大数据架构（二）大数据发展史

1.背景

随着数据量的暴增和数据实时性要求越来越高，以及大数据技术的发展驱动企业不断升级迭代，传统数仓经历了以下发展过程：传统数仓架构 -> 离线大数据架构 -> Lambda架构 -> Kappa架构 -> 新一代实时数仓。（大部分网上文章最后一个时代竟然写的是Unifield混合架构，笔者非常不赞同，因为Unifield加了机器学习、IOTA架构加了物联网边缘计算的概念。这两者建议单独出来写架构。属于特殊业务场景的架构。相反，笔者认为这里有必要新增一个“新一代实时数仓架构”，这种架构才是和前几个架构一个级别的）具体如下图：

仔细看上图，主要包含3大发展阶段：

• 1970~2003 传统数仓阶段
• 2003~2016 大数据-数据仓库阶段
• 2016~至今 大数据-新一代实时数仓阶段

下面我们拆成2大块来讲解，一块是传统数仓，一块是大数据。看看过去几十年，大数据经历了什么变迁。

回到顶部(go to top)

2.传统数仓发展史

传统数据仓库的发展史，由于已经成为历史，就不展开技术栈细讲，只需快速过一遍即可。了解这个历史发展过程即可。

2.1 传统数仓理论史

2.1.1 5个时代

　传统数仓发展史可以称为5个时代的经典论证战。按照两位数据仓库大师 Ralph kilmball、Bill Innmon 在数据仓库建设理念上碰撞阶段来作为小的分界线：

• 1970～1991 数据仓库概念萌芽到全企业集成。

• 1991～1994 EDW企业数据集成时代。Bill Innmon 博士出版了《如何构建数据仓库》，范式建模。

• 1994～1996 数据集市时代。 Ralph Kimball 博士出版了《数据仓库工具箱》，里面非常清晰的定义了数据集市、维度建模。

• 1996～1997 神仙大战时代（维度建模与范式建模争论）

• 1998～2001 合并时代，CIF架构。Bill Innmon推出了新的BI架构CIF（Corporation information factory），把Kimball的数据集市也包容进来了，第一次，Kimball承认了Inmon。

2.1.2 经典争论

如果说，Hans Peter Luhn和Howard Dresner，一个为了文本挖掘，一个为了企业管理中的信息民主，而定义了BI（智能商业）的话。那么Bill Inmon 和Ralph Kimball，这2位大师则通过不同理念，设计技术和实施策略使BI从定义落地为真实。两位大师在1991-2001，引领了传统数仓发展的一个时代。

　Bill Innmon和Ralph kilmball论证的核心在于EDW（企业级数据仓库）和数据集市的建立先后顺序（也可以理解为范式建模和维度建模的争论）。

• Bill Inmon 提出自上而下的建设原则（EDW->DM）：提倡先数据模型创建企业级数据仓库EDW（3NF范式建模）后，再建数据集市（DM）。
• Ralph kilmball 提出自下而上的建设原则(DM->EDW)：提倡先创建数据集市，认为数据仓库是数据集市的集合，信息总是被存储在多维模型（维度建模）中。后期可根据需要来合并数据集市，并逐步形成企业级的数据仓库（EDW）。

两种方法的明细区别如下表（摘自网络）：

2.2 传统数据仓库架构史

　　伴随着kilmball和Innmon的经典争论，诞生了三代典型数据仓库架构（网上有些文章把Opdm操作型数据集市架构定义为第四代数据仓库架构，笔者不认可这一架构能和另外3个并列，故删之），分别是：

• 企业级数据仓库架构（Enterprise Data Warehouse，EDW）-BIll Inmon
• Kilmball DW/BI（Multidimensional Architecture，MD）-Ralph kilmball
• 企业信息工厂架构（Corporate Information Factory，CIF）-BIll Inmon

如下图所示：

2.2.1 企业级数据仓库架构（Enterprise Data Warehouse，EDW）-BIll Inmon

　　90 年代 BIll Inmon 出版《如何构建数据仓库》一书体系化的与明确定义了如何构建数据仓库，这套方法在落地上形成了第一代数据仓库架构。书中定义：数据仓库(Data Warehouse) 是一个面向主题的(Subject Oriented) 、集成的( Integrate ) 、相对稳定的(Non -Volatile ) 、反映历史变化( Time Variant) 的数据集合，用于支持管理决策（ Decision Marking Support）。具体如下图所示：

从左至右依次是数据源、数据清洗、数仓、应用。

核心原理：

• 数据仓库是面向主题的。
• 数据仓库是集成的，数据仓库的数据有来自于分散的操作型数据，将所需数据从原来的数据中抽取出来，进行加工与集成，统一与综合之后才能进入数据仓库。
• 数据仓库是不可更新的，数据仓库主要是为决策分析提供数据，所涉及的操作主要是数据的查询。
• 数据仓库是随时间而变化的，传统的关系数据库系统比较适合处理格式化的数据，能够较好的满足商业商务处理的需求，它在商业领域取得了巨大的成功

2.2.2 Kimball DW/BI架构（Multidimensional Architecture，MD）-Ralph kimball

　　第二代就是 Kimball DW/BI架构。又称Multidimensional Architecture（MD）多维架构，或Bus Architecture总线架构。即从业务或部门入手，设计面向业务或部门主题数据集市。（网上大部分都说Kimball的数据集市架构，笔者不赞同。Kimball提倡的是维度建模、总线架构思想。Kimball架构甚至都不包含物理的数据集市，而是逻辑概念上的）Kimball DW/BI架构从流程上看是是自底向上的，即从数据集市到数据仓库(DM->DW)的一种敏捷开发方法。这种构建方式可以不用考虑其它正在进行的数据类项目实施，只要快速满足当前部门的需求即可，这种实施的好处是阻力较小且路径很短。

　　核心原理：一致性维度建模（总线型架构）+ 基于企业总线的数据仓库

　　但是考虑到在实施中可能会存在多个并行的项目，是需要在数据标准化、模型阶段是需要进行维度归一化处理，需要有一套标准来定义公共维度，让不同的数据集市项目都遵守相同的标准，在后面的多个数据集市做合并时可以平滑处理。比如业务中相似的名词、不同系统的枚举值、相似的业务规则都需要做统一命名，这里在现在的中台就是全域统一ID之类的东西。具体如下图所示：

注意：kimball架构的数据仓库是没有实际存在数据集市的，如果非要区分，可以通过主题域划分获取自己的数据集市。（比如上图的维度数仓下的交易域数仓，可以理解为逻辑上的数据集市。预留数据集市飞机票//TODO）

2.2.3 企业信息工厂架构（Corporate Information Factory，CIF）-BIll Inmon

　　第三代架构就是CIF架构，CIF强制引入了一层规范化的、原子的（满足第三范式）企业数据仓库EDW。这一层承担了数据协调和集成的职责。Inmon 模式从流程上看是自顶向下的，即从数据仓库再到数据集市的（DW->DM）。

　　核心原理：Inmon EDW企业数仓（遵循3NF）+ 数据集市。具体如下图所示：

 

混合架构（CIF+Kimball，CIF2.0）

　　混合架构是CIF架构的变种，可以认为是CIF2.0架构。BIll Inmon把Kimball的多维架构融入进来（据说Inmon很生气，没能说服Kimball,一气之下把Kimball架构也融进去了...）。并限定EDW不对外提供查询能力，其中的数据是维度的、原子的、以过程为中心的。这种架构主要适用于前期已经购入建设了原子级的EDW，但尚无法满足用户的灵活的分析需求，在这种情况下可以采用这种架构，算是一种无奈之举。 缺点很明显，EDW和维度数仓数据冗余造成资源浪费，架构复杂导致人力成本较高。

　　核心原理：Inmon EDW企业数仓（遵循3NF）+ Kimball 维度数仓（一致性维度）

回到顶部(go to top)

3. 大数据架构发展史

　　2003年之后，随着企业数据量暴增和实时性需求增多，大数据技术开始蓬勃发展。到2006年，Hadoop诞生。Hadoop派系几乎主导了2006~2016这十年大数据发展史，大数据技术如雨后春笋般爆发式增长。但也带来了技术栈混乱、运维成本增加的问题。一直到2016年之后，新一代实时数仓诞生了。这个阶段强调：批流一体、湖仓一体的架构。有多种实现机制，其中最典型的2条路是：

• 1.数据湖增强数仓能力（湖仓一体 Lakehouse，支持批流一体式读写）    ：Flink + 开源数据湖【Iceberg、Hudi、Delta Lake】
• 2.数仓增强数据湖能力（新一代实时数据库支持批流一体式读写、支持联邦查询一站式OLAP解决方案）：Flink+实时数仓【Doris、Clickhouse】

2.1 第一代：离线统计分析技术架构-2006

特点：

1、数据源通过离线的方式导入到离线数仓中;
2、数据处理（Hadoop、Spark技术派系为主）：MapReduce、Hive、SparkSQL 等离线计算引擎。 架构及数据处理流程如下;

 

2.2 第二代：Lambda架构（离线+实时结合）--2011

　　随着大数据应用的发展，人们逐渐对系统的实时性提出了要求，为了计算一些实施指标，就在原来离线数仓的基础上增加了一个实时计算的链路，并对数据源做流式改造(即把数据发送到消息队列)，实时计算去订阅消息队列，直接完成指标做增量的计算，推送到下游的数据服务中去，由数据服务层完成离线&实时结果的合并。Lambda架构如下图所示：

2.3 第三代：Kappa架构（批流一体）--2014

　　Lambda 架构虽然满足了实时的需求，但带来了更多的开发与运维工作，其架构背景是流处理引擎还不完善，流处理的结果只作为临时的、近似的值提供参考。 后来随着Flink等流处理引擎的出现，流处理技术很成熟了，这时为了解决两套代码的问题。 Linkedln 的 Jay Kreps 提出了 Kappa 架构，在实时计算中可以直接完成计算，也可以跟离线数仓一 样分层，取决于指标的复杂度，各层之间通过消息队列交互(多半是不分层的)，Kappa 架构可以认为是 Lambda 架构的简化版(只要移除 Lambda 架构中的批处理部分即可)。Kappa 架构如下图所示：

2.4 第四代：基于MPP数据库的实时统一数仓架构---数仓增强-2017

　　面对越来越强的OLAP数据分析需求，新一代高性能MPP数据库高速发展：2016年Clickhouse、2017年Doris相继面世。例如，Doris的实时数仓架构。其特点如下：

• 报表分析：面向用户或者客户的高并发报表分析（Customer Facing Analytics）。
• 即席查询（Ad-hoc Query）：面向分析师的自助分析，查询模式不固定，要求较高的吞吐。
• 统一数仓构建 ：一个平台满足统一的数据仓库建设需求，简化繁琐的大数据软件栈。
• 数据湖联邦查询：通过外表的方式联邦分析位于 Hive、Iceberg、Hudi 中的数据，在避免数据拷贝的前提下，查询性能大幅提升。

具体如下图所示：

Doris官网应用架构图：

2.5 第五代：基于数据湖的实时数仓架构-数据湖增强(湖仓一体)-2019

数据湖最早是由Pentaho的创始人兼CTO， 詹姆斯·迪克森(James Dixon)，在2010年10月纽约Hadoop World大会上提出来的。但再国内一直到19年三大数据湖开源后，才真正火起来。其中又以Flink+Iceberg应用范围最广。该架构的特点如下：

• 支持ACID、schema变更。高效 Table Schema 的变更，比如针对增减分区，增减字段等功能.
• 统一存储的准实时数仓。湖仓一体：数据统一存储在数据湖中（Iceberg、hudi、Delta Lake）。批流一体：同时支持流批读写，不会出现脏读等现象.
• 支持高效upset。

架构如下图所示：

回到顶部(go to top)

 3.展望未来

数据仓库从传统数仓阶段-->大数据数据仓库（数据湖）阶段-->新一代实时数仓（湖仓一体）阶段，整体发展趋势可总结几点：

1.湖仓一体: 数据湖和数据仓库的边界正在慢慢模糊，数据湖自身的治理能力、数据仓库延伸到外部存储的能力都在加强。湖仓一体已成为主流趋势，只是时间而已。中小企业可借助云平台快速实现，例如阿里云MaxCompute。

2.更简单的运维: 技术栈合并，一站式解决方案越来越火。例如Flink+Doris的批流一体OLAP架构（甚至Doris自己都可以）。摒弃大数据入门要学习数不清的工具+技术栈的尴尬境地。

3.新架构/新思想：尚未成熟，不建议接入，了解即可。

• Data Fabric: 元数据驱动基于中心化，基于知识图谱的数据资产管理（元数据驱动）。
• Data Mesh数据网格: 采用DDD领域驱动设计思想。数据治理拆分到各业务领域（类似微服务的服务拆分），分而治之，分别产出业务领域的数据产品。