寫(xiě)在開(kāi)頭，我們是誰(shuí)?
我們是星環(huán)科技的大數(shù)據(jù)研發(fā)部門，是國(guó)內(nèi)專注于大數(shù)據(jù)平臺(tái)技術(shù)研發(fā)的團(tuán)隊(duì)，大數(shù)據(jù)領(lǐng)域平均工作經(jīng)驗(yàn)超過(guò)3年，一支有技術(shù)理想的團(tuán)隊(duì)。
為什么我們要?jiǎng)?chuàng)建大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室的公眾號(hào)?
1. 復(fù)雜的大數(shù)據(jù)技術(shù)棧
提到大數(shù)據(jù)，很多人可能都聽(tīng)說(shuō)過(guò)4V - Big Volume, Big Velocity, Big Variety, Big Value，大數(shù)據(jù)從業(yè)人員的工作內(nèi)容也都和這4個(gè)V中的某些內(nèi)容密切相關(guān)。
相比較傳統(tǒng)的數(shù)據(jù)庫(kù)技術(shù)，大數(shù)據(jù)的技術(shù)棧在過(guò)去幾年取得非常迅速的發(fā)展，尤其是Hadoop和Spark已經(jīng)構(gòu)建了一個(gè)龐大的技術(shù)生態(tài)圈。
文件系統(tǒng)方面，除了傳統(tǒng)的行式存儲(chǔ)，還有新的列式存儲(chǔ)格式如ORC，Parquet，以及一些新型的用SSD或者內(nèi)存加速的存儲(chǔ)，如Transwarp Holodesk以及Tachyon。此外，還有Ceph等新型文件系統(tǒng)。
在文件系統(tǒng)之上，各種存儲(chǔ)引擎也迅速發(fā)展，如NoSQL類的HBase，MongoDB，CouchDB，它們?cè)谝恍┐髷?shù)據(jù)場(chǎng)景下表現(xiàn)的非常出色(如高并發(fā)，文檔存儲(chǔ)等)，而放棄另外一些特性，如事務(wù)和SQL支持;不過(guò)近年也涌現(xiàn)出一些新的NoSQL存儲(chǔ)引擎，重新拾起來(lái)SQL和事務(wù)，如VoltDB，CockroachDB，以及Transwarp Hyperbase。
計(jì)算引擎的發(fā)展更是日新月異，可以按照批處理/交互式/流式/迭代式做個(gè)大體的分類。批處理引擎在大數(shù)據(jù)領(lǐng)域發(fā)展的最快，MapReduce，Spark，Tez等已在大規(guī)模商用;交互式分析引擎的代表有Dremel，Presto，Impala等，目前還處于未能完全證明商用能力，但是在快速發(fā)展并且驗(yàn)證的階段;流式引擎這兩年發(fā)展很快，Spark Streaming/Flink/Storm/Samza是其中的代表;迭代式引擎有Graphx，Pregel，以及Transwarp Graphene等。
數(shù)據(jù)分析領(lǐng)域，各種工具更是層出紛紜，如Hive，Mahout，MLlib，R，Kylin等，除了開(kāi)源技術(shù)，我們研發(fā)的Transwarp Inceptor是國(guó)內(nèi)經(jīng)過(guò)商業(yè)檢驗(yàn)的比較優(yōu)秀的大數(shù)據(jù)分析工具。
數(shù)據(jù)集成和調(diào)度工具也有很多的開(kāi)源項(xiàng)目涌現(xiàn)出來(lái)，如Oozie，Azkaban，Crunch，Sqoop，F(xiàn)lume，Kafka等等。
因?yàn)檫@么復(fù)雜的技術(shù)棧，以及各種層出不窮的新技術(shù)，開(kāi)發(fā)者會(huì)面臨著極大的學(xué)習(xí)成本，以及很困難的選型考量。如何選擇更合適的技術(shù)方案，如何做基于大數(shù)據(jù)的新的應(yīng)用的開(kāi)發(fā)，如何去管理和運(yùn)維大數(shù)據(jù)產(chǎn)品，這是新技術(shù)時(shí)代的主要問(wèn)題。因此，我們希望通過(guò)大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室，將我們掌握的一些技術(shù)/原理等傳播給讀者，分享我們的經(jīng)驗(yàn)和教訓(xùn)，共同促進(jìn)大家對(duì)大數(shù)據(jù)技術(shù)的掌握和理解。
2. 曲折反復(fù)的發(fā)展趨勢(shì)
為了處理大數(shù)據(jù)的4個(gè)V，大數(shù)據(jù)的技術(shù)棧變得非常繁雜，同時(shí)各個(gè)技術(shù)的發(fā)展趨勢(shì)在過(guò)去幾年也有一些有意思的變化。如MPP并行計(jì)算和分布式批處理計(jì)算的方向上分分合合，低延時(shí)計(jì)算架構(gòu)的演變，以及NoSQL數(shù)據(jù)庫(kù)的演進(jìn)路線。
傳統(tǒng)的并行數(shù)據(jù)庫(kù)(如MPP架構(gòu))和基于MapReduce/Spark的分布式批處理的計(jì)算模式，在2010年左右曾經(jīng)發(fā)生過(guò)比較激烈的技術(shù)方向辯論(http://database.cs.brown.edu/papers/stonebraker-cacm2010.pdf， http://www.cs.princeton.edu/courses/archive/spr11/cos448/web/docs/week10_reading2.pdf )，而后幾年，Cloudera的分析引擎Impala又將Share Nothing 的MPP(Massive Parallel Processing)處理風(fēng)格引入，分歧的雙方似乎又回到了起點(diǎn)。不過(guò)隨著Spark等類似的內(nèi)存計(jì)算引擎的興起以及完善，
MPP的技術(shù)又被拋棄，并且涌現(xiàn)出來(lái)性能和可擴(kuò)展性更好的數(shù)據(jù)分析引擎，如Transwarp Inceptor，Presto以及SparkSQL，分布式批處理又再次和MPP技術(shù)方向分道揚(yáng)鑣。
為了解決Big Velocity，滿足IoT等場(chǎng)景的需求，實(shí)時(shí)和低延時(shí)處理的計(jì)算架構(gòu)在快速的發(fā)展過(guò)程中，如何處理批處理和交互式分析之間的平衡，也不斷推進(jìn)這計(jì)算架構(gòu)的演進(jìn)。最經(jīng)典的莫過(guò)于Lambda架構(gòu)，同時(shí)也是使用比較廣泛的架構(gòu);此外Twitter的SummingBird支持以批處理或者流處理模式，或者混合模式以統(tǒng)一的方式來(lái)執(zhí)行代碼，也是個(gè)比較新穎的架構(gòu)。
NoSQL數(shù)據(jù)庫(kù)發(fā)展也非常有意思，早期因?yàn)閭鹘y(tǒng)數(shù)據(jù)庫(kù)處理速度慢，事務(wù)過(guò)于復(fù)雜，SQL編譯過(guò)重等原因，不能滿足很多場(chǎng)景的需求，各種NoSQL數(shù)據(jù)庫(kù)快速發(fā)展起來(lái)，如HBase，Cassandra，MongoDB等，API編程開(kāi)始流行。然而隨著時(shí)間推移，各個(gè)NoSQL數(shù)據(jù)庫(kù)發(fā)現(xiàn)了API編程的缺陷以及功能缺失導(dǎo)致的適用場(chǎng)景首先，又開(kāi)始走回SQL之路，如Cassandra和MongoDB;此外，不支持事務(wù)的架構(gòu)又不能保證2~3年后是否會(huì)因?yàn)椴粷M足業(yè)務(wù)需求而過(guò)時(shí)，也是NoSQL數(shù)據(jù)庫(kù)的一個(gè)隱憂。因此，圖靈獎(jiǎng)得主大神Michael Stonebraker預(yù)測(cè)NoSQL數(shù)據(jù)庫(kù)最終將和SQL數(shù)據(jù)庫(kù)融合：SQL數(shù)據(jù)庫(kù)們通過(guò)增加對(duì)非結(jié)構(gòu)化數(shù)據(jù)的處理，如JSON的支持來(lái)提升業(yè)務(wù)場(chǎng)景的可適應(yīng)性;而NoSQL數(shù)據(jù)庫(kù)則開(kāi)始加入SQL的支持和分布式事務(wù)(參見(jiàn)Michael Stonebraker的演講 “What Does ‘Big Data’ Mean and Who Will Win?”)。 在這點(diǎn)上，Transwarp Hyperbase早已經(jīng)開(kāi)始了這個(gè)技術(shù)融合，基本完成了SQL支持/分布式事務(wù)以及非結(jié)構(gòu)化數(shù)據(jù)處理能力的打造。
技術(shù)的發(fā)展趨勢(shì)往往不是那么一往無(wú)前，而是一直不停的迭代，然后論證，然后互相影響，并可能出現(xiàn)一些方向上的變化。大數(shù)據(jù)技術(shù)也同樣如此，對(duì)于從業(yè)人員來(lái)說(shuō)，在設(shè)計(jì)一個(gè)新系統(tǒng)的時(shí)候往往需要考慮到今后一定時(shí)間的發(fā)展趨勢(shì)，并接合著業(yè)務(wù)來(lái)推進(jìn)系統(tǒng)的演進(jìn)。這也是我們創(chuàng)建開(kāi)發(fā)實(shí)驗(yàn)室的第二個(gè)原因：與廣大從業(yè)人員一起對(duì)大數(shù)據(jù)發(fā)展的歷史故事進(jìn)行梳理，分析對(duì)未來(lái)技術(shù)的趨勢(shì)的看法，然后在細(xì)分領(lǐng)域?qū)で笸黄?，以更好的適應(yīng)這個(gè)大數(shù)據(jù)時(shí)代。
3. 星環(huán)大數(shù)據(jù)技術(shù)的布道者
星環(huán)專注于大數(shù)據(jù)技術(shù)超過(guò)3年，目前Transwarp Data Hub包含4個(gè)組件來(lái)分別解決大數(shù)據(jù)的4-V技術(shù)問(wèn)題。Inceptor解決了Big Volume上的ETL和Analytics的問(wèn)題，Stream針對(duì)Big Velocity提供了基于SQL的解決方案，Hyperbase融合了對(duì)結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的處理能力，從而可以滿足Big Variety的需要，Discover幫助用戶來(lái)挖掘出big data里面的Big Value。
TDH走的是非開(kāi)源路線，因此在技術(shù)傳播上沒(méi)有開(kāi)源項(xiàng)目對(duì)大眾影響深遠(yuǎn)。我們認(rèn)為技術(shù)的共享不應(yīng)該有邊界，因此希望通過(guò)這個(gè)公眾平臺(tái)，將我們研發(fā)的有意思的功能，模型，方案等新技術(shù)，通過(guò)比較合理的方式與外界共享，并通過(guò)這個(gè)平臺(tái)構(gòu)建一個(gè)積極反饋的閉環(huán)。
我們的愿景
以技術(shù)之名，做一個(gè)有價(jià)值的大數(shù)據(jù)技術(shù)深度分享的平臺(tái);
以原創(chuàng)為主，做一個(gè)有深度的創(chuàng)新思維的技術(shù)社區(qū);
歡迎有技術(shù)理想的朋友們加入我們。
關(guān)于大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室
大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室是一個(gè)豐富的大數(shù)據(jù)學(xué)習(xí)和大數(shù)據(jù)資訊平臺(tái)，由行業(yè)內(nèi)頂尖大數(shù)據(jù)公司星環(huán)科技運(yùn)營(yíng)，每周都會(huì)放送一定數(shù)量的博文干貨，小到各種大數(shù)據(jù)技術(shù)掃盲貼，大到各種大數(shù)據(jù)前沿技術(shù)分析文，另外還有一些大數(shù)據(jù)熱門產(chǎn)品的內(nèi)部窺探，大數(shù)據(jù)未來(lái)的發(fā)展動(dòng)向等一系列非常具有市場(chǎng)參考價(jià)值的文章。除此之外，大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室也是一個(gè)大數(shù)據(jù)技術(shù)交流和分享的圈子，用戶可以在該公眾號(hào)留言，提出自己的想法或問(wèn)題，屆時(shí)會(huì)有管理員進(jìn)行回答，后期甚至?xí)性敿?xì)的針對(duì)該問(wèn)題或想法的博文放送，歡迎關(guān)注“大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室”。
關(guān)注公眾號(hào)“大數(shù)據(jù)開(kāi)放實(shí)驗(yàn)室”，獲取最新技術(shù)干貨。
