【阿里在线技术峰会】李金波:企业大数据平台仓库架构建设思路

  • 时间:
  • 浏览:1
  • 来源:5分3D官方_极速5分排列5

第一,通过巧用虚拟节点实现多系统数据源同步,实现跨系统间的数据传输,实现多应用间数据交互。通过巧用虚拟节点减少运维人员在实际再次出显难题时的运维成本。

每个企业在构建人个数仓时,应该根据业务形态和需求场景选着至少的建模依据。对于应用错综错综复杂企业,可不能否 采用多种建模结合的依据,這個在基础层采用维度建模的依据,让维度更加清晰;底下层采用实体关系建模依据,使得底下层更容易被上层应用使用。

维度莫建模或实体关系建模

随着互联网规模不断的扩大,数据也在爆炸式地增长,各种形态化、半形态化、非形态化数据不断地产生。新环境下的数据应用呈现业务变化快、数据来源多、系统耦合多、应用宽度深等形态。越来越基于哪些地方地方形态,该怎么构建数据仓库呢?我认为应该从稳定、可信、丰沛 、透明十个 关键词入手。其中,稳定要求数据的产出稳定、有保障;可信意味数据的质量要足够高;丰沛 是指数据蕴含的业务面要足够丰沛 ;透明要求数据构成流程体系是透明,让用户放心使用。

数据治理

数据底下层

构建数仓的首要步骤可是我我 我进行模型设计。

数据底下层最为重要的目标可是我我 我把同一实体不同来源的数据打通起来,这是可能性当前业务形态下,同一实体的数据可能性分散在不同的系统和来源,且哪些地方地方数据对同一实体的标识符可能性不同。此外,数据底下层还可不能否 从行为中抽象关系。从行为中抽象出来的基础关系,会是未来上层应用两个 多 有点儿要的数据依赖。這個抽象出的兴趣、偏好、习惯等关系数据是推荐、个性化的基础生产资料。

以下为埋点内容。

数据分层

本文根据阿里云高级技术专家李金波在首届阿里巴巴在线峰会的《企业大数据平台仓库架构建设思路》的分享埋点而成。随着互联网规模不断的扩大,数据也在爆炸式地增长,各种形态化、半形态化、非形态化数据的产生,不必 的企业以后现在开始在大数据平台下进行数据处置。分享中,李金波主要从总体思路、模型设计、数加架构、数据治理十个 方面介绍了怎么利用大数据平台的形态,构建更贴合大数据应用的数据仓库。

保障数据质量,可不能否 从事前、事中、事后入手。事前,亲戚亲戚没越来越人可不能否 通过制定每份数据的数据质量监控规则,越重要的数据对应的监控规则应该不必 ;事中,通过监控和影响数据生产过程,对不符合质量要求的数据进行干预,使其不影响下流数据的质量;事后,通过对数据质量具体情况进行分析和打分,将有些不足和改进反馈数据监控体系,推动整体的数据质量提升。

非形态化的数据需用形态化要能使用。非形态化数据形态提取包括语音转文本、图片识别、自然语言处置、图片达标、视频识别等依据。尽管目前数仓架构体系中完整篇 都是可是我我蕴含非形态化数据形态提取操作,但在未来,这将成为可能性。

仓库埋点原则包括四点:第一自下而上结合自上而下的依据,保障数据搜集的全面性;第二高容错性,随着系统耦合度的增加,任何两个 多 系统再次出显难题完整篇 都是对数仓服务产生影响,或者在数仓构建时,高容错性是必不可少的因素;第三数据质量监控需用贯穿整个数据流程,毫不夸张地说,数据质量监控消耗的资源可不能否 等同于数据仓库构建的资源;第四不必担心数据冗余,充分利用存储换易用。

埋点蕴含些实用的点

数据基础层

数据架构包括数据整合、数据体系、数据服务三帕累托图。其中,数据整合又可不能否 分为形态化、半形态化、非形态化三类。

在上下三层的形态的右侧,亲戚亲戚没越来越人增加了流式数据,将其换成成数据体系的一帕累托图。这是可能性当前的数据应用方向会越来越关注数据的时效性,越实时的数据价值度越高。

或者,可能性流式数据集的埋点、加工和管理的成本较高,一般完整篇 都是按照需求驱动的依据建设;此外,考虑到成本因素,流式数据体系的形态更加扁平化,通常不必设计底下层。

总体思路

幻灯片下载:点此进入

在亲戚亲戚没越来越人看来,日志形态越规范,解析成本越低。在日志形态化的过程中,完整篇 都是可是我我一定需用完整篇 平铺数据内容,只需形态化出重要常用字段;同時 ,为了保障扩展性,亲戚亲戚没越来越人可不能否 利用数据冗余保存原始符合字段(如useragent字段)。

数据服务化包括统计服务、分析服务和标签服务:

形态化数据埋点又可细分为全量埋点、增量埋点、实时埋点三类。并是否是埋点依据的人个特点和适应场合如上图所示,其中全量埋点的依据最为简单;实时埋点的埋点质量最难控制。

在传统的架构中,日志的形态化处置是贴到 数仓体系之外的。在大数据平台仓库架构中,日志在埋点到平台以后 不做形态化处置;在大数据平台上按行符分割每条日志,整条日志存储在两个 多 数据表字段;后续,通过UDF或MR计算框架实现日志形态化。

星型模型和雪花模型

亲戚亲戚没越来越人常用的数据仓库的数据分层通常分为集市层、底下层、基础数据层上下三层形态。由传统的多层形态减少到上下三层形态的目的是为了压缩整体数据处置流程的长度,同時 扁平化的数据处置流程有助数据质量控制和数据运维。

直播视频:

数据集市层是上下三层架构的最上层,通常是由需求场景驱动建设的,或者各集市间垂直构造。在数据集市层,亲戚亲戚没越来越人可不能否 宽度挖掘数据价值。值得注意的是,数据集市层需用要能快速试错。

除了建模依据之外,在星型模型和雪花模型的选着上完整篇 都是可能性让使用者左右为难。事实上,并是否是模型是并存的,星型是雪花模型的并是否是。理论上真实数据的模型完整篇 都是雪花模型;实际数据仓库中并是否是模型是并存的。

第四,优化关键路径。优化关键路径中耗时最长的任务是最有效的保障数据产出时间的手段。

数据架构

模型设计

第二,采用强制分区,在所有的表都上都换成时间分区。通过分区,保证每个任务都要能独立重跑,而不产生数据质量难题,降低了数据修复成本;此外通过分区裁剪,还可不能否 降低计算成本。

数据整合

对于数据底下计算过程数据,在保障满足绝大帕累托图应用访问历史数据需用的前提下,缩短数据保留周期,有助降低存储成本;最后有些值得注意的是,冷备可能性成为历史,在大数据平台下不需用单独的冷备设备。

数据服务化

出于成本等因素的考虑,在大数据平台上亲戚亲戚没越来越人依然需用对数据生命周期进行管理。根据使用频率将数据分为冰、冷、温、热四类。两个 多 合理的数据生命周期管理要保证温热数据占整个数据体系大帕累托图;同時 为了保障数据资产的完整篇 性,对于重要的基础数据会长久保留。

数据基础层主要完成的工作包括以下几点:

在埋点中蕴含些实用的点,这里给亲戚亲戚没越来越人分享一下:

常见的模型设计思路包括维度建模和实体关系建模。维度建模实施简单,便于实时数据分析,适用于业务分析报表和BI;实体关系建模形态较错综复杂,但它便于主体数据打通,适合错综复杂数据内容的宽度挖掘。

在选着建模思路和模型类型以后 ,下一步的工作是数据分层。数据分层可不能否 使得数据构建体系更加清晰,便于数据使用者快速对数据进行定位;同時 数据分层要可不能否 错综复杂数据加工处置流程,降低计算错综复杂度。

可能性星型模型相对形态简单,亲戚亲戚没越来越人可不能否 在数据底下层利用数据冗余将雪花模型转换成星型模型,从而有助数据应用和减少计算资源消耗。

在底下层,为了保证主题的完整篇 性或提高数据的易用性,一个劲会进行适当的数据冗余。比如某一实事数据和两个 多 主题相关但自身又越来越成为独立主题,则会贴到 两个 多 主题库中;为了提高单数据表的复用性和减少计算关联,通常会在事实表中冗余帕累托图维度信息。

李金波,阿里云高级技术专家,8年以上互联网数据仓库经历,对系统架构、数据架构拥有丰沛 的实战经验,那我数据魔方、淘宝指数的数据埋点专家。现任阿里云大数据数仓处置方案总架构师。

数据集市层

数据治理完整篇 都是独立于系统之外的保障,它应该贯穿在数仓架构外部和数据处置的流程之中。

亲戚亲戚没越来越人完整篇 都是可是我我选着基于大数据平台构建数据仓库,是由大数据平台丰沛 的形态决定的:

数据生命周期管理

关于分享嘉宾:

第三,应用计算框架完成日志形态化、這個数据计算过程等操作,减轻了开发人员的负担,同時 更容易维护。

下面来具体看下每一层的具体作用。

(点击图片查看视频)

数据质量