數(shù)據分析工作雖然隱藏在業(yè)務系統(tǒng)背后，但是具有非常重要的作用，數(shù)據分析的結果對決策、對業(yè)務發(fā)展有著舉足輕重的作用。

隨著大數(shù)據技術的發(fā)展，數(shù)據挖掘、數(shù)據探索等專有名詞的曝光度越來越高，但是在類似于Hadoop系列的大數(shù)據分析系統(tǒng)大行其道之前，數(shù)據分析工作已經歷了長足的發(fā)展，尤其是以BI系統(tǒng)為主的數(shù)據分析，已經有了非常成熟和穩(wěn)定的技術方案和生態(tài)系統(tǒng)，對于BI系統(tǒng)來說，大概的架構圖如下：

可以看到在BI系統(tǒng)里面，核心的模塊是Cube。Cube是一個更高層的業(yè)務模型抽象，在Cube之上可以進行多種操作，例如上鉆、下鉆、切片等操作。

大部分BI系統(tǒng)都基于關系型數(shù)據庫，而關系型數(shù)據庫使用SQL語句進行操作，但是SQL在多維操作和分析的表示能力上相對較弱，所以Cube有自己獨有的查詢語言MDX。

MDX表達式具有更強的多維表現(xiàn)能力，因此以Cube為核心的分析系統(tǒng)基本占據著數(shù)據統(tǒng)計分析的半壁江山，大多數(shù)的數(shù)據庫服務廠商直接提供BI套裝軟件服務，輕易便可搭建出一套OLAP分析系統(tǒng)，不過BI的問題也隨著時間的推移逐漸暴露出來：

BI系統(tǒng)更多以分析業(yè)務數(shù)據產生的密度高、價值高的結構化數(shù)據為主，對于非結構化和半結構化數(shù)據的處理非常乏力。例如圖片、文本、音頻的存儲、分析。

由于數(shù)據倉庫為結構化存儲，當數(shù)據從其它系統(tǒng)進入數(shù)據倉庫這個東西，我們通常叫做ETL過程，ETL動作和業(yè)務進行了強綁定，通常需要一個專門的ETL團隊去和業(yè)務做銜接，決定如何進行數(shù)據的清洗和轉換。

隨著異構數(shù)據源的增加，例如如果存在視頻、文本、圖片等數(shù)據源，要解析數(shù)據內容進入數(shù)據倉庫，則需要非常復雜的ETL程序，從而導致ETL變得過于龐大和臃腫。

當數(shù)據量過大的時候，性能會成為瓶頸，在TB/PB級別的數(shù)據量上表現(xiàn)出明顯的吃力。

數(shù)據庫的范式等約束規(guī)則，著力于解決數(shù)據冗余的問題，是為了保障數(shù)據的一致性。但是對于數(shù)據倉庫來說，我們并不需要對數(shù)據做修改和一致性的保障，原則上來說，數(shù)據倉庫的原始數(shù)據都是只讀的，所以這些約束反而會成為影響性能的因素。

ETL動作對數(shù)據的預先假設和處理導致機器學習部分獲取到的數(shù)據為假設后的數(shù)據，因此效果不理想。例如，如果需要使用數(shù)據倉庫進行異常數(shù)據的挖掘，那么在數(shù)據入庫經過ETL的時候就需要明確定義需要提取的特征數(shù)據，否則無法結構化入庫，然而大多數(shù)情況是需要基于異構數(shù)據才能提取出特征。

在一系列的問題下，以Hadoop體系為首的大數(shù)據分析平臺逐漸表現(xiàn)出優(yōu)異性，圍繞Hadoop體系的生態(tài)圈也不斷變大，對于Hadoop系統(tǒng)來說，從根本上解決了傳統(tǒng)數(shù)據倉庫瓶頸的問題，但是也帶來一系列的新問題：

• 從數(shù)據倉庫升級到大數(shù)據架構，是不具備平滑演進的，基本等于推翻重做;
• 大數(shù)據下的分布式存儲強調數(shù)據的只讀性質，所以類似于Hive、HDFS這些存儲方式都不支持update，HDFS的write操作也不支持并行，這些特性導致其具有一定的局限性。

基于大數(shù)據架構的數(shù)據分析平臺側重于從以下幾個維度去解決傳統(tǒng)數(shù)據倉庫做數(shù)據分析面臨的瓶頸：

分布式計算：分布式計算的思路是讓多個節(jié)點并行計算，并且強調數(shù)據本地性，盡可能的減少數(shù)據的傳輸，例如Spark通過RDD的形式來表現(xiàn)數(shù)據的計算邏輯，可以在RDD上做一系列的優(yōu)化，來減少數(shù)據的傳輸。

分布式存儲：所謂的分布式存儲，指的是將一個大文件拆成N份，每一份獨立的放到一臺機器上，這里就涉及到文件的副本、分片以及管理等操作，分布式存儲主要優(yōu)化的動作都在這一塊。

檢索和存儲的結合：在早期的大數(shù)據組件中，存儲和計算相對比較單一，但是目前更多的方向是在存儲上做更多的手腳，讓查詢和計算更加高效，對于計算來說高效不外乎就是查找數(shù)據快、讀取數(shù)據快，所以目前的存儲不單單的存儲數(shù)據內容，同時會添加很多元信息，例如索引信息。像類似于parquet和carbondata都是這樣的思想。

總的來說，目前圍繞Hadoop體系的大數(shù)據架構大概有以下幾種：

傳統(tǒng)大數(shù)據架構

??

之所以叫傳統(tǒng)大數(shù)據架構，是因為其定位是為了解決傳統(tǒng)BI的問題。簡單來說，數(shù)據分析的業(yè)務沒有發(fā)生任何變化，但是因為數(shù)據量、性能等問題導致系統(tǒng)無法正常使用，需要進行升級改造，那么此類架構便是為了解決這個問題?？梢钥吹?，其依然保留了ETL的動作，將數(shù)據經過ETL動作進入數(shù)據存儲。

優(yōu)點：簡單、易懂，對于BI系統(tǒng)來說，基本思想沒有發(fā)生變化，變化的僅僅是技術選型，用大數(shù)據架構替換掉BI的組件。

缺點：對于大數(shù)據來說，沒有BI下如此完備的Cube架構，雖然目前有Kylin，但是Lylin的局限性非常明顯，遠遠沒有BI下Cube的靈活度和穩(wěn)定度，因此對業(yè)務支撐的靈活度不夠，所以對于存在大量報表或復雜鉆取的場景，需要太多的手工定制化，同時該架構依舊以批處理為主，缺乏實時的支撐。

適用場景：數(shù)據分析需求依舊以BI場景為主，但是因為數(shù)據量、性能等問題無法滿足日常使用。

流式架構

??

在傳統(tǒng)大數(shù)據架構的基礎上，流式架構非常激進，直接拔掉了批處理，數(shù)據全程以流的形式處理，所以在數(shù)據接入端沒有了ETL，轉而替換為數(shù)據通道。經過流處理加工后的數(shù)據，以消息的形式直接推送給了消費者。雖然有一個存儲部分，但是該存儲更多以窗口的形式進行存儲，所以該存儲并非發(fā)生在數(shù)據湖，而是在外圍系統(tǒng)。

優(yōu)點：沒有臃腫的ETL過程，數(shù)據的實效性非常高。

缺點：對于流式架構來說，不存在批處理，因此對于數(shù)據的重播和歷史統(tǒng)計無法很好的支撐。對于離線分析僅僅支撐窗口之內的分析。

適用場景：預警、監(jiān)控、對數(shù)據有有效期要求的情況。

Lambda架構

??

Lambda架構算是大數(shù)據系統(tǒng)里面舉足輕重的架構，大多數(shù)架構基本都是Lambda架構或者基于其變種的架構。

Lambda的數(shù)據通道分為兩條分支：實時流和離線。實時流依照流式架構，保障了其實時性，而離線則以批處理方式為主，保障了最終一致性。

什么意思呢?流式通道處理為保障實效性更多的以增量計算為主輔助參考，而批處理層則對數(shù)據進行全量運算，保障其最終的一致性。因此，Lambda最外層有一個實時層和離線層合并的動作，此動作是Lambda里非常重要的一個動作，大概的合并思路如下：

??

優(yōu)點：既有實時又有離線，對于數(shù)據分析場景涵蓋的非常到位。

缺點：離線層和實時流雖然面臨的場景不相同，但是其內部處理的邏輯卻是相同，因此有大量冗余和重復的模塊存在。

適用場景：同時存在實時和離線需求的情況。

Kappa架構

??

Kappa架構在Lambda的基礎上進行了優(yōu)化，將實時和流部分進行了合并，將數(shù)據通道以消息隊列進行替代。因此對于Kappa架構來說，依舊以流處理為主，但是數(shù)據卻在數(shù)據湖層面進行了存儲，當需要進行離線分析或者再次計算的時候，則將數(shù)據湖的數(shù)據再次經過消息隊列重播一次則可。

優(yōu)點：Kappa架構解決了Lambda架構里面的冗余部分，以數(shù)據可重播的超凡脫俗的思想進行了設計，整個架構非常簡潔。

缺點：雖然Kappa架構看起來簡潔，但是施難度相對較高，尤其是對于數(shù)據重播部分。

適用場景：和Lambda類似，該架構是針對Lambda的優(yōu)化。

Unifield架構

??

以上的種種架構都圍繞海量數(shù)據處理為主，Unifield架構則更激進，將機器學習和數(shù)據處理揉為一體，從核心上來說，Unifield依舊以Lambda為主，不過對其進行了改造，在流處理層新增了機器學習層?？梢钥吹綌?shù)據在經過數(shù)據通道進入數(shù)據湖后，新增了模型訓練部分，并且將其在流式層進行使用。同時流式層不單使用模型，也包含著對模型的持續(xù)訓練。

優(yōu)點：Unifield架構提供了一套數(shù)據分析和機器學習結合的架構方案，非常好的解決了機器學習如何與數(shù)據平臺進行結合的問題。

缺點：Unifield架構實施復雜度更高，對于機器學習架構來說，從軟件包到硬件部署都和數(shù)據分析平臺有著非常大的差別，因此在實施過程中的難度系數(shù)更高。

適用場景：有著大量數(shù)據需要分析，同時對機器學習方便又有著非常大的需求或者有規(guī)劃的情況。

總結

以上為目前數(shù)據處理領域使用較多的幾種架構，當然還有非常多其他架構，不過其思想都會或多或少的類似。數(shù)據領域和機器學習領域會持續(xù)發(fā)展，以上幾種思想或許終究會變得過時，我們只能與時俱進，不斷更新自己的知識庫。