毋庸置疑，大數(shù)據(jù)時(shí)代已經(jīng)來了。那么，我們?nèi)绾稳?yīng)對(duì)這種局面呢？下面，我們聽聽擁有此方面經(jīng)驗(yàn)的專家是如何說的吧。

　　首先我們要知道，在成百上千TB的信息中，我們?cè)撊绾纬浞掷么髷?shù)據(jù)。這完全取決于個(gè)人的需求和偏好。Interclick廣告服務(wù)公司找到了一種在提供接近實(shí)時(shí)數(shù)據(jù)分析的同時(shí)，能提供更高效的解決方案。哈佛醫(yī)學(xué)院也了解到，在對(duì)病人數(shù)量和多年保持不變的數(shù)據(jù)研究的情況下，數(shù)據(jù)也會(huì)明顯增長(zhǎng)。互聯(lián)網(wǎng)流量監(jiān)測(cè)機(jī)構(gòu)comSCore，擁有12年的利用列存儲(chǔ)數(shù)據(jù)庫壓縮數(shù)據(jù)的豐富經(jīng)驗(yàn)，事實(shí)上，它采用了排序技術(shù)來優(yōu)化壓縮、減少處理需求。

　　目前，包括雅虎、Facebook、Twitter、NetFlix和eHarmony（美國在線約會(huì)網(wǎng)站）都認(rèn)為，Hadoop是一個(gè)理想化的低成本處理 非結(jié)構(gòu)化數(shù)據(jù)平臺(tái)。它不僅能滿足互聯(lián)網(wǎng)巨頭需要，也能滿足包括摩根大通銀行和其他主流的傳統(tǒng)企業(yè)的需求。數(shù)據(jù)供應(yīng)商InfoChimps同時(shí)發(fā)現(xiàn)，隨著越來越多的附加和輔助應(yīng)用的提供，Hadoop將是提供部署支持的快速成熟方案。

大數(shù)據(jù)時(shí)代下的應(yīng)用

　　當(dāng)然，并非所有的大數(shù)據(jù)部署都是根據(jù)總規(guī)模來衡量。比如Linkshare只保留了幾個(gè)月但每天都需要加載和快速分析多達(dá)數(shù)十GB的數(shù)據(jù)，因此對(duì)于每天的這些數(shù)據(jù)規(guī)模來說它是一個(gè)比較大規(guī)模的部署。除此之外，我們還需要注意數(shù)據(jù)倉庫擴(kuò)展性的六個(gè)維度。只有這樣，我們才可以制定一個(gè)較為準(zhǔn)確的方案，從而滿足最為苛刻的測(cè)試需求，并獲得技術(shù)投資滿足未來需要。

　　一、快速查詢確保高效和及時(shí)

　　大規(guī)模并行處理平臺(tái)、列存儲(chǔ)數(shù)據(jù)庫、數(shù)據(jù)庫內(nèi)處理技術(shù)和內(nèi)存計(jì)算技術(shù)，都可以大幅降低數(shù)據(jù)查詢時(shí)間，從數(shù)天、數(shù)小時(shí)縮減到幾分鐘甚至幾秒。但這并不夠。紐約廣告公司Interclick發(fā)現(xiàn)，快速分析帶來的最主要好處是高效。快速響應(yīng)能爭(zhēng)取到更多時(shí)間進(jìn)行更多、更深入的查詢工作。第二個(gè)好處則是，可以獲得幾近實(shí)時(shí)分析的結(jié)果，據(jù)此分析有助于提高決策反應(yīng)水平和準(zhǔn)確率。

Interclick所采用的大數(shù)據(jù)分析技術(shù)

　　通過快速響應(yīng)，Interclick能夠在幾個(gè)小時(shí)甚至數(shù)分鐘內(nèi)對(duì)網(wǎng)上沖浪者的行為進(jìn)行細(xì)分。它能夠?qū)υL問旅游站點(diǎn)、預(yù)訂酒店站點(diǎn)等的網(wǎng)名行為信息，發(fā)送給相應(yīng)的航空公司、連鎖酒店、汽車租賃公司等。Interclick采用的是ParAccel列存儲(chǔ)數(shù)據(jù)庫部署，內(nèi)存集群可以容納3.2TB容量的數(shù)據(jù)。

#p#副標(biāo)題#e#

二、衡量數(shù)據(jù)增長(zhǎng)時(shí)深知何為貴

　　通過對(duì)長(zhǎng)達(dá)20年的醫(yī)療記錄、研究各種藥物的療效和風(fēng)險(xiǎn)，哈佛醫(yī)學(xué)院吸取到了這樣一種教訓(xùn)--在規(guī)劃數(shù)據(jù)倉儲(chǔ)投資時(shí)，不僅僅需要解諸如客戶、記錄和交易數(shù)量等簡(jiǎn)單問題。雖然病人數(shù)量和時(shí)限仍然較為穩(wěn)定，但各種醫(yī)療記錄卻不斷豐富起來，因?yàn)橛楷F(xiàn)出了很多新的健康監(jiān)測(cè)技術(shù)指標(biāo)。因此，事先了解所有的動(dòng)態(tài)需求至關(guān)重要。

哈佛醫(yī)學(xué)院

　　三、數(shù)據(jù)壓縮和削減存儲(chǔ)成本

　　更好的數(shù)據(jù)壓縮可以節(jié)省每TB硬件成本。列存儲(chǔ)數(shù)據(jù)庫，比惠普的Vertica、Infobright、ParAccel和Sybase IQ，可以實(shí)現(xiàn)30:1或者40:1的壓縮比。而行存儲(chǔ)數(shù)據(jù)庫，比如EMC Greenplum、IBM Netezza和Teradata，平均4:1的壓縮比。這是因?yàn)橹鶢顢?shù)據(jù)可以保持一致，包含郵編、采購訂單號(hào)碼等多種數(shù)據(jù)。而行狀數(shù)據(jù)，比如與客戶相關(guān)的屬性組合--名稱、地址、郵編、采購訂單號(hào)等等，則不具有這種優(yōu)勢(shì)。Aster Data和甲骨文數(shù)據(jù)庫可以提供混合行/列存儲(chǔ)功能。甲骨文的Hybrid Columnar Compression可以提供10:1的壓縮比。

數(shù)據(jù)壓縮

　　壓縮比率不同很大程度上取決于數(shù)據(jù)本身，而且列存儲(chǔ)并不總是最好的選擇。如果在數(shù)據(jù)查詢的時(shí)候需要調(diào)用很大屬性，行存儲(chǔ)方案可能會(huì)表現(xiàn)出更好的性能。事實(shí)上，行存儲(chǔ)數(shù)據(jù)庫經(jīng)常被企業(yè)應(yīng)用在處理混合查詢的數(shù)據(jù)倉庫中，而列存儲(chǔ)數(shù)據(jù)庫更多的是集中在海量數(shù)據(jù)查詢中。

　　四、分類壓縮、減少處理時(shí)間

　　類似連續(xù)性的列數(shù)據(jù)有利于壓縮一樣，我們也可以通過數(shù)據(jù)加載之前進(jìn)行分類從而提高壓縮比。在將數(shù)據(jù)裝載進(jìn)Sybase IQ至 強(qiáng)，comSCore使用Syncsort DMExpress軟件對(duì)數(shù)據(jù)進(jìn)行分類。該公司的CTO Michael Brown（圖示）表示，它可以將10字節(jié)的 數(shù)據(jù)壓縮成3、4個(gè)字節(jié)，而通過分類后的10個(gè)字節(jié)數(shù)據(jù)可被壓縮成1個(gè)字節(jié)。“這將給我們存儲(chǔ)海量數(shù)據(jù)提供了另外一種方式 。”

Michael Brown

　　此外，分類也可以提高數(shù)據(jù)處理效率。comScore對(duì)URL數(shù)據(jù)進(jìn)行分類，從而將Web站點(diǎn)分類查詢工作量降到最低。無需加載40個(gè)網(wǎng)站頁面的URL地址從而在單個(gè)會(huì)話中進(jìn)行訪問，而只需對(duì)它們進(jìn)行分類就可以在Facebook上露出其中20個(gè)頁面，GMail上露出12個(gè)，其他的則可能會(huì)出現(xiàn)在NYTimes.com上面。

　　分類數(shù)據(jù)會(huì)觸發(fā)僅僅3個(gè)站點(diǎn)查詢，而未分類的數(shù)據(jù)則會(huì)引起多個(gè)毫不相關(guān)的數(shù)據(jù)查詢。“它有助于節(jié)約CPU大部分資源和時(shí)間，”Brown說到。完全可以借助SQL語句和自編腳本對(duì)數(shù)據(jù)進(jìn)行分類。不過，在IBM、甲骨文、SAP、SAS等數(shù)據(jù)集成軟件中，數(shù)據(jù)分類也是一個(gè)常見功能。事實(shí)上，Hadoop是一個(gè)真正意義上的大規(guī)模數(shù)據(jù)分類和處理的良好選擇。#p#副標(biāo)題#e#

　五、Hadoop的低成本非結(jié)構(gòu)化數(shù)據(jù)處理

　　Apache Hadoop是成長(zhǎng)速度最快的開源項(xiàng)目之一，它是用于處理分布式數(shù)據(jù)尤其是大量非結(jié)構(gòu)化數(shù)據(jù)的組件集合。而MapReduce是基于Hadoop的快速處理大量信息的編程模型。傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，比如IBM Netezz、甲骨文、Teradata和MySQL不能處理這種數(shù)據(jù)，因?yàn)樗鼈儾荒苓m應(yīng)整行或者整列數(shù)據(jù)的情形，即使它們能夠提供支持，其帶來的許可成本會(huì)令人望而卻步。因?yàn)閿?shù)據(jù)規(guī)模通常都是成百上千TB甚至PB級(jí)。Hadoop是一款免費(fèi)軟件，可以運(yùn)行在低成本的硬件平臺(tái)上（Hadoop部署需要日常維護(hù)，并不是免費(fèi)的）。

Hadoop的特點(diǎn)

　　采用Hadoop的急先鋒包括有雅虎、eHarmony、Facebook、NetFlix和Twitter，而且也有越來越多的商業(yè)機(jī)構(gòu)對(duì)Hadoop開始感興趣。

　　六、Hadoop減輕數(shù)據(jù)加載和處理煩惱

　　據(jù)預(yù)測(cè)，Hadoop市場(chǎng)規(guī)模將增長(zhǎng)到數(shù)十億美元，而且相應(yīng)配套和集成的產(chǎn)品也正在迅速成長(zhǎng)。比如著名的數(shù)據(jù)集成廠商Informatica、Pervasive Software、SnapLogic和Syncsort，都宣布了旨在幫助更快更容易的與新一代處理平臺(tái)協(xié)同的產(chǎn)品或者集成方案。

　　Pervasive Software公司Data Rush工具可以提供與Hadoop協(xié)同、并行處理的優(yōu)化，數(shù)據(jù)服務(wù)商InfoChimps采用該工具與Hadoop實(shí)例運(yùn)行在亞馬遜的EC2云平臺(tái)上。該公司首席技術(shù)官Philip Kromer（圖示）表示，經(jīng)過Data Rush對(duì)數(shù)百GB數(shù)據(jù)的測(cè) 試發(fā)現(xiàn)，其性能提升了2-4倍，由以往的16個(gè)小時(shí)降低到8小時(shí)，從而幫助InfoChimps降低計(jì)算成本，能夠從Twitter和其他非關(guān)系數(shù)據(jù)源獲取更多數(shù)據(jù)。

Philip Kromer

　　Informatica、SnapLogic、Syncsort和其他廠商，在跨傳統(tǒng)數(shù)據(jù)庫和Hadoop部署上使用單個(gè)工具，正使得數(shù)據(jù)加載、分類和匯總變成可能。某個(gè)單一和熟悉的方式和工具集，會(huì)讓管理數(shù)據(jù)的專業(yè)人員工作變得更加輕松。

　　七、速度勝于規(guī)模

　　在很多情況下，大數(shù)據(jù)中的“大”并不是每天加載和分析的信息數(shù)據(jù)庫規(guī)模，比如市場(chǎng)營銷人員，通常加載和分析大量數(shù)據(jù)以盡快洞察市場(chǎng)行情，從而做出快速反應(yīng)，并重新細(xì)分市場(chǎng)，而不會(huì)浪費(fèi)精力和金錢到無用的事情上去。

LinkShare數(shù)據(jù)分析服務(wù)

　　為出版商、廣告商提供搜索、聯(lián)合營銷服務(wù)，廣告網(wǎng)絡(luò)公司Linkshare每天需要裝載和分析數(shù)百GB網(wǎng)絡(luò)點(diǎn)擊數(shù)據(jù)，但總的數(shù)據(jù)庫容量卻僅為6TB。低延遲正越來越成為該公司獲取競(jìng)爭(zhēng)力的法寶之一，該公司首席運(yùn)營官Jonathan Levine表示，“五年以前將昨天的數(shù)據(jù)信息提交給用戶還能滿足需要，但現(xiàn)在不能再拖延了。”

#p#副標(biāo)題#e#

八、充分利用所熟知的領(lǐng)域

　　傳統(tǒng)甲骨文、IBM DB2和微軟SQL Server部署之外，Netezza和Greenplum在2000年中期也進(jìn)入了數(shù)據(jù)倉庫市場(chǎng)。轉(zhuǎn)眼間，甲骨文在2008年推出了Exadata，IBM于去年收購Netezza，而今年的早些時(shí)候微軟推出SQL Server 2008 PDW。IBM、微軟和甲骨文已經(jīng)成為當(dāng)下主流的幾大供應(yīng)商。比如DirectEdge證券交易所，一直以來都是使用微軟解決方案的客戶。該公司首席技術(shù)官Richard Hochron（圖示）表示，PDW成為了“一個(gè)顯而易見的選擇”。

Richard Hochron

　　汽車數(shù)據(jù)提供商Polk公司是甲骨文的客戶，其數(shù)據(jù)庫開發(fā)和運(yùn)營總監(jiān)Doug Miller說，公司選擇Exadata的很大一部分原因，是工作人員對(duì)管理這一類型數(shù)據(jù)庫比較熟悉，他們正在等待著第二版的產(chǎn)品更新。

　　九、基于兼容性的應(yīng)用

　　某些數(shù)據(jù)庫平臺(tái)提供有對(duì)上一代產(chǎn)品的兼容，而其他產(chǎn)品則要求用戶對(duì)數(shù)據(jù)進(jìn)行遷移和產(chǎn)品更新。Teradata就是這種提供保持對(duì)以往產(chǎn)品兼容性的代表產(chǎn)品之一，用戶可以在新舊硬件的混合環(huán)境下提升整體規(guī)模。

　　除此之外，用戶仍需要注意數(shù)據(jù)庫版本和硬件廠商的特殊要求。在方案實(shí)施以前，需要仔細(xì)了解各供應(yīng)商產(chǎn)品的兼容性，同時(shí)也需要著眼于未來的長(zhǎng)久擴(kuò)展。

沃爾瑪網(wǎng)上超市

　　零售業(yè)巨頭沃爾瑪應(yīng)用Teradata已經(jīng)超過了20年。作為新協(xié)議的一部分，沃爾瑪?shù)腡eradata應(yīng)用部署將繼續(xù)擴(kuò)大和更新。一般來說，“服役期”滿的硬件通常都會(huì)為升級(jí)提供很好的理由。相比上一代產(chǎn)品，最新的Teradata產(chǎn)品能夠減少50%的占地面積，降低40%的能源消耗。

　　十、考慮擴(kuò)展性的方方面面

　　數(shù)據(jù)庫專家Richard Winter建議，在進(jìn)行數(shù)據(jù)倉庫平臺(tái)投資時(shí)，要考慮六個(gè)方面的擴(kuò)展性，它們分別是：數(shù)據(jù)的大小、數(shù)據(jù)的復(fù)雜性、用戶數(shù)、查詢量、查詢的復(fù)雜性以及數(shù)據(jù)延遲要求。大量的并發(fā)用戶(1000名、10000名或者更多)，混合查詢以及復(fù)雜的分析，會(huì)受限于大規(guī)模數(shù)據(jù)。如果無法滿足以上這六個(gè)方面，那么系統(tǒng)不堪重負(fù)的速度可能要比預(yù)期更快。

Richard Winter

　　最后，用最復(fù)雜的數(shù)據(jù)，以及最難的查詢需求去測(cè)試那些數(shù)據(jù)倉庫平臺(tái)，這是非常有必要的。同時(shí)，將并發(fā)用戶的工作量進(jìn)行復(fù)制和混合查詢，從而進(jìn)一步測(cè)試數(shù)據(jù)倉庫平臺(tái)。

原文鏈接：http://server.zol.com.cn/258/2582337.html