(jù)庫中數(shù)據(jù)的屬性值的特性，通過函數(shù)表達(dá)數(shù)據(jù)映射的關(guān)系來發(fā)現(xiàn)屬性值之間的依賴關(guān)系。在回歸算法中通常將數(shù)值結(jié)果轉(zhuǎn)化為了 0 0 到 1 1 之間的概率

18、，數(shù)值越大，函數(shù)越逼近 1,1,數(shù)值越小，函數(shù)越逼近 0,0,它可以應(yīng)用到對(duì)數(shù)據(jù)序列的預(yù)測(cè)及相關(guān)關(guān)系的研究中去。如我們根據(jù)這個(gè)概率可以做垃圾郵件預(yù)測(cè)，例如概率大于 0.50.5, ,則這封郵件就是垃圾郵件。? ?聚類算法聚類類似于分類，但與分類的目的不同，是針對(duì)數(shù)據(jù)的相似性和差異性將一組數(shù)據(jù)分為幾個(gè)類別。屬于同一類別的數(shù)據(jù)間的相似性很大，但不同類別之間數(shù)據(jù)的相似性很小，跨類的數(shù)據(jù)關(guān)聯(lián)性很低。 分類算法中的一個(gè)顯著特征就是訓(xùn)練數(shù)據(jù)中包含了標(biāo)簽， 訓(xùn)練出的模型可以對(duì)其他未知數(shù)據(jù)預(yù)測(cè)標(biāo)簽。在聚類的算法中，訓(xùn)練數(shù)據(jù)都是不含標(biāo)簽的，而算法的目的則是通過訓(xùn)練，推測(cè)出這些數(shù)據(jù)的標(biāo)簽。以二維的數(shù)據(jù)來說，一個(gè)數(shù)

19、據(jù)就包含兩個(gè)特征，可通過聚類算法，給他們中不同的種類打上標(biāo)簽， 通過聚類算法計(jì)算出種群中的距離， 根據(jù)距離的遠(yuǎn)近將數(shù)據(jù)劃分為多個(gè)族群。? ?關(guān)聯(lián)算法關(guān)聯(lián)規(guī)則是隱藏在數(shù)據(jù)項(xiàng)之間的關(guān)聯(lián)或相互關(guān)系，即可以根據(jù)一個(gè)數(shù)據(jù)項(xiàng)的出現(xiàn)推導(dǎo)出其他數(shù)據(jù)項(xiàng)的出現(xiàn)。 關(guān)聯(lián)規(guī)則的挖掘過程主要包括兩個(gè)階段： 第一階段為從海量原始數(shù)據(jù)中找出所有的高頻項(xiàng)目組；第二極端為從這些高頻項(xiàng)目組產(chǎn)生關(guān)聯(lián)規(guī)則。?推薦算法推薦算法是目前業(yè)界非常火的一種算法，在電商界，如亞馬遜，天貓，京東等得到了廣泛的運(yùn)用。推薦算法的主要特征就是可以自動(dòng)向用戶推薦他們最感興趣的東西，從而增加購買率，提升效益。? ?神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型，因其自身自行處理

20、、分布存儲(chǔ)和高度容錯(cuò)等特性非常適合處理非線性的以及那些以模糊、不完整、不嚴(yán)密的知識(shí)或數(shù)據(jù)為特征的處理問題，它的這一特點(diǎn)十分適合解決數(shù)據(jù)挖掘的問題。 典型的神經(jīng)網(wǎng)絡(luò)模型主要分為三大類： 第一類是以用于分類預(yù)測(cè)和模式識(shí)別的前饋式神經(jīng)網(wǎng)絡(luò)模型；第二類是用于聯(lián)想記憶和優(yōu)化算法的反饋式神經(jīng)網(wǎng)絡(luò)模型。第三類是用于聚類的自組織映射方法。? ?AdaboostAdaboost 算法其核心思想是針對(duì)同一個(gè)訓(xùn)練集，訓(xùn)練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。其算法本身是通過改變數(shù)據(jù)分布來實(shí)現(xiàn)的， 它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確， 以及上次的總體分類的

21、準(zhǔn)確率，來確定每個(gè)樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來，作為最后的決策分類器。? ?深度學(xué)習(xí)深度學(xué)習(xí)算法是對(duì)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在計(jì)算能力變得日益廉價(jià)的今天，深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)，用來處理存在少量未標(biāo)識(shí)數(shù)據(jù)的大數(shù)據(jù)集。1.6 數(shù)據(jù)資源管理專家系統(tǒng)數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)類別多、數(shù)據(jù)關(guān)聯(lián)關(guān)系緊密等特點(diǎn)，隨著數(shù)據(jù)的積累，數(shù)據(jù)資源的利用價(jià)值逐步體現(xiàn)，提高數(shù)據(jù)的管理，是對(duì)數(shù)據(jù)資源充分利用的前提條件。數(shù)據(jù)資源管了包括如下幾部分內(nèi)容：數(shù)據(jù)標(biāo)準(zhǔn)化管理、數(shù)據(jù)監(jiān)測(cè)管理及元數(shù)據(jù)管理等。1.6.1數(shù)據(jù)標(biāo)準(zhǔn)管理匯集整理數(shù)據(jù)資源管理所需的標(biāo)

22、準(zhǔn)規(guī)范信息，建立數(shù)據(jù)標(biāo)準(zhǔn)數(shù)據(jù)庫。利用專家系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)管理系統(tǒng)的接口同步更新標(biāo)準(zhǔn)信息。包括數(shù)據(jù)元標(biāo)準(zhǔn)以及信息代碼標(biāo)準(zhǔn)。1 1 . .建設(shè)數(shù)據(jù)資源庫，實(shí)現(xiàn)專家系統(tǒng)發(fā)布標(biāo)準(zhǔn)數(shù)據(jù)元與本地?cái)U(kuò)展數(shù)據(jù)元標(biāo)準(zhǔn)的匯集。實(shí)現(xiàn)與車輛檢修等數(shù)據(jù)源管理系統(tǒng)接口對(duì)接。2 2 . .建設(shè)信息代碼資源庫，梳理國(guó)標(biāo)、部標(biāo)和本省定義的標(biāo)準(zhǔn)代碼以及各業(yè)務(wù)信息系統(tǒng)需要使用的其它代碼，建立字典代碼實(shí)體數(shù)據(jù)庫。應(yīng)具備字典代碼定期同步功能。并建設(shè)信息代碼在線映射維護(hù)功能，以便對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換提供支持。1.6.2數(shù)據(jù)監(jiān)控管理大數(shù)據(jù)運(yùn)行監(jiān)控通過對(duì)大數(shù)據(jù)資源庫相關(guān)服務(wù)器、OracleOracle 數(shù)據(jù)庫、分布式存儲(chǔ)系統(tǒng)、HadoopHadoop

23、 平臺(tái)等的運(yùn)行狀態(tài)、性能指標(biāo)以及數(shù)據(jù)更新情況進(jìn)行持續(xù)監(jiān)控，及時(shí)發(fā)現(xiàn)存在的問題及隱患，輔助系統(tǒng)管理員及時(shí)采取措施，提高大數(shù)據(jù)資源庫的運(yùn)行可靠性，保障大數(shù)據(jù)資源庫穩(wěn)定高效運(yùn)行。 發(fā)現(xiàn)異常問題時(shí)通過短信、 郵件等方式通知系統(tǒng)管理員及時(shí)處理，實(shí)現(xiàn)通過自動(dòng)、智能、持續(xù)的自動(dòng)監(jiān)控預(yù)警代替人工巡檢，降低運(yùn)維工作量，提高運(yùn)維效率。通過可視化圖表對(duì)監(jiān)控結(jié)果進(jìn)行統(tǒng)計(jì)分析直觀展現(xiàn)平臺(tái)運(yùn)行各類運(yùn)行指標(biāo)， 輔助管理員從宏觀角度掌握平臺(tái)運(yùn)行情況。?性能指標(biāo)監(jiān)控可以對(duì)服務(wù)器 CPCP 頂載、OracleOracle 數(shù)據(jù)庫連接數(shù)、分布式存儲(chǔ) IOIO 負(fù)載、HadoopHadoop 負(fù)載等各類性能相關(guān)指標(biāo)進(jìn)行監(jiān)控，以便掌握

24、平臺(tái)負(fù)載情況，及時(shí)發(fā)現(xiàn)性能問題，輔助平臺(tái)優(yōu)化。?大數(shù)據(jù)庫日志監(jiān)控自動(dòng)采集大數(shù)據(jù)相關(guān)組件運(yùn)行日志，并根據(jù)既定規(guī)則進(jìn)行分析，發(fā)現(xiàn)異常及時(shí)告警。提供日志查詢檢索功能，可以按組件類型、時(shí)間、關(guān)鍵字等進(jìn)行過濾。?數(shù)據(jù)量監(jiān)控?cái)?shù)據(jù)量監(jiān)控通過對(duì)數(shù)據(jù)總量以及增量進(jìn)行定期監(jiān)控，可以掌握數(shù)據(jù)量變化情況，也可以從數(shù)據(jù)增量角度發(fā)現(xiàn)數(shù)據(jù)入庫異常。 數(shù)據(jù)量監(jiān)測(cè)結(jié)果可同步到數(shù)據(jù)臺(tái)帳， 以便數(shù)據(jù)臺(tái)帳統(tǒng)計(jì)數(shù)據(jù)總量情況。1.6.3元數(shù)據(jù)管理元數(shù)據(jù)是數(shù)據(jù)倉庫中存儲(chǔ)的基本單元， 實(shí)現(xiàn)對(duì)元數(shù)據(jù)的管理， 數(shù)據(jù)倉庫的最基本功能之一。元數(shù)據(jù)管理包括元數(shù)據(jù)注冊(cè)登記、元數(shù)據(jù)存儲(chǔ)、元數(shù)據(jù)建模等多方面功能。1.7 數(shù)據(jù)服務(wù)大數(shù)據(jù)平臺(tái)開放存儲(chǔ)訪問接口，

25、提供基于 HadoopHadoop 技術(shù)體系的 HDFSHBaseHDFSHBase 訪問接口，以O(shè)penAPIOpenAPI 的方式，為應(yīng)用提供大數(shù)據(jù)存儲(chǔ)服務(wù)。數(shù)據(jù)服務(wù)層主要由數(shù)據(jù)服務(wù)總線來建設(shè)，主要負(fù)責(zé)將大數(shù)據(jù)平臺(tái)的能力接口注冊(cè)進(jìn)去，再以標(biāo)準(zhǔn)化接口開放給應(yīng)用系統(tǒng)使用，支持多種協(xié)議轉(zhuǎn)換、服務(wù)質(zhì)量控制、訪問控制、規(guī)則引擎等。數(shù)據(jù)服務(wù)層將大數(shù)據(jù)平臺(tái)的數(shù)據(jù)服務(wù)能力開放出去，供第三方平臺(tái)使用。服矜接口將入端服矜治理服將留量?jī)卓刂撇咦焱冉映龆索锬芰涌冢ú榈诮涌冢治鼋涌冢┤缟蠄D：應(yīng)用服務(wù)系統(tǒng)使用服務(wù)接口，來接入數(shù)據(jù)服務(wù)總線，經(jīng)過數(shù)據(jù)服務(wù)總線的接入端點(diǎn)，進(jìn)行過濾。同時(shí)根據(jù)訪問控制、服務(wù)質(zhì)量、協(xié)議轉(zhuǎn)換

26、、策略調(diào)度、規(guī)則引擎的處理，接出到大數(shù)據(jù)平臺(tái)的能力接口。第 2 章大數(shù)據(jù)平臺(tái)2.1 大數(shù)據(jù)平臺(tái)基礎(chǔ)架構(gòu)大數(shù)據(jù)基礎(chǔ)平臺(tái)基于烽火自主知識(shí)產(chǎn)權(quán) FitDataFitData 產(chǎn)品，F(xiàn)itDataFitData 主要集成了基礎(chǔ)計(jì)算資源、網(wǎng)絡(luò)資源、存儲(chǔ)資源，在統(tǒng)一的安全體管理體系下，將這些資源再進(jìn)行深度加工、處理、 關(guān)聯(lián)， 形成多種類型的基礎(chǔ)服務(wù)能力， 構(gòu)建基礎(chǔ)資源層， 向應(yīng)用提供基礎(chǔ)資源的服務(wù)能力。數(shù)據(jù)服務(wù)總線通過服務(wù)治理來維護(hù)基礎(chǔ)資源服務(wù)能力，并通過訪問控制、服務(wù)質(zhì)量、協(xié)議轉(zhuǎn)換等，對(duì)應(yīng)用提供多協(xié)議支持。平臺(tái)支撐體系的運(yùn)維體系提供整體運(yùn)維能力，保障平臺(tái)的正常運(yùn)行；安全體系提供整體安全能力,保障平臺(tái)的數(shù)

27、據(jù)安全和使用安全；平臺(tái)采用分布式架構(gòu)，支持巨量數(shù)據(jù)存儲(chǔ)與分析,保障專家管理系統(tǒng)的高性能、高可用性和易擴(kuò)展性。FitData大數(shù)據(jù)基礎(chǔ)平臺(tái)結(jié)構(gòu)如下圖紅線標(biāo)出部分。大數(shù)據(jù)應(yīng)用數(shù)據(jù)計(jì)算與存儲(chǔ)： 是 FitDataFitData 大數(shù)據(jù)平臺(tái)的核心內(nèi)容， 提供分布式存儲(chǔ)能力和分布式計(jì)算能力。提供的存儲(chǔ)框架能力，包括基于結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)、非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)和半結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)，其計(jì)算框架與存儲(chǔ)框架均是分布式集群方式部署，可以平滑的進(jìn)行彈性擴(kuò)容。數(shù)據(jù)服務(wù)層：數(shù)據(jù)服務(wù)層主要由數(shù)據(jù)服務(wù)接口來實(shí)現(xiàn)，對(duì)應(yīng)用提供數(shù)據(jù)支撐。通過數(shù)據(jù)服務(wù)接口將平臺(tái)的數(shù)據(jù)資源以標(biāo)準(zhǔn) APIAPI 接口的方式開放出來,供不同的應(yīng)用系統(tǒng)使用。車輛故

28、障車輛健康評(píng)車輛指標(biāo)檢測(cè)報(bào)警車輛檢修預(yù)案車輛對(duì)比分析其他多維分析數(shù)據(jù)共享數(shù)據(jù)檢索機(jī)器學(xué)習(xí)離線計(jì)算MapReduce內(nèi)存計(jì)算Spark實(shí)時(shí)計(jì)算StormHbase（數(shù)據(jù)庫）診斷估大數(shù)據(jù)處理平臺(tái)數(shù)據(jù)挖掘數(shù)據(jù)可視化可編程API迄維管理安裝 部 署 集群 管 理 主機(jī) 管 理 用戶 管 理 服務(wù) 管 理 監(jiān)控 預(yù) 警 版本管理Yarn（計(jì)算資源管理）數(shù)據(jù)11算/存儲(chǔ)數(shù)據(jù)應(yīng)用層主要提供基于該平臺(tái)來構(gòu)建的專家系統(tǒng)應(yīng)用。采用平臺(tái)的標(biāo)準(zhǔn) API,API,數(shù)據(jù)資源層獲取數(shù)據(jù)服務(wù)，目前 APIAPI 接口包括資源目錄瀏覽、數(shù)據(jù)查詢搜索等。數(shù)據(jù)匯聚層：提供各層之間數(shù)據(jù)交換能力，由 ETLETL 數(shù)據(jù)集成工具來實(shí)現(xiàn)。

29、平臺(tái)支持多中異構(gòu)數(shù)據(jù)源，針對(duì)不同數(shù)據(jù)源的不同數(shù)據(jù)，也提供多種數(shù)據(jù)抽取方式，例如數(shù)據(jù)庫直連抽取、SqoopSqoop 抽取等。提供計(jì)算框架能力，主要集成了批處理計(jì)算框架、流式計(jì)算框架、內(nèi)存計(jì)算框架等能力，還提供了像 HiveHive、MahoutMahout、SparkSpark 等二次計(jì)算能力框架。平臺(tái)可將這些計(jì)算能力開放，供數(shù)據(jù)模型、數(shù)據(jù)挖掘、應(yīng)用系統(tǒng)來使用。運(yùn)維體系：運(yùn)維體系提供面向?qū)＜蚁到y(tǒng)完整運(yùn)維方案，涵蓋了運(yùn)行監(jiān)控到使用操作。安全體系提供面向?qū)＜蚁到y(tǒng)大數(shù)據(jù)平臺(tái)的用戶權(quán)限管理、終端訪問控制、日志安全審計(jì)等能力。數(shù)據(jù)存與計(jì)算是 FitDataFitData 大數(shù)據(jù)平臺(tái)核心能力，將目前專家系

30、統(tǒng)內(nèi)部業(yè)務(wù)數(shù)據(jù)源進(jìn)行有效整合，集成以數(shù)據(jù)為核心的查詢、分析和管理能力。采用分層整合，靈活配置，橫向擴(kuò)展，縱向貫穿的大數(shù)據(jù)平臺(tái)服務(wù)能力，其計(jì)算框架、存儲(chǔ)框架都以容器的方式，可輕松靈活的在線進(jìn)行裝卸，以平滑擴(kuò)充大數(shù)據(jù)平臺(tái)的集成能力。除此還集成了二級(jí)計(jì)算框架、通用的數(shù)據(jù)處理算法庫和數(shù)據(jù)倉庫，將大數(shù)據(jù)平臺(tái)的數(shù)據(jù)進(jìn)行清洗、加工和分析挖掘，處理后的數(shù)據(jù)可訂閱，充分體現(xiàn)數(shù)據(jù)即服務(wù)的大數(shù)據(jù)思想。?分布式存儲(chǔ)框架：主要負(fù)責(zé)針對(duì)巨量數(shù)據(jù)的存儲(chǔ)，以分布式存儲(chǔ)技術(shù)，支持快速、巨量、多種類型的數(shù)據(jù)存取。支持從數(shù)據(jù)源抽取數(shù)據(jù)到大數(shù)據(jù)平臺(tái)存儲(chǔ)，集成多種存儲(chǔ)方式，有針對(duì)結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)。?計(jì)算框架

31、：主要提供批處理計(jì)算、內(nèi)存計(jì)算、流式計(jì)算框架，由數(shù)據(jù)處理管理驅(qū)動(dòng)來分配和調(diào)度計(jì)算框架，加載數(shù)據(jù)處理算法，完成數(shù)據(jù)處理。? ?數(shù)據(jù)倉庫：主要對(duì)計(jì)算框架完成后的結(jié)果進(jìn)行存儲(chǔ)，支持 HbaseHbase、MSSQLMSSQLServerServer 等存儲(chǔ)，同時(shí)將數(shù)據(jù)以接口的形式開放出去。?數(shù)據(jù)處理算法庫：集成通用的數(shù)據(jù)分析算法、能夠插入用戶自定義的數(shù)據(jù)模型算法，配合以資源管理系統(tǒng)為主的計(jì)算存儲(chǔ)框架，進(jìn)行數(shù)據(jù)處理。?資源管理系統(tǒng)，以容器的方式，來為計(jì)算框架和存儲(chǔ)框架分配資源，并支持資源調(diào)度，彈性伸縮。? ?數(shù)據(jù)服務(wù)總線：主要將基礎(chǔ)平臺(tái)的能力和數(shù)據(jù)服務(wù)接口，以 APIAPI 的方式開放出去，形成一個(gè)共

32、享的、供應(yīng)用使用的服務(wù)總線。2.2 FitData 特點(diǎn)廣泛適應(yīng)性：支持結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)；支持實(shí)時(shí)數(shù)據(jù)。巨量數(shù)據(jù)：數(shù)據(jù)處理能力在 PBPB 級(jí)以上。線性擴(kuò)展：存儲(chǔ)、計(jì)算均可增加節(jié)點(diǎn)進(jìn)行線性擴(kuò)展。統(tǒng)一運(yùn)維管理：降低安裝部署、運(yùn)營(yíng)、維護(hù)成本。經(jīng)濟(jì)性：可運(yùn)行在普通 X86X86 服務(wù)器上，硬件成本低。高可靠性：支持容災(zāi)容錯(cuò)、備份恢復(fù)機(jī)制，支持自動(dòng)告警。支持節(jié)點(diǎn)可靠性、數(shù)據(jù)可靠性。高性能：高效數(shù)據(jù)處理性能，支持 SparkSpark、StormStorm、R R認(rèn)證安全：支持 KerberosKerberos 安全認(rèn)證、LDAPtLDAPt 戶管理控制。數(shù)據(jù)安全：支持?jǐn)?shù)據(jù)加密。負(fù)載均衡：

33、支持節(jié)點(diǎn)間存儲(chǔ)、技術(shù)負(fù)載均衡。開放性：支持符合 HadoopHadoop 規(guī)范的第三方組件或工具。2.3 FitData 主要功能FitDataFitData 是基于開源 HadoopFFHadoopFF 發(fā)的企業(yè)級(jí)大數(shù)據(jù)產(chǎn)品，提供 PBPB 級(jí)數(shù)據(jù)的采集、存儲(chǔ)和處理能力，支持?jǐn)?shù)據(jù)加載、查詢、分析、挖掘等功能。2.3.1節(jié)點(diǎn)批量自動(dòng)部署通過以 Web!Web!理， 以圖形界面的方式實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)節(jié)點(diǎn)批量自動(dòng)部署， 只需添加主機(jī)名 （或者 IPIP 地址）即可實(shí)現(xiàn)將節(jié)點(diǎn)服務(wù)器添加到集群中，截圖如下：安裝選項(xiàng)安裝選項(xiàng)勝人主叫則依起包合守里用和序幅供的與SrSffl日卻王班進(jìn)丸主機(jī)用M愫用F-電而n

34、c3nnamNflmeFQE、事行 T、底雪陋用1.詁苴14歲13”31刎古音信動(dòng)生國(guó)H打曲寶*抨自SSHfc-SI=永豐旺主禮I強(qiáng)苒仃暹i;tiwTce;圖向集群中添加節(jié)點(diǎn)2.3.2節(jié)點(diǎn)動(dòng)態(tài)管理通過 webweb 管理實(shí)現(xiàn)節(jié)點(diǎn)的動(dòng)態(tài)添加、刪除，當(dāng)存儲(chǔ)空間或者計(jì)算資源不足時(shí)，支持向集群中添加同等配置的服務(wù)器，實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)在線動(dòng)態(tài)擴(kuò)容，而不需要停機(jī)處理，不影響平臺(tái)正常運(yùn)行。大數(shù)據(jù)平臺(tái)以 WebWeb 圖形界面實(shí)現(xiàn) HadoopHadoop 集群監(jiān)控， 包括大數(shù)據(jù)平臺(tái)的硬件資源、 軟件資源、數(shù)據(jù)資源的監(jiān)控，以及整個(gè) HadoopHadoop 集群的工作負(fù)載。主要包括以下幾個(gè)方面：2.3.3服務(wù)組

35、件狀態(tài)監(jiān)控通過管理平臺(tái)可以看到所有目前已安裝的服務(wù)組件的健康狀況。NuimhuikO域WLM七忖-iiHhu晶0SCdtlKl口w/N餐qE產(chǎn)5ddeiid2口iifeccmrw.jningfli)h始NinriiiNfld申llpniTNi17那耳鵬腫卡修N12渺37(1MBi110117)DsiUsgefDFSLfeedlU1GBfDiskUsago-|NoDFSLkMIEBIB/1767TE(B0J%)CHikFh由TQIB;1757g(SSJ現(xiàn)用的后隹幽聃39國(guó)od后虎comipEreplicaJ口rrisslngiI)underrepkaKidTdN&十OkBtmjriss鏟47葉張

36、琥志否有聲 F立個(gè)耳聞*蘇 FEZ 直添加主機(jī)向?qū)D服務(wù)組件運(yùn)行狀況圖計(jì)算資源監(jiān)控2.3.4計(jì)算資源負(fù)載監(jiān)控鼾中借器 102.3.5多任務(wù)實(shí)時(shí)監(jiān)控通過管理平臺(tái)可以實(shí)時(shí)看到整個(gè)平臺(tái)的資源負(fù)載情況，包括集群的 CPUCPU 集群磁盤 1010、集群網(wǎng)絡(luò) IOIO、HDFSIO,HDFSIO,如下圖所示:通過對(duì)集群運(yùn)行任務(wù)的實(shí)時(shí)監(jiān)測(cè)，并根據(jù)任務(wù)優(yōu)先級(jí)和耗時(shí)不同對(duì)任務(wù)進(jìn)行動(dòng)態(tài)調(diào)度，減少出現(xiàn)大量任務(wù)等待和重要任務(wù)無法及時(shí)完成的可能，可以使 HadoopHadoop+Snr6Kh。曰HH19C司巾PTFfltalBAOVIUKMIJUDttiDkaXIHM心w福ui,DslshodeheapLFsags*

37、i-iiihrKiflrm”K附MeUagjeiHe/QMilWnhLA/SJJ&I i，PgE15qw3fiiHEipruawr咆W1?T/彈集網(wǎng)絡(luò) 2J更1、雄注211KJB-均 T或個(gè)爆量白甘0HDFSIO137 依總計(jì)唉，同15KJ3HOFSnam&3r2Sb/sHClFE.弓一 W 不詔用iHDFSnamawrui.1M，HDFS,后汁型不話用HOPSYARHYAflmHR0相道inM：1D#整卡主機(jī)巾的主機(jī)CPU使用率i.a%中可用2AmH也u1&司18怙da立鄧1也可用19dt|tft徹u怕dayzage中可用13dj的廣已可用1由413七訊二事可三赭財(cái)1ageT7K4P&SMl

38、森2尚 EEt 整用腳|*中國(guó)*4*凝.心*e際蜂厚率喃|存幽蹤的單亡4*的甲刈Bi帚七產(chǎn)即 7 第 W?五箱旭任:曲切；v-啥回“蝴用的R如姓里幼”臉加鼻4月所|；n，五liIrtthfl二P上由立HttijAIIIIH|*-AilfV!J星土利用徒杓可領(lǐng)-w斗亙司YW,皿1 個(gè)0H中立EHE丐的傳曰(咐事帝？靖石用檔禍七建彳卜二 1甘姆qn吊二T盾卜 勺 | 曾 療 丁 理 下 扁：cls-affivioNmtow*網(wǎng)觸齒i|-Gt；1，*；怏怏Ze射 位rMN&ih：-itm-1-畦工/海匚業(yè)一/B另如利于r二事?：*摩二的63 出外用歌乂面1耳社疆小安全異常等異常事件進(jìn)行預(yù)警、報(bào)警，并

39、通過郵件、短信報(bào)警手段進(jìn)行告警通知。提供預(yù)制的恢復(fù)規(guī)則和安全規(guī)則，對(duì)集群異常進(jìn)行自動(dòng)修復(fù)、自動(dòng)限制非安全行為的操作。大數(shù)據(jù)平臺(tái)能夠通過對(duì)告警信息的分析，快速定位平臺(tái)內(nèi)部出現(xiàn)故障的節(jié)點(diǎn)，對(duì)于因故障無法繼續(xù)提供服務(wù)器的節(jié)點(diǎn)進(jìn)行標(biāo)記，將平臺(tái)的作業(yè)任務(wù)自動(dòng)分配到其他的節(jié)點(diǎn)上運(yùn)行，同時(shí)，大數(shù)據(jù)平臺(tái)采用分布式體系結(jié)構(gòu)及無單點(diǎn)故障設(shè)計(jì)，平臺(tái)內(nèi)任何節(jié)點(diǎn)的宕機(jī)都不會(huì)影響平臺(tái)的穩(wěn)定運(yùn)行和業(yè)務(wù)的正常使用。待故障節(jié)點(diǎn)恢復(fù)正常后，再將該節(jié)點(diǎn)納入平臺(tái)的資源中，將作業(yè)任務(wù)分配到恢復(fù)后的節(jié)點(diǎn)上運(yùn)行。2.3.8日常運(yùn)維監(jiān)控大數(shù)據(jù)綜合平臺(tái)提供完整的日常運(yùn)維監(jiān)控的服務(wù)能力，針對(duì)從上層應(yīng)用平臺(tái)到底層基礎(chǔ)平臺(tái)的各個(gè)功能模塊和組件均提供

40、有監(jiān)控能力，能夠分析系統(tǒng)的運(yùn)行日志和用戶日志，并且能夠?qū)⒈O(jiān)控?cái)?shù)據(jù)通過文件接口或 webservicewebservice 接口的方式匯總到平臺(tái)管理運(yùn)維模塊的監(jiān)控管理界面中進(jìn)行統(tǒng)一呈現(xiàn)和管理使用。系統(tǒng)能夠根據(jù)監(jiān)控到的數(shù)據(jù)進(jìn)行分析判斷，對(duì)異常的數(shù)據(jù)觸發(fā)告警，在前臺(tái)界面提醒，直至出發(fā)通知和處理等進(jìn)一步動(dòng)作。平臺(tái)的監(jiān)控范圍涵蓋有：平臺(tái)管理資源的使用與分配服務(wù)器視圖：提供針對(duì)各服務(wù)器和存儲(chǔ)等設(shè)備的資源使用情況的實(shí)時(shí)查看，包括當(dāng)前設(shè)備的 CPCP 改荷， 內(nèi)存占用情況， 存儲(chǔ)空間使用情況， 網(wǎng)絡(luò)帶寬占用情況、設(shè)備運(yùn)行狀態(tài)等。管理員能夠根據(jù)監(jiān)控信息在管理平臺(tái)上有效調(diào)度分配系統(tǒng)資源。其中集群的監(jiān)控如下圖所示：

41、圖霆軸分鐘14-lrj2E,M12葉137。30dGfft*CPU 尊般盅心percstrt.bytEfstwcohdIHI&FSIOU件3fWKClhda.ayvslryvsrI|-AjH已定成納lEpaia|kIIquWKr%f3刎修1I針對(duì)服務(wù)器的監(jiān)控如下圖所示：回耳工襄工斯三機(jī)tA*S*F，s,-升愫i-導(dǎo)國(guó)國(guó)己己:-1-=也示2Wi*IP平帆眠用派便用國(guó)兄把H再春空於雷用O*加Lidh&defn。只口崛但0.48T4.1Oflif$M4OBLC-&B313000BF15F8JOidamLocii5.deftio19211531Bl12HDke(5)0.97a95a,uT.aGlB3L

42、J朋朋舊囪國(guó)O鵬叫3dM口12Die12月啊白Q卓口an.29朋/般現(xiàn)750333155DBriSTGC第一個(gè)上,一呻s:-p,一步步aJk.第ET服務(wù)視圖：提供系統(tǒng)中各服務(wù)資源使用情況的實(shí)時(shí)查看，包括連接數(shù)、當(dāng)前作業(yè)數(shù)，I/OI/O 情況，運(yùn)行狀態(tài)等。監(jiān)控系統(tǒng)的運(yùn)行情況接口服務(wù)運(yùn)行監(jiān)控：提供針對(duì)數(shù)據(jù)源和應(yīng)用層的監(jiān)控服務(wù)，包括運(yùn)行狀態(tài)和流量等信息；數(shù)據(jù)存取過程監(jiān)控：提供針對(duì)數(shù)據(jù)存儲(chǔ)過程的監(jiān)控服務(wù)，包括系統(tǒng)平臺(tái)的 I/OI/O 情況（整體 I/OI/O 和具體各節(jié)點(diǎn) I/OI/O 以及具體的各作業(yè)的 I/OI/O 情況）和數(shù)據(jù)存取過程的任務(wù)列表；數(shù)據(jù)匯聚過程監(jiān)控：監(jiān)控系統(tǒng)的數(shù)據(jù)匯聚過程，包括使用

43、資源信息，使用的數(shù)據(jù)源信息，作業(yè)進(jìn)程運(yùn)行狀況信息，使用時(shí)間/計(jì)劃完成時(shí)間等信息;數(shù)據(jù)處理過程監(jiān)控（作業(yè)監(jiān)控）：監(jiān)控系統(tǒng)的數(shù)據(jù)處理（作業(yè)）過程，包括使用資源信息，使用的數(shù)據(jù)源信息，作業(yè)進(jìn)程運(yùn)行狀況信息，使用時(shí)間/計(jì)劃完成時(shí)間等信息；應(yīng)用監(jiān)控：針對(duì)運(yùn)行在平臺(tái)上的應(yīng)用進(jìn)行監(jiān)控，包括各應(yīng)用當(dāng)前的運(yùn)行狀態(tài)、應(yīng)用對(duì)數(shù)據(jù)的使用狀況，應(yīng)用為用戶提供的查詢數(shù)量等；系統(tǒng)異常告警與處理用戶告警：對(duì)用戶操作使用過程中的異常行為進(jìn)行告警，例如某用戶訪問了超過其正常權(quán)限的數(shù)據(jù)等。系統(tǒng)告警：對(duì)系統(tǒng)中存在的服務(wù)節(jié)點(diǎn)宕機(jī)，系統(tǒng)接口異常，數(shù)據(jù)存儲(chǔ)報(bào)錯(cuò)， 系統(tǒng)資源緊張等系統(tǒng)運(yùn)行異常情況進(jìn)行告警觸發(fā)， 并提醒用戶進(jìn)行操作處理。2.4

44、 FitData 優(yōu)勢(shì)烽火大數(shù)據(jù)平臺(tái) FitDataFitData 借助先進(jìn)開源的大數(shù)據(jù)存儲(chǔ)及處理技術(shù)，成功實(shí)施了公安大數(shù)據(jù)平臺(tái)、楚天云政務(wù)大數(shù)據(jù)平臺(tái)，通過大數(shù)據(jù)項(xiàng)目的實(shí)施，逐步沉淀了大量的算法模型及分析與展示工具，在平臺(tái)性能及穩(wěn)定性上經(jīng)歷了實(shí)戰(zhàn)的考驗(yàn)，逐步總結(jié)出一套 FitDataFitData 自己的系統(tǒng)優(yōu)化策略及系統(tǒng)運(yùn)維策略，平臺(tái)經(jīng)受住了單節(jié)點(diǎn)超過 10001000 臺(tái)集群的實(shí)戰(zhàn)考驗(yàn)，并支持 HAHA 高可用性運(yùn)行策略， 經(jīng)過四年時(shí)間及高強(qiáng)度項(xiàng)目的錘煉， FitDataFitData 大數(shù)據(jù)平臺(tái)已經(jīng)走出了自己的路。在數(shù)據(jù)處理上支持 PBPB 及超大量數(shù)據(jù)的秒級(jí)查詢及匯集。SmartASS

45、martAS 是企業(yè)級(jí)基礎(chǔ)開發(fā)平臺(tái)，它基于 FitDataFitData 平臺(tái)之上，采用微服務(wù)架構(gòu)，支持分布式部署，是成熟可靠的多終端應(yīng)用開發(fā)框架。它集成業(yè)界流行和成熟的技術(shù)框架，通過應(yīng)用系統(tǒng)使用，反饋的情況不斷完善應(yīng)用框架的通用功能，滿足業(yè)務(wù)系統(tǒng)快熟構(gòu)建的目標(biāo)，具備良好用戶體驗(yàn)第 3 章硬件部署按照專家系統(tǒng)安裝接口規(guī)范要求，結(jié)合專家管理系統(tǒng)數(shù)據(jù)量估算值和數(shù)據(jù)存儲(chǔ)特點(diǎn)，本著數(shù)據(jù)安全、 系統(tǒng)穩(wěn)定可靠的核心設(shè)計(jì)思路， 設(shè)計(jì)專家系統(tǒng)大數(shù)據(jù)平臺(tái)數(shù)據(jù)節(jié)點(diǎn)服務(wù)器 2222 臺(tái)，其中管理節(jié)點(diǎn)服務(wù)器 2 2 臺(tái)， 數(shù)據(jù)節(jié)點(diǎn)服務(wù)器 1919 臺(tái)， 監(jiān)控節(jié)點(diǎn)一臺(tái)， 系統(tǒng) RDBMSRDBMS 據(jù)庫服務(wù)器臺(tái)，應(yīng)用服

46、務(wù)器 6 6 臺(tái)，繪制專家系統(tǒng)部署邏輯結(jié)構(gòu)圖如下：第 4 章硬件清單根據(jù)系統(tǒng)規(guī)劃及安裝接口規(guī)范要求，初步規(guī)劃服務(wù)器如下：系統(tǒng)應(yīng)用服務(wù)器需求 6 6 臺(tái)；大數(shù)據(jù)平臺(tái)設(shè)計(jì)節(jié)點(diǎn) 2222 個(gè)，其中管理節(jié)點(diǎn) 2 2 個(gè)，數(shù)據(jù)節(jié)點(diǎn) 1919 個(gè)，監(jiān)大翻居?臺(tái)數(shù)據(jù)庫數(shù)據(jù)庫應(yīng)用廂片器應(yīng)用前務(wù)器R0都都?機(jī)應(yīng)用服辱器R臺(tái)I1控節(jié)點(diǎn)服務(wù)器 1 1 臺(tái)，RDBMRDBM 數(shù)據(jù)庫服務(wù)器兩臺(tái)雙機(jī)熱備。具體各服務(wù)器硬件需求如下表：編號(hào)服務(wù)器名配置數(shù)量說明1RDBM嗽據(jù)庫服務(wù)器4*IntelXeonE7-4800/8800v3最大可擴(kuò)展至4CPU,72核支持8GB/16GB/32GB/64GBDDR4高速內(nèi)存配置128G

47、BDDR4內(nèi)存配置9塊900GB15KSAS,14*4TNLSAS硬盤。2雙機(jī)備份2大數(shù)據(jù)平臺(tái)管理節(jié)點(diǎn)2*IntelXeonE7-4800/8800v3最大可擴(kuò)展至4CPU,72核支持8GB/16GB/32GB/64GBDDR4高速內(nèi)存配置128GBDDR4內(nèi)存配置6塊600GB15KSAS,3*4TNLSAS硬盤。1Active3大數(shù)據(jù)平臺(tái)管理節(jié)點(diǎn)2*IntelXeonE7-4800/8800v3最大可擴(kuò)展至4CPU,72核支持8GB/16GB/32GB/64GBDDR4高速內(nèi)存配置128GBDDR4內(nèi)存配置6塊600GB15KSAS,3*4TNLSAS硬盤。1Standby4大數(shù)據(jù)平臺(tái)數(shù)據(jù)

48、節(jié)點(diǎn)2*IntelXeonE7-4800/8800v3最大可擴(kuò)展至4CPU,72核支持8GB/16GB/32GB/64GBDDR4高速內(nèi)存配置128GBDDR4內(nèi)存配置6塊600GB15KSAS,12*4TNLSAS硬盤。19數(shù)據(jù)節(jié)點(diǎn)5大數(shù)據(jù)集群性能檢測(cè)服務(wù)器2*IntelXeonE7-4800/8800v3最大可擴(kuò)展至4CPU,72核支持8GB/16GB/32GB/64GBDDR4高速內(nèi)存配置128GBDDR4內(nèi)存配置6塊600GB15KSAS,1監(jiān)控節(jié)點(diǎn)3*4TNLSAS硬盤。6應(yīng)用服務(wù)器CPU2顆E5-2630v324個(gè)內(nèi)存插槽，取大支持1.5TB內(nèi)存， 支持2133MHz內(nèi)存。當(dāng)前配置

49、64GB內(nèi)存。支持SASSSD和PCIeSSD硬盤，支持2.5寸和3.5寸硬盤混插。支持24+2個(gè)2.5寸SAS/SATA或者14個(gè)3.5寸SAS/SATA+2個(gè)2.5寸SAS/SATA+16個(gè)1.8SSD。硬盤：配置6塊600GB15KSAS硬盤2應(yīng)用服務(wù)器7交換機(jī)4810/100/1000Base-TX,4100/1000Base-XSFP2網(wǎng)絡(luò)設(shè)備8防火墻多功能防火墻，4口以上2安防設(shè)備9工作站Intel(R)XeonCPUE5,配置1TSATA硬盤。內(nèi)存：8GB2說明：硬件部分交換機(jī)、防火強(qiáng)及工作站，請(qǐng)根據(jù)標(biāo)書確認(rèn)！大數(shù)據(jù)服務(wù)器、RDBM激據(jù)庫服務(wù)器及應(yīng)用服務(wù)器的具體配置參數(shù)請(qǐng)硬件朋友

50、和標(biāo)書上進(jìn)行重新確認(rèn)，這邊只對(duì)內(nèi)存量、CP則數(shù)及存儲(chǔ)空間大小做了要求。第 5 章個(gè)人介紹吳宏勛：“烽火集成”高級(jí)大數(shù)據(jù)架構(gòu)師，曾擔(dān)任醫(yī)療大數(shù)據(jù)、公安大數(shù)據(jù)、財(cái)稅大數(shù)據(jù)項(xiàng)目大數(shù)據(jù)架構(gòu)師，具有豐富的大數(shù)據(jù)項(xiàng)目實(shí)施經(jīng)驗(yàn)，對(duì)高吞吐、高并發(fā)、海量數(shù)據(jù)實(shí)時(shí)匯集，TRPBTRPB 級(jí)海量數(shù)據(jù)即席查詢與實(shí)時(shí)處理具有針對(duì)性方案和經(jīng)驗(yàn)，研讀過部分HadoopHBaseSparkHadoopHBaseSpark 源碼，對(duì) HadoopHBaseSparkHadoopHBaseSpark 的原理有很深的理解，曾從事多個(gè)項(xiàng)目大數(shù)據(jù)平臺(tái)的調(diào)優(yōu)工作！標(biāo)準(zhǔn)文案第 6 章專家系統(tǒng)架構(gòu)設(shè)計(jì)本系統(tǒng)總共分為四個(gè)層次，從下到上依次為數(shù)

51、據(jù)采集層、基礎(chǔ)平臺(tái)層、應(yīng)用支撐層、應(yīng)用及展示層，各層在專家系統(tǒng)統(tǒng)一業(yè)務(wù)規(guī)范、技術(shù)規(guī)范、安全規(guī)范下一|進(jìn)行數(shù)據(jù)通信及集成。|1 1 . .數(shù)據(jù)采集層：負(fù)責(zé)專家系統(tǒng)信息數(shù)據(jù)的匯集、轉(zhuǎn)換與加載，數(shù)據(jù)采集層提供多種數(shù)應(yīng)用支撐層報(bào)表引擎數(shù)據(jù)總線服務(wù)應(yīng)用服務(wù)組件身份認(rèn)證權(quán)限管理引擎界面定制引擎大數(shù)據(jù)分析算法大數(shù)據(jù)分析消息隊(duì)列大數(shù)據(jù)查詢適配器SearchAPIKHiveQLUDFSparksql常規(guī)算法(MapReduce)中文分詞-詞頻統(tǒng)計(jì)關(guān)聯(lián)算法機(jī)器學(xué)習(xí)分析適配器頻繁模式挖掘分類器標(biāo)準(zhǔn)規(guī)范組合算法L自定義算法推薦算法I線性回歸頻繁子項(xiàng)挖掘數(shù)據(jù)資源管理數(shù)據(jù)資源調(diào)度引擎基礎(chǔ)平臺(tái)層大數(shù)據(jù)基礎(chǔ)平臺(tái)R內(nèi)存計(jì)算/s

52、park+shark1SparkSQL/SparkMLlibHHiveonSparksparkstreamingHbase（實(shí)時(shí)、分布式、高維數(shù)據(jù)庫）HDFS（分布式文件系統(tǒng)）二，二.r業(yè)務(wù)規(guī)范數(shù)據(jù)比對(duì)數(shù)據(jù)去重?cái)?shù)據(jù)關(guān)聯(lián)數(shù)據(jù)組合分布式協(xié)作服務(wù)二一 m 車輛能耗信息數(shù)據(jù)審計(jì)數(shù)據(jù)歸約監(jiān)控預(yù)警應(yīng)用層展示分布式計(jì)算框架/Yarn數(shù)據(jù)編碼格式轉(zhuǎn)換車輛故障信息車輛部件知識(shí)-車輛檢修信息數(shù)據(jù)采集層據(jù)采集方法：ETLETL、FlumeFlume、KafkaKafka 等，系統(tǒng)支持Flume+Kafka+StormFlume+Kafka+Storm 混合架構(gòu)的數(shù)據(jù)采集模式，以提高數(shù)據(jù)采集系統(tǒng)的吞吐量和并發(fā)量。2

53、2 . .基礎(chǔ)平臺(tái)層：基礎(chǔ)平臺(tái)層為專家數(shù)據(jù)倉庫提供大數(shù)據(jù)基礎(chǔ)平臺(tái)支撐，包括分布式存儲(chǔ)系統(tǒng)、HbaseHbase 數(shù)據(jù)庫系統(tǒng)、YarnYarn 并行計(jì)算資源管理與監(jiān)控等，同時(shí)支持 SparSpark k機(jī)器學(xué)習(xí)算法庫，支持 R R 等行業(yè)分析庫。3 3 . .應(yīng)用支撐層：應(yīng)用支撐層為系統(tǒng)各類應(yīng)用提供支撐，是系統(tǒng)數(shù)據(jù)層和應(yīng)用層的連接紐帶。應(yīng)用支撐層包括基礎(chǔ)平臺(tái)和常規(guī)算法兩個(gè)部分，基礎(chǔ)平臺(tái)負(fù)責(zé)數(shù)據(jù)的存儲(chǔ)與并行計(jì)算，數(shù)據(jù)存儲(chǔ)支持分布式存儲(chǔ)、RDBMSRDBMS儲(chǔ)等存儲(chǔ)方式，常規(guī)算法負(fù)責(zé)數(shù)據(jù)分析與業(yè)務(wù)建模。4 4 . .應(yīng)用及展示層：應(yīng)用層是系統(tǒng)各項(xiàng)業(yè)務(wù)功能的集合，主要包括資車輛故障診斷、車輛健康評(píng)估、

54、車輛部件檢修、車輛故障處理及車輛對(duì)比分析等。展示層是用戶同系統(tǒng)交互的窗口，是應(yīng)用層對(duì)外提供服務(wù)的主要手段。支持多種圖表展示如餅圖、柱狀圖、曲線圖、熱力圖、氣泡圖和散點(diǎn)圖等可視化展示。第 7 章平臺(tái)運(yùn)維管理7.1 Hadoop 集群監(jiān)控大數(shù)據(jù)平臺(tái)以 WebWeb 圖形界面實(shí)現(xiàn) HadoopHadoop 集群監(jiān)控， 包括大數(shù)據(jù)平臺(tái)的硬件資源、 軟件資源、數(shù)據(jù)資源的監(jiān)控，以及整個(gè) HadoopHadoop 集群的工作負(fù)載。主要包括以下幾個(gè)方面：7.1.1服務(wù)組件狀態(tài)監(jiān)控通過管理平臺(tái)可以看到所有目前已安裝的服務(wù)組件的健康狀況，綠色圈表示運(yùn)行狀態(tài)健康。Cluster1狀態(tài)配者 f狀態(tài)綠色表示狀態(tài)良好FO

55、IKHBase*OaHD-S-04Hive*OHlHue-OQOozieO般Sqoop1Client.OSqoop2TOSIYARN(MR2lncL,.O.4ZooKeeper-圖：服務(wù)組件運(yùn)行狀況7.1.2存儲(chǔ)與內(nèi)存資源監(jiān)控包括獲取存儲(chǔ)量、剩余存儲(chǔ)量以及存儲(chǔ)系統(tǒng)整體情況信息。如果集群中的某臺(tái)機(jī)器的磁盤或者內(nèi)存的使用率達(dá)到指定的閥值，系統(tǒng)可以通過郵件或者短信的方式進(jìn)行預(yù)警。7.2 系統(tǒng)負(fù)載管理通過管理平臺(tái)可以實(shí)時(shí)看到整個(gè)平臺(tái)的資源負(fù)載情況，包括集群的群磁盤 IOIO、集群網(wǎng)絡(luò) IOIO、HDFSIO,HDFSIO,如下圖所示:群青CPU100%總看竺-i有且.211KJ9-電汁受應(yīng)金申白HDF

56、S0通過對(duì)集群運(yùn)行任務(wù)的實(shí)時(shí)監(jiān)測(cè)， 并根據(jù)任務(wù)優(yōu)先級(jí)和耗時(shí)不同對(duì)任務(wù)進(jìn)行動(dòng)態(tài)調(diào)度，減少出現(xiàn)大量任務(wù)等待和重要任務(wù)無法及時(shí)完成的可能，可以使HadoopHadoop 集群的運(yùn)行變得更加高效合理。uaku，*電 k*修砧IflIT，力ftUff!ISrft ii更”r U*M1*MB亡出1眼AM1電|Cg：J3M譚*：iTitW1gunIIIHM謂IURMffiDM3D0hEiwntas-UCWF11仁1呻MQl$ST,msD44341WGMiJE3uEng 向某EHK*rrrlareILFJOE1一BBiNHlikH”IK(3flHE 孑DEn-i-iilaa-Tjae一E12IB一MlHl_1巾 7”1b=!=S=SS=KTAIftai圖: 存儲(chǔ)和內(nèi)存資源監(jiān)控CPUCPU 集看小主機(jī)中的主觀CPU使用率rJ!HDFSnsmsscf.2attiHDFSntanffifirviHDFS,.SibS不適用-HDF策總計(jì)然不曷用(1)(1)、系統(tǒng)根據(jù)各隊(duì)列資源的最小值分配集群資源，這樣可以按照需求對(duì)各任務(wù)隊(duì)列獲取的集群資源進(jìn)行分配，而且不會(huì)出現(xiàn)集群資源的閑置浪費(fèi)。(2)(2)、可以實(shí)現(xiàn)對(duì)各任務(wù)隊(duì)列獲取的集群資源大小實(shí)時(shí)動(dòng)態(tài)調(diào)整，及時(shí)保證高優(yōu)先級(jí)任務(wù)所在隊(duì)列獲得