大数据应用之双色球算奖平台总体设计数据规模估算篇

引子：什么才算大数据？

　　自从写了上一篇《大数据应用之双色球算奖平台总体设计大纲篇一》，受到许多园友的关注和指导，在此表示感谢，尤其是园友个人知识管理给出的一个评论，让我深思，原文如下“双色球算奖这么简单的活，也称大数据。先生：不是数据多，叫大数据。双色球算奖，用Oracle数据库的索引，1分钟内就算完。关键是人家不想这么快”。话不太好听，尤其是称我为先生那句，但却发人深思，是啊：到底什么是大数据呢？选择双色球算奖作为大数据应用的切入点是否合适呢？然后就是让我诧异的1分钟理论很是吓了我一跳的。

　　说一下自己的理解吧，大数据是指那些很大的数据集，大到传统的数据库软件工具已经无法采集、存储、管理和分析。大数据既有存储规模方面的考虑，同时也涉及到分析计算规模的考虑。之所以选择双色球算奖平台作为大数据应用的案例，也正是考虑到这两个方面的问题。其一，历史投注明细信息的存储，如果采用传统的关系型数据库，肯定是不合适，无论是分区还是分表，都无法解决根本问题。其二、当前投注规模的情况下，进行快速算奖，所要进行的计算规模肯定也不是一个传统方式能轻易解决的问题。

　　当然关于具体多大规模的数据才算大数据，目前为止尚未有一个官方的界定阈值的存在，规定超过多少算大数据，低于多少不算大数据的说法。既然没有标准，也就无所谓是与不是，见仁见智，不一而足。

一、概述 业务规则

 双色球奖项设置和兑奖规则如下所示：

“双色球”彩票以投注者所选单注投注号码（复式投注按所覆盖的单注计）与当期开出中奖号码相符的球色和个数确定中奖等级： 

一等奖：7个号码相符（6个红色球号码和1个蓝色球号码）（红色球号码顺序不限，下同） 

二等奖：6个红色球号码相符； 

三等奖：5个红色球号码和1个蓝色球号码相符； 

四等奖：5个红色球号码或4个红色球号码和1个蓝色球号码相符； 

五等奖：4个红色球号码或3个红色球号码和1个蓝色球号码相符； 

六等奖：1个蓝色球号码相符（有无红色球号码相符均可）。

二、数据对象分析

　　 既然是数据规模的评估，我们要解决的首先就是数据对象的确认。针对双色球算奖平台，我们需要关注那些数据对象呢？按照矛盾论的观点，事物的矛盾分为主要矛盾和次要矛盾，其中主要矛盾起决定性作用。所以在这里我们只考虑双色球算奖平台涉及的最主要的数据对象，而不考虑其他细节问题。

数据对象主要包括以下几个方面：

（1）销量统计：包括全国、分省市、销售网点的销量汇总统计数据。

（2）中奖统计：包括全国、分省市、销售网点的各奖项的中奖注数汇总统计数据。

（3）开奖号码：包括每一期开奖号码信息。

（4）奖金信息：包括每一期次各奖项奖金多少的统计数据。

（5）选注明细：当前期次选注明细数据。

（6）选注历史明细：历史期次选注明细数据。

（7）中奖选注明细：当前期中奖选注明细数据。

（8）中奖选注历史明细：历史中奖选注明细数据。

　　如果从存储规模和计算规模两个维度分别考虑，针对销量统计、中奖统计和奖金信息，我们需要关注的是计算规模；针对选注明细、选注历史我们要关注的则是存储规模。

三、存储规模评估　　

3.1 数据结构

             针对双色球算奖平台而言，所有需要存储的数据中，选注历史明细信息的存储是规模最大的，根据目前双色球每一期次的平均销量来看，需要存储的每一期次选注明细信息约为2亿条记录。每一选注需要存储的信息包括：站号、操作员、流水号、销售期、有效期、销售时间、金额、投注明细（多条）、开奖时间和附加码。具体如下图所示：

 

为简化我们的分析，我们将复式投注和胆拖投注明细拆分成单式投注进行存储，具体数据结构如下：

序号	字段名称	类型	长度
1	期次	Char	7（YYYYMMN）
2	站号	Char	8（全国唯一）
3	流水号	Char	6（右侧补零）
4	Red1	char	2（左侧补零）
5	Red2	Char	2（左侧补零）
6	Red3	Char	2（左侧补零）
7	Red4	Char	2（左侧补零）
8	Red5	Char	2（左侧补零）
9	Red6	Char	2（左侧补零）
10	Blue	char	2（左侧补零）

按照简化后的数据存储，单注明细需要的存储空间=35字节，每一期次需要存储的绝对数据规模=200000000*35/1024/1024=6675.7M。如果单从这个角度来看，数据存储规模还真的不算大。但是考虑到RDMS表的存储和访问，无论是采用分区，还是分表，能够实现的其实只是把数据塞进去，至于，读出来，如何读出来则将会是一个悲剧。不要告诉我用索引，用索引需要付出的代价是什么，我想有更多的人比我清楚。

3.2 测试环境

项	值	备注
操作系统	Windows XP
数据库	Sybase15.7
CPU	T5550	双核1.83
内存	2G
硬盘	200G

3.3 测试结果-无索引插入

轮次	插入记录数	耗时
第一轮	200w	15分03秒
第二轮	200w	18分05秒
第三轮	200w	19分04秒

3.4 数据库空间-1000w记录数据库空间

四、计算规模评估

　　这部分设计到具体采用的算法，但是无论采用何种算法，2亿次规模的数据遍历是必须的，之前园友提到的方法其实很好，根据开奖号码，设计中奖选注表，利用待兑奖数据进行组合ID比较，然后得出目标选注。然后进行奖项层次的细分，思路很好，可是有没有想到过2亿次乘以目标中奖选注表项个数的计算规模有是多少次呢。如果采用SQL的方式，时间呢，又需要多少的时间？有数据有真相，正在跑相关的测试案例。至少目前看到的结果，很不理想。

正在跑测试数据，持续更新中，有图有真相，有数据才有说服力！敬请关注、支持！求推荐！