基于QingStor對象存儲的數據湖解決方案

一、數據湖

數據湖在學術上的定義是一種在系統或者存儲庫以自然格式存儲的方法。它有助于存儲各種模式和結構形式的數據，通常是對象塊或者文件。

為什么現在會提出新的自然存儲格式方法？以前如何存儲數據？在使用數據倉庫時需調動處理大量的數據。正是因為大數據的產生，提出了數據湖的概念。

大數據來了，它就像水一樣，我們無法把水存在傳統的倉庫里。一是它太大了，二是它很廉價，三是它的形態不一樣了。大數據速度大快，就像洪水一樣，在使用過程中沒法做減庫、入庫的操作，要快速以自然的格式存儲。因此，傳統數據倉庫存的是結構化數據，數據湖里存的是非結構化、半結構化的數據。

二、數據湖實踐報告

采用數據湖存儲數據的原因，一方面是現階段及未來需要處理大量非結構化的數據，另一方面是為了機器學習和人工智能的分析使用。數據湖的產生會把數據倉庫的一部分功能移植到數據湖中，數據湖的成本比數據倉庫的成本更低廉。

經過使用調研，近一半的人認為企業使用數據湖已經迫在眉睫，四分之一的人認為已經部署了數據湖，另外四分之一的人會在一年內部署數據湖。

很多人把傳統數據放在數據湖里，數據湖不光有原始數據，它也有大量的數據加工處理工作。它的數據量在不斷增加，逐步邁向PB級。

從數據管理來說，數據湖還是由傳統的數據倉庫團隊管理和IT部門管理，業務部門只占少數。大部分是工程師、架構師和分析師在用數據湖，業務員和非技術人員用得比較少。

從架構和平臺的采納方面來說，目前數據湖以Hadoop為多，傳統數據可以采用關系型數據湖，二者結合使用的也很好。

三、HashData云端數據湖解決方案

在青云QingCloud上的數據湖包括存儲、分析和搜索幾個模塊。存儲用的是QingStor對象存儲;分析用的是HashData V2版本計算引擎;數據攝取用的是QingMR，結合Kalka做存儲;機器學習除了配有QingMRSteaming和SparkMR，還有SQL機器學習的工具。

在存儲方面，大家對數據湖的需求是數據湖要存得住、存得起。對象存儲支持海量的數據存儲，可以無限擴展，存大數據沒問題。存得起，就要我們提供一個經濟實用的存儲。從存儲角度來看，如果使用對象存儲，會大幅降低數據湖的存儲成本。

存儲成本降下來了，如何保證你的計算性能？從計算層面，HashData采用了V2架構。

（1）物聯網客戶使用實例

HashDataV1版本在塊存儲磁盤上，大概有2萬IoT傳感器設備，每時每刻都在不斷地產生數據，數據膨脹得非常厲害。如何按照客戶需求降低成本？通過青云的測試分級存儲機制，實現了既大幅降低了存儲成本，又保證了查詢性能的目標。

HashDataV2的架構繼承了GreenPlum體系，用SQL解決問題，這簡化了數據湖的使用。

（2）大數據工具

大數據應用對實時性要求比較高。目前用得比較多的三個工具：Storm、Spark Steaming和FLink。對比Spark Steaming和Storm：

實時性：Spark Steaming從計算模型來看是準實時;Storm是實時的，數據進入后便實時進行處理。

延時性：Storm達到毫秒級，Spark Steaming達到秒級。

存儲量：Spark Steaming更3<-點，它更符合大數據的處理需求，實現秒級接受可滿足一般應用場景需要。若產生幾萬條乃至10萬條數據方可批量寫入，不需要逐條寫。

HashData標配是采用SparkSteaming做實時數據的攝取。

機器學習分析Spark MLab是通用的，更多的是做MADlib，MADlib是Apache的頂級開源項目，只在PostgreSQL和GreenPlum體系里可以用。它的特點是基于SQL，以前用Spark做機器學習，用Python、Skyline或R。SQL大部分工程師都會用，學一兩周就能簡單上手。Spark能做的具體功能，它也可以做。它也是InDatabase的數據分析，數據湖就在其所屬的平臺上，如果要采用另外的工具分析，這里有大量的數據交換。它在Base里減少數據交換，并且可以充分利用HashData的并行計算，可以保證其性能。

四、云端數據治理和數據安全

前面談到數據治理和數據安全。HashData秉承PostgreSQL和GreenPlum完整的權限管理功能，如Table、Database和Funtcion等。

在元數據管理上，存到HashData里的表和字段，除了存到數據節點上之外，還會把元數據存到GlobalCatalog上，這時數據治理工具或者DPU管理員可清楚地知道存到數據湖里有哪些數據、什么時候存的、數據有多大都可一目了然，數據治理非常方便。

HashData主要應用場景就有工業數據湖。工業數據湖IoT有大量的數據需要做分析、預測性維修等。一部分是電信用戶行為分析、日志分析;還有交通大數據處理工作，例如卡口信息，在工作范圍內大量拍照，拍照后人工智能攝像頭可以很方便地把牌照信息進行結構化處理解析出來，結構化數據的存到HashData上，如牌照、車牌顏色等都存在數據庫里，并進一步分析其流量、高速公路繳費信息等。

總結來說，HashData的優勢是把它放在對象存儲的成本降下來了，同時保證性能不變。HashData也繼承了云的特點，通過鼠標操作就可以在幾分鐘內把集群起起來，不需要花一兩天的工夫安裝部署。技術生態秉承了原來GreenPlum、PostgreSQL這種用SQL解決問題的思路。在彈性方面，HashData支持在線擴容。