读《大数据之路：阿里巴巴大数据实践》有感

• 日志采集的挑战
  数据采集面临的主要挑战已不是日志采集技术本身，而是如何实现日志数据的结构化和规范化组织，实现更为高效的下游统计计算，提供符合业务特性的数据展现，以及为算法提供更便捷、灵活的支持等方面。
  规范制定——元数据注册——日志采集——自动化计算——可视化展现

3、数据同步

3.1 数据同步方式

直连同步、数据文件同步、数据库日志解析同步

• 直连同步
  直连同步是指通过定义好的规范接口API和基于动态链接库的方式直接连接业务库，如ODBC/JDBC等规定了统一规范的标准接口，不同的数据库基于这一套标准接口提供规范的驱动，支持完全相同的函数调用和SQL实现。
  这种方式配置简单，实现容易，比较适合操作型业务系统的数据同步。但是业务库直连的方式对源系统的性能影响较大，当执行大批量数据同步时会降低甚至拖垮业务系统的性能。如果业务系统采用主备策略，从备库抽取数据，避免影响。数据量较大时，采取这种抽取方式性能较差，不太适合从业务系统到数据仓库系统的同步。

• 数据文件同步
  数据文件同步通过约定好的文件编码、大小、格式等，直接从源系统生成数据的文本文件，由专门的文件服务器，如FTP服务器传输到目标系统后，加载到目标数据库系统中。
  优点：简单实用。
  缺点：通过文件服务器上传和下载可能会造成丢包和错误，为了确保数据文件同步的完整性，需要校验文件，校验文件记录数据文件的数据量和文件大小等。文件传输之前对文件进行压缩，解压缩，加密和解密，可以大大提高文件传输效率和安全性。

• 数据库日志解析同步
  大多数主流数据库都是实现了日志文件进行系统恢复，日志文件信息丰富，数据格式稳定，可以通过解析日志文件获取发生变更的数据。
  优点：数据库日志解析同步方式可以实时和准实时的同步，延迟可以控制在毫秒级别，并且对业务系统的性能影响较小。目前广泛应用于从业务系统到数据仓库系统的增量数据同步应用中。

7 数据挖掘

数据挖掘过程包括商业理解、数据准备、特征工程、模型训练、模型测试、模型部署、线上应用、效果反馈等环节。
数据中层分为特征层（Featural Data Mining Layer, FDM）、中间层、应用层(Application-oriented Data Mining Layer, ADM)，其中中间层分为个体中间层(Individual Data Mining Layer, IDM)、关系中间层(Relational Data Mining Layer, RDM)。

阿里巴巴数据挖掘中台.png

不同数据层的作用的区别：

• FDM层：用于存储在模型训练前常用的特征指标，并进行统一的清洗和去燥处理，提升机器学习特征工程环节的效率。
• IDM层：个体挖掘指标中间层，面向个体挖掘场景，用于存储通用性强的结果数据，主要包含商品、卖家、买家、行业等维度的个体数据挖掘的相关指标。
• RDM层：关系挖掘指标中间层，面向关系挖掘场景，用于存储通用性强的结果数据，主要包含商品间的相似关系、竞争关系、店铺间的相似关系、竞争关系等。
• ADM层：用来沉淀比较个性化偏应用的数据挖掘指标，比如用户偏好的类目，品牌等，这些数据已经过深度的加工处理，满足某一特点业务或产品的使用。

常见数据挖掘应用：

• 个体挖掘应用
  • 用户画像
  • 用户身份&同人识别
  • 业务指标预测
  • ID反作弊
• 关系挖掘应用
  • 相似关系挖掘
  • 竞争关系挖掘
  • 推荐系统

7.4.1 互联网反作弊

反作弊方向

• 账户/资金安全与网络欺诈防控
• 非人行为和账户识别
• 虚假账单与信用炒作识别
• 广告推广与app安装反作弊

反作弊方法

• 基于业务规则的方法
• 基于监督学习的方法
• 基于无监督学习的方法