上一篇:
华为hcip-big data 学习笔记《一》大数据应用开发总指导-CSDN博客
目录
2. 大数据场景化解决方案
本节介绍了大数据在实际应用场景中的解决方案,包括离线批处理,实时检索,实时流处理和融合数仓。并讲解了他们的特点及架构流程。
2.1 大数据应用
大数据已经融入到社会生产和生活的方方面面,其巨大价值日益得到显现。
领域 | 大数据的应用 |
金融 | 高频交易,市场舆情分析,信贷风险分析等。 |
物流 | 智慧物流,包括成本控制、风险管理等。 |
医疗 | 流行病预测,智慧医疗,健康管理等。 |
互联网 | 用户画像,个性化推荐,广告投放等 |
城市 | 智慧交通,城市规划,智能安防等。 |
2.2 场景化解决方案的分类
在面对不同的场景时,会使用不同的大数据组件去解决处理,主要有如下大数据场景化解决方案。
1. 离线批处理
1)概念
-
离线批处理,是指对海量历史数据进行处理和分析,生成结果数据,供下一步数据应用使用的过程。
-
离线批处理对数据处理的时延要求不高,但是处理的数据量较大,占用的计算存储资源较多,通常通过MR作业,Spark作业或者HQL作业实现。
2)特点
-
处理时间要求不高
-
处理数据量巨大
-
处理数据格式多样
-
占用计算存储资源多
3)流程图
2. 实时检索
1)概念
实时检索简而言之就是对系统内的一些信息根据关键词进行即时、快速搜索,即搜即得的效果。强调的是实时低延迟
2)核心诉求
-
检索性能要求高
基于主键的检索需要在1秒内响应,基于非主键的检索需要在3秒内响应,不承担复杂查询和统计类查询
-
高并发查询
通常有大于100的并发查询
-
数据量大
PB级数据量,集群规模在1000节点以上。对图数据库的场景,点个数在10亿以上,边个数在100亿以上。
-
支持结构化和非结构化
需要同时保存结构化数据和非结构化数据,经常用来对图片等小文件进行检索。
-
高效的数据加载
数据加载要求高,每小时可以加载TB级数据
-
支持圈检索
支持检索图数据,支持图标准查询接口
3)流程图
3. 实时流处理
1) 概念
实时流处理,通常是指对实时数据源进行快速分析,迅速触发下一步动作的场景。实时数据对分析处理速度要求极高,数据处理规模巨大,对CPU和内存要求很高,但是通常数据不落地,对存储量要求不高。实时处理,通常通过Structured Streaming 或者Flink任务实现。
2)核心诉求
-
处理速度快
端到端处理需要达到秒级,流处理平台负责的数据采集和数据处理要在1秒内完成。如果风控项目要求单条数据处理时间达到秒级,单节点TPS大于2000.
-
吞吐量高
需要在短时内接收并处理大量数据记录,吞吐量需要达到数十兆/秒/节点
-
抗震性强
为应对数据源端业务数据产生速度会突然出现峰值的情形,需要提供数据缓存机制。
-
可靠性高
网络、软件等故障发生时,需保证每条数据不丢失,数据处理不遗漏、不重复
-
水平扩展
当系统处理能力出现瓶颈后,可通过节点的水平扩展提升处理性能。
-
多数据源支持
支持网络流、文件、数据库表、IOT等格式的数据源。对于文件数据源,可以处理增量数据的加载。
-
数据权限和资源隔离
消息处理、流处理需要有数据权限控制,不同的作业、用户可以访问、处理不同的消息和数据。多种流处理应用之间要进行资源控制和隔离,防止发生资源争抢。
-
第三方工具对接
支持与第三方规则引擎、决策系统、实时推荐系统等对接。
3)流程图
4. 融合数仓
在数据慢慢呈现数据处理量大、数据处理时时延低、数据处理格式多样的要求下,基于模块化存储的数据仓库重要性日益增加,但同时也带来了新的问题。
随着精准营销、客户画像、互联网平台等业务的上线,需要引入非结构化数据,以及提升对实时数据的计算处理能力,需要建立大数据平台满足上述业务需求。
流程图:
2.3 思考题
-
大数据可以用于流行病预测。(对)
-
离线批处理通常通过MR作业、Spark作业或者HQL作业实现。(对)
-
实时流处理对时延的要求不高。(错)