什么是湖仓一体？

过去几年中，「湖仓一体」（Lakehouse）作为一种新的数据管理架构，逐步独立地出现在许多客户的应用场景中。这篇文章，让我们来看看这种新架构，有哪些技术特点和优势。

在决策支持和商业智能应用方面，数据仓库有着悠久的历史。数据仓库技术，自上世纪80年代末出现以来，经历了不断地发展。同时，MPP架构的出现，也使得系统能够处理更大规模的数据量。尽管仓库非常适合结构化数据，但是随着企业的现代化，产生了大量的非结构化、半结构化数据，这些数据呈现出多样性（variety），高速度（velocity）、大容量（volume）等特征。很显然，数据仓库并不适合这样的场景，而且就成本而言，一定不是最具优势的方案。

随着企业从多种数据来源中，大规模地收集数据，架构师也开始考虑，如何构建一个单一的系统，来实现数据的仓库化存储，并以此为多样化的数据分析应用提供承载。

大约十年前，数据湖出现了，它被定义为一种可以存储各类格式的原始数据存储库。数据湖虽然适合数据的存储，但又缺少一些关键功能，比如不支持事务、缺乏一致性/隔离性、不保证执行数据质量等，这样的短板决定了，让数据湖来承载读写访问、批处理、流作业是不现实的。这样一来，当初构建数据湖的目标并没有实现，而且在很多情况下，还失去了传统数据仓库原有的优势。

企业对于数据访问灵活性、高性能的需求从未降低，以此来支撑各种各样的应用系统，如包括数据分析、实时监控、数据科学和机器学习等。另一方面，对非结构化数据的处理（文本，图像，视频，音频），已经成为了人工智能的前沿、热点领域，而这却是数据仓库不擅长处理的。

目前，多系统共存是企业中比较常见的架构，例如一个数据湖，加上多个数据仓库，以及其他的专用系统，例如流、时间序列、图形和图像数据库等。这种架构的复杂性，带来了运维的难题，因为技术人员始终需要在不同系统之间移动或复制数据。更重要的是，数据的传输引入了延迟，不能提高数据的时效性。

为了解决数据湖的局限性，一些新系统开始选择数据「湖仓一体」（Lakehouse）。「湖仓一体」是一种新型开放式架构，将数据湖和数据仓库的优势充分结合，它构建在数据湖低成本的数据存储架构之上，又继承了数据仓库的数据处理和管理功能。

数据「湖仓一体」具有以下关键特征：

• 事务支持：在企业中，数据往往要为业务系统提供并发的读取和写入。对事务的ACID支持，可确保数据并发访问的一致性、正确性，尤其是在SQL的访问模式下。
• 数据的模型化和数据治理：「湖仓一体」可以支持各类数据模型的实现和转变，支持DW模式架构，例如星型模型、雪花模型等。该系统应当保证数据完整性，并且具有健全的治理和审计机制。
• BI支持：「湖仓一体」支持直接在源数据上使用BI工具，这样可以加快分析效率，降低数据延时。另外相比于在数据湖和数据仓库中分别操作两个副本的方式，更具成本优势。
• 存算分离：存算分离的架构，也使得系统能够扩展到更大规模的并发能力和数据容量。（一些新型的数据仓库已经采用了这种架构）
• 开放性：采用开放、标准化的存储格式（例如Parquet等），提供丰富的API支持，因此，各种工具和引擎（包括机器学习和Python / R库）可以高效地对数据进行直接访问。
• 支持多种数据类型（结构化、非结构化）：Lakehouse可为许多应用程序提供数据的入库、转换、分析和访问。数据类型包括图像、视频、音频、半结构化数据和文本等。
• 支持各种工作负载：支持包括数据科学、机器学习、SQL查询、分析等多种负载类型。这些工作负载可能需要多种工具来支持，但它们都由同一个数据库来支撑。
• 端到端流：实时报表已经成为企业中的常态化需求，实现了对流的支持后，不再像以往一样，为实时数据服务构建专用的系统。

这是数据「湖仓一体」的一些关键属性。当然，企业级的系统还需要其他的补充功能。其中，数据安全和访问控制是至关重要的，包括数据的审计、保留周期、数据血缘管理，尤其在隐私保护相关法律法规的监管之下，这些需求更为迫切，一些允许数据探索拓展的工具如数据目录（Data Catalog）和数据使用量度（Data Usage Metric），都存在类似需求。在「湖仓一体」架构下，这些企业级的需求功能，都可以在「湖仓一体」平台中部署、测试和管理。

在即将到来的“SequoiaDB 2021春季发布会”，巨杉数据库将在会上宣布对现有产品线进行升级，基于「湖仓一体」的架构，发布数据融合平台（DP）、事务型数据库（TP）、内容管理数据库（CM）和文档型数据库（DOC）四大细分产品。

相比数据湖，SequoiaDB「湖仓一体」架构能够支撑联机交易和联机分析的场景，弥补了如Hadoop架构构建数据湖的重大不足。相比数据仓库，SequoiaDB「湖仓一体」作为支持联机处理的统一数据底座，数据可以实时入库，实时分析，无需异步写入另一个数据库再进行分析处理，大大降低了数据处理的成本。

 

参考文献URL：https://databricks.com/blog/2020/01/30/what-is-a-data-lakehouse.html

参考文献作者：Ben Lorica，Michael Armbrust，Ali Ghodsi，Reynold Xin，Matei Zaharia

 

相关阅读

分布式数据库或成为新增量

从ETL到ELT：让分析更快、更稳、更智能