http://www.toutiao.com/a6475623583879004685/?tt_from=weixin&utm_campaign=client_share&app=news_article_social&utm_source=weixin&iid=15964468510&utm_medium=toutiao_ios&wxshare_count=1
随着公司业务的增长，大量和业务、流程、规则相关的半结构化数据也爆发式增长。但数据分散在公司的各个系统中，如何将它们汇总并形成统一的企业级数据仓库，使企业灵活，高效的运用成了难题。
如需将分散的各个底层数据汇总则需建立完整的体系，支撑风控的大数据框架则是重中之重。
拥有5000万+注册用户；13亿+设备标签；100亿+行为数据；1500万+行业关注名单等海量多维数据的拍拍信则是从这几个方面落实：
1. 数据采集
面对来源各异、以结构化/半结构化为主的数据，我们使用linkedin开源的camus来采集消息类数据，使用kettle来采集RMDB的数据。
2. 数据储存
将采集到的原始数据存储到hadoop集群的分布式文件系统中。此外，基于hdfs文件系统对小文件并不是很友好的前提下，定期对历史文件进行合并、压缩、归档的操作也很有必要。
3. 离线处理
数据的离线处理则是一个非常大的话题，相当多的工作量都在这里，但它的价值却往往不会马上得到体现，从而被企业忽视。不仅仅包含以下这些内容：
l 构建并不停地丰富数据仓库
参照传统的ODS，DW，DM将数仓分层，对数据进行加密、去重后分门别类，持续不断的坚持做这件事。
l 管理元数据
建立数据字典，统一数据编码，描绘数据血缘等。
l 检测数据质量
从众数、少数、中位数、平均值等多维度来检测和把握数据的质量。
4. 流式处理
我们使用spark streaming将特征工程、模型结果计算与流式处理相结合，提供秒级的输出。甚至成功的将类似RNN（循环神经网络）这样的深度学习计算添加到整个流式处理的过程中。
5. 数据可视化
使用不同的工具以满足不同场景、不同职责的人员对数据的使用。不仅仅包含以下这些内容：
l 数据的即席查询
懂SQL、随意组合查询条件，进行自助查询，可以忍受分钟级的耗时。
l 多维分析
不懂SQL的情况下，在给定的维度和指标下，随意组合，并在秒级得到查询结果。
l 静态报表
只关注关键性指标。
l 数据分析挖掘
会使用像python、R这样的语言，结合集群的Spark、hive这样的分布式处理工具，对数据进行更深层次的利用。
经过处理的底层大数据相对于以往，在实际业务中使源数据种类更丰富，数据量更多， 借助集群的助力，处理速度更快，回溯时间更久远。
实际运用：
模型训练：风控模型是互联网金融，传统金融等行业在风控流程中不可或缺的环节。
模型应用：将模型与流式计算相结合，提供秒级的风控决策。
数据产品：对数据加工处理，产生像多头、风险名单一类的数据产品。
常用业务：企业在日常工作中各个环节都涉及到数据如：处理数据，更新数据，数据调用，查询日志等。
运用大数据架构前后比对：
| 项目 |
前 |
后 |
| 数据体量 |
GB级 |
TB ~ PB级 |
| 响应时效 |
h级 |
ms ~ min级 |
| 回溯 |
日/月 |
年 |
| 成本 |
反复人工成本 |
一次投入，多方使用 |
在进行大数据框架搭建时还需注意以下几点：
现在即使在同一细分领域，也有很多开源技术可供选择，请尽量选用相对成熟，社区活跃的；能选用开源的，尽量避免自研；另外代码如果要维护自己分支，请特别要谨慎，避免与社区越走越远；hadoop最初并没有太多的考虑数据安全方面，这点要自己加强；高稳定性和高性能往往一个是鱼，一个是熊掌，请考虑好取舍。
本期对大数据底层架构的分享就到这里，欢迎大家联系探讨。