ZB级的大数据探索与应用实践【附PPT】
据报告显示到2025年，全球将产生180ZB的数据。这些海量的数据正是企业进行数字化转型的核心生产因素，然而真正被有效存储、使用和分析的数据不到百分之十。如何从ZB级的数据中寻找分析有价值的信息并回馈到业务发展才是关键。11月30日UCan技术沙龙大数据专场（北京站）邀请了5位资深大数据技术专家分享他们对大数据的探索和应用实践。
大数据业务常态化的处理手段与架构衍变
很多开发人员在解决实际的业务问题时，经常会面临如何选择大数据框架的困惑。比如有十亿条数据需要进行聚合操作，是把数据放在HBase+Phoenix还是Kudu+Impala或是Spark上进行呢？到底哪种方案才能够达到降低开发运营成本且性能足够高的效果呢？ UCloud大数据工程师刘景泽分享了他的思考。
要想对数据进行分析决策，首先要有数据来源，其次要将采集到的数据进行存储，然后把这些数据进行汇总、聚合、计算，最后反馈到数据应用层。目前市面上主流的大数据框架有几百种，总结下来主要分为数据采集层、数据存储层、数据计算层和数据应用层。除此之外，一套完整的大数据技术栈还包括了任务调度、集群监控、权限管理和元数据管理。
面对数量众多、种类繁杂的技术栈，选择的自由度很高，但前提是不能把强依赖的框架给拆分开。这里刘景泽给出了一个通用型架构如下图所示：
图中左边OLTP SDK指的是后台接口，可以调用很多大数据的服务。从接口或者从Flume采集到的数据，直接送到Kafka，然后送到ES，再通过ES进行建模。整个过程相当于只使用了ELK这套系统，虽然很简单，但这也是一个大数据框架。对于数据量比较大、业务范围比较广的公司，往往要求原始数据要做冷备留存，这时HDFS就可以作为一个数据冷备的集群，HDFS + Hive作为冷备也是非常常见的方案。
当业务规模发展到足够大的时候，需要进行一些聚合操作，如果从单独的一个框架拉出来的数据是不完整的，可能需要多个框架同时操作然后进行join，这样操作的效率非常低。要解决这个问题，可以用大宽表的思路：第一步先把业务数据存放在MySQL或者HBase里面。然后通过Spark或Flink，从MySQL或 HBase里面通过异步IO的方式把所需要的维度数据拿出来进行join，join好的数据可以存在HBase中。到这一层的时候，所有的数据维度已经非常完整了。当进行一个重要指标分析的时候，我们只需要从HBase里面拿数据就可以了。对于业务不是非常重的指标可以直接通过Phoenix或者HBase、Impala和Trafodion对接业务需求，把想要的结果输出。
再往后发展，如果业务还是异常繁重，数据处理不过来，我们就可以把明细数据层HBase里面的数据拿出来，放到Spark和 Flink这两个流计算框架中进行预聚合，然后对接到OLTP系统，提供后台服务。
可见，大数据技术栈的选择并没有统一的标准，不同业务场景需要不同的处理方式。正如刘景泽所说：“在很多场景里面，我们面对框架的时候要一以贯之，发现它真正的自由度在哪里？而不要被它们所局限了。”
存储计算分离与数据抽象实践
大数据诞生的初期，很多公司的大数据集群是由一个庞大的Cluster阵列组成，里面包括很多台服务器，也就是集群的计算能力和存储能力分布在一个数据中心。这是由于当时的网络条件较差，导致任务处理中的数据传输开销非常大，而本地磁盘比网络传输更快，因此当时的主要理念就是要以数据为中心做计算，为的是减少数据的迁移，提高计算效率，这里最典型的代表就是MapReduce。
实际上，这种”资源池”方案不能同时充分利用存储和计算资源，造成了大量浪费，还面临着各种组件升级困难、无法区别对待不同数据、定位问题困难、临时调配资源困难等一系列问题。随着网络速度的大幅提升、内存和磁盘的大规模扩容、大数据软件的迭代更新，之前的存储+计算集群的方案该如何改进呢？BLUECITY 大数据总监刘宝亮提出了存储计算分离架构，如下图所示：
要实现存储计算分离，首先存储计算要分开，同时存储内部要分离，计算内部也要分离。存储集群是该架构的核心，因为大数据最重要的就是数据；计算集群是这个架构的灵魂，因为一切的灵活性都是由计算集群带来的。此外，无阻塞网络是此架构最重要的依赖，因为一旦出现网络问题，存储集群的读取和写入操作就不能持平。说到存储计算分离的优点，刘宝亮特别强调了“弹性”，这是由于多集群的软硬件升级更容易、数据可分级对待、可临时创建新集群应对紧急问题等等都更加灵活，从而进一步提升了计算速度。
数据驱动——从方法到实践
所谓数据驱动，就是通过各种技术手段采集海量数据，并进行汇总形成信息，之后对相关的信息进行整合分析并形成决策指导。在这里神策联合创始人&首席架构师付力力将整个数据驱动的环节总结为四步，分别是数据采集、数据建模、数据分析、数据反馈，并且这四个环节要形成闭环，也就是数据反馈最终要回归到数据采集。
数据采集是一切数据应用的根基，可以通过客户端、业务端、第三方数据、线下数据四个方面进行采集，无论以何种方式进行，建议在内部做技术架构设计的时候，要设定统一的数据接入API，通过SDK或服务端的数据采集工具将数据做统一处理接收，方便后续的数据建模。
第二步是数据建模，一个基础的数据模型分为三部分：事件、用户、实体，在此之上，还可以做用户分群，例如根据用户的年龄、性别、省份、手机设备等属性进行划分。数据建模的过程中有一个难点就是ETL，在多数据源采集的情况下，很难找到直接可用的 ETL 产品，因此我们可以搭建好调度、计算框架、质量管理和元数据管理等通用工作，尽量把数据的源头建设好，从而降低运营成本。
第三步数据分析，这里有两种非常典型的思路：一种是通过例行的报表满足基本的指标获取需求，如果是临时性的需求就要通过新的开发解决；另一种是使用抽象的模型覆盖指标体系以及大部分分析需求，通过友好的交互让需要数据的人自主获取数据。后者的灵活性远远大于前者，而数据分析对灵活性的要求会远大于对响应时间的要求。除此之外，数据的可解释性以及整体架构的简洁性也是非常重要的考量因素。
数字时代业务风控的挑战与机遇
企业的业务、营销、生态、数据等正面临日益严重的黑产威胁，面对黑产链条完备、分工明确的形势，现有的风控方案面临着哪些挑战？
数美科技CTO梁堃归纳了三点：第一，防御能力单薄，依赖黑名单、依赖简单人工规则、单点防御（SDK、验证码）；第二，防御时效性差，依赖T+1离线挖掘、策略生效周期长；第三，防御进化慢，缺乏策略迭代闭环、无自学习机制。那么如何改善以上这些问题并建立完整的风控体系呢？
梁堃认为一个全栈式风控体系应该包括布控体系、策略体系、画像体系和运营体系。在布控体系上，我们可以增加设备风险SDK、增加登录注册保护、 提供业务行为保护。在策略体系上，可以对虚拟机设备农场等风险设备、对机器注册撞库攻击等风险操作、对欺诈团伙高危群体进行识别检测等。画像体系可以在多个场景进行数据打通，多行业联防联控，共同对抗黑产。运营体系可通过案例分析、攻防研究、策略的设计、研发、验证、上线、运营等环节形成完整的闭环进行运转，这样才能保证风控一直有效。
这些体系跑在什么样的架构上呢？首先风控系统要跟业务系统解耦，这样业务规则随时升级变化不会影响风控，风控规则的变化不会影响业务。另外一个风控平台结构需要包括多场景策略体系、实时风控平台和风险画像网络，如下图所示：
最后，这整个风控平台的架构是运行在云服务基础设施上的7个全球服务集群，每日请求量达30亿，峰值QPS高达10万+。该架构可分为接入层、策略引擎层、模型引擎层和存储层，通过负载均衡管理每一层的节点，实现动态的横向扩展。
Spark在MobTech应用实操分享
MobTech作为全球领先的数据智能科技平台，目前累计覆盖设备量有120亿，服务开发者32万，累计接入APP数量达50万，庞大的数据量也给MobTech带来了诸多挑战，例如运行的Yarn/Spark任务多、数据体量大、资源开销大、运算时间较长等。
在Mob有大量复杂的任务，业务需求促使其将部分慢任务、Hive任务迁移到Spark上面，取得性能的提升，同时还对一些Spark任务进行优化。MobTech大数据技术架构师张峻滔围绕复杂的Spark使用分享了两个案例：第一个是Spark动态裁减在MobTech的应用。
所谓动态分区裁剪，就是基于运行时（run time）推断出来的信息来进一步进行分区裁剪。假设A表有20亿数据，B表有1000万数据，然后把A表和B表join起来，怎么才能过滤掉A表中无用的数据,这里我们引入了bloomfilter。它的主要特性就是节省空间，如果bloomfilter判断key不存在，那么就一定不存在；如果bloomfilter判断key存在，那么可能存在，也可能不存在。简而言之，这是一种牺牲精度来换取空间的数据结构。Bloomfilter在MobTech具体应用实现如下图所示：
其逻辑SQL如下：
SELECT /*+ bloomfilter(b.id) */
a.*,b.*
FROM a join b on a.id = b.id
第二个案例是Spark在千亿级别数据上的检索与计算。MobTech有4000多个标签需要历史回溯，且回溯时间周期长达2年，回溯频次很低,面对这样的冷数据，如何在资源开销比较小的情况下完成业务检索要求？由于数据分布太散, 4000多标签分布在各个不同的表里面(横向), 历史数据又分布在日表里面(纵向),间接造成搜索要在千亿的数据中进行查找。这里，建立索引的思路有两个：
横向数据整合: 将4000多个标签的日数据索引整合到一个表里面；
纵向数据整合: 将日数据进行周级别/月级别整合。
横向整合的日表数据还是太大, 于是决定将日期和数据ID整合做出一个索引表,来加快日表的查询,确保能直接通过ID定位到具体在事实表中的哪个文件,哪一行有该ID的信息。日表的数据通过Spark RDD的API 获取ID,ORC文件名,行号的信息, 生成增量索引；增量索引通过UDAF合并入全量索引。具体方案如下：
由于篇幅有限，更多精彩技术内容敬请关注浪尖，并回复“大数据”即可获取讲师PPT~