隨著互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，誰也無法否認(rèn)，我們已經(jīng)切實地迎來了一個海量數(shù)據(jù)的時代，數(shù)據(jù)調(diào)查公司IDC預(yù)計2011年的數(shù)據(jù)總量將達(dá)到1.8萬億GB，對這些海量數(shù)據(jù)的分析已經(jīng)成為一個非常重要且緊迫的需求。Admaster數(shù)據(jù)挖掘總監(jiān)，云計算實踐者，10年數(shù)據(jù)倉庫和數(shù)據(jù)挖掘咨詢經(jīng)驗，現(xiàn)專注于分布式平臺上的海量數(shù)據(jù)挖掘和機器學(xué)習(xí)。
作為一家互聯(lián)網(wǎng)數(shù)據(jù)分析公司，我們在海量數(shù)據(jù)的分析領(lǐng)域那真是被“逼上梁山”。多年來在嚴(yán)苛的業(yè)務(wù)需求和數(shù)據(jù)壓力下，我們幾乎嘗試了所有可能的大數(shù)據(jù)分析方法，最終落地于Hadoop平臺之上。
Hadoop在可伸縮性、健壯性、計算性能和成本上具有無可替代的優(yōu)勢，事實上已成為當(dāng)前互聯(lián)網(wǎng)企業(yè)主流的大數(shù)據(jù)分析平臺。本文主要介紹一種基于Hadoop平臺的多維分析和數(shù)據(jù)挖掘平臺架構(gòu)。
大數(shù)據(jù)分析的分類
Hadoop平臺對業(yè)務(wù)的針對性較強，為了讓你明確它是否符合你的業(yè)務(wù)，現(xiàn)粗略地從幾個角度將大數(shù)據(jù)分析的業(yè)務(wù)需求分類，針對不同的具體需求，應(yīng)采用不同的數(shù)據(jù)分析架構(gòu)。
按照數(shù)據(jù)分析的實時性，分為實時數(shù)據(jù)分析和離線數(shù)據(jù)分析兩種。實時數(shù)據(jù)分析一般用于金融、移動和互聯(lián)網(wǎng)B2C等產(chǎn)品，往往要求在數(shù)秒內(nèi)返回上億行數(shù)據(jù)的分析，從而達(dá)到不影響用戶體驗的目的。要滿足這樣的需求，可以采用精心設(shè)計的傳統(tǒng)關(guān)系型數(shù)據(jù)庫組成并行處理集群，或者采用一些內(nèi)存計算平臺，或者采用HDD的架構(gòu)，這些無疑都需要比較高的軟硬件成本。目前比較新的海量數(shù)據(jù)實時分析工具有EMC的Greenplum、SAP的HANA等。
對于大多數(shù)反饋時間要求不是那么嚴(yán)苛的應(yīng)用，比如離線統(tǒng)計分析、機器學(xué)習(xí)、搜索引擎的反向索引計算、推薦引擎的計算等，應(yīng)采用離線分析的方式，通過數(shù)據(jù)采集工具將日志數(shù)據(jù)導(dǎo)入專用的分析平臺。但面對海量數(shù)據(jù)，傳統(tǒng)的ETL工具往往徹底失效，主要原因是數(shù)據(jù)格式轉(zhuǎn)換的開銷太大，在性能上無法滿足海量數(shù)據(jù)的采集需求?；ヂ?lián)網(wǎng)企業(yè)的海量數(shù)據(jù)采集工具，有Facebook開源的Scribe、LinkedIn開源的Kafka、淘寶開源的Timetunnel、Hadoop的Chukwa等，均可以滿足每秒數(shù)百MB的日志數(shù)據(jù)采集和傳輸需求，并將這些數(shù)據(jù)上載到Hadoop中央系統(tǒng)上。
按照大數(shù)據(jù)的數(shù)據(jù)量，分為內(nèi)存級別、BI級別、海量級別三種。這里的內(nèi)存級別指的是數(shù)據(jù)量不超過集群的內(nèi)存最大值。不要小看今天內(nèi)存的容量，F(xiàn)acebook緩存在內(nèi)存的Memcached中的數(shù)據(jù)高達(dá)320TB，而目前的PC服務(wù)器，內(nèi)存也可以超過百GB。因此可以采用一些內(nèi)存數(shù)據(jù)庫，將熱點數(shù)據(jù)常駐內(nèi)存之中，從而取得非?？焖俚姆治瞿芰?，非常適合實時分析業(yè)務(wù)。圖1是一種實際可行的MongoDB分析架構(gòu)。
MongoDB大集群目前存在一些穩(wěn)定性問題，會發(fā)生周期性的寫堵塞和主從同步失效，但仍不失為一種潛力十足的可以用于高速數(shù)據(jù)分析的NoSQL。
此外，目前大多數(shù)服務(wù)廠商都已經(jīng)推出了帶4GB以上SSD的解決方案，利用內(nèi)存+SSD，也可以輕易達(dá)到內(nèi)存分析的性能。隨著SSD的發(fā)展，內(nèi)存數(shù)據(jù)分析必然能得到更加廣泛的應(yīng)用。
BI級別指的是那些對于內(nèi)存來說太大的數(shù)據(jù)量，但一般可以將其放入傳統(tǒng)的BI產(chǎn)品和專門設(shè)計的BI數(shù)據(jù)庫之中進行分析。目前主流的BI產(chǎn)品都有支持TB級以上的數(shù)據(jù)分析方案。種類繁多，就不具體列舉了。
海量級別指的是對于數(shù)據(jù)庫和BI產(chǎn)品已經(jīng)完全失效或者成本過高的數(shù)據(jù)量。海量數(shù)據(jù)級別的優(yōu)秀企業(yè)級產(chǎn)品也有很多，但基于軟硬件的成本原因，目前大多數(shù)互聯(lián)網(wǎng)企業(yè)采用Hadoop的HDFS分布式文件系統(tǒng)來存儲數(shù)據(jù)，并使用MapReduce進行分析。本文稍后將主要介紹Hadoop上基于MapReduce的一個多維數(shù)據(jù)分析平臺。
數(shù)據(jù)分析的算法復(fù)雜度根據(jù)不同的業(yè)務(wù)需求，數(shù)據(jù)分析的算法也差異巨大，而數(shù)據(jù)分析的算法復(fù)雜度和架構(gòu)是緊密關(guān)聯(lián)的。舉個例子，Redis是一個性能非常高的內(nèi)存Key-Value NoSQL，它支持List和Set、SortedSet等簡單集合，如果你的數(shù)據(jù)分析需求簡單地通過排序，鏈表就可以解決，同時總的數(shù)據(jù)量不大于內(nèi)存（準(zhǔn)確地說是內(nèi)存加上虛擬內(nèi)存再除以2），那么無疑使用Redis會達(dá)到非常驚人的分析性能。
還有很多易并行問題（Embarrassingly Parallel），計算可以分解成完全獨立的部分，或者很簡單地就能改造出分布式算法，比如大規(guī)模臉部識別、圖形渲染等，這樣的問題自然是使用并行處理集群比較適合。
而大多數(shù)統(tǒng)計分析，機器學(xué)習(xí)問題可以用MapReduce算法改寫。MapReduce目前最擅長的計算領(lǐng)域有流量統(tǒng)計、推薦引擎、趨勢分析、用戶行為分析、數(shù)據(jù)挖掘分類器、分布式索引等。
圖2 RCFile的行列混合存面對大數(shù)據(jù)OLAP分析的一些問題
OLAP分析需要進行大量的數(shù)據(jù)分組和表間關(guān)聯(lián)，而這些顯然不是NoSQL和傳統(tǒng)數(shù)據(jù)庫的強項，往往必須使用特定的針對BI優(yōu)化的數(shù)據(jù)庫。比如絕大多數(shù)針對BI優(yōu)化的數(shù)據(jù)庫采用了列存儲或混合存儲、壓縮、延遲加載、對存儲數(shù)據(jù)塊的預(yù)統(tǒng)計、分片索引等技術(shù)。
Hadoop平臺上的OLAP分析，同樣存在這個問題，F(xiàn)acebook針對Hive開發(fā)的RCFile數(shù)據(jù)格式，就是采用了上述的一些優(yōu)化技術(shù)，從而達(dá)到了較好的數(shù)據(jù)分析性能。如圖2所示。
然而，對于Hadoop平臺來說，單單通過使用Hive模仿出SQL，對于數(shù)據(jù)分析來說遠(yuǎn)遠(yuǎn)不夠，首先Hive雖然將HiveQL翻譯MapReduce的時候進行了優(yōu)化，但依然效率低下。多維分析時依然要做事實表和維度表的關(guān)聯(lián)，維度一多性能必然大幅下降。其次，RCFile的行列混合存儲模式，事實上限制死了數(shù)據(jù)格式，也就是說數(shù)據(jù)格式是針對特定分析預(yù)先設(shè)計好的，一旦分析的業(yè)務(wù)模型有所改動，海量數(shù)據(jù)轉(zhuǎn)換格式的代價是極其巨大的。最后，HiveQL對OLAP業(yè)務(wù)分析人員依然是非常不友善的，維度和度量才是直接針對業(yè)務(wù)人員的分析語言。
而且目前OLAP存在的最大問題是：業(yè)務(wù)靈活多變，必然導(dǎo)致業(yè)務(wù)模型隨之經(jīng)常發(fā)生變化，而業(yè)務(wù)維度和度量一旦發(fā)生變化，技術(shù)人員需要把整個Cube（多維立方體）重新定義并重新生成，業(yè)務(wù)人員只能在此Cube上進行多維分析，這樣就限制了業(yè)務(wù)人員快速改變問題分析的角度，從而使所謂的BI系統(tǒng)成為死板的日常報表系統(tǒng)。
使用Hadoop進行多維分析，首先能解決上述維度難以改變的問題，利用Hadoop中數(shù)據(jù)非結(jié)構(gòu)化的特征，采集來的數(shù)據(jù)本身就是包含大量冗余信息的。同時也可以將大量冗余的維度信息整合到事實表中，這樣可以在冗余維度下靈活地改變問題分析的角度。其次利用Hadoop MapReduce強大的并行化處理能力，無論OLAP分析中的維度增加多少，開銷并不顯著增長。換言之，Hadoop可以支持一個巨大無比的Cube，包含了無數(shù)你想到或者想不到的維度，而且每次多維分析，都可以支持成千上百個維度，并不會顯著影響分析的性能。
MDX→MapReduce簡略示意圖因此，我們的大數(shù)據(jù)分析架構(gòu)在這個巨大Cube的支持下，直接把維度和度量的生成交給業(yè)務(wù)人員，由業(yè)務(wù)人員自己定義好維度和度量之后，將業(yè)務(wù)的維度和度量直接翻譯成MapReduce運行，并最終生成報表?？梢院唵卫斫鉃橛脩艨焖僮远x的“MDX”（多維表達(dá)式，或者多維立方體查詢）語言→MapReduce的轉(zhuǎn)換工具。同時OLAP分析和報表結(jié)果的展示，依然兼容傳統(tǒng)的BI和報表產(chǎn)品。如圖3所示。
可以看出，在年收入上，用戶可以自己定義子維度。另外，用戶也可以在列上自定義維度，比如將性別和學(xué)歷合并為一個維度。由于Hadoop數(shù)據(jù)的非結(jié)構(gòu)化特征，維度可以根據(jù)業(yè)務(wù)需求任意地劃分和重組。
Hadoop多維分析平臺架構(gòu)圖一種Hadoop多維分析平臺的架構(gòu)
整個架構(gòu)由四大部分組成：數(shù)據(jù)采集模塊、數(shù)據(jù)冗余模塊、維度定義模塊、并行分析模塊。如圖4所示。
數(shù)據(jù)采集模塊采用了Cloudera的Flume，將海量的小日志文件進行高速傳輸和合并，并能夠確保數(shù)據(jù)的傳輸安全性。單個collector宕機之后，數(shù)據(jù)也不會丟失，并能將agent數(shù)據(jù)自動轉(zhuǎn)移到其他的colllecter處理，不會影響整個采集系統(tǒng)的運行。
數(shù)據(jù)冗余模塊不是必須的，但如果日志數(shù)據(jù)中沒有足夠的維度信息，或者需要比較頻繁地增加維度，則需要定義數(shù)據(jù)冗余模塊。通過冗余維度定義器定義需要冗余的維度信息和來源（數(shù)據(jù)庫、文件、內(nèi)存等），并指定擴展方式，將信息寫入數(shù)據(jù)日志中。在海量數(shù)據(jù)下，數(shù)據(jù)冗余模塊往往成為整個系統(tǒng)的瓶頸，建議使用一些比較快的內(nèi)存NoSQL來冗余原始數(shù)據(jù)，并采用盡可能多的節(jié)點進行并行冗余；或者也完全可以在Hadoop中執(zhí)行批量Map，進行數(shù)據(jù)格式的轉(zhuǎn)化。維度定義模塊是面向業(yè)務(wù)用戶的前端模塊，用戶通過可視化的定義器從數(shù)據(jù)日志中定義維度和度量，并能自動生成一種多維分析語言，同時可以使用可視化的分析器通過GUI執(zhí)行剛剛定義好的多維分析命令。
并行分析模塊接受用戶提交的多維分析命令，并將通過核心模塊將該命令解析為Map-Reduce，提交給Hadoop集群之后，生成報表供報表中心展示。
核心模塊是將多維分析語言轉(zhuǎn)化為MapReduce的解析器，讀取用戶定義的維度和度量，將用戶的多維分析命令翻譯成MapReduce程序。核心模塊的具體邏輯如圖6所示。
圖6中根據(jù)JobConf參數(shù)進行Map和Reduce類的拼裝并不復(fù)雜，難點是很多實際問題很難通過一個MapReduce Job解決，必須通過多個MapReduce Job組成工作流（WorkFlow），這里是最需要根據(jù)業(yè)務(wù)進行定制的部分。圖7是一個簡單的MapReduce工作流的例子。
MapReduce的輸出一般是統(tǒng)計分析的結(jié)果，數(shù)據(jù)量相較于輸入的海量數(shù)據(jù)會小很多，這樣就可以導(dǎo)入傳統(tǒng)的數(shù)據(jù)報表產(chǎn)品中進行展現(xiàn)。
結(jié)束語
當(dāng)然，這樣的多維分析架構(gòu)也不是沒有缺點。由于MapReduce本身就是以蠻力去掃描大部分?jǐn)?shù)據(jù)進行計算，因此無法像傳統(tǒng)BI產(chǎn)品一樣對條件查詢做優(yōu)化，也沒有緩存的概念。往往很多很小的查詢需要“興師動眾”。盡管如此，開源的Hadoop還是解決了很多人在大數(shù)據(jù)下的分析問題，真可謂是“功德無量”。
Hadoop集群軟硬件的花費極低，每GB存儲和計算的成本是其他企業(yè)級產(chǎn)品的百分之一甚至千分之一，性能卻非常出色。我們可以輕松地進行千億乃至萬億數(shù)據(jù)級別的多維統(tǒng)計分析和機器學(xué)習(xí)。
6月29日的Hadoop Summit 2011上，Yahoo!剝離出一家專門負(fù)責(zé)Hadoop開發(fā)和運維的公司Hortonworks。Cloudera帶來了大量的輔助工具，MapR帶來了號稱三倍于Hadoop MapReduce速度的并行計算平臺。Hadoop必將很快迎來下一代產(chǎn)品，屆時其必然擁有更強大的分析能力和更便捷的使用方式，從而真正輕松面對未來海量數(shù)據(jù)的挑戰(zhàn)。