金融行业实时湖仓建设实践与思考

金融行业数据平台的技术演进是一个复杂且持续发展的过程，主要经历了数据库、数据仓库、数据湖以及湖仓一体四个阶段，并在近年来随着AI大模型的兴起而进一步发展。

1. 数仓与数据湖的发展

数据仓库（数仓）是早期的数据管理架构，主要面向结构化数据的存储和分析。由于数据仓库的容量有限，在应用过程中容易产生数据孤岛。对于数据规模较为庞大的企业来说，若完全依赖于数据仓库，通常要面对不小的成本。

数据湖则在数仓的基础上发展而来，专注于非结构化数据的存储和处理，现代化的数据湖具有统一的数据存储，可以大批量地进行导入。但是，数据湖在数据分析性能、数据管理与治理方面也存在不足。

随着技术的不断更迭，数据仓库与数据湖的能力呈现明显的融合趋势，开辟出了一条湖仓一体的发展路线。湖仓一体技术结合了数据湖和数据仓库的优势，形成一种更强大、灵活且易于管理的数据管理架构，逐渐成为当代大数据平台的事实标准。

2. 为什么越来越多的金融企业选择湖仓架构？

回答这个问题，需要回到金融行业数据特点结合着看，这其中不乏外因（技术与政策发展）和内因（业务场景变化）相互作用影响，金融行业数据特点具体如下：

1. 数据种类多样、数据量增长迅速

随着5G、物联网、云计算、人工智能等新技术的发展，金融机构不再局限于线下的网点或设备服务，而是通过业务流程再造实现更加实时的业务，这一变革伴随而来的就是数据种类的增长。当前，金融机构所涉及数据类型包括：

结构化数据：主要来自银行交易、保险保单；

半结构化数据：主要包括用户行为数据、日志文件数据，通常以JSON或XML格式存在；

非结构化数据：主要包括文本、图像、音频和视频等；

金融行业每天产生的数据量巨大，并且随着业务的扩展和技术的发展，数据量在迅速增长。以银行业务为例，用户的在线交易、移动支付、财富管理等都产生了大量的数据。

2. 业务场景复杂、数据时效性要求高

上述各个业务发展到一定规模时，业务交互所产生的数据不仅需要被有效存储，还需要快速清洗、处理，从而为前端实时应用提供保障，例如业务的事前预测、事中决策和事后分析等环节。复杂的业务场景，也要求着数据的管理必须适应多变的业务需求。

基于上述的数据特点，要求金融机构具备更强大、灵活的数据管理架构，而湖仓一体作为则为金融行业提供了新的选择。

3. 金融湖仓架构建设的关键技术

金融行业需要引入更先进的技术来获取和处理实时数据，包括引入新的数据库技术栈来实现数据的实时捕获、更新、处理和应用。

1. 数据存储技术：可以使用分布式文件系统如Hadoop分布式文件系统（HDFS）来存储大规模数据集，同时，为了解决Hadoop在某些方面的局限性，包括Iceberg、Hudi和Paimon在内的多种数据表格式和数据管理系统也正在被更多企业选择。

2. 数据处理与查询引擎：需要支持从不同业务系统中，提取数据源并加工流转到湖仓。同时，需要高性能的查询引擎如支持SQL查询和数据分析，在数据湖上执行分析，提供快速的数据访问和分析效率。

以开源产品StarRocks为例，StarRocks采用了开放的lakehouse架构，所有数据统一录入到湖中，再按需供业务端进行数仓的应用建设，湖与仓充分融合并共享一份数据，彼此互联互通，同时，该架构能兼顾成本和性能，同时在资源扩展上也能达到弹性的效果。

另外在湖仓建设过程中，数据的质量和安全是金融机构需要重点关注的。镜舟科技基于StarRocks开发的湖仓分析引擎，在数据安全与权限管理上提供企业级支持，包括多种安全认证、数据加密、鉴权与访问控制、审计追踪等安全保障能力，满足金融行业客户对数据安全的需求。

4. 湖仓与大模型

随着AI大模型的突飞猛进，金融行业从传统的机器学习数据挖掘转变为AI大模型体系，面对着越来越多的非结构化数据挑战。这要求湖仓一体架构能够支持更复杂的AI计算需求，如SQL查询、机器学习和图分析等。

StarRocks for LLM：助力智能数据处理

• 高效向量搜索：通过支持余弦和欧式距离，实现高性能的向量搜索，帮助企业在大数据中快速找到相关信息。

• 集成Langchain：与Langchain无缝集成，StarRocks作为高效向量引擎，助力企业快速实现基于检索增强生成（RAG）的应用。

• 先进算法支持：采用HNSW和IVFPQ算法，支持范围搜索和标量过滤，确保数据检索的准确性和效率。

• 卓越性价比：整体性能提升10倍，单机可处理百万数据集，50个并发请求响应时间保持在20毫秒以内。

LLM for StarRocks：降低数据使用门槛

• 智能报表生成：通过自然语言处理（NLP）技术，自动生成SQL报表，结合AI和SQL，显著提升开发效率。

• 降低使用门槛：结合大模型，提供类似ChatBI的交互式业务探查功能，使业务人员无需专业技术背景即可高效使用数据。

• 广泛兼容性：StarRocks可以与Vanna、DBGPT等框架融合，进一步扩展其应用场景和功能。

StarRocks 结合自动化报表生成和智能业务探查功能，能显著降低企业开发和数据使用的门槛，提升整体运营效率。同时通过高效的数据处理能力和搜索能力，增强业务决策的速度和准确性。StarRocks与大模型也还在探索更多碰撞和融合，帮助企业在提升性能的同时，带来显著的成本效益降低。