流式计算的理论与技术

流式计算的理论与技术

---

流式数据是大数据环境下的一种数据形态，其理论诞生于20世纪末，并在云计算和物联网发展下逐步成为当前的研究热点。流式数据与传统的数据是相对的。与静态、批处理和持久化的数据库相比，流式计算以连续、无边界和瞬时性为特征，适合高速并发和大规模数据实时处理的场景。当前大数据环境下的许多应用呈现多源并发、数据汇聚、在线处理的特征，所以实时数据处理的相关研究迅速发展，并在许多关键领域，如传感网络、金融、医疗、交通和军事领域得到了广泛的应用。

2.1 流式数据与流式实时计算

2.1.1 流式数据

大数据环境下，流式数据作为一种新型的数据类型，是实时数据处理所面向的数据类型，其相关研究发展迅速。这种实时的流式数据，存在如下几个特征：

1. 实时、高速：数据能以高并发的方式迅速到达，业务计算要求快速连续相应。数据处理的速度至少能够匹配数据到达的速度。
2. 无边界：数据到达、处理和向后传递均是持续不断的。
3. 瞬时性和有限持久性：通常情况下，原始数据在单遍扫描，处理后丢弃，并不进行保存；只有计算结果和部分中间数据在有限时间内被保存和向后传递。
4. 价值的时间偏倚性：随着时间的流逝，数据中所蕴含的知识价值往往也在衰减，也即流中数据项的重要程度是不同的，最近到达的数据往往比早先到达的数据更有价值。

数据流模型
1. 时间序列模型
2. 收银机模型
3. 转门模型

其中收银机模型可以看做是特殊的转门模型，假设转型模型的更新量只有正值就是收银机模型

表2-1 Data Stream 与 Database 的比较

比较项	Data Stream	Database
数据类型	在线数据，无边缘	静态、离线数据
数据元组	离散数据项、带有时间戳	关系数据，至少满足第一范式（INF）
数据更新	持续更新，频率极高	更新频率相对低
使用模式	维护查询，流入数据	维护数据，提交查询
查询方式	单遍扫描，顺序访问数据	可多遍扫描，随机访问数据
返回结果	连续返回，推送结果，容忍非精确结果	事务一次性返回，提取精确结果
数据持久化	输入数据在内存暂存，结果在返回后立即丢弃，或在有限时间内持久化	输入输出来自持久化存储，结果可以持久化存储

对于另一个与数据流相关且相似的概念是Dataflow，而且Dataflow也被翻译为“数据流”，这更容易导致概念的混淆。以下表2-2分析了两者的区别和联系

比较项	Data Stream	Dataflow
概念起源	Database	Control Flow
目标	实时性的数据处理	数据驱动的任务协同
典型应用	网络日志分析、金融监控预警	科学工作流（e-Science Workflow）

2.1.2 流式实时计算

实时数据处理也称实时计算或反应计算。相应地，针对流式数据的实时处理，称为流式数据处理或流式计算。由定义可知，流式数据具有无边界的特征，也即理论上是无穷的数据项序列。而流式实时计算只能使用有限的内存资源，所以数据流的算法一定是某种程度对流的摘要化处理。摘要数据结构和窗口都是最常用的摘要化技术。

摘要数据结构是任何比本身基础数据集小得多的数据结构：
1. 可以驻留内存，使得查询及时响应而避免访问磁盘
2. 远程传输的代价小
3. 对系统整体的空间开销影响小
4. 当访问基础数据集的开销过大时，可以作为基础数据集的小规模代理被处理

窗口技术是数据流研究中另一种常用的技术。由于数据流存在实时性的需求，流中最近到达的数据比很久之前到达的数据对计算来说更有意义。如何描述流中数据的“最近”，是窗口模型的意义所在。

数据流的窗口是描述数据流的最近子集组合的方法。通过设置的窗口边界，使得流中部分数据项位于窗口内，而在窗口之外数据则不被处理计算考虑。窗口长度指窗口的时间跨度，窗口大小指窗口中数据项的数量。

窗口的分类 这里不进行详细介绍

数据流处理技术可以为实时性要求高的应用提供支撑，实现业务上的例行数据分析和异常监控预警等。与传统的数据处理技术相比，流式数据的实时计算存在以下几个方面的特点

1. 实时性的需求
2. 低空间复杂度的需求
3. 结果准确性的需求
4. 适用性的需求

2.2 流式数据处理的系统与应用

2.2.1 发展与挑战

在大数据环境下，当数据库技术不能满足数据处理的实时性需求时，流式计算技术发展起来了。流式计算技术虽然源于数据库技术，但两者面向的问题和基本理念完全不同。数据库管理系统（Database Management System，DBMS）依托关系代数和相关技术，为各种商业应用的数据查询与管理发挥了重要的作用；与之类似，数据流处理系统（Data Stream Processing System，DSPS）依托实时数据处理相关技术，逐步成为企业界和研究界重要的在线分析和处理工具。正是由于数据形态和特征，流式数据处理系统存在如下特点。

1. 相比传统数据管理系统，数据流处理系统维护是查询的定义，数据持续到达。
2. 在分布式环境下，数据流处理系统有逻辑节点和物理节点构成。系统中基本的逻辑处理单元，成为逻辑节点；部署节点的计算机，成为物理节点。

集中式数据处理系统 分布式数据处理系统

3.低延迟和高吞吐量是数据流处理系统最基本的需求，是由流式计算的实时性需求决定的。

数据流处理系统面临的挑战与当前研究热点主要在以下三个方面
1. 处理性能与结果精确性的折中
2. 容错与可用性
3. 分布式编程模型

2.2.2 Hadoop 2.0生态圈（略）

2.3 Storm

2.3.1 起源与发展：Twitter的开源与影响

Twitter是将微博的潮流引入这个时代的公司，成为当今互联网界的标杆之一。随着微博的流行和IT服务的全球化，惊人的数据量不断增长，应对如此规模庞大和高速到达的数据，Twitter公司在检索、处理和存储技术上面临极大的挑战。

Hadoop MapReduce是当前离线大数据分析事实上的标准，对许多海量数据处理应用发挥了至关重要的作用，如惊醒互联网全网内容索引等。但是，它的架构模型决定了其批处理的计算模型，对Twitter这样高度动态的实时数据，存在响应时间和及时性方面的诸多限制。2011年7月，Twitter收购了一家专注于社交媒体数据分析的公司BackType，仅仅两个月，2011年9月17日，Storm的第一个发布版作为开源软件面世了。

Storm是分布式数据处理系统，其强大的分布式集群管理、便捷的针对流式数据编程模型、高容错非功能保障，是它成为业界明星的首要原因。

1. Storm为大规模的集群配置管理，提供了高效的管理方式，用户通过简单的配置，便可实现之前庞杂的管理步骤。
2. Storm为复杂的流计算模型提供了丰富的服务和编程接口，降低了学习和开发的门槛，在性能和功能方面均弥补了Hadoop批处理所不能满足的实时需求。
3. Storm提供的可靠性保障，不仅提供对分布式的组件级的容错，而且提供不丢失数据的记录及容错保证。

适用领域：实时分析 在线机器学习 持续计算 分布式远程调用 ETL

1. Twitter公司实现多样化的数据应用：数据发现 实时分析 个性化搜索 收益优化
2. Groupon的实时数据集成系统中，storm被用于分析、清洗、规范化实时数据，以低延迟、高吞吐量的处理能力来解决数据的不一致问题。
3. Yahoo开发的下一代大数据框架YARN，通过支持Storm的集成，用于整合海量离线数据和大规模实时数据的资源管理。
4. 淘宝基于Storm实现了实时的日志统计和信息提取，其中日志是从类似Kafka的消息队列中提取的，实时分析后将结果写入其他系统的数据持久化存储中。
5. 阿里巴巴作为世界最大的B2B电子商务平台，利用Storm实现业务日志处理和应用中数据记录的实时交换。
6. 百度为中国提供了最大和多样化搜索服务，其中Storm被用于处理搜索日志和提供实时的PV及AR-time分析。
7. 支付宝作为中国最大的第三方支付平台，Storm被用于分析交易数量、交易质量、最优商家、注册用户量的实时计算。
8. Trovit是已经在39个国家使用的分类广告搜索引擎，其结合已有的Hadoop生态圈的技术，将Storm用于低延迟的索引广告，为最终用户提供即时相应的搜索结果服务。