chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

　　數(shù)據(jù)湖作為當(dāng)前的一個(gè)風(fēng)口，各大云廠商紛紛推出自己的數(shù)據(jù)湖解決方案及相關(guān)產(chǎn)品。本節(jié)將分析各個(gè)主流廠商推出的數(shù)據(jù)湖解決方案，并將其映射到數(shù)據(jù)湖參考架構(gòu)上，幫助大家理解各類方案的優(yōu)缺點(diǎn)。

　　圖7. AWS數(shù)據(jù)湖解決方案

　　圖7是AWS推薦的數(shù)據(jù)湖解決方案。整個(gè)方案基于AWS Lake Formation構(gòu)建，AWS Lake Formation本質(zhì)上是一個(gè)管理性質(zhì)的組件，它與其他AWS服務(wù)互相配合，來(lái)完成整個(gè)企業(yè)級(jí)數(shù)據(jù)湖構(gòu)建功能。上圖自左向右，體現(xiàn)了數(shù)據(jù)流入、數(shù)據(jù)沉淀、數(shù)據(jù)計(jì)算、數(shù)據(jù)應(yīng)用四個(gè)步驟。我們進(jìn)一步來(lái)看其關(guān)鍵點(diǎn)：

　　1） 數(shù)據(jù)流入。

　　數(shù)據(jù)流入是整個(gè)數(shù)據(jù)湖構(gòu)建的起始，包括元數(shù)據(jù)的流入和業(yè)務(wù)數(shù)據(jù)流入兩個(gè)部分。元數(shù)據(jù)流入包括數(shù)據(jù)源創(chuàng)建、元數(shù)據(jù)抓取兩步，最終會(huì)形成數(shù)據(jù)資源目錄，并生成對(duì)應(yīng)的安全設(shè)置與訪問(wèn)控制策略。解決方案提供專門的組件，獲取外部數(shù)據(jù)源的相關(guān)元信息，該組件能連接外部數(shù)據(jù)源、檢測(cè)數(shù)據(jù)格式和模式（schema），并在對(duì)應(yīng)的數(shù)據(jù)資源目錄中創(chuàng)建屬于數(shù)據(jù)湖的元數(shù)據(jù)。業(yè)務(wù)數(shù)據(jù)的流入是通過(guò)ETL來(lái)完成的。

　　在具體的產(chǎn)品形式上，元數(shù)據(jù)抓取、ETL和數(shù)據(jù)準(zhǔn)備AWS將其單獨(dú)抽象出來(lái)，形成了一個(gè)產(chǎn)品叫AWS GLUE。AWS GLUE與AWS Lake Formation共享同一個(gè)數(shù)據(jù)資源目錄，在AWS GLUE官網(wǎng)文檔上明確指出：“Each AWS account has one AWS Glue Data Catalog per AWS region”。

　　對(duì)于異構(gòu)數(shù)據(jù)源的支持。AWS提供的數(shù)據(jù)湖解決方案，支持S3、AWS關(guān)系型數(shù)據(jù)庫(kù)、AWS NoSQL數(shù)據(jù)庫(kù)，AWS利用GLUE、EMR、Athena等組件支持?jǐn)?shù)據(jù)的自由流動(dòng)。

　　2） 數(shù)據(jù)沉淀。

　　采用Amazon S3作為整個(gè)數(shù)據(jù)湖的集中存儲(chǔ)，按需擴(kuò)展/按使用量付費(fèi)。

　　3） 數(shù)據(jù)計(jì)算。

　　整個(gè)解決方案利用AWS GLUE來(lái)進(jìn)行基本的數(shù)據(jù)處理。GLUE基本的計(jì)算形式是各類批處理模式的ETL任務(wù)，任務(wù)的出發(fā)方式分為手動(dòng)觸發(fā)、定時(shí)觸發(fā)、事件觸發(fā)三種。不得不說(shuō)，AWS的各類服務(wù)在生態(tài)上實(shí)現(xiàn)的非常好，事件觸發(fā)模式上，可以利用AWS Lambda進(jìn)行擴(kuò)展開(kāi)發(fā)，同時(shí)觸發(fā)一個(gè)或多個(gè)任務(wù)，極大的提升了任務(wù)觸發(fā)的定制開(kāi)發(fā)能力；同時(shí)，各類ETL任務(wù)，可以通過(guò)CloudWatch進(jìn)行很好的監(jiān)控。

　　4） 數(shù)據(jù)應(yīng)用。

　　在提供基本的批處理計(jì)算模式之外，AWS通過(guò)各類外部計(jì)算引擎，來(lái)提供豐富的計(jì)算模式支持，例如通過(guò)Athena/Redshift來(lái)提供基于SQL的交互式批處理能力；通過(guò)EMR來(lái)提供各類基于Spark的計(jì)算能力，包括Spark能提供的流計(jì)算能力和機(jī)器學(xué)習(xí)能力。

　　5） 權(quán)限管理。

　　AWS的數(shù)據(jù)湖解決方案通過(guò)Lake Formation來(lái)提供相對(duì)完善的權(quán)限管理，粒度包括“庫(kù)-表-列”。但是，有一點(diǎn)例外的是，GLUE訪問(wèn)Lake Formation時(shí)，粒度只有“庫(kù)-表”兩級(jí)；這也從另一個(gè)側(cè)面說(shuō)明，GLUE和Lake Formation的集成是更為緊密的，GLUE對(duì)于Lake Formation中的數(shù)據(jù)有更大的訪問(wèn)權(quán)限。

　　Lake Formation的權(quán)限進(jìn)一步可以細(xì)分為數(shù)據(jù)資源目錄訪問(wèn)權(quán)限和底層數(shù)據(jù)訪問(wèn)權(quán)限，分別對(duì)應(yīng)元數(shù)據(jù)與實(shí)際存儲(chǔ)的數(shù)據(jù)。實(shí)際存儲(chǔ)數(shù)據(jù)的訪問(wèn)權(quán)限又進(jìn)一步分為數(shù)據(jù)存取權(quán)限和數(shù)據(jù)存儲(chǔ)訪問(wèn)權(quán)限。數(shù)據(jù)存取權(quán)限類似于數(shù)據(jù)庫(kù)中對(duì)于庫(kù)表的訪問(wèn)權(quán)限，數(shù)據(jù)存儲(chǔ)權(quán)限則進(jìn)一步細(xì)化了對(duì)于S3中具體目錄的訪問(wèn)權(quán)限（分為顯示和隱式兩種）。如圖8所示，用戶A在只有數(shù)據(jù)存取的權(quán)限下，無(wú)法創(chuàng)建位于S3指定bucket下的表。

　　個(gè)人認(rèn)為這進(jìn)一步體現(xiàn)了數(shù)據(jù)湖需要支持各種不同的存儲(chǔ)引擎，未來(lái)的數(shù)據(jù)湖可能不只S3/OSS/OBS/HDFS一類核心存儲(chǔ)，可能根據(jù)應(yīng)用的訪問(wèn)需求，納入更多類型的存儲(chǔ)引擎，例如，S3存儲(chǔ)原始數(shù)據(jù)，NoSQL存儲(chǔ)處理過(guò)后適合以“鍵值”模式訪問(wèn)的數(shù)據(jù)，OLAP引擎存儲(chǔ)需要實(shí)時(shí)出各類報(bào)表/adhoc查詢的數(shù)據(jù)。雖然當(dāng)前各類材料都在強(qiáng)調(diào)數(shù)據(jù)湖與數(shù)據(jù)倉(cāng)庫(kù)的不同；但是，從本質(zhì)上，數(shù)據(jù)湖更應(yīng)該是一類融合的數(shù)據(jù)管理思想的具體實(shí)現(xiàn)，“湖倉(cāng)一體化”也很可能是未來(lái)的一個(gè)發(fā)展趨勢(shì)。

　　圖8. AWS數(shù)據(jù)湖解決方案權(quán)限分離示意

　　綜上，AWS數(shù)據(jù)湖方案成熟度高，特別是元數(shù)據(jù)管理、權(quán)限管理上考慮充分，打通了異構(gòu)數(shù)據(jù)源與各類計(jì)算引擎的上下游關(guān)系，讓數(shù)據(jù)能夠自由“移動(dòng)”起來(lái)。在流計(jì)算和機(jī)器學(xué)習(xí)上，AWS的解決方案也比較完善。流計(jì)算方面AWS推出了專門的流計(jì)算組件Kinesis，Kinesis中的Kinesis data Firehose服務(wù)可以創(chuàng)建一個(gè)完全被托管的數(shù)據(jù)分發(fā)服務(wù)，通過(guò)Kinesis data Stream實(shí)時(shí)處理的數(shù)據(jù)，可以借助Firehose方便的寫入S3中，并支持相應(yīng)的格式轉(zhuǎn)換，如將JSON轉(zhuǎn)換成Parquet格式。

　　AWS整個(gè)方案最牛的地方還在與Kinesis可以訪問(wèn)GLUE中的元數(shù)據(jù)，這一點(diǎn)充分體現(xiàn)了AWS數(shù)據(jù)湖解決方案在生態(tài)上的完備性。同樣，在機(jī)器學(xué)習(xí)方面，AWS提供了SageMaker服務(wù)，SageMaker可以讀取S3中的訓(xùn)練數(shù)據(jù)，并將訓(xùn)練好的模型回寫至S3中。但是，有一點(diǎn)需要指出的是，在AWS的數(shù)據(jù)湖解決方案中，流計(jì)算和機(jī)器學(xué)習(xí)并不是固定捆綁的，只是作為計(jì)算能力擴(kuò)展，能方便的集成。

　　最后，讓我們回到圖6的數(shù)據(jù)湖組件參考架構(gòu)，看看AWS的數(shù)據(jù)湖解決方案的組件覆蓋情況，參見(jiàn)圖9。

　　圖9. AWS 數(shù)據(jù)湖解決方案在參考架構(gòu)中的映射

　　綜上，AWS的數(shù)據(jù)湖解決方案覆蓋了除質(zhì)量管理和數(shù)據(jù)治理的所有功能。其實(shí)質(zhì)量管理和數(shù)據(jù)治理這個(gè)工作和企業(yè)的組織結(jié)構(gòu)、業(yè)務(wù)類型強(qiáng)相關(guān)，需要做大量的定制開(kāi)發(fā)工作，因此通用解決方案不囊括這塊內(nèi)容，也是可以理解的。事實(shí)上，現(xiàn)在也有比較優(yōu)秀的開(kāi)源項(xiàng)目支持這個(gè)項(xiàng)目，比如Apache Griffin，如果對(duì)質(zhì)量管理和數(shù)據(jù)治理有強(qiáng)訴求，可以自行定制開(kāi)發(fā)。

　　圖10.華為數(shù)據(jù)湖解決方案

　　華為的數(shù)據(jù)湖解決方案相關(guān)信息來(lái)自華為官網(wǎng)。目前官網(wǎng)可見(jiàn)的相關(guān)產(chǎn)品包括數(shù)據(jù)湖探索（Data Lake Insight，DLI）和智能數(shù)據(jù)湖運(yùn)營(yíng)平臺(tái)（DAYU）。其中DLI相當(dāng)于是AWS的Lake Formation、GLUE、Athena、EMR（Flink&Spark）的集合。官網(wǎng)上沒(méi)找到關(guān)于DLI的整體架構(gòu)圖，我根據(jù)自己的理解，嘗試畫了一個(gè)，主要是和AWS的解決方案有一個(gè)對(duì)比，所以形式上盡量一致，如果有非常了解華為DLI的同學(xué)，也請(qǐng)不吝賜教。

　　華為的數(shù)據(jù)湖解決方案比較完整，DLI承擔(dān)了所有的數(shù)據(jù)湖構(gòu)建、數(shù)據(jù)處理、數(shù)據(jù)管理、數(shù)據(jù)應(yīng)用的核心功能。DLI最大的特色是在于分析引擎的完備性，包括基于SQL的交互式分析以及基于Spark+Flink的流批一體處理引擎。在核心存儲(chǔ)引擎上，DLI依然通過(guò)內(nèi)置的OBS來(lái)提供，和AWS S3的能力基本對(duì)標(biāo)。華為數(shù)據(jù)湖解決方案在上下游生態(tài)上做的比AWS相對(duì)完善，對(duì)于外部數(shù)據(jù)源，幾乎支持所有目前華為云上提供的數(shù)據(jù)源服務(wù)。

　　DLI可以與華為的CDM（云數(shù)據(jù)遷移服務(wù)）和DIS（數(shù)據(jù)接入服務(wù)）對(duì)接：

　　借助DIS，DLI可以定義各類數(shù)據(jù)點(diǎn)，這些點(diǎn)可以在Flink作業(yè)中被使用，做為source或者sink；借助CDM，DLI甚至能接入IDC、第三方云服務(wù)的數(shù)據(jù)。

　　為了更好的支持?jǐn)?shù)據(jù)集成、數(shù)據(jù)開(kāi)發(fā)、數(shù)據(jù)治理、質(zhì)量管理等數(shù)據(jù)湖高級(jí)功能，華為云提供了DAYU平臺(tái)。DAYU平臺(tái)是華為數(shù)據(jù)湖治理運(yùn)營(yíng)方法論的落地實(shí)現(xiàn)。DAYU涵蓋了整個(gè)數(shù)據(jù)湖治理的核心流程，并對(duì)其提供了相應(yīng)的工具支持；甚至在華為的官方文檔中，給出了數(shù)據(jù)治理組織的構(gòu)建建議。DAYU的數(shù)據(jù)治理方法論的落地實(shí)現(xiàn)如圖11所示（來(lái)自華為云官網(wǎng)）。

　　圖11 DAYU數(shù)據(jù)治理方法論流程

　　可以看到，本質(zhì)上DAYU數(shù)據(jù)治理的方法論其實(shí)是傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)治理方法論在數(shù)據(jù)湖基礎(chǔ)設(shè)施上的延伸：從數(shù)據(jù)模型來(lái)看，依然包括貼源層、多源整合層、明細(xì)數(shù)據(jù)層，這點(diǎn)與數(shù)據(jù)倉(cāng)庫(kù)完全一致。根據(jù)數(shù)據(jù)模型和指標(biāo)模型會(huì)生成質(zhì)量規(guī)則和轉(zhuǎn)換模型，DAYU會(huì)和DLI對(duì)接，直接調(diào)用DLI提供的相關(guān)數(shù)據(jù)處理服務(wù)，完成數(shù)據(jù)治理。

　　華為云整個(gè)的數(shù)據(jù)湖解決方案，完整覆蓋了數(shù)據(jù)處理的生命周期，并且明確支持了數(shù)據(jù)治理，并提供了基于模型和指標(biāo)的數(shù)據(jù)治理流程工具，在華為云的數(shù)據(jù)湖解決方案中逐漸開(kāi)始往“湖倉(cāng)一體化”方向演進(jìn)。

　　阿里云上數(shù)據(jù)類產(chǎn)品眾多，因?yàn)楸救四壳霸跀?shù)據(jù)BU，所以本節(jié)方案將關(guān)注在如何使用數(shù)據(jù)庫(kù)BU的產(chǎn)品來(lái)構(gòu)建數(shù)據(jù)湖，其他云上產(chǎn)品會(huì)略有涉及。阿里云的基于數(shù)據(jù)庫(kù)產(chǎn)品的數(shù)據(jù)湖解決方案更加聚焦，主打數(shù)據(jù)湖分析和聯(lián)邦分析兩個(gè)場(chǎng)景。阿里云數(shù)據(jù)湖解決方案如圖12所示。

　　圖12. 阿里云數(shù)據(jù)湖解決方案

　　整個(gè)方案依然采用OSS作為數(shù)據(jù)湖的集中存儲(chǔ)。在數(shù)據(jù)源的支持上，目前也支持所有的阿里云數(shù)據(jù)庫(kù)，包括OLTP、OLAP和NoSQL等各類數(shù)據(jù)庫(kù)。核心關(guān)鍵點(diǎn)如下：

　　數(shù)據(jù)接入與搬遷。在建湖過(guò)程中，DLA的Formation組件具備元數(shù)據(jù)發(fā)現(xiàn)和一鍵建湖的能力，在本文寫作之時(shí)，目前“一鍵建湖”還只支持全量建湖，但是基于binlog的增量建湖已經(jīng)在開(kāi)發(fā)中了，預(yù)計(jì)近期上線。增量建湖能力會(huì)極大的增加數(shù)據(jù)湖中數(shù)據(jù)的實(shí)時(shí)性，并將對(duì)源端業(yè)務(wù)數(shù)據(jù)庫(kù)的壓力降到最下。這里需要注意的是，DLA Formation是一個(gè)內(nèi)部組件，對(duì)外并沒(méi)有暴露。數(shù)據(jù)資源目錄。DLA提供Meta data catalog組件對(duì)于數(shù)據(jù)湖中的數(shù)據(jù)資產(chǎn)進(jìn)行統(tǒng)一的管理，無(wú)論數(shù)據(jù)是在“湖中”還是在“湖外”。Meta data catalog也是聯(lián)邦分析的統(tǒng)一元數(shù)據(jù)入口。在內(nèi)置計(jì)算引擎上，DLA提供了SQL計(jì)算引擎和Spark計(jì)算引擎兩種。無(wú)論是SQL還是Spark引擎，都和Meta data catalog深度集成，能方便的獲取元數(shù)據(jù)信息?；赟park的能力，DLA解決方案支持批處理、流計(jì)算和機(jī)器學(xué)習(xí)等計(jì)算模式。在外圍生態(tài)上，除了支持各類異構(gòu)數(shù)據(jù)源做數(shù)據(jù)接入與匯聚之外，在對(duì)外訪問(wèn)能力上，DLA與云原生數(shù)據(jù)倉(cāng)庫(kù)（原ADB）深度整合。一方面，DLA處理的結(jié)果可之際推送至ADB中，滿足實(shí)時(shí)、交互式、ad hoc復(fù)雜查詢；另一方面，ADB里的數(shù)據(jù)也可以借助外表功能，很方便的進(jìn)行數(shù)據(jù)回流至OSS中?；贒LA，阿里云上各類異構(gòu)數(shù)據(jù)源可以完全被打通，數(shù)據(jù)自由流動(dòng)。在數(shù)據(jù)集成和開(kāi)發(fā)上，阿里云的數(shù)據(jù)湖解決方案提供兩種選擇：一種是采用dataworks完成；另一種是采用DMS來(lái)完成。無(wú)論是選擇哪種，都能對(duì)外提供可視化的流程編排、任務(wù)調(diào)度、任務(wù)管理能力。在數(shù)據(jù)生命周期管理上，dataworks的數(shù)據(jù)地圖能力相對(duì)更加成熟。在數(shù)據(jù)管理和數(shù)據(jù)安全上，DMS提供了強(qiáng)大的能力。DMS的數(shù)據(jù)管理粒度分為“庫(kù)-表-列-行”，完善的支持企業(yè)級(jí)的數(shù)據(jù)安全管控需求。除了權(quán)限管理之外，DMS更精細(xì)的地方是把原來(lái)基于數(shù)據(jù)庫(kù)的devops理念擴(kuò)展到了數(shù)據(jù)湖，使得數(shù)據(jù)湖的運(yùn)維、開(kāi)發(fā)更加精細(xì)化。

　　進(jìn)一步細(xì)化整個(gè)數(shù)據(jù)湖方案的數(shù)據(jù)應(yīng)用架構(gòu)，如下圖所示。

　　圖13. 阿里云數(shù)據(jù)湖數(shù)據(jù)應(yīng)用架構(gòu)

　　自左向右從數(shù)據(jù)的流向來(lái)看，數(shù)據(jù)生產(chǎn)者產(chǎn)生各類數(shù)據(jù)（云下/云上/其他云），利用各類工具，上傳至各類通用/標(biāo)準(zhǔn)數(shù)據(jù)源，包括OSS/HDFS/DB等。針對(duì)各類數(shù)據(jù)源，DLA通過(guò)數(shù)據(jù)發(fā)現(xiàn)、數(shù)據(jù)接入、數(shù)據(jù)遷移等能力，完整建湖操作。

　　對(duì)于“入湖”的數(shù)據(jù)，DLA提供基于SQL和Spark的數(shù)據(jù)處理能力，并可以基于Dataworks/DMS，對(duì)外提供可視化的數(shù)據(jù)集成和數(shù)據(jù)開(kāi)發(fā)能力；在對(duì)外應(yīng)用服務(wù)能力上，DLA提供標(biāo)準(zhǔn)化的JDBC接口，可以直接對(duì)接各類報(bào)表工具、大屏展示功能等。阿里云的DLA的特色在于背靠整個(gè)阿里云數(shù)據(jù)庫(kù)生態(tài)，包括OLTP、OLAP、NoSQL等各類數(shù)據(jù)庫(kù)，對(duì)外提供基于SQL的數(shù)據(jù)處理能力，對(duì)于傳統(tǒng)企業(yè)基于數(shù)據(jù)庫(kù)的開(kāi)發(fā)技術(shù)棧而言，轉(zhuǎn)型成本相對(duì)較低，學(xué)習(xí)曲線比較平緩。

　　阿里云的DLA解決方案的另一個(gè)特色在于“基于云原生的湖倉(cāng)一體化”。傳統(tǒng)的企業(yè)級(jí)數(shù)據(jù)倉(cāng)庫(kù)在大數(shù)據(jù)時(shí)代的今天，在各類報(bào)表應(yīng)用上依然是無(wú)法替代的，但是數(shù)倉(cāng)無(wú)法滿足大數(shù)據(jù)時(shí)代的數(shù)據(jù)分析處理的靈活性需求。

　　因此，我們推薦數(shù)據(jù)倉(cāng)庫(kù)應(yīng)該作為數(shù)據(jù)湖的上層應(yīng)用存在：即數(shù)據(jù)湖是原始業(yè)務(wù)數(shù)據(jù)在一個(gè)企業(yè)/組織中唯一官方數(shù)據(jù)存儲(chǔ)地；數(shù)據(jù)湖根據(jù)各類業(yè)務(wù)應(yīng)用需求，將原始數(shù)據(jù)進(jìn)行加工處理，形成可再次利用的中間結(jié)果；當(dāng)中間結(jié)果的數(shù)據(jù)模式（Schema）相對(duì)固定后，DLA可以將中間結(jié)果推送至數(shù)據(jù)倉(cāng)庫(kù)，供企業(yè)/組織開(kāi)展基于數(shù)倉(cāng)的業(yè)務(wù)應(yīng)用。阿里云在提供DLA的同時(shí)，還提供了云原生數(shù)倉(cāng)（原ADB），DLA和云原生數(shù)倉(cāng)在以下兩點(diǎn)上深度融合。

　　使用同源的SQL解析引擎。DLA的SQL與ADB的SQL語(yǔ)法上完全兼容，這意味著開(kāi)發(fā)者使用一套技術(shù)棧即能同時(shí)開(kāi)發(fā)數(shù)據(jù)湖應(yīng)用和數(shù)倉(cāng)應(yīng)用。都內(nèi)置了對(duì)于OSS的訪問(wèn)支持。OSS直接作為DLA的原生存儲(chǔ)存在；對(duì)于ADB而言，可以通過(guò)外部表的能力，很方便的訪問(wèn)OSS上的結(jié)構(gòu)化數(shù)據(jù)。借助外部表，數(shù)據(jù)可以自由的在DLA和ADB之間流轉(zhuǎn)，做到真正的湖倉(cāng)一體。

　　DLA+ADB的組合真正做到了云原生的湖倉(cāng)一體（關(guān)于什么是云原生，不在本文的討論范疇）。本質(zhì)上，DLA可以看成一個(gè)能力擴(kuò)展的數(shù)據(jù)倉(cāng)庫(kù)貼源層。與傳統(tǒng)數(shù)倉(cāng)相比，該貼源層：

　　可以保存各類結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)；可以對(duì)接各類異構(gòu)數(shù)據(jù)源；具備元數(shù)據(jù)發(fā)現(xiàn)、管理、同步等能力；內(nèi)置的SQL/Spark計(jì)算引擎具備更強(qiáng)的數(shù)據(jù)處理能力，滿足多樣化的數(shù)據(jù)處理需求；具備全量數(shù)據(jù)的全生命周期管理能力。基于DLA+ADB的湖倉(cāng)一體化方案，將同時(shí)覆蓋“大數(shù)據(jù)平臺(tái)+數(shù)據(jù)倉(cāng)庫(kù)”的處理能力。

　　DLA還有一個(gè)重要能力是構(gòu)建了一個(gè)“四通八達(dá)”的數(shù)據(jù)流動(dòng)體系，并以數(shù)據(jù)庫(kù)的體驗(yàn)對(duì)外提供能力，無(wú)論數(shù)據(jù)在云上還是云下，無(wú)論數(shù)據(jù)在組織內(nèi)部還是外部；借助數(shù)據(jù)湖，各個(gè)系統(tǒng)之間的數(shù)據(jù)不再存在壁壘，可以自由的流進(jìn)流出；更重要的是，這種流動(dòng)是受監(jiān)管的，數(shù)據(jù)湖完整的記錄了數(shù)據(jù)的流動(dòng)情況。

　　Azure的數(shù)據(jù)湖解決方案包括數(shù)據(jù)湖存儲(chǔ)、接口層、資源調(diào)度與計(jì)算引擎層，如圖15所示（來(lái)自Azure官網(wǎng)）。存儲(chǔ)層是基于Azure object Storage構(gòu)建的，依然是對(duì)結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)提供支撐。

　　接口層為WebHDFS，比較特別的是在Azure object Storage實(shí)現(xiàn)了HDFS的接口，Azure把這個(gè)能力稱為“數(shù)據(jù)湖存儲(chǔ)上的多協(xié)議存取”。在資源調(diào)度上，Azure基于YARN實(shí)現(xiàn)。計(jì)算引擎上，Azure提供了U-SQL、hadoop和Spark等多種處理引擎。

　　圖15. Azure Data lake analysis 架構(gòu)

　　Azure的特別之處是基于visual studio提供給了客戶開(kāi)發(fā)的支持。

　　開(kāi)發(fā)工具的支持，與visual studio的深度集成；Azure推薦使用U-SQL作為數(shù)據(jù)湖分析應(yīng)用的開(kāi)發(fā)語(yǔ)言。Visual studio為U-SQL提供了完備的開(kāi)發(fā)環(huán)境；同時(shí)，為了降低分布式數(shù)據(jù)湖系統(tǒng)開(kāi)發(fā)的復(fù)雜性，visual studio基于項(xiàng)目進(jìn)行封裝，在進(jìn)行U-SQL開(kāi)發(fā)時(shí)，可以創(chuàng)建“U-SQL database project”，在此類項(xiàng)目中，利用visual studio，可以很方便的進(jìn)行編碼與調(diào)試，同時(shí)，也提供向?qū)В瑢㈤_(kāi)發(fā)好的U-SQL腳本發(fā)布到生成環(huán)境。U-SQL支持Python、R進(jìn)行擴(kuò)展，滿足定制開(kāi)發(fā)需求。多計(jì)算引擎的適配：SQL, Apache Hadoop和Apache Spark。這里的hadoop包括Azure提供的HDInsight（Azure托管的Hadoop服務(wù)），Spark包括Azure Databricks。多種不同引擎任務(wù)之間的自動(dòng)轉(zhuǎn)換能力。微軟推薦U-SQL為數(shù)據(jù)湖的缺省開(kāi)發(fā)工具，并提供各類轉(zhuǎn)換工具，支持U-SQL腳本與Hive、Spark（HDSight&databricks）、Azure Data Factory data Flow之間的轉(zhuǎn)化。

　　本文所討論的是數(shù)據(jù)湖的解決方案，不會(huì)涉及到任何云廠商的單個(gè)產(chǎn)品。我們從數(shù)據(jù)接入、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)計(jì)算、數(shù)據(jù)管理、應(yīng)用生態(tài)幾個(gè)方面，簡(jiǎn)單做了一個(gè)類似下表的總結(jié)。

　　出于篇幅關(guān)系，其實(shí)知名云廠商的數(shù)據(jù)湖解決方案還有谷歌和騰訊的。這兩家從其官方網(wǎng)站上看，數(shù)據(jù)湖解決方案相對(duì)來(lái)講比較簡(jiǎn)單，也僅僅是一些概念上的闡述，推薦的落地方案是“oss+hadoop（EMR）”。

　　其實(shí)數(shù)據(jù)湖不應(yīng)該從一個(gè)簡(jiǎn)單的技術(shù)平臺(tái)視角來(lái)看，實(shí)現(xiàn)數(shù)據(jù)湖的方式也多種多樣，評(píng)價(jià)一個(gè)數(shù)據(jù)湖解決方案是否成熟，關(guān)鍵應(yīng)該看其提供的數(shù)據(jù)管理能力，具體包括但不限于元數(shù)據(jù)、數(shù)據(jù)資產(chǎn)目錄、數(shù)據(jù)源、數(shù)據(jù)處理任務(wù)、數(shù)據(jù)生命周期、數(shù)據(jù)治理、權(quán)限管理等；以及與外圍生態(tài)的對(duì)接打通能力。

　　五、典型的數(shù)據(jù)湖應(yīng)用案例

　　近年來(lái)，流量獲取的成本就越來(lái)越高，線上渠道獲客成本的成倍增長(zhǎng)讓各行各業(yè)都面臨著嚴(yán)峻的挑戰(zhàn)。在互聯(lián)網(wǎng)廣告成本不斷攀升的大背景下，以花錢買流量拉新為主要的經(jīng)營(yíng)策略必然行不通了。流量前端的優(yōu)化已成強(qiáng)弩之末，利用數(shù)據(jù)工具提高流量到站后的目標(biāo)轉(zhuǎn)化，精細(xì)化運(yùn)營(yíng)廣告投放的各個(gè)環(huán)節(jié)，才是改變現(xiàn)狀更為直接有效的方式。說(shuō)到底，要提高廣告流量的轉(zhuǎn)化率，必須依靠大數(shù)據(jù)分析。

　　為了能夠提供更多的決策支撐依據(jù)，需要采取更多的埋點(diǎn)數(shù)據(jù)的收集和分析，包括但不限于渠道、投放時(shí)間、投放人群，以點(diǎn)擊率為數(shù)據(jù)指標(biāo)進(jìn)行數(shù)據(jù)分析，從而給出更好的、更迅速的方案和建議，實(shí)現(xiàn)高效率高產(chǎn)出。因此，面對(duì)廣告投放領(lǐng)域多維度、多媒體、多廣告位等結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)采集、存儲(chǔ)、分析和決策建議等要求，數(shù)據(jù)湖分析產(chǎn)品解決方案在廣告主或者發(fā)布商進(jìn)行新一代技術(shù)選型中上受到了很熱烈的青睞。

　　DG是一家全球領(lǐng)先的企業(yè)國(guó)際化智能營(yíng)銷服務(wù)商，基于先進(jìn)的廣告技術(shù)、大數(shù)據(jù)和運(yùn)營(yíng)能力，為客戶提供全球高質(zhì)量用戶獲取及流量變現(xiàn)服務(wù)。DG從成立之初就決定以公有云為基礎(chǔ)來(lái)構(gòu)建其IT基礎(chǔ)設(shè)施，最初DG選擇了AWS云平臺(tái)，主要將其廣告數(shù)據(jù)在S3中以數(shù)據(jù)湖的形態(tài)進(jìn)行存放，通過(guò)Athena進(jìn)行交互式分析。然而隨著互聯(lián)網(wǎng)廣告的飛速發(fā)展，廣告行業(yè)帶來(lái)了幾大挑戰(zhàn)，移動(dòng)廣告的發(fā)布與追蹤系統(tǒng)必須解決幾個(gè)關(guān)鍵問(wèn)題：

　　并發(fā)性與峰值問(wèn)題。在廣告行業(yè)，流量高峰時(shí)常出現(xiàn)，瞬間的點(diǎn)擊量可能達(dá)到數(shù)萬(wàn)，甚至數(shù)十萬(wàn)，這就要求系統(tǒng)具備非常好的可擴(kuò)展性以快速響應(yīng)和處理每一次點(diǎn)擊如何實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的實(shí)時(shí)分析。為了監(jiān)控廣告投放效果，系統(tǒng)需要實(shí)時(shí)對(duì)用戶的每一次點(diǎn)擊和激活數(shù)據(jù)進(jìn)行分析，同時(shí)把相關(guān)數(shù)據(jù)傳輸?shù)较掠蔚拿襟w；平臺(tái)的數(shù)據(jù)量在急劇增長(zhǎng)，每天的業(yè)務(wù)日志數(shù)據(jù)在持續(xù)的產(chǎn)生和上傳，曝光、點(diǎn)擊、推送的數(shù)據(jù)在持續(xù)處理，每天新增的數(shù)據(jù)量已經(jīng)在10-50TB左右，對(duì)整個(gè)數(shù)據(jù)處理系統(tǒng)提出了更高的要求。如何高效地完成對(duì)廣告數(shù)據(jù)的離線/近實(shí)時(shí)統(tǒng)計(jì)，按照廣告客戶的維度要求進(jìn)行聚合分析。

　　針對(duì)上述三點(diǎn)業(yè)務(wù)挑戰(zhàn)，同時(shí)DG這個(gè)客戶日增量數(shù)據(jù)正在急劇變大（當(dāng)前日數(shù)據(jù)掃描量達(dá)到100+TB），繼續(xù)在AWS平臺(tái)使用遇到Athena讀取S3數(shù)據(jù)帶寬瓶頸、數(shù)據(jù)分析滯后時(shí)間越來(lái)越長(zhǎng)、為應(yīng)對(duì)數(shù)據(jù)和分析需求增長(zhǎng)而急劇攀升的投入成本等，經(jīng)過(guò)認(rèn)真、仔細(xì)的測(cè)試和分析，最終決定從AWS云平臺(tái)全量搬站到阿里云平臺(tái)，新架構(gòu)圖如下：

　　圖16. 改造后的廣告數(shù)據(jù)湖方案架構(gòu)

　　從AWS搬站到阿里云后，我們?yōu)樵摽蛻粼O(shè)計(jì)了“利用Data Lake Analytics + OSS”極致分析能力來(lái)應(yīng)對(duì)業(yè)務(wù)波峰波谷。一方面輕松應(yīng)對(duì)來(lái)自品牌客戶的臨時(shí)分析。另一方面利用Data Lake Analytics的強(qiáng)大計(jì)算能力，分析按月、季度廣告投放，精確計(jì)算出一個(gè)品牌下面會(huì)有多少個(gè)活動(dòng)，每個(gè)活動(dòng)分媒體，分市場(chǎng)，分頻道，分DMP的投放效果，進(jìn)一步增強(qiáng)了加和智能流量平臺(tái)為品牌營(yíng)銷帶來(lái)的銷售轉(zhuǎn)化率。

　　并且在廣告投放與分析的總擁有成本上，Data Lake Analytics提供的Serverless的彈性服務(wù)為按需收費(fèi)，不需要購(gòu)買固定的資源，完全契合業(yè)務(wù)潮汐帶來(lái)的資源波動(dòng)，滿足彈性的分析需求，同時(shí)極大地降低了運(yùn)維成本和使用成本。

　　圖17 數(shù)據(jù)湖部署示意圖

　　總體上，DG從AWS切換到阿里云后，極大地節(jié)省了硬件成本、人力成本和開(kāi)發(fā)成本。由于采用DLA serverless云服務(wù)，DG無(wú)需先期投入大量的資金去購(gòu)買服務(wù)器、存儲(chǔ)等硬件設(shè)備，也無(wú)需一次性購(gòu)買大量的云服務(wù)，其基礎(chǔ)設(shè)施的規(guī)模完全是按需擴(kuò)展：需求高的時(shí)候增加服務(wù)數(shù)量，需求減少的時(shí)候減少服務(wù)數(shù)量，提高了資金的利用率。

　　使用阿里云平臺(tái)帶來(lái)的第二個(gè)顯著好處是性能的提升。在DG業(yè)務(wù)的快速增長(zhǎng)期以及后續(xù)多條業(yè)務(wù)線接入期，DG在移動(dòng)廣告系統(tǒng)的訪問(wèn)量經(jīng)常呈爆發(fā)式增長(zhǎng)，然而原先AWS方案和平臺(tái)在Athena讀取S3數(shù)據(jù)遇到數(shù)據(jù)讀取帶寬的極大瓶頸，數(shù)據(jù)分析的時(shí)間變得越來(lái)越長(zhǎng)，阿里云DLA聯(lián)合OSS團(tuán)隊(duì)等進(jìn)行了極大的優(yōu)化和改造，同時(shí)，DLA數(shù)據(jù)庫(kù)分析在計(jì)算引擎上（與TPC-DS打榜世界第一的AnalyticDB共享計(jì)算引擎）比Presto原生計(jì)算引擎的能力提升數(shù)十倍性能，也極大的為DG提升了分析性能。

　　數(shù)據(jù)湖是一類TCO表現(xiàn)極其優(yōu)秀的大數(shù)據(jù)基礎(chǔ)設(shè)施。對(duì)于很多快速增長(zhǎng)的游戲公司而言，一個(gè)爆款游戲，往往在短期內(nèi)相關(guān)數(shù)據(jù)增長(zhǎng)極快；同時(shí)，公司的研發(fā)人員的技術(shù)棧很難在短期內(nèi)與數(shù)據(jù)的增量和增速進(jìn)行匹配；此時(shí)，呈爆發(fā)增長(zhǎng)的數(shù)據(jù)很難被有效利用。數(shù)據(jù)湖是一個(gè)解決此類問(wèn)題的技術(shù)選擇。

　　YJ是一家高速成長(zhǎng)的游戲公司，公司希望能依托相關(guān)用戶行為數(shù)據(jù)進(jìn)行深入分析，指導(dǎo)游戲的開(kāi)發(fā)和運(yùn)營(yíng)。數(shù)據(jù)分析背后的核心邏輯在于隨著游戲行業(yè)市場(chǎng)競(jìng)爭(zhēng)局面的擴(kuò)大，玩家對(duì)于品質(zhì)的要求越來(lái)越高，游戲項(xiàng)目的生命周期越來(lái)越短，直接影響項(xiàng)目的投入產(chǎn)出比，通過(guò)數(shù)據(jù)運(yùn)營(yíng)則可以有效的延長(zhǎng)項(xiàng)目的生命周期，對(duì)各個(gè)階段的業(yè)務(wù)走向進(jìn)行精準(zhǔn)把控。

　　而隨著流量成本的日益上升，如何構(gòu)建經(jīng)濟(jì)、高效的精細(xì)化數(shù)據(jù)運(yùn)營(yíng)體系，以更好的支撐業(yè)務(wù)發(fā)展，也變得愈發(fā)重要起來(lái)。數(shù)據(jù)運(yùn)營(yíng)體系就需要有其配套的基礎(chǔ)支撐設(shè)施，如何選擇這類基礎(chǔ)支撐設(shè)施，是公司技術(shù)決策者需要思考的問(wèn)題。思考的出發(fā)點(diǎn)包括：

　　要有足夠的彈性。對(duì)于游戲而言，往往就是短時(shí)間爆發(fā)，數(shù)據(jù)量激增；因此，能否適應(yīng)數(shù)據(jù)的爆發(fā)性增長(zhǎng)，滿足彈性需求是一個(gè)重點(diǎn)考量的點(diǎn)；無(wú)論是計(jì)算還是存儲(chǔ)，都需要具備足夠的彈性。要有足夠的性價(jià)比。對(duì)于用戶行為數(shù)據(jù)，往往需要拉到一個(gè)很長(zhǎng)的周期去分析去對(duì)比，比如留存率，不少情況下需要考慮90天甚至180天客戶的留存率；因此，如何以最具性價(jià)比的方式長(zhǎng)期存儲(chǔ)海量數(shù)據(jù)是需要重點(diǎn)考慮的問(wèn)題。要有夠用的分析能力，且具備可擴(kuò)展性。許多情況下，用戶行為體現(xiàn)在埋點(diǎn)數(shù)據(jù)中，埋點(diǎn)數(shù)據(jù)又需要與用戶注冊(cè)信息、登陸信息、賬單等結(jié)構(gòu)化數(shù)據(jù)關(guān)聯(lián)分析；因此，在數(shù)據(jù)分析上，至少需要有大數(shù)據(jù)的ETL能力、異構(gòu)數(shù)據(jù)源的接入能力和復(fù)雜分析的建模能力。要與公司現(xiàn)有技術(shù)棧相匹配，且后續(xù)利于招聘。對(duì)于YJ，其在技術(shù)選型的時(shí)候一個(gè)重要點(diǎn)就是其技術(shù)人員的技術(shù)棧，YJ的技術(shù)團(tuán)隊(duì)大部分只熟悉傳統(tǒng)的數(shù)據(jù)庫(kù)開(kāi)發(fā)，即MySQL；并且人手緊張，做數(shù)據(jù)運(yùn)營(yíng)分析的技術(shù)人員只有1個(gè)，短時(shí)間內(nèi)根本沒(méi)有能力獨(dú)立構(gòu)建大數(shù)據(jù)分析的基礎(chǔ)設(shè)施。從YJ的角度出發(fā)，最好絕大多數(shù)分析能夠通過(guò)SQL完成；并且在招聘市場(chǎng)上，SQL開(kāi)發(fā)人員的數(shù)量也遠(yuǎn)高于大數(shù)據(jù)開(kāi)發(fā)工程師的數(shù)量。針對(duì)客戶的情況，我們幫助客戶對(duì)現(xiàn)有方案做了改造。

　　圖18. 改造前的方案

　　改造前，客戶所有的結(jié)構(gòu)化數(shù)據(jù)都在一個(gè)高規(guī)格的MySQL里面；而玩家行為數(shù)據(jù)則是通過(guò)LogTail采集至日志服務(wù)（SLS）中，然后從日志服務(wù)中分別投遞到OSS和ES里。這個(gè)架構(gòu)的問(wèn)題在于：

　　行為數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)完全割裂，無(wú)法聯(lián)動(dòng)分析；對(duì)于行為數(shù)據(jù)智能提供檢索功能，無(wú)法做深層次的挖掘分析；OSS僅僅作為數(shù)據(jù)存儲(chǔ)資源使用，并沒(méi)有挖掘出足夠的數(shù)據(jù)價(jià)值。

　　事實(shí)上，我們分析客戶現(xiàn)存架構(gòu)其實(shí)已經(jīng)具備了數(shù)據(jù)湖的雛形：全量數(shù)據(jù)已經(jīng)在OSS中保存下來(lái)了，現(xiàn)在需要進(jìn)一步補(bǔ)齊客戶對(duì)于OSS中的數(shù)據(jù)的分析能力。而且數(shù)據(jù)湖基于SQL的數(shù)據(jù)處理模式也滿足客戶對(duì)于開(kāi)發(fā)技術(shù)棧的需求。綜上，我們對(duì)客戶的架構(gòu)做了如下調(diào)整，幫助客戶構(gòu)建了數(shù)據(jù)湖。

　　圖19. 改造后的數(shù)據(jù)湖解決方案

　　總體上，我們沒(méi)有改變客戶的數(shù)據(jù)鏈路流轉(zhuǎn)，只是在OSS的基礎(chǔ)上，增加了DLA組件，對(duì)OSS的數(shù)據(jù)進(jìn)行二次加工處理。DLA提供了標(biāo)準(zhǔn)SQL計(jì)算引擎，同時(shí)支持接入各類異構(gòu)數(shù)據(jù)源。基于DLA對(duì)OSS的數(shù)據(jù)進(jìn)行處理后，生成業(yè)務(wù)直接可用的數(shù)據(jù)。但是DLA的問(wèn)題在于無(wú)法支撐低延遲需求的交互式分析場(chǎng)景，為了解決這個(gè)問(wèn)題，我們引入了云原生數(shù)據(jù)倉(cāng)庫(kù)ADB來(lái)解決交互式分析的延遲性問(wèn)題；同時(shí)，在最前端引入QuickBI作為客戶的可視化分析工具。YJ方案是圖14所示的湖倉(cāng)一體化解決方案在游戲行業(yè)的一個(gè)經(jīng)典落地案例。

　　YM是一家數(shù)據(jù)智能服務(wù)提供商，面向各類中小商家提供一系列數(shù)據(jù)分析運(yùn)營(yíng)服務(wù)。具體實(shí)現(xiàn)的技術(shù)邏輯如下圖所示。

　　圖20. YM智能數(shù)據(jù)服務(wù)SaaS模式示意

　　平臺(tái)方提供多端SDK供用戶（商家提供網(wǎng)頁(yè)、APP、小程序等多種接入形式）接入各類埋點(diǎn)數(shù)據(jù)，平臺(tái)方以SaaS的形式提供統(tǒng)一的數(shù)據(jù)接入服務(wù)和數(shù)據(jù)分析服務(wù)。商家通過(guò)訪問(wèn)各類數(shù)據(jù)分析服務(wù)來(lái)進(jìn)行更細(xì)粒度的埋點(diǎn)數(shù)據(jù)分析，完成行為統(tǒng)計(jì)、客戶畫像、客戶圈選、廣告投放監(jiān)測(cè)等基本分析功能。然而，這種SaaS模式下，會(huì)存在一定的問(wèn)題：

　　由于商家類型和需求的多樣化，平臺(tái)提供SaaS類分析功能很難覆蓋所有類型的商家，無(wú)法滿足商家的定制化需求；如有些商家關(guān)注銷量，有些關(guān)注客戶運(yùn)營(yíng)，有些關(guān)注成本優(yōu)化，很難滿足所有的需求。對(duì)于一些高級(jí)分析功能，如依賴于自定義標(biāo)簽的客戶圈選、客戶自定義擴(kuò)展等功能，統(tǒng)一的數(shù)據(jù)分析服務(wù)無(wú)法滿足的；特別是一些自定義的標(biāo)簽依賴于商家自定義的算法，無(wú)法滿足客戶的高級(jí)分析需求。數(shù)據(jù)的資產(chǎn)化管理需求。在大數(shù)據(jù)時(shí)代，數(shù)據(jù)是一個(gè)企業(yè)/組織的資產(chǎn)已經(jīng)成為了大家的共識(shí)，如何能讓屬于商家的數(shù)據(jù)合理、長(zhǎng)期的沉淀下來(lái)，也是SaaS服務(wù)需要考慮的事情。

　　綜上，我們?cè)谏蠄D的基本模式上引入了數(shù)據(jù)湖模式，讓數(shù)據(jù)湖作為商家沉淀數(shù)據(jù)、產(chǎn)出模型、分析運(yùn)營(yíng)的基礎(chǔ)支撐設(shè)施。引入數(shù)據(jù)湖后的SaaS數(shù)據(jù)智能服務(wù)模式如下。

　　圖21. 基于數(shù)據(jù)湖的數(shù)據(jù)智能服務(wù)

　　如圖21所示，平臺(tái)方為每個(gè)用戶提供一鍵建湖服務(wù)，商家使用該功能構(gòu)建自己的數(shù)據(jù)湖，“一鍵建湖”能力一方面幫助商家將所有埋點(diǎn)數(shù)據(jù)的數(shù)據(jù)模型（schema）同步至數(shù)據(jù)湖中；另一方面，將屬于該商家的所有埋點(diǎn)數(shù)據(jù)全量同步至數(shù)據(jù)湖中，并基于“T+1”的模式，將每天的增量數(shù)據(jù)歸檔入湖?；跀?shù)據(jù)湖的服務(wù)模式在傳統(tǒng)的數(shù)據(jù)分析服務(wù)的基礎(chǔ)上，賦予了用戶數(shù)據(jù)資產(chǎn)化、分析模型化和服務(wù)定制化三大能力：

　　數(shù)據(jù)資產(chǎn)化能力。利用數(shù)據(jù)湖，商家可以將屬于自己的數(shù)據(jù)持續(xù)沉淀下來(lái)，保存多長(zhǎng)時(shí)間的數(shù)據(jù)，耗費(fèi)多少成本，完全由商家自主決定。數(shù)據(jù)湖還提供了數(shù)據(jù)資產(chǎn)管理能力，商家除了能管理原始數(shù)據(jù)外，還能將處理過(guò)的過(guò)程數(shù)據(jù)和結(jié)果數(shù)據(jù)分門別類保存，極大的提升了埋點(diǎn)數(shù)據(jù)的價(jià)值。分析模型化能力。數(shù)據(jù)湖中不僅僅有原始數(shù)據(jù)，還有埋點(diǎn)數(shù)據(jù)的模型（schema）。埋點(diǎn)數(shù)據(jù)模型體現(xiàn)了全域數(shù)據(jù)智能服務(wù)平臺(tái)對(duì)于業(yè)務(wù)邏輯的抽象，通過(guò)數(shù)據(jù)湖，除了將原始數(shù)據(jù)作為資產(chǎn)輸出外，還將數(shù)據(jù)模型進(jìn)行了輸出，借助埋點(diǎn)數(shù)據(jù)模型，商家可以更深入的理解埋點(diǎn)數(shù)據(jù)背后所體現(xiàn)的用戶行為邏輯，幫助商家更好的洞察客戶行為，獲取用戶需求。服務(wù)定制化能力。借助數(shù)據(jù)湖提供的數(shù)據(jù)集成和數(shù)據(jù)開(kāi)發(fā)能力，基于對(duì)埋點(diǎn)數(shù)據(jù)模型的理解，商家可以定制數(shù)據(jù)處理過(guò)程，不斷對(duì)原始數(shù)據(jù)進(jìn)行迭代加工，從數(shù)據(jù)中提煉有價(jià)值的信息，最終獲得超越原有數(shù)據(jù)分析服務(wù)的價(jià)值。

　　六、數(shù)據(jù)湖建設(shè)的基本過(guò)程

　　個(gè)人認(rèn)為數(shù)據(jù)湖是比傳統(tǒng)大數(shù)據(jù)平臺(tái)更為完善的大數(shù)據(jù)處理基礎(chǔ)支撐設(shè)施，完善在數(shù)據(jù)湖是更貼近客戶業(yè)務(wù)的技術(shù)存在。所有數(shù)據(jù)湖所包括的、且超出大數(shù)據(jù)平臺(tái)存在的特性，例如元數(shù)據(jù)、數(shù)據(jù)資產(chǎn)目錄、權(quán)限管理、數(shù)據(jù)生命周期管理、數(shù)據(jù)集成和數(shù)據(jù)開(kāi)發(fā)、數(shù)據(jù)治理和質(zhì)量管理等，無(wú)一不是為了更好的貼近業(yè)務(wù)，更好的方便客戶使用。數(shù)據(jù)湖所強(qiáng)調(diào)的一些基本的技術(shù)特性，例如彈性、存儲(chǔ)計(jì)算獨(dú)立擴(kuò)展、統(tǒng)一的存儲(chǔ)引擎、多模式計(jì)算引擎等等，也是為了滿足業(yè)務(wù)需求，并且給業(yè)務(wù)方提供最具性價(jià)比的TCO。

　　數(shù)據(jù)湖的建設(shè)過(guò)程應(yīng)該與業(yè)務(wù)緊密結(jié)合；但是數(shù)據(jù)湖的建設(shè)過(guò)程與傳統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)，甚至是大熱的數(shù)據(jù)中臺(tái)應(yīng)該是有所區(qū)別的。區(qū)別在于，數(shù)據(jù)湖應(yīng)該以一種更敏捷的方式去構(gòu)建，“邊建邊用，邊用邊治理”。為了更好的理解數(shù)據(jù)湖建設(shè)的敏捷性，我們先來(lái)看一下傳統(tǒng)數(shù)倉(cāng)的構(gòu)建過(guò)程。業(yè)界對(duì)于傳統(tǒng)數(shù)倉(cāng)的構(gòu)建提出了“自下而上”和“自頂而下”兩種模式，分別由Inmon和KimBall兩位大牛提出。具體的過(guò)程就不詳述了，不然可以再寫出幾百頁(yè)，這里只簡(jiǎn)單闡述基本思想。

　　Inmon提出自下而上（EDW-DM）的數(shù)據(jù)倉(cāng)庫(kù)建設(shè)模式，即操作型或事務(wù)型系統(tǒng)的數(shù)據(jù)源，通過(guò)ETL抽取轉(zhuǎn)換和加載到數(shù)據(jù)倉(cāng)庫(kù)的ODS層。ODS層中的數(shù)據(jù)，根據(jù)預(yù)先設(shè)計(jì)好的EDW（企業(yè)級(jí)數(shù)據(jù)倉(cāng)庫(kù)）范式進(jìn)行加工處理，然后進(jìn)入到EDW。EDW一般是企業(yè)/組織的通用數(shù)據(jù)模型，不方便上層應(yīng)用直接做數(shù)據(jù)分析。因此，各個(gè)業(yè)務(wù)部門會(huì)再次根據(jù)自己的需要，從EDW中處理出數(shù)據(jù)集市層（DM）。

　　優(yōu)勢(shì)：易于維護(hù)，高度集成；劣勢(shì)：結(jié)構(gòu)一旦確定，靈活性不足，且為了適應(yīng)業(yè)務(wù)，部署周期較長(zhǎng)。此類方式構(gòu)造的數(shù)倉(cāng)，適合于比較成熟穩(wěn)定的業(yè)務(wù)，例如金融。

　　KimBall提出自頂而下（DM-DW）的數(shù)據(jù)架構(gòu)，通過(guò)將操作型或事務(wù)型系統(tǒng)的數(shù)據(jù)源，抽取或加載到ODS層。然后通過(guò)ODS的數(shù)據(jù)，利用維度建模方法建設(shè)多維主題數(shù)據(jù)集市（DM）。各個(gè)DM，通過(guò)一致性的維度聯(lián)系在一起，最終形成企業(yè)/組織通用的數(shù)據(jù)倉(cāng)庫(kù)。

　　優(yōu)勢(shì)：構(gòu)建迅速，最快的看到投資回報(bào)率，敏捷靈活；劣勢(shì)：作為企業(yè)資源不太好維護(hù)，結(jié)構(gòu)復(fù)雜，數(shù)據(jù)集市集成困難。常應(yīng)用于中小企業(yè)或互聯(lián)網(wǎng)行業(yè)。

　　其實(shí)上述只是一個(gè)理論上的過(guò)程，其實(shí)無(wú)論是先構(gòu)造EDW，還是先構(gòu)造DM，都離不開(kāi)對(duì)于數(shù)據(jù)的摸底，以及在數(shù)倉(cāng)構(gòu)建之前的數(shù)據(jù)模型的設(shè)計(jì)，包括當(dāng)前大熱的“數(shù)據(jù)中臺(tái)”，都逃不出下圖所示的基本建設(shè)過(guò)程。

　　圖22. 數(shù)據(jù)倉(cāng)庫(kù)/數(shù)據(jù)中臺(tái)建設(shè)基本流程

　　數(shù)據(jù)摸底。對(duì)于一個(gè)企業(yè)/組織而言，在構(gòu)建數(shù)據(jù)湖初始工作就是對(duì)自己企業(yè)/組織內(nèi)部的數(shù)據(jù)做一個(gè)全面的摸底和調(diào)研，包括數(shù)據(jù)來(lái)源、數(shù)據(jù)類型、數(shù)據(jù)形態(tài)、數(shù)據(jù)模式、數(shù)據(jù)總量、數(shù)據(jù)增量等。在這個(gè)階段一個(gè)隱含的重要工作是借助數(shù)據(jù)摸底工作，進(jìn)一步梳理企業(yè)的組織結(jié)構(gòu)，明確數(shù)據(jù)和組織結(jié)構(gòu)之間關(guān)系。為后續(xù)明確數(shù)據(jù)湖的用戶角色、權(quán)限設(shè)計(jì)、服務(wù)方式奠定基礎(chǔ)。模型抽象。針對(duì)企業(yè)/組織的業(yè)務(wù)特點(diǎn)梳理歸類各類數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行領(lǐng)域劃分，形成數(shù)據(jù)管理的元數(shù)據(jù)，同時(shí)基于元數(shù)據(jù)，構(gòu)建通用的數(shù)據(jù)模型。數(shù)據(jù)接入。根據(jù)第一步的摸排結(jié)果，確定要接入的數(shù)據(jù)源。根據(jù)數(shù)據(jù)源，確定所必須的數(shù)據(jù)接入技術(shù)能力，完成數(shù)據(jù)接入技術(shù)選型，接入的數(shù)據(jù)至少包括：數(shù)據(jù)源元數(shù)據(jù)、原始數(shù)據(jù)元數(shù)據(jù)、原始數(shù)據(jù)。各類數(shù)據(jù)按照第二步形成的結(jié)果，分類存放。融合治理。簡(jiǎn)單來(lái)說(shuō)就是利用數(shù)據(jù)湖提供的各類計(jì)算引擎對(duì)數(shù)據(jù)進(jìn)行加工處理，形成各類中間數(shù)據(jù)/結(jié)果數(shù)據(jù)，并妥善管理保存。數(shù)據(jù)湖應(yīng)該具備完善的數(shù)據(jù)開(kāi)發(fā)、任務(wù)管理、任務(wù)調(diào)度的能力，詳細(xì)記錄數(shù)據(jù)的處理過(guò)程。在治理的過(guò)程中，會(huì)需要更多的數(shù)據(jù)模型和指標(biāo)模型。業(yè)務(wù)支撐。在通用模型基礎(chǔ)上，各個(gè)業(yè)務(wù)部門定制自己的細(xì)化數(shù)據(jù)模型、數(shù)據(jù)使用流程、數(shù)據(jù)訪問(wèn)服務(wù)。

　　上述過(guò)程，對(duì)于一個(gè)快速成長(zhǎng)的互聯(lián)網(wǎng)企業(yè)來(lái)說(shuō)，太重了，很多情況下是無(wú)法落地的，最現(xiàn)實(shí)的問(wèn)題就是第二步模型抽象，很多情況下，業(yè)務(wù)是在試錯(cuò)、在探索，根本不清楚未來(lái)的方向在哪里，也就根本不可能提煉出通用的數(shù)據(jù)模型；沒(méi)有數(shù)據(jù)模型，后面的一切操作也就無(wú)從談起，這也是很多高速成長(zhǎng)的企業(yè)覺(jué)得數(shù)據(jù)倉(cāng)庫(kù)/數(shù)據(jù)中臺(tái)無(wú)法落地、無(wú)法滿足需求的重要原因之一。

　　數(shù)據(jù)湖應(yīng)該是一種更為“敏捷”的構(gòu)建方式，我們建議采用如下步驟來(lái)構(gòu)建數(shù)據(jù)湖。

　　圖23. 數(shù)據(jù)湖建設(shè)基本流程

　　對(duì)比圖22，依然是五步，但是這五步是一個(gè)全面的簡(jiǎn)化和“可落地”的改進(jìn)。

　　數(shù)據(jù)摸底。依然需要摸清楚數(shù)據(jù)的基本情況，包括數(shù)據(jù)來(lái)源、數(shù)據(jù)類型、數(shù)據(jù)形態(tài)、數(shù)據(jù)模式、數(shù)據(jù)總量、數(shù)據(jù)增量。但是，也就需要做這么多了。數(shù)據(jù)湖是對(duì)原始數(shù)據(jù)做全量保存，因此無(wú)需事先進(jìn)行深層次的設(shè)計(jì)。技術(shù)選型。根據(jù)數(shù)據(jù)摸底的情況，確定數(shù)據(jù)湖建設(shè)的技術(shù)選型。事實(shí)上，這一步也非常的簡(jiǎn)單，因?yàn)殛P(guān)于數(shù)據(jù)湖的技術(shù)選型，業(yè)界有很多的通行的做法，基本原則個(gè)人建議有三個(gè)：“計(jì)算與存儲(chǔ)分離”、“彈性”、“獨(dú)立擴(kuò)展”。建議的存儲(chǔ)選型是分布式對(duì)象存儲(chǔ)系統(tǒng)（如S3/OSS/OBS）；計(jì)算引擎上建議重點(diǎn)考慮批處理需求和SQL處理能力，因?yàn)樵趯?shí)踐中，這兩類能力是數(shù)據(jù)處理的關(guān)鍵，關(guān)于流計(jì)算引擎后面會(huì)再討論一下。無(wú)論是計(jì)算還是存儲(chǔ)，建議優(yōu)先考慮serverless的形式；后續(xù)可以在應(yīng)用中逐步演進(jìn)，真的需要獨(dú)立資源池了，再考慮構(gòu)建專屬集群。數(shù)據(jù)接入。確定要接入的數(shù)據(jù)源，完成數(shù)據(jù)的全量抽取與增量接入。應(yīng)用治理。這一步是數(shù)據(jù)湖的關(guān)鍵，我個(gè)人把“融合治理”改成了“應(yīng)用治理”。從數(shù)據(jù)湖的角度來(lái)看，數(shù)據(jù)應(yīng)用和數(shù)據(jù)治理應(yīng)該是相互融合、密不可分的。從數(shù)據(jù)應(yīng)用入手，在應(yīng)用中明確需求，在數(shù)據(jù)ETL的過(guò)程中，逐步形成業(yè)務(wù)可使用的數(shù)據(jù)；同時(shí)形成數(shù)據(jù)模型、指標(biāo)體系和對(duì)應(yīng)的質(zhì)量標(biāo)準(zhǔn)。數(shù)據(jù)湖強(qiáng)調(diào)對(duì)原始數(shù)據(jù)的存儲(chǔ)，強(qiáng)調(diào)對(duì)數(shù)據(jù)的探索式分析與應(yīng)用，但這絕對(duì)不是說(shuō)數(shù)據(jù)湖不需要數(shù)據(jù)模型；恰恰相反，對(duì)業(yè)務(wù)的理解與抽象，將極大的推動(dòng)數(shù)據(jù)湖的發(fā)展與應(yīng)用，數(shù)據(jù)湖技術(shù)使得數(shù)據(jù)的處理與建模，保留了極大的敏捷性，能快速適應(yīng)業(yè)務(wù)的發(fā)展與變化。

　　從技術(shù)視角來(lái)看，數(shù)據(jù)湖不同于大數(shù)據(jù)平臺(tái)還在于數(shù)據(jù)湖為了支撐數(shù)據(jù)的全生命周期管理與應(yīng)用，需要具備相對(duì)完善的數(shù)據(jù)管理、類目管理、流程編排、任務(wù)調(diào)度、數(shù)據(jù)溯源、數(shù)據(jù)治理、質(zhì)量管理、權(quán)限管理等能力。在計(jì)算能力上，目前主流的數(shù)據(jù)湖方案都支持SQL和可編程的批處理兩種模式（對(duì)機(jī)器學(xué)習(xí)的支持，可以采用Spark或者Flink的內(nèi)置能力）；在處理范式上，幾乎都采用基于有向無(wú)環(huán)圖的工作流的模式，并提供了對(duì)應(yīng)的集成開(kāi)發(fā)環(huán)境。對(duì)于流式計(jì)算的支持，目前各個(gè)數(shù)據(jù)湖解決方案采取了不同的方式。在討論具體的方式之前，我們先對(duì)流計(jì)算做一個(gè)分類：

　　模式一：實(shí)時(shí)模式。這種流計(jì)算模式相當(dāng)于對(duì)數(shù)據(jù)采用“來(lái)一條處理一條”/“微批”的方式進(jìn)行處理；多見(jiàn)于在線業(yè)務(wù)，如風(fēng)控、推薦、預(yù)警等。模式二：類流式。這種模式需要獲取指定時(shí)間點(diǎn)之后變化的數(shù)據(jù)/讀取某一個(gè)版本的數(shù)據(jù)/讀取當(dāng)前的最新數(shù)據(jù)等，是一種類流式的模式；多見(jiàn)于數(shù)據(jù)探索類應(yīng)用，如分析某一時(shí)間段內(nèi)的日活、留存、轉(zhuǎn)化等。

　　二者的本質(zhì)不同在于，模式一處理數(shù)據(jù)時(shí)，數(shù)據(jù)往往還沒(méi)有存儲(chǔ)到數(shù)據(jù)湖中，僅僅是在網(wǎng)路/內(nèi)存中流動(dòng)；模式二處理數(shù)據(jù)時(shí)，數(shù)據(jù)已經(jīng)存儲(chǔ)到數(shù)據(jù)湖中了。綜上，我個(gè)人建議采用如下圖模式：

　　圖24 數(shù)據(jù)湖數(shù)據(jù)流向示意圖

　　如圖24所示，在需要數(shù)據(jù)湖具備模式一的處理能力時(shí)，還是應(yīng)該引入類Kafka中間件，作為數(shù)據(jù)轉(zhuǎn)發(fā)的基礎(chǔ)設(shè)施。完整的數(shù)據(jù)湖解決方案方案應(yīng)該提供將原始數(shù)據(jù)導(dǎo)流至Kafka的能力。流式引擎具備從類Kafka組件中讀取數(shù)據(jù)的能力。流式計(jì)算引擎在處理數(shù)據(jù)過(guò)后，根據(jù)需要，可以將結(jié)果寫入OSS/RDBMS/NoSQL/DW，供應(yīng)用訪問(wèn)。某種意義上，模式一的流計(jì)算引擎并非一定要作為數(shù)據(jù)湖不可分割的一部分存在，只需要在應(yīng)用需要時(shí)，能夠方便的引入即可。但是，這里需要指出的是：

　　流式引擎依然需要能夠很方便的讀取數(shù)據(jù)湖的元數(shù)據(jù)；流式引擎任務(wù)也需要統(tǒng)一的納入數(shù)據(jù)湖的任務(wù)管理；流式處理任務(wù)依然需要納入到統(tǒng)一的權(quán)限管理中。

　　對(duì)于模式二，本質(zhì)上更接近于批處理?，F(xiàn)在許多經(jīng)典的大數(shù)據(jù)組件已經(jīng)提供了支持方式，如HUDI/IceBerg/Delta等，均支持Spark、Presto等經(jīng)典的計(jì)算引擎。以HUDI為例，通過(guò)支持特殊類型的表（COW/MOR），提供訪問(wèn)快照數(shù)據(jù)（指定版本）、增量數(shù)據(jù)、準(zhǔn)實(shí)時(shí)數(shù)據(jù)的能力。目前AWS、騰訊等已經(jīng)將HUDI集成到了其EMR服務(wù)中，阿里云的DLA也正在計(jì)劃推出DLA on HUDI的能力。

　　讓我們?cè)倩氐奖疚拈_(kāi)頭的第一章，我們說(shuō)過(guò)，數(shù)據(jù)湖的主要用戶是數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師，探索式分析和機(jī)器學(xué)習(xí)是這類人群的常見(jiàn)操作；流式計(jì)算（實(shí)時(shí)模式）多用于在線業(yè)務(wù)，嚴(yán)格來(lái)看，并非數(shù)據(jù)湖目標(biāo)用戶的剛需。但是，流式計(jì)算（實(shí)時(shí)模式）是目前大多數(shù)互聯(lián)網(wǎng)公司在線業(yè)務(wù)的重要組成部分，而數(shù)據(jù)湖作為企業(yè)/組織內(nèi)部的數(shù)據(jù)集中存放地，需要在架構(gòu)上保持一定的擴(kuò)展能力，可以很方便的進(jìn)行擴(kuò)展，整合流式計(jì)算能力。

　　業(yè)務(wù)支撐。雖然大多數(shù)數(shù)據(jù)湖解決方案都對(duì)外提供標(biāo)準(zhǔn)的訪問(wèn)接口，如JDBC，市面上流行的各類BI報(bào)表工具、大屏工具也都可以直接訪問(wèn)數(shù)據(jù)湖中的數(shù)據(jù)。但是在實(shí)際的應(yīng)用中，我們還是建議將數(shù)據(jù)湖處理好的數(shù)據(jù)推送到對(duì)應(yīng)的各類支持在線業(yè)務(wù)的數(shù)據(jù)引擎中去，能夠讓應(yīng)用有更好的體驗(yàn)。

　　七、總結(jié)

　　數(shù)據(jù)湖作為新一代大數(shù)據(jù)分析處理的基礎(chǔ)設(shè)施，需要超越傳統(tǒng)的大數(shù)據(jù)平臺(tái)。個(gè)人認(rèn)為目前在以下方面，是數(shù)據(jù)湖解決方案未來(lái)可能的發(fā)展方向。

　　1、云原生架構(gòu)。關(guān)于什么是云原生架構(gòu)，眾說(shuō)紛紜，很難找到統(tǒng)一的定義。但是具體到數(shù)據(jù)湖這個(gè)場(chǎng)景，個(gè)人認(rèn)為就是以下三點(diǎn)特征：

　?。?）存儲(chǔ)和計(jì)算分離，計(jì)算能力和存儲(chǔ)能力均可獨(dú)立擴(kuò)展；

　　（2）多模態(tài)計(jì)算引擎支持，SQL、批處理、流式計(jì)算、機(jī)器學(xué)習(xí)等；

　?。?）提供serverless態(tài)服務(wù)，確保足夠的彈性以及支持按需付費(fèi)。

　　2、足夠用的數(shù)據(jù)管理能力。數(shù)據(jù)湖需要提供更為強(qiáng)大的數(shù)據(jù)管理能力，包括但不限于數(shù)據(jù)源管理、數(shù)據(jù)類目管理、處理流程編排、任務(wù)調(diào)度、數(shù)據(jù)溯源、數(shù)據(jù)治理、質(zhì)量管理、權(quán)限管理等。

　　3、大數(shù)據(jù)的能力，數(shù)據(jù)庫(kù)的體驗(yàn)。目前絕大多數(shù)數(shù)據(jù)分析人員都只有數(shù)據(jù)庫(kù)的使用經(jīng)驗(yàn)，大數(shù)據(jù)平臺(tái)的能力雖強(qiáng)，但是對(duì)于用戶來(lái)說(shuō)并不友好，數(shù)據(jù)科學(xué)家和數(shù)據(jù)數(shù)據(jù)分析師應(yīng)該關(guān)注數(shù)據(jù)、算法、模型及其與業(yè)務(wù)場(chǎng)景的適配，而不是花大量的時(shí)間精力去學(xué)習(xí)大數(shù)據(jù)平臺(tái)的開(kāi)發(fā)。數(shù)據(jù)湖要想快速發(fā)展，如何為用戶提供良好的使用體驗(yàn)是關(guān)鍵?；赟QL的數(shù)據(jù)庫(kù)應(yīng)用開(kāi)發(fā)已經(jīng)深入人心，如何將數(shù)據(jù)湖的能力通過(guò)SQL的形式釋放出來(lái)，是未來(lái)的一個(gè)主要方向。

　　4、完善的數(shù)據(jù)集成與數(shù)據(jù)開(kāi)發(fā)能力。對(duì)各種異構(gòu)數(shù)據(jù)源的管理與支持，對(duì)異構(gòu)數(shù)據(jù)的全量/增量遷移支持，對(duì)各種數(shù)據(jù)格式的支持都是需要不斷完善的方向。同時(shí)，需要具備一個(gè)完備的、可視化的、可擴(kuò)展的集成開(kāi)發(fā)環(huán)境。

　　5、與業(yè)務(wù)的深度融合與集成。典型數(shù)據(jù)湖架構(gòu)的構(gòu)成基本已經(jīng)成為了業(yè)界共識(shí)：分布式對(duì)象存儲(chǔ)+多模態(tài)計(jì)算引擎+數(shù)據(jù)管理。決定數(shù)據(jù)湖方案是否勝出的關(guān)鍵恰恰在于數(shù)據(jù)管理，無(wú)論是原始數(shù)據(jù)的管理、數(shù)據(jù)類目的管理、數(shù)據(jù)模型的管理、數(shù)據(jù)權(quán)限的管理還是處理任務(wù)的管理，都離不開(kāi)與業(yè)務(wù)的適配和集成；未來(lái)，會(huì)有越來(lái)越多的行業(yè)數(shù)據(jù)湖解決方案涌現(xiàn)出來(lái)，與數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師形成良性發(fā)展與互動(dòng)。如何在數(shù)據(jù)湖解決方案中預(yù)置行業(yè)數(shù)據(jù)模型、ETL流程、分析模型和定制算法，可能是未來(lái)數(shù)據(jù)湖領(lǐng)域差異化競(jìng)爭(zhēng)的一個(gè)關(guān)鍵點(diǎn)。