大数据下的数据分析平台架构

《大数据下的数据分析平台架构》由会员分享，可在线阅读，更多相关《大数据下的数据分析平台架构（6页珍藏版）》请在金锄头文库上搜索。

1、大数据下的数据分析平台架构作者： baiyuzhong 分类：选题策划, 高端视点 阅读：14,562 次 添加评论文/谢超随着互联网、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个海量数据的时代， 数据调查公司IDC预计2011年的数据总量将达到1.8万亿GB,对这些海量数据的分析已经成为一个非 常重要且紧迫的需求。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”。多年来在严苛的业务需 求和数据压力下，我们几乎尝试了所有可能的大数据分析方法，最终落地于Hadoop平台之上。Hadoop 在可伸缩性、健壮性、计算性能和成本上具有无可替代的优势,事实上已

2、成为当前互联网企业主 流的大数据分析平台。本文主要介绍一种基于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，为了让你明确它是否符合你的业务，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。 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。实时数据分析一般用于金融、移动和互联网B2C等产品，往往要求在数秒内返回上亿行数据的分析，从而 达到不影响用户体验的目的。要满足这样的需求，可以采用精心设计的传统关系型数据库组成并行处理集 群，或者采用一些内存计算平台，或者采用HDD的架构，这些无疑都

3、需要比较高的软硬件成本。目前比 较新的海量数据实时分析工具有EMC的Greenplum、SAP的HANA等。对于大多数反馈时间要求不是那么严苛的应用，比如离线统计分析、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，主要原因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。互联网企业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,均可以满足每秒数百

4、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。 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过集群的内存最大值。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，而目前的PC服务器，内存也可以超过百GB。因此可以采用一 些内存数据库，将热点数据常驻内存之中，从而取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。图 1 用于实时分析的 MongoDB 架构MongoDB 大集群目前存在一些稳定性问题，会发生周期性的写堵塞和主从同步

5、失效，但仍不失为一种潜 力十足的可以用于高速数据分析的 NoSQL。此外，目前大多数服务厂商都已经推出了带4GB以上SSD的解决方案，利用内存+SSD,也可以轻易达到 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，但一般可以将其放入传统的BI产品和专门设计的BI数据 库之中进行分析。目前主流的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企业级产 品也有很多，但基于软硬件的成本原因，目前大多数互联网企业采用Hadoop

6、的HDFS分布式文件系统来 存储数据，并使用MapReduce进行分析。本文稍后将主要介绍Hadoop上基于MapReduce的一个多维 数据分析平台。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异巨大，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是一个性能非常高的内存Key-Value NoSQL，它支持List和Set、SortedSet等简单集合， 如果你的数据分析需求简单地通过排序，链表就可以解决，同时总的数据量不大于内存(准确地说是内存 加上虚拟内存再除以2),那么无疑使用Redis会达到非常惊人的分析性能。还有很多易并行问题(Embarrassin

7、gly Parallel)，计算可以分解成完全独立的部分，或者很简单地就能 改造出分布式算法，比如大规模脸部识别、图形渲染等，这样的问题自然是使用并行处理集群比较适合。而大多数统计分析，机器学习问题可以用MapReduce算法改写。MapReduce目前最擅长的计算领域有 流量统计、推荐引擎、趋势分析、用户行为分析、数据挖掘分类器、分布式索引等。?= 1 Sis in in1K 1W 13*2 I3J 闵 IO is IM 104 1U1341D51 屿 IM 3&TB BytHNufihAfEM*轉0和诵幅胛图2 RCFile的行列混合存面对大数据OLAP分析的一些问题OLAP 分析需要进行

8、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。比如绝大多数针对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 采用了上述的一些优化技术，从而达到了较好的数据分析性能。如图2所示。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 虽然将HiveQL翻译MapReduce的时候进行了优化，但依然效率低下。多维分析时依

9、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。其次， 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业务分析人员依然是非常不友善的，维度和度量才是直接针对 业务人员的分析语言。而且目前OLAP存在的最大问题是：业务灵活多变，必然导致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改变问题分析的角度，

10、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改变的问题，利用Hadoop中数据非结构化的特征, 采集来的数据本身就是包含大量冗余信息的。同时也可以将大量冗余的维度信息整合到事实表中，这样可 以在冗余维度下灵活地改变问题分析的角度。其次利用 Hadoop MapReduce 强大的并行化处理能力，无 论 OLAP 分析中的维度增加多少，开销并不显著增长。换言之， Hadoop 可以支持一个巨大无比的 Cube， 包含了无数你想到或者想不到的维度，而且每次多维分析，都可以支持成千上百个维度，并不会显著影响 分析的性能。UK3用户1 口nn学B5

11、fl-ax1禺H50050285OOTi710M4务XHX1WJIA5立550CO女7立次学分折命普：tfttf AESdfirt 石段曲上11 srs Glumn.女chi towt烦:大学cm Rd mi.IMPMwMine Caun1UsrlD!iHiKtMpMapReduceF. ft urn ? a is户mfrni2VP图3 MDXMapReduce简略示意图因此，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，并最终生成报表。 可以简单理解为用户快速自定义

12、的“MDX”（多维表达式，或者多维立方体查询）语言一MapReduce的转 换工具。同时OLAP分析和报表结果的展示，依然兼容传统的BI和报表产品。如图3所示。图 3 可以看出，在年收入上，用户可以自己定义子维度。另外，用户也可以在列上自定义维度，比如将性 别和学历合并为一个维度。由于Hadoop数据的非结构化特征，维度可以根据业务需求任意地划分和重组。可0?峪ILL*图4 Hadoop多维分析平台架构图孜M畢鞍嵐冗余軍復宦文口石甘析一种 Hadoop 多维分析平台的架构 整个架构由四大部分组成：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。数据采集模块采用了 Cloud

13、era的Flume，将海量的小日志文件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 数据自动转移到其他的 colllecter 处理，不会影响整个采集系统的运行。如图 5所示。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、文件、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 使用一些比较快的内存 NoSQL 来冗余原始数据，并采用尽可能多的

14、节点进行并行冗余；或者也完全可以 在Hadoop中执行批量Map，进行数据格式的转化。图 5 采集模块闵仝的Htj昱眾 件 WJW.gsw；认的tttIH fn&ft底户自应义的JabConf ift-Z 举数HadoopMapReduceJRWMMft| Reduceml山h加种折装图 6 核心模块的逻辑三j=-ix. 图 7 MapReduce WorkFlow 例子维度定义模块是面向业务用户的前端模块，用户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，同时可以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。并行分析模块接受用户提交的多维分析命

15、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，读取用户定义的维度和度量，将用户的多维分 析命令翻译成MapReduce程序。核心模块的具体逻辑如图6所示。图6中根据JobConf参数进行Map和Reduce类的拼装并不复杂，难点是很多实际问题很难通过一个 MapReduce Job解决，必须通过多个MapReduce Job组成工作流（WorkFlow），这里是最需要根据业 务进行定制的部分。图7是一个简单的MapReduce工作流的例子。MapReduce的输出一般是统计分析的结果，数据量相较于输入的海量数据会小很多，这样就可以导入传 统的数据报表产品中进行展现。结束语当然，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 产品一样对条件查询做优化，也没有缓存的概念。往往很多很小的查询需要“兴师 动众”。尽管如此，开源的Hado