https://insights.thoughtworks.cn/common-big-data-infrastructure/

數(shù)據(jù)分析工作雖然隱藏在業(yè)務系統(tǒng)背后，但是具有非常重要的作用，數(shù)據(jù)分析的結(jié)果對決策、業(yè)務發(fā)展有著舉足輕重的作用。隨著大數(shù)據(jù)技術(shù)的發(fā)展，數(shù)據(jù)挖掘、數(shù)據(jù)探索等專有名詞曝光度越來越高，但是在類似于Hadoop系列的大數(shù)據(jù)分析系統(tǒng)大行其道之前，數(shù)據(jù)分析工作已經(jīng)經(jīng)歷了長足的發(fā)展，尤其是以BI系統(tǒng)為主的數(shù)據(jù)分析，已經(jīng)有了非常成熟和穩(wěn)定的技術(shù)方案和生態(tài)系統(tǒng)，對于BI系統(tǒng)來說，大概的架構(gòu)圖如下：

可以看到在BI系統(tǒng)里面，核心的模塊是Cube，Cube是一個更高層的業(yè)務模型抽象，在Cube之上可以進行多種操作，例如上鉆、下鉆、切片等操作。大部分BI系統(tǒng)都基于關(guān)系型數(shù)據(jù)庫，關(guān)系型數(shù)據(jù)庫使用SQL語句進行操作，但是SQL在多維操作和分析的表示能力上相對較弱，所以Cube有自己獨有的查詢語言MDX，MDX表達式具有更強的多維表現(xiàn)能力，所以以Cube為核心的分析系統(tǒng)基本占據(jù)著數(shù)據(jù)統(tǒng)計分析的半壁江山，大多數(shù)的數(shù)據(jù)庫服務廠商直接提供了BI套裝軟件服務，輕易便可搭建出一套Olap分析系統(tǒng)。不過BI的問題也隨著時間的推移逐漸顯露出來：

• BI系統(tǒng)更多的以分析業(yè)務數(shù)據(jù)產(chǎn)生的密度高、價值高的結(jié)構(gòu)化數(shù)據(jù)為主，對于非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)的處理非常乏力，例如圖片，文本，音頻的存儲，分析。
• 由于數(shù)據(jù)倉庫為結(jié)構(gòu)化存儲，在數(shù)據(jù)從其他系統(tǒng)進入數(shù)據(jù)倉庫這個東西，我們通常叫做ETL過程，ETL動作和業(yè)務進行了強綁定，通常需要一個專門的ETL團隊去和業(yè)務做銜接，決定如何進行數(shù)據(jù)的清洗和轉(zhuǎn)換。
• 隨著異構(gòu)數(shù)據(jù)源的增加，例如如果存在視頻，文本，圖片等數(shù)據(jù)源，要解析數(shù)據(jù)內(nèi)容進入數(shù)據(jù)倉庫，則需要非常復雜等ETL程序，從而導致ETL變得過于龐大和臃腫。
• 當數(shù)據(jù)量過大的時候，性能會成為瓶頸，在TB/PB級別的數(shù)據(jù)量上表現(xiàn)出明顯的吃力。
• 數(shù)據(jù)庫的范式等約束規(guī)則，著力于解決數(shù)據(jù)冗余的問題，是為了保障數(shù)據(jù)的一致性，但是對于數(shù)據(jù)倉庫來說，我們并不需要對數(shù)據(jù)做修改和一致性的保障，原則上來說數(shù)據(jù)倉庫的原始數(shù)據(jù)都是只讀的，所以這些約束反而會成為影響性能的因素。
• ETL動作對數(shù)據(jù)的預先假設(shè)和處理，導致機器學習部分獲取到的數(shù)據(jù)為假設(shè)后的數(shù)據(jù)，因此效果不理想。例如如果需要使用數(shù)據(jù)倉庫進行異常數(shù)據(jù)的挖掘，則在數(shù)據(jù)入庫經(jīng)過ETL的時候就需要明確定義需要提取的特征數(shù)據(jù)，否則無法結(jié)構(gòu)化入庫，然而大多數(shù)情況是需要基于異構(gòu)數(shù)據(jù)才能提取出特征。

在一系列的問題下，以Hadoop體系為首的大數(shù)據(jù)分析平臺逐漸表現(xiàn)出優(yōu)異性，圍繞Hadoop體系的生態(tài)圈也不斷的變大，對于Hadoop系統(tǒng)來說，從根本上解決了傳統(tǒng)數(shù)據(jù)倉庫的瓶頸的問題，但是也帶來一系列的問題：

從數(shù)據(jù)倉庫升級到大數(shù)據(jù)架構(gòu)，是不具備平滑演進的，基本等于推翻重做。

大數(shù)據(jù)下的分布式存儲強調(diào)數(shù)據(jù)的只讀性質(zhì)，所以類似于Hive，HDFS這些存儲方式都不支持update，HDFS的write操作也不支持并行，這些特性導致其具有一定的局限性。

基于大數(shù)據(jù)架構(gòu)的數(shù)據(jù)分析平臺側(cè)重于從以下幾個維度去解決傳統(tǒng)數(shù)據(jù)倉庫做數(shù)據(jù)分析面臨的瓶頸：

分布式計算：分布式計算的思路是讓多個節(jié)點并行計算，并且強調(diào)數(shù)據(jù)本地性，盡可能的減少數(shù)據(jù)的傳輸，例如Spark通過RDD的形式來表現(xiàn)數(shù)據(jù)的計算邏輯，可以在RDD上做一系列的優(yōu)化，來減少數(shù)據(jù)的傳輸。

分布式存儲：所謂的分布式存儲，指的是將一個大文件拆成N份，每一份獨立的放到一臺機器上，這里就涉及到文件的副本，分片，以及管理等操作，分布式存儲主要優(yōu)化的動作都在這一塊。

檢索和存儲的結(jié)合：在早期的大數(shù)據(jù)組件中，存儲和計算相對比較單一，但是目前更多的方向是在存儲上做更多的手腳，讓查詢和計算更加高效，對于計算來說高效不外乎就是查找數(shù)據(jù)快，讀取數(shù)據(jù)快，所以目前的存儲不單單的存儲數(shù)據(jù)內(nèi)容，同時會添加很多元信息，例如索引信息。像類似于parquet和carbondata都是這樣的思想。

總的來說，目前圍繞Hadoop體系的大數(shù)據(jù)架構(gòu)大概有以下幾種：

傳統(tǒng)大數(shù)據(jù)架構(gòu)

?之所以叫傳統(tǒng)大數(shù)據(jù)架構(gòu)，是因為其定位是為了解決傳統(tǒng)BI的問題，簡單來說，數(shù)據(jù)分析的業(yè)務沒有發(fā)生任何變化，但是因為數(shù)據(jù)量、性能等問題導致系統(tǒng)無法正常使用，需要進行升級改造，那么此類架構(gòu)便是為了解決這個問題?？梢钥吹?#xff0c;其依然保留了ETL的動作，將數(shù)據(jù)經(jīng)過ETL動作進入數(shù)據(jù)存儲。

優(yōu)點：簡單，易懂，對于BI系統(tǒng)來說，基本思想沒有發(fā)生變化，變化的僅僅是技術(shù)選型，用大數(shù)據(jù)架構(gòu)替換掉BI的組件。

缺點：對于大數(shù)據(jù)來說，沒有BI下如此完備的Cube架構(gòu)，雖然目前有kylin，但是kylin的局限性非常明顯，遠遠沒有BI下的Cube的靈活度和穩(wěn)定度，因此對業(yè)務支撐的靈活度不夠，所以對于存在大量報表，或者復雜的鉆取的場景，需要太多的手工定制化，同時該架構(gòu)依舊以批處理為主，缺乏實時的支撐。

適用場景：數(shù)據(jù)分析需求依舊以BI場景為主，但是因為數(shù)據(jù)量、性能等問題無法滿足日常使用。

流式架構(gòu)

在傳統(tǒng)大數(shù)據(jù)架構(gòu)的基礎(chǔ)上，流式架構(gòu)非常激進，直接拔掉了批處理，數(shù)據(jù)全程以流的形式處理，所以在數(shù)據(jù)接入端沒有了ETL，轉(zhuǎn)而替換為數(shù)據(jù)通道。經(jīng)過流處理加工后的數(shù)據(jù)，以消息的形式直接推送給了消費者。雖然有一個存儲部分，但是該存儲更多的以窗口的形式進行存儲，所以該存儲并非發(fā)生在數(shù)據(jù)湖，而是在外圍系統(tǒng)。

優(yōu)點：沒有臃腫的ETL過程，數(shù)據(jù)的實效性非常高。

缺點：對于流式架構(gòu)來說，不存在批處理，因此對于數(shù)據(jù)的重播和歷史統(tǒng)計無法很好的支撐。對于離線分析僅僅支撐窗口之內(nèi)的分析。

適用場景：預警，監(jiān)控，對數(shù)據(jù)有有效期要求的情況。

Lambda架構(gòu)

?

Lambda架構(gòu)算是大數(shù)據(jù)系統(tǒng)里面舉足輕重的架構(gòu)，大多數(shù)架構(gòu)基本都是Lambda架構(gòu)或者基于其變種的架構(gòu)。Lambda的數(shù)據(jù)通道分為兩條分支：實時流和離線。實時流依照流式架構(gòu)，保障了其實時性，而離線則以批處理方式為主，保障了最終一致性。什么意思呢？流式通道處理為保障實效性更多的以增量計算為主輔助參考，而批處理層則對數(shù)據(jù)進行全量運算，保障其最終的一致性，因此Lambda最外層有一個實時層和離線層合并的動作，此動作是Lambda里非常重要的一個動作，大概的合并思路如下：

?

優(yōu)點：既有實時又有離線，對于數(shù)據(jù)分析場景涵蓋的非常到位。

缺點：離線層和實時流雖然面臨的場景不相同，但是其內(nèi)部處理的邏輯卻是相同，因此有大量冗余和重復的模塊存在。

適用場景：同時存在實時和離線需求的情況。

Kappa架構(gòu)

? Kappa架構(gòu)在Lambda 的基礎(chǔ)上進行了優(yōu)化，將實時和流部分進行了合并，將數(shù)據(jù)通道以消息隊列進行替代。因此對于Kappa架構(gòu)來說，依舊以流處理為主，但是數(shù)據(jù)卻在數(shù)據(jù)湖層面進行了存儲，當需要進行離線分析或者再次計算的時候，則將數(shù)據(jù)湖的數(shù)據(jù)再次經(jīng)過消息隊列重播一次則可。

優(yōu)點：Kappa架構(gòu)解決了Lambda架構(gòu)里面的冗余部分，以數(shù)據(jù)可重播的超凡脫俗的思想進行了設(shè)計，整個架構(gòu)非常簡潔。

缺點：雖然Kappa架構(gòu)看起來簡潔，但是施難度相對較高，尤其是對于數(shù)據(jù)重播部分。

適用場景：和Lambda類似，改架構(gòu)是針對Lambda的優(yōu)化。

Unified架構(gòu)

? 以上的種種架構(gòu)都圍繞海量數(shù)據(jù)處理為主，Unifield架構(gòu)則更激進，將機器學習和數(shù)據(jù)處理揉為一體，從核心上來說，Unifield依舊以Lambda為主，不過對其進行了改造，在流處理層新增了機器學習層。可以看到數(shù)據(jù)在經(jīng)過數(shù)據(jù)通道進入數(shù)據(jù)湖后，新增了模型訓練部分，并且將其在流式層進行使用。同時流式層不單使用模型，也包含著對模型的持續(xù)訓練。

優(yōu)點：Unifield架構(gòu)提供了一套數(shù)據(jù)分析和機器學習結(jié)合的架構(gòu)方案，非常好的解決了機器學習如何與數(shù)據(jù)平臺進行結(jié)合的問題。

缺點：Unifield架構(gòu)實施復雜度更高，對于機器學習架構(gòu)來說，從軟件包到硬件部署都和數(shù)據(jù)分析平臺有著非常大的差別，因此在實施過程中的難度系數(shù)更高。

適用場景：有著大量數(shù)據(jù)需要分析，同時對機器學習方便又有著非常大的需求或者有規(guī)劃。

總結(jié)

以上幾種架構(gòu)為目前數(shù)據(jù)處理領(lǐng)域使用比較多的幾種架構(gòu)，當然還有非常多其他架構(gòu)，不過其思想都會或多或少的類似。數(shù)據(jù)領(lǐng)域和機器學習領(lǐng)域會持續(xù)發(fā)展，以上幾種思想或許終究也會變得過時。

轉(zhuǎn)載于:https://www.cnblogs.com/davidwang456/articles/9224772.html

總結(jié)

以上是生活随笔為你收集整理的常用的几种大数据架构剖析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。