大數據對計算體系帶來的挑戰

梅宏

大數據導致了一個現象，就是信息技術體系進入重構前夜，實際上這給了我們一個顛覆式發展的機遇。

我想分四個方面講。

第一，應用需求。大數據的應用需求，使得我們的計算機體系結構可能面臨重構的需要?，F在出現了很多新技術，比如新型存儲介質、新型運算器件，它們使得計算機的體系結構產生一定的變革。怎么變革，會不會出現以數據為核心而計算圍在周邊的一種結構？目前正在研究在芯片上存算一體——這是一種可能的方向。

第二，云計算模式領域化、資源泛載化，資源平臺化的大態勢。我們希望在服務質量提升、新型硬件管理、極致效能的追求方面做很多工作。同時我們也看到云邊端結合的新型計算也在涌現，還有軟件定義對整個世界所形成的影響。我們對數據管理、軟件開發運行、數據分析等都有很多要求。

第三，通信。5G能解決通信問題，網絡通信還需要更好發展帶寬、移動、泛載。對于帶寬的問題，移動、泛載的問題，我們看到信息技術體系按照過去的發展套路，還有很多值得探討的空間，在基礎器件上也有很多上升空間，比如大數據組織、分析等等相關技術理論都有待突破。基礎器件，高性能、高時效、高吞吐等極端化的大數據需求，使得我們需要高通量的處理芯片，需要多通道數據化、可視設備等。

第四，軟件開源，硬件開放，正在導致我們產業生態發生變化。實際上，顛覆式發展的機遇可能就在這個地方。

大數據的管理、處理

管理是數據的存儲、組織，而處理就是把數據并行處理為內容。

由于無法定義一個模式，一致性也沒法保持，不能夠事先定義數據模式，就沒辦法保持它的事務性等數據的一致性。由于單一表格存儲、高性能是非常難以實現的，這就使得對大規模、多表關聯查詢及復雜分析類型的SQL查詢性能嚴重下降，這就是在大數據時代傳統數據庫做不了的事。對于處理而言，實際上大體分成三個階段：前大數據時代，大數據早期、現在。

大數據和HaDoop不管發展如何，單臺計算能力都是有限的。所以我們必須要并行處理，沒辦法做一臺計算機滿足所有的處理需求。比如最早出現的HaDoop就是批處理，批處理好處是什么？吞吐率高，適用于海量預存數據的處理。其次是流處理，適用于在線型、產生速度快的時延數據處理。還有一種新的數據類型就是圖處理，用巨型的圖數據，比如以社交網絡為代表的大量數據都是圖數據，億萬個節點，這樣大型的社交網絡圖怎么辦。所以現在這些系統很多，都是開源，但是沒有看到一個能滿足所有要求的一種處理模型。

再看現在的問題，比如說Spark，它是一個批處理平臺，它是用VP的技術處理流模式，把流式計算用時間片切開，分解成一些小批量，本質上還是批處理，只是每一批小一點。

圖處理。圖數據最大的問題就是并行，它本身量很大，大量的數據是沖突的，而且互相依賴性比較高，通信開銷就比較大。核心的一個問題，從數學上，如果能完成一個很好的圖分割，就可能完成這種圖的并行處理。但是最終也是要追求并行處理。

從三個維度看挑戰

第一，數據處理方式和數據來源的問題。我們提到了面臨數據來源有離線數據、在線、混合處理的需求，方式就出現了批處理、流處理和混合處理。從計算架構角度、系統結構的角度看，我們過去做的傳統計算最大的問題是計算產生的內存要求，內存要從外存取數據，所以內外交疊浪費很多時間。所以我們還出現了內存計算，既然這樣，就可以搞一個大內存，把所有數據裝在內存里面，這是一種方式。第二，新型的架構。通過綜合GPU，還有其他的TPU、數據流等，構建新型的計算架構。第三，數據類型本身。數據類型本身有文檔等各種模式，我們目前看到的單一系統是沒有辦法去處理這種混合負載的，而混合負載的處理，實際上是存在著大量的需求。

大數據處理三大挑戰

挑戰一：怎么樣高效處理各類混合負載，這是當前我們面臨的一個挑戰。什么叫混合處理的需求？我舉一個例子，比如說雙十一成交數據的一個實時分析。當天處理的時候，它是實時的用戶數據和商品數據，通過實時數據采集去弄。但實際上這兩個東西對實時數據、興趣模型到用戶的行為預測有局限，如果沒有離線數據支撐，它的準確率和效果不會那么好。所以要完成個性化推薦，必須要用到離線的數據，這就是流處理和批處理同時出現的一種場景?，F有的大數據處理系統沒辦法處理這種混合的處理。而現在新流進來的實時的數據，需要進行流處理。

挑戰二：現有的大數據帶來的好處就是開源，但是HaDoop的生態系統、Spark的生態系統、Flink的生態系統都有各自的開源生態，甚至有自己的開源許可證協議。

挑戰三：針對圖數據，傳統應用計算密集，而圖應用，有較低的計算訪存比，有大量隨機的訪存，有復雜數據的依賴，還有非結構化的分布，這是圖數據的問題，和傳統應用所面臨的東西是不一樣的。所以我們能不能探討另一種新型的架構來提高它的高并行的處理？這就是我們談到的各種大數據類型和計算結構匹配起來之后的一些挑戰。

我們在云計算平臺之上，要進行各種大數據處理，而大數據的類型、存儲是迥然不同的，訪問模式有圖數據、KV的、列的、文檔的，各種各樣的東西?，F在，我們要構建一個處理平臺，是支持批處理的，也支持流處理的，還可以支持混合處理的?；齑嬷?，我們要支持人工智能應用，要支持交互式的數據分析，進一步支持各種應用。

傳統的定制問題、系統選型難，不同處理系統融合難，系統調優難，維護難、多系統之間數據傳輸也導致它的效率是比較低的——這就是我們的大環境面臨的問題。所以我們想做一件事，就是希望通過軟件定義的方式，通過大數據處理管理平臺，讓它的功能實現可編程，可以面向不同的需求進行定制。

原創的技術

我們希望資源調度優化，進一步依托數據多種需求，多模態存儲，形成一套引擎，能夠高效的支撐多種處理模式。項目的目標，是希望研究和開發面向新型的、多處理模型融合架構的一個高時效、可擴展的新一代大數據分析支撐系統和工具平臺。我們還是希望站在巨人的肩膀上消化吸收，高時效、可擴展就是它的關鍵詞，希望建立基于軟件定義的新型的自適應融合架構。一套引擎、一套數據、一套資源來支撐、滿足不同的處理模型的需求，進一步支撐大數據分析和智能的應用。我們要追求高時效、低時延，多計算模型的融合，自適應的優化;在可擴展方面，面向云計算進行可伸縮的調整，處理平臺跨數據中心的擴展，機器學習模型的擴展，還有一些具體的關鍵技術。

事情能不能做得成，就要靠我們團隊的努力。我始終覺得中國的IT還存在很大的問題。畢竟，我們很多場合不在應用第一線，很多問題都不是我們發現的。

過去五到十年，我們依然在談的問題就是海量：人多，數據多。所以，我們沒有原始的創新，我們一直在尋求原始創新，這是我們最大的一個欠缺。

我想留下一支可以開發系統軟件的隊伍完成這件事情，我們希望通過消化、吸收，打碎并重新組合，形成一種集成創新。