歐陽辰，超過15年的軟件開發(fā)和設(shè)計經(jīng)驗，目前就職于小米公司，負責小米廣告平臺的架構(gòu)研發(fā)。
曾為微軟公司工作10年，擔任高級軟件開發(fā)主管，領(lǐng)導(dǎo)團隊參與微軟搜索索引和搜索廣告平臺的研發(fā)工作。曾在甲骨文公司從事數(shù)據(jù)庫和應(yīng)用服務(wù)器的研發(fā)工作。熱愛架構(gòu)設(shè)計和高可用性系統(tǒng)，特別對于大規(guī)模互聯(lián)網(wǎng)軟件的開發(fā)，具有豐富的理論知識和實踐經(jīng)驗。
大家好，很高興能跟大家分享一些關(guān)于實時數(shù)據(jù)分析的話題。
剛畢業(yè)時我有幸去了Oracle公司做企業(yè)軟件數(shù)據(jù)庫，成為Oracle中國第一批研發(fā)員工。后來做了幾年，覺得還是想做互聯(lián)網(wǎng)軟件，就去了微軟，工作了十年左右。在那做兩個項目，一個是搜索，一個是廣告平臺。去年一月份加入小米公司，現(xiàn)在主要負責搭建廣告平臺和大數(shù)據(jù)平臺。
所以今天我會結(jié)合我在小米、微軟的一些大數(shù)據(jù)實踐，給大家談?wù)勎覍Υ髷?shù)據(jù)的理解，并介紹一些好用的工具。
本次演講的內(nèi)容大致分為以下部分：
大數(shù)據(jù)和價值
大數(shù)據(jù)分析工具分類
HBase的應(yīng)用和改進
Druid的實時分析實踐
其它工具的探索
一、大數(shù)據(jù)和價值
什么是大數(shù)據(jù)？眾說紛紜。大家似乎覺得具備快、多、變化大、種類多四個特征的數(shù)據(jù)就是大數(shù)據(jù)，我個人更愿意從另一個角度來定義：只有當你擁有全量的數(shù)據(jù)，并通過非常多的數(shù)據(jù)把問題解決得比較完美時，這時候的問題才是叫做大數(shù)據(jù)問題。
給大家舉個例子：比如說計算中國的人口，我們可以通過每省、每市、每區(qū)的抽樣、采樣等方法來獲取非常接近真實的數(shù)據(jù)，很快就能完成這個任務(wù)。但是這個通過采樣解決人口統(tǒng)計問題的場景是否就是大數(shù)據(jù)問題呢？再給大家舉一個我自己在做的大數(shù)據(jù)問題——廣告系統(tǒng)的推薦。由于每個人看的廣告內(nèi)容、類型都是不一樣的，你需要對每個人去做算法，通過數(shù)據(jù)分析挖掘每個人的數(shù)據(jù)潛力。假設(shè)現(xiàn)在你想通過一些算法找到一些用戶喜歡的廣告或者內(nèi)容，而這時你要找到的內(nèi)容少了一半，你就沒法推算出一半用戶的數(shù)據(jù)，這時候你的效果也差了一半。也就是說你的數(shù)據(jù)量越多，覆蓋越多用戶，效果越好時，這時候我們可以認為它是一個真正的大數(shù)據(jù)問題。
圖1 大數(shù)據(jù)的故事：價值為美
大數(shù)據(jù)外表光鮮亮麗，就像紅樓夢里的大觀園，但里面其實是很無奈的。做大數(shù)據(jù)技術(shù)的同學都知道，這里面涉及到數(shù)據(jù)的清洗、整理、存儲等很多很多枯燥的事情。此外，大數(shù)據(jù)還有一個特點，就是當你有了大數(shù)據(jù)，還得想如何去變現(xiàn)。在我看來，大數(shù)據(jù)實際上很難找到一個直接的途徑來變現(xiàn)，它的確可以去推動業(yè)務(wù)的智能化，做內(nèi)容推薦讓用戶的體驗更好，但這些都是一些間接的變現(xiàn)場景，真正大數(shù)據(jù)能夠變現(xiàn)的場景，我自己總結(jié)了一下，大概有兩個方向：一個是廣告，二是銀行的征信系統(tǒng)，除了這兩個領(lǐng)域之外，很少有公司愿意為數(shù)據(jù)買單。
下面簡單介紹小米的大數(shù)據(jù)技術(shù)框架。
圖2 小米的大數(shù)據(jù)技術(shù)框架
和很多公司類似，小米的大數(shù)據(jù)框架也包括數(shù)據(jù)采集、存儲、管理、分析、算法和可視化。大部分組件都是開源的，另外我們會對一些核心的組件做一些深加工或者優(yōu)化、自定義。其中，在數(shù)據(jù)采集部分就是Scribe，存儲用得較多的還是HBase，后面我會介紹小米在這一塊的優(yōu)化。管理上我們用了Kerberos去做認證，在上面還有一些Spark、Storm、Hive、Impala和Druid。
說到大數(shù)據(jù)應(yīng)用，種類非常多，我簡單講一下小米在大數(shù)據(jù)上的一些應(yīng)用。
圖3 小米大數(shù)據(jù)應(yīng)用
首先是精準營銷，我們可以對每個用戶做一些畫像。用在搜索和推薦上，讓它變得更加精準；還有互聯(lián)網(wǎng)金融，有一些征信體系可以用到；精細化運營；還有防黃牛，因為小米手機的性價比較高，很多時候新品出來時黃牛們會去搶，另一方面，現(xiàn)在的黃牛手段越來越高明了，他們會模擬很多IP、新的賬號或者老的賬號等一些復(fù)雜的購買行為，所以就很需要采取一些手段去防黃牛。還有圖片、圖像的分析和處理，像小米手機新推出的寶寶相冊等。
圖4 小米大數(shù)據(jù)實時分析場景案例
剛剛說的是一些業(yè)務(wù)的場景，還有一些給開發(fā)者用的場景。
比如說小米推出的一個數(shù)據(jù)統(tǒng)計分析平臺，它提供一些API讓你嵌進去，可以用數(shù)據(jù)分析你的應(yīng)用使用情況。然后結(jié)合小米的用戶畫像，為開發(fā)者提供更好的數(shù)據(jù)分析服務(wù)。
目前小米日活超過千萬的APP大概有二十幾家，包括瀏覽器、應(yīng)用商店、視頻等，這些應(yīng)用實時分析的需求非常旺盛，他們都是用這一套系統(tǒng)去做數(shù)據(jù)打點、AB測試、畫像、分組等，所以在后面我們需要一個吞吐量大的實時數(shù)據(jù)分析處理系統(tǒng)來承擔這部分計算的任務(wù)。
圖5 數(shù)據(jù)分析的幾個步驟
說到數(shù)據(jù)分析的步驟，最開始是數(shù)據(jù)收集，然后處理，清洗，建模，分析，最后可視化。這是大概的基本步驟。
從數(shù)據(jù)分析的類型來看，也可以分為四個層次：最下面是一個比較基礎(chǔ)的層次，叫響應(yīng)型分析，基本上是按照商業(yè)需求出商業(yè)報表。第二個層次叫診斷型分析，就是說當你有了很多數(shù)據(jù)以后，從數(shù)據(jù)里面挖掘出一些問題，或者通過數(shù)據(jù)去解釋這些問題，像一些競品分析、趨勢分析。第三個層次叫戰(zhàn)略分析，這個層次相對前面兩個層次來說比較難了，即在做很多公司的分析時，你需要建個模型，然后用數(shù)據(jù)去得出一些結(jié)論，很多咨詢公司就提供這種戰(zhàn)略分析，像麥肯錫、貝恩等公司很多時候就是在這一層次做事情。最后一個層次也難，叫預(yù)測型分析。你不光要建好模，還要想到底怎么做，采用什么樣的行動，給出真正的建議。
二、大數(shù)據(jù)分析工具
小米統(tǒng)計平臺承接的數(shù)據(jù)量非常大，而且對實時的要求非常高，所以在工具的選取上也花了很多時間。下面給大家介紹一下小米在大數(shù)據(jù)實時處理時一些工具選型的思路。
圖6 大數(shù)據(jù)分析工具
實時分析不是一個新問題，但如果上到億萬級的數(shù)據(jù)量時，這個問題也顯得非常重要。在數(shù)據(jù)分析尤其是多維分析這塊，有幾個流派，一個流派是開源的工具，還有一個流派是商業(yè)的工具。商業(yè)的工具中有幾家比較有名，一個是惠普的Vertica，一個是Oracle，Oracle的不足之處就是太貴了，成本較高，還有就是Teradata，美國加州一個老牌的多維數(shù)據(jù)分析公司。在另一邊的開源軟件，也可大概分為兩個流派，一個叫做MOLAP ，它在設(shè)計之初就是想把數(shù)據(jù)結(jié)構(gòu)變成一個多維數(shù)據(jù)庫，這樣查詢起來既快又方便；另一個叫ROLAP，企圖用傳統(tǒng)關(guān)系型數(shù)據(jù)庫去構(gòu)建多維數(shù)據(jù)庫，因為像MySQL、Hive這種傳統(tǒng)數(shù)據(jù)庫是非常方便的�？偟膩碚f，開源的大概有兩條路，一條就是原生的支持多維的，另一條就是通過關(guān)系型數(shù)據(jù)庫去模擬這種多維查詢。原生多維這邊工具的話，小米用的比較多的就是Druid，Pinot，Kylin和ElasticSearch。
圖7 如何選擇數(shù)據(jù)分析工具
在選數(shù)據(jù)分析工具的時候需要考慮很多事情，像一些很重要的數(shù)據(jù)量，還有就是你需要分析這些數(shù)據(jù)的維度有多少，你的用戶并發(fā)度，這些都是實際過程中需要考慮的重要因素。特別是維度，維度越多，系統(tǒng)會越復(fù)雜。
剛剛前面講到小米的統(tǒng)計工具，這里再放一張小米統(tǒng)計后臺的架構(gòu)圖，我把它稍微簡化了一下：
圖8 小米數(shù)據(jù)統(tǒng)計分析平臺-架構(gòu)
首先是手機、電視、電腦把事件通過網(wǎng)絡(luò)打開小米分析服務(wù)器，這時服務(wù)器有兩條路，一條路是把Log存在 Scirbe里面，然后通過MapReduce和HDFS去做計算和存儲，結(jié)果會放到MySQL數(shù)據(jù)庫和HBase中，另外一條路則是所有事件來了以后，經(jīng)過Kafka以及Storm的計算集群把預(yù)計算算好，最后存到HBase中。所以在小米統(tǒng)計平臺上像分鐘級的數(shù)據(jù)都是從上面這條路來的，按天的數(shù)據(jù)則是從下面這條路來的，我們每天會用完整跑的Log去取代實時的數(shù)據(jù)，大概是這樣一個過程。
三、HBase的應(yīng)用和改進
圖9 為什么青睞HBase？
小米用HBase還是蠻多的，HBase是一個比較有名的列式存儲，我們公司也有三個HBase Committer，對HBase做了很多改進。比如對源代碼的改進，改完以后我們又會把這些改進返回到開源社區(qū)。再如名字服務(wù)，以前的話，HBase訪問要填很多Server名、端口名，現(xiàn)在用一個名字就可以訪問，包括HBase是不支持二級索引的，我們往里面增加了索引功能。
圖10 HBase在小米的改進
圖11 HBase在小米
圖11 HBase在小米
在服務(wù)器端改進的過程中，我們發(fā)現(xiàn)有些改進可以反饋到社區(qū)，但有些反饋回去時整個審核流程特別慢，以至于后來小米內(nèi)部慢慢、逐步地就演變成了一個官方的版本，長期來看，這兩個版本的融合值得深思熟慮。
圖12 如何從MySQL平滑遷移到HBASE？
小米在初期時很多業(yè)務(wù)是使用MySQL的，因為相對來說簡單粗暴，但它的容量有限。業(yè)務(wù)容量擴張以后，小米大概有兩億個用戶，1.5億個月活用戶，日活也超過一億多，MySQL一般來說是撐不住的，這個時候很多業(yè)務(wù)就需要遷移到HBase上。
因此，最后小米提出一個很Common的HBase遷移方法，在最開始寫數(shù)據(jù)的時候雙寫，既寫HBase又寫MySQL的，保證新的數(shù)據(jù)會同時存在于HBase和MySQL里，第二個就是把MySQL中的歷史數(shù)據(jù)遷移到HBase，這樣從理論上兩個數(shù)據(jù)庫就能擁有同樣的內(nèi)容了。第三個是雙讀HBase和MySQL，校驗數(shù)據(jù)是不是都一致，一般達到99.9%的結(jié)果時，我們就認為遷移是比較成功的。最后灰度返回到HBase結(jié)果。
圖13 實時數(shù)據(jù)分析之旅
四、Druid的實時分析實踐
一開始做小米統(tǒng)計平臺時，數(shù)據(jù)其實也沒有做到實時的，都是走上面的一條路，第二個階段通過MapReduce處理以后，把數(shù)據(jù)放到關(guān)系型數(shù)據(jù)里面，比如像MySQL這樣的數(shù)據(jù)庫。再后來，業(yè)務(wù)慢慢擴展，RDBMS的容量有限，出現(xiàn)很多問題，所以到第三個階段我們把RDBMS變成HBase，這個階段也持續(xù)了很久，再后來我們想得到實時的數(shù)據(jù)，來到第四步，通過Kafka、Storm再到RDBMS或者NoSQL，最后一步我們直接是把數(shù)據(jù)從Kafka轉(zhuǎn)到Druid。
圖14 幾種開源MOLAP分析工具的比較
Druid由一家叫MetaMarkets的公司開發(fā)，目前像Yahoo、小米、阿里、百度等公司都在用它大量地做一些數(shù)據(jù)的實時分析，包括一些廣告、搜索、用戶的行為統(tǒng)計。它的特點包括：
為分析而設(shè)計
為OLAP而生，它支持各種filter、aggregator和查詢類型。
交互式查詢
低延遲數(shù)據(jù)，內(nèi)部查詢?yōu)楹撩爰墶?/div>
高可用性
集群設(shè)計，去中性化規(guī)模的擴大和縮小不會造成數(shù)據(jù)丟失。
可伸縮
現(xiàn)有的Druid部署每天處理數(shù)十億事件和TB級數(shù)據(jù)。Druid被設(shè)計成PB級別。
與Druid相類似的實時數(shù)據(jù)分析工具，還有Linkedln的Pinot和eBay的Kylin，它們都是基于Java開發(fā)的。Druid相對比較輕量級，用的人也多，畢竟開發(fā)時間久一些，問題也少一些。
圖15 DRUID使用場景：廣告實時統(tǒng)計分析架構(gòu)圖（非計費部分）
Druid在小米內(nèi)部除了應(yīng)用于小米統(tǒng)計之外，還應(yīng)用于廣告系統(tǒng)。小米的廣告系統(tǒng)主要是對每個廣告的請求、點擊、展現(xiàn)做一些分析，一條線是通過Kafka→Druid→數(shù)據(jù)可視化顯示，另外一條路就是完整數(shù)據(jù)落盤到HDFS，每天晚上通過數(shù)據(jù)重放去糾正Druid里的一些數(shù)據(jù)，覆蓋Druid的準確數(shù)據(jù)，最后做可視化。
五、其它工具的探索
圖16 什么是Pinot
Pinot，Linkedln開發(fā)的類似于Druid的多維數(shù)據(jù)分析平臺，它的功能實際上要比Druid強大一些，但因為去年才剛剛開始開源，用的人比較少。大家有興趣的可以去試試。它的整個代碼量也比較大，架構(gòu)與Druid也非常相似，但它引入了更好的一種協(xié)調(diào)管理器，更多的是一種企業(yè)級別的設(shè)計，更加完整、規(guī)范。
圖17 Apache KYLIN
Kylin是eBay的開源分析工具，它的優(yōu)點就是很快，特別適合每天定時報表，缺點也很明顯，就是隨機查詢很慢。它還有一個好處就是支持標準的SQL，與Tableau等BI工具集成，可以直接連到eBay的這個Kylin工具。而且，Kylin在Fast Cubing上做了一些預(yù)處理，反應(yīng)較快。
圖18 Apache KUDU
KUDU是去年十月份Apache開源的一個工具，與小米聯(lián)合發(fā)布。它的定位是什么呢？大家都知道Druid是一個批處理、高容量的查詢系統(tǒng)，響應(yīng)時間很慢，而HBase可以支持快速的響應(yīng)時間，但它主要是一個寫少讀多的情況。
圖19 小米KUDU的實踐
KUDU，走在這兩個極端的中間，它既能夠保證大吞吐，又可以保證低延時。小米從去年十月份開始使用KUDU，主要用于一些服務(wù)質(zhì)量監(jiān)控、問題排查，總體感覺還不錯。小米也是KUDU現(xiàn)在最大的一個用戶，因為我們很多時候需要考慮HBase和Druid綜合的一些優(yōu)點，所以KUDU也是小米目前實驗的一個工具。
圖20 ElasticSearch
ElasticSearch可能很多公司都有實踐，同樣可以對LOG和信息做一些倒排表，核心是用Lucene去做索引。
最后，小米雖然每天都在處理大數(shù)據(jù)、各種用戶的數(shù)據(jù)，但我自己的信念就是“我們需要像保護自己的眼睛一樣保護用戶的隱私”，小米在用戶隱私這方面投資了很多，并做出了明確的規(guī)定。
圖21 用戶隱私保護
在歐洲，很多公司內(nèi)部會把數(shù)據(jù)分成很嚴格的等級，像個人信息，所有可以關(guān)聯(lián)到個人的信息都是存在一個獨立的庫，任何人都沒有權(quán)限去訪問。還有一些普通信息，大家是可以用的，還有比如說超過一萬人的一些聚合信息，可以拿去做一些算法。但個人信息是堅決不可以訪問的。而在2006年4月14日，歐洲當時還推出了一個非常酷的隱私權(quán)保護條例，它定義了每個公司要設(shè)立首席數(shù)據(jù)官，來保護數(shù)據(jù)隱私，并且要求每個公司數(shù)據(jù)都是可遷移的，也就是說，你的公司雖然擁有數(shù)據(jù)，但數(shù)據(jù)有權(quán)利把屬于他的個人信息從一個服務(wù)商轉(zhuǎn)移到另外一個服務(wù)商。
分享的最后，總結(jié)一下我做數(shù)據(jù)分析多年來的心得：
1、沒有業(yè)務(wù)應(yīng)用的大數(shù)據(jù)都是耍流氓，不要純粹去找工具，一定要結(jié)合業(yè)務(wù)去選擇。
2、技術(shù)選型沒有想象中那么重要，實用和精通為妙。
3、維度不夠是一個永遠的痛，無盡的傷。在數(shù)據(jù)分析的過程中，維度是不斷增加的。所以在未來選擇工具的同時，一定要考慮維度的增加。
4、像保護你的眼睛一樣去保護用戶的權(quán)利和隱私。
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.ezxoed.cn/
本文標題：你所不知的小米大數(shù)據(jù)技術(shù)
本文網(wǎng)址：http://www.ezxoed.cn/html/consultation/10839719834.html
本文轉(zhuǎn)自：e-works制造業(yè)信息化門戶網(wǎng)
本文來源于互聯(lián)網(wǎng)，拓步ERP資訊網(wǎng)本著傳播知識、有益學習和研究的目的進行的轉(zhuǎn)載，為網(wǎng)友免費提供，并盡力標明作者與出處，如有著作權(quán)人或出版方提出異議，本站將立即刪除。如果您對文章轉(zhuǎn)載有任何疑問請告之我們，以便我們及時糾正。聯(lián)系方式：QQ：10877846 Tel：0755-26405298。
相關(guān)文章
