大数据的缘起、发展和未来构思

大数据（big data）的定义

      无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。目前，针对大数据的特点综述，比较公认的是大数据的4V特性

1. Volume：数据量巨大，2020年全球共拥有35ZB的数据量。
2. Variety：种类多，包括结构化数据、非结构化数据，如今的数据类型早已不是单一的文本形式，订单、日志、音频，多类型的数据对数据处理能力提出了更高的要求。
3. Velocity：时效性，海量数据处理的时效性要求很高。
4. Value：价值密度低，如何更迅速地完成数据价值“提纯”是目前海量数据背景下亟待解决的难题。

大数据的缘起

1. 上世纪末，随着数据库技术的成熟，一些商业智能工具和商业数据库存储技术开始被应用。
2. 2000年初，社交网络流行导致的大量非结构化数据出现，且数据量飞速增长，数据处理系统、数据库架构开始重新思考。
3. 2011年麦肯锡全球研究院发布《大数据：下一个创新、竞争和生产力的前沿》
4. “云计算相遇大数据”为主题的EMC World 2011会议中，EMC抛出了Big Data概念。
5. 2012年维克托·舍恩伯格《大数据时代：生活、工作与思维的大变革》宣传推广，大数据概念开始风靡全球。
6. 2013年5月，麦肯锡全球研究院发布了《颠覆性技术：技术改进生活、商业和全球经济》，其中12种新兴技术，并且把大数据技术定义为了基石。
7. 2014年5月，美国白宫发布了2014年全球“大数据”白皮书的研究报告《大数据：抓住机遇，守护价值》。报告鼓励使用数据推动社会进步。

大数据技术的发展

      2000年初，提供搜索服务的公司，Google陆续发表了三篇论文GFS（Google File System）、MapReduce（分布式并行计算框架）、BigTable（大数据分布式数据库），除了创造了三项革命性技术以外，还拉开了hadoop发展的序幕。

      2003-2004年，Google公布了部分GFS和MapReduce思想的细节，受此启发的Doug Cutting率先在Nutch（搜索框架,包括爬虫、索引、查询）项目中使用分布式计算思想，使性能飙升。

      2005年，Hadoop作为Nutch的一部分正式引入Apache基金会。

      2006年1月，Doug Cutting加入雅虎，并在2月hadoop被分离出来，成为一套独立的软件，起名为Hadoop（Doug Cutting儿子毛绒玩具象命名）。

      2006-2008年4月，雅虎网格计算团队不停的优化和测试hadoop，集群规模也从最初的100余个节点发展到4000个节点，同时，也赢得世界最快1TB数据排序，在900个节点上用时209秒。

      2008年9月，Hive成为Hadoop的子项目

      2008年11月，Google宣布其MapReduce用68秒对1TB的程序进行排序。

      2008年， 淘宝开始投入研究基于Hadoop的系统–云梯。

      2009年5月， Yahoo的团队使用Hadoop对1 TB的数据进行排序只花了62秒时间。

      2009年，伯克利大学的实验室研发出了Spark，主攻一站式分布式内存计算框架、同时支持批处理和准实时计算。

      2010年，数据湖概念产生。

      2010年-2011年，各大模块脱离hadoop成为apache顶级项目，包括avro、hbase、hive、pig、zookeeper，同时hadoop社区也在忙于建立大量的新组件，包括sqoop、oozie、flume等，来扩展hadoop的使用场景和可用性。

      2014年，Stratosphere 0.6开始，正式更名为Flink，并成为apache孵化项目，Flink诞生，对Spark都发出了挑战。flink被定义为统一的大数据分析和流计算引擎、下一代大数据处理引擎。

      2017年-2019年，数据湖开源解决方案Delta、Hudi、Iceberg逐步完善。

      2018年-至今，湖仓一体、一体化数据平台、DataOps、数据编织等概念兴起。

      在2010年附近，围绕hadoop生态体系构建的商业，也如雨后春笋般成长，国内外厂商纷纷布局

1. 2009年3月，Cloudera推出CDH。
2. 2009年12月，运营商合作伙伴亚信提出橘云战略、开始对开源hadoop进行研究布局。
3. 2010年5月，IBM提供基于hadoop的大数据分析软件InfoSphere BigInsights。
4. 2011年3月，Platform Computing宣布Symphony软件支持hadoop。
5. 2011年4月，SGI( Silicon Graphics International )基于SGI Rackable和CloudRack服务器产品线提供Hadoop优化的解决方案。
6. 2011年5月，Mapr Technologies公司推出分布式文件系统和MapReduce引擎——MapR Distribution for Apache Hadoop。
7. 2011年6月，数据集成供应商Informatica发布了其旗舰产品，支持Hadoop。
8. 2011年7月，雅虎创建了Hortonworks，并发行HDP产品，并迅速成为了hadoop三大发行版本之一，目前国内的很多发行版本都基于HDP进行二次封装和改造。

      hadoop发展至今，已经从最初HDFS、MapReduce、和Yarn的合称，变成了大数据技术体系的代名词。几乎所有采用分布式理论解决海量数据的采、存、算、查的技术都可以称为大数据技术。从大数据平台（集成大数据技术能力、提供企业级解决方案）的发行版本来看，Hortworks的开源产品HDP、apache开源设计版本hadoop、以及cloudera付费版本CDH三足鼎立（18年末，CDH和HDP合并为CDP，并彻底闭源）。从技术生态来看，后续发展起来的大规模数据存储、实时计算等框架，或多或少都收到了hadoop的启发，同时，几乎都天然适配hadoop。至此，围绕hadoop生态圈构建的商业和技术体系也愈加完善。

      纵观hadoop生态技术的发展史，除了Google公布GFS、MR、BigTable有划时代的意义以外，还有几个里程碑事件尤为重要。第一个是hive的产生，hive作为数据仓库工具，支持开发人员基于sql完成大规模数据的分析、计算，大大降低了开发复杂度。第二个是spark的产生，基于弹性分布式数据集的一站式内存计算框架（支持批处理、准实时处理、机器学习、图计算）等，面对大规模的数据计算场景，如果早期MapReduce是为了解决海量数据可以被计算的问题，那么spark在计算层面的优化，解决的问题是算的更快。第三个flink的产生，同样是以新的理念，优化了计算框架，解决的是有状态数据的流式计算问题，同时，被定义为统一的大数据分析和流计算引擎、下一代大数据处理引擎。目前很多企业，包括 BAT、华为、滴滴、美团、饿了么、携程、360、顺丰、爱奇艺、UBER等。都在大规模使用flink作为他们的核心计算引擎。第四个是数据湖概念的兴起，尤其是与云原生理念结合后，作为全新的企业数据底座，支撑企业数据活动，是当下乃至未来3-5年一个重要的发展方向。

      从以上里程碑事件可以看出端倪，那就是大数据技术的发展趋势，沿着更普惠（开发复杂度低）、效率更高（计算模型优化）的方向发展，同时，随着人们对数据生产要素的重视逐步升级，如何去挖掘更大的价值？如何构建一套灵活的数据架构，来支撑围绕数据的经营活动？是当下经营决策者思考的命题。大数据技术面临最大的挑战变成了，如何将数据生产要素快速连接到业务，实现数据的敏捷制造，让数据要素释放生产力。

大数据技术体系一级架构

      前面提到过，所有采用分布式理论解决海量数据的采、存、算、查的技术都可以称为大数据技术。所以，大数据技术体系一般包含以上几个重要模块，可以看出，基本是围绕业务更好的用数来发展的。其中有几个需要注意的点

1. 多引擎分布式计算：目前大数据计算引擎很多，如专注于批处理的mapreduce，起步很早，但诟病于计算过程中多次刷写磁盘，性能较低，目前已经逐步被淘汰掉。spark，将计算任务解析成DAG，并且大部分计算在内存中完成，可以很大程度的提高计算效率，同时支持批处理和准实时处理（SparkStreaming），完全可以当作mapreduce的替代，目前开源的数据湖解决方案内置的计算引擎就是spark，江湖地位逐步走稳。flink，下一代大数据处理引擎成为新锐，势头正猛。因为技术的不停发展迭代，当下很难评判孰优孰劣，所以，在不同的应用场景，会选择不同的计算引擎。目前比较常见的做法是，在计算之上构建一个公共接口层，来屏蔽各个计算引擎的编程细节，对外开放SQL的接口，最大程度的降低开发门槛。

2. 一站式数据工作台：开发人员基于可视化的方式，完成数据架构的设计、数据标准、数据质量的制定、同时，可以快速完成数据的采集、ETL开发调度、以及数据服务的编排、开放。基本涵盖了所有的数据操作，并且很好的完成了开发即治理。一站式数据工作台向上承接业务，向下连接基础平台。目前很多所谓的”中台产品”做的基本就是这个事情。但是工具是工具、中台是中台，中台的事情可不是一个工具可以解决的。

3. 即席查询：解决的是面向分析场景的交互式查询问题。追求的是更快的存储，更实时的数据更新，更牛的OLAP优化技术。我们一直强调数据架构的灵活性，其实这里有一个矛盾点，如果要灵活，就要最轻程度的聚合数据，如果数据聚合度较低，数据就不能很好的被压缩，那么查询就会变慢。即席查询在技术栈上，有两种方式，一个是采用MPP架构，如impala、ck等技术。另一个是偏向大数据架构，如presto、kudu。

大数据技术的未来构思

1. hadoop存算一体架构向存算分离架构演化：在大数据计算场景中，我们一般采用移动计算、不移动数据的策略来进行优化，会将计算节点和数据节点部署在一起，这会导致三个核心问题，集群规划难（存算耦合、机器带状态，无法弹性扩缩容）、运维负担重（坏盘坏节点无法避免）、存储成本高（容量预留）。在万物云原生的今天，数据存储层可以对象存储为主，计算资源基于K8S进行弹性扩缩容，可以很大程度的满足潮汐计算的需要。

2. 数据湖解决方案逐步替代传统hive数仓：hive最大的问题在于对upsert的能力支持较弱，并没有写scheme的校验。在历史数据发生变化的数据集成场景中，需要设计复杂的ETL架构，如拉链表等，来做upsert的增强，这无疑增加了系统复杂度，同时提高了数据存储和开发成本。如今，iceberg、hudi和delta都很好的支持了upsert能力，并支持数据的实时写入，可以更好的简化数据ETL的复杂度。

3. 流批一体化：目前很多公司依旧采用lambda架构，这种架构的缺点是需要同时维护实时和批处理两套架构，这样会导致数据口径不一致、数据维护成本高等等一系列问题。基于flink技术，实现计算引擎的统一、业务层逻辑的统一，以一套语义完成数据开发，可以更好的提高效率。

4. 多云一站式DataOps：一站式数据平台的升级版，目前一站式数据平台更多的是为了落地数据治理，来规约全链路数据开发的规范性，提高全链路的数据流转效率。但这远远不够，未来的企业的IT基础设施会在多云之上，如何同时实现多云一站式DataOps，并且真正实现基于元数据驱动的DataOps，才是当下要思考的问题。

我是IT指北，欢迎关注公众号：IT转型指北，定期更新高质量文章，记录所思、所想、所感！