云端數據倉庫的模式選型與建設

數據，對一個企業的重要性不言而喻，如何利用好企業內部數據，發揮數據的更大價值，對于企業管理者而言尤為重要。作為最傳統的數據應用之一，數據倉庫在企業內部扮演著重要的角色，構建并正確配置好數據倉庫，對于數據分析工作至關重要。一個設計良好的數據倉庫，可以讓數據分析師們如魚得水；否則可能使企業陷入無休止的問題之中，并在未來的企業競爭中處于劣勢。

隨著越來越多的基礎設施往云端遷移，數據倉庫是否也需要上云？上云后能解決常見的性能、成本、易用性、彈性等諸多問題嗎？如果考慮上云，需要注意哪些方面？目前主流云廠商產品又有何特點？面對上述問題，本文嘗試給出一些答案，供各位參考。本文部分內容參考了MIT大學教授David J.DeWitt的演講材料。

一、數據倉庫建設

數據倉庫(DW)的建設方式有很多種，企業可以根據自身需求進行選擇。下圖簡單羅列了主要的DW建設方案并做出擴展對比。

1.1 建設方案

1）商業方案

商業方案，是最為傳統的一種，也是過去20~30年的主流方式。企業外購數倉，包括軟、硬件一體交付。其典型產品很多，多為國際知名大廠，國產廠商也有部分。

2）自建+開源

這是很多互聯網公司通常采用的方案，通過自建底層基礎設施+部署開源軟件方式完成。整個方案對企業完全自主可控，但對自有人員技術要求較高。頗為典型的產品就是GreenPlum。

3）云+開源

這是上一種方案的變體，即Iaas層通過云廠商提供，其他仍然是自建的。當企業業務已經上云，為更好地數據集成，方便數據遷移，往往會采用此方案。

4）DW云

企業直接選用數據倉庫的云服務，而不再獨立建設。下文將針對這種情況，重點說明。

1.2 方案對比

針對上述4種方案，從成本、運維、交付、擴展、性能等多角度進行對比。

成本：包括前期購買和后期運營的費用，這里也包含人員投入的折算費用。

運維復雜度：主要針對企業自有技術人員的運維工作復雜度評估。

交付速度：方案的整體交付速度，包括基礎設施的購買、建設。

擴展性：包括數倉的容量擴展和性能擴展能力的綜合。

性能表現：數倉的整體性能表現。

1.3 重點對比 - 性價比

從上圖中可見：

方案1、2，成本、性能相對固定。其中方案1，成本較高，但性能突出；方案2（自建），則兩者均為中等。

方案3、4，成本與性能都是一個區間，且范圍較大。方案3，主要取決于云廠商提供的基礎設施的能力。方案4，則依靠云廠商的數倉云能力。這也對云廠商產品的選擇，提出了更高的要求。下文將就此展開說明。

二、云端數據倉庫

2.1 云方案優勢

基于上面的說明，采用數據倉庫的云服務，具有較多優勢，包括：

更好的性價比（無論是前期購買、還是后期運營）

更快的交付速度（最快在分鐘級）

更優的彈性能力（擴展或壓縮、計算或存儲）

更低的運維復雜度（無需專業人士）

更簡單地數據集成（如果已上同一云）

更豐富的數據生態（取決于云廠商產品）

2.2 數倉關鍵因素

數據倉庫不同于交易型數據庫，它的構建是為了便于分析海量數據，而不是處理事務。這意味著數據倉庫往往比其相應的交易型數據庫大幾個數量級，同時對于交易型數據庫的某些關鍵特性（例如ACID、響應時間等）可能沒有那么重要。相反，數據倉庫有自己的需求，亦可作為上云選擇因素。

1）多種數據集成方式

將數據放入倉庫并正確格式化通常是數據倉庫面臨的最大挑戰之一。傳統上，數據倉庫依賴于批處理提取轉換加載作業-ETL。ETL作業仍然很重要，但現在也有從流式攝取數據，甚至允許你直接對不在倉庫中的數據執行查詢的能力。

2）支持數據多元查詢

現有數據倉庫，除了要支持典型批量查詢外，還需要支持諸如adhoc類的查詢方式。傳統大數據技術棧hadoop的MapReduce不太適用于此類查詢。很多數據倉庫轉向大規模并行處理（MPP）數據庫，其原始是將數據打散后，通過并行技術在多臺服務器上執行。此外，還有類似Spark這種利用內存并行處理技術完成查詢。

3）標準數據訪問方式

數據倉庫支持什么語言進行查詢。顯然，標準SQL是對用戶最為友好的方式，可顯著降低用戶的使用門檻。此外，諸如Python、R等高級語言，也可為用戶帶來更多訪問的方式。但有些是依賴于方言，這就需要進行仔細評估。畢竟，移植的成本是筆不小的開銷。

4）靈活資源彈性能力

數據倉庫都是為了處理海量數據的，但其規模變化可能很大。此外，其計算資源的需求也是會隨著業務而不斷變化。因此對基于云的數據倉庫的資源的彈性能力要求很高，這也是區別與傳統自建方式一個非常大的優勢。這里的資源，不僅包括計算資源、也包括數據存儲資源。此外，還需要區分是否支持計算、存儲的單獨提供，而不是緊耦合在一起。

5）低廉運營維護成本

數據倉庫是復雜的系統，從底層的物理資源、操作系統、倉庫軟件，到上層的數據對象、訪問語句等。作為云上的數倉，是需要提供簡單、靈活、自動化、甚至智能化的運維能力，方便客戶使用進而節省用戶的綜合運營維護成本。

6）靈活使用方式

數據倉庫本身是資源密集型應用，如何減低用戶的使用成本，是云廠商均需考慮的。例如支持暫停與恢復功能，支持計算與存儲的獨立擴展等。

2.3 是否上云/如何選擇？

使用數據倉庫云服務，好處多多。那是否都要上云呢？這需要結合企業需求，考量以下因素來決定。

1）是否有足夠的技術積累？

數據倉庫本身具備較高的技術門檻，即使選擇開源也需要摸索積累的過程，除非是直接使用外部商業產品。

2）是否已經在使用云？

如果已經是某云的客戶，那么從云做數據集成將更加容易。否則，跨云或從本地加載數據，將是一個大工程。

3）是否對可用性要求很高？

這方面各企業差異較大，如企業比較重視可用性，云廠商/商業產品無疑具有優勢。

4）數據規模是否很大？

數據倉庫的一個核心難點，就是支撐的數據規模。如企業數據規模非常大，將對自建方式帶來很大挑戰。

5）擴展需求是否強烈？

如企業在快速發展期，其數據規模、使用復雜度等變化很大，這就要求數倉具有很好的可擴展性，可快速適應企業發展。云方案相較于其他三種方案，無疑具有優勢。

6）使用特征變化劇烈？

如企業的數據使用，非常具有不確定性，即要求數倉具有很好地彈性，可根據需要靈活擴縮容；乃至對查詢能力也同樣有此類要求。非云的三種方案，都很難適應快速變化。

7）短期成本壓力較大？

企業有數倉需求，但短期通過自建、外采商業都一次性投入過大，亦可考慮云方案。

三、數倉的兩種模式

數倉從技術實現上，有兩種大的分類。在下面說明廠商產品前，簡單普及下。

3.1 Shared-Nothing

節點間通過高速網絡互連，訪問本地資源不需要通過網絡。這種方式設計簡單，擴展性較好。在較好的模型設計下，數據無需移動，處理效率高。

節點本身具有計算和存儲資源，即兩者是需要耦合在一起的。這是此模式的硬傷，即存儲、計算無法分離，無法做到按需獨立彈性。

3.2 Shared Disk/Storage

節點間互相訪問或節點訪問存儲，都是需要通過高速網絡。數據本身都是存儲在”遠端存儲”中，而非本地。網絡可能成為瓶頸，受到IO傳輸總量的限制。網絡除了承載節點間的數據交換流量外，更多的是要承擔大量數據訪問的流量。

這種方式彈性很好，計算、存儲可獨立擴展。

兩種方式的優劣，尚無統一定論，但較為主流是采用shared disk/storage的共享方式。但這種方式下，遠端存儲的性能？如何利用本地存儲？網絡性能對整體影響？如何實現動態資源分配？擴縮容的實現？等問題均值得研究。

四、典型數倉云服務

4.1 Amazon (AWS) Redshift

Redshift是典型的shared-nothing設計，本地掛載存儲。充分利用AWS的基礎服務，EC2作為計算節點，S3作為存儲及故障恢復使用。優勢在于通過調整和定制，性能表現突出；但其架構也決定了計算與存儲不能獨立縮放。

支持從多種數據源加載數據，也支持集成流式數據，但只支持結構化數據。支持直接對S3上的數據進行查詢，而無需ETL。其支持PostgreSQL的方言，對有些數據類型和函數不支持。Redshift本身監控組件性能并自動恢復，其他維護工作由用戶負責。日常運維工作，通過用戶手工在控制臺完成。

4.2 Snowflake

Snowflake是Shared-storage設計，存儲與計算分離。本身構建在AWS上，充分利用AWS的基礎服務能力，EC2作為計算節點，本地支持緩存，數據表存儲在S3中。它提出一種“虛擬倉庫”的概念，每個查詢可分配到不同的虛擬倉庫中，針對不同的倉庫也分配不同的資源。倉庫間不會影響性能，且倉庫本身具有很高的彈性，可自動提供額外的計算資源。

支持結構化和半結構化數據，不需要ETL或預處理就可以攝取這些數據。雖然先不支持流式數據，但可連接到Spark以接收流數據。它使用標準SQL并做了適當擴展。其維護比較簡單，不需要維護索引、清理數據等工作。

4.3 Microsoft Azure SQL Data Warehouse

SDW是Shared-Storage設計?；谖④浀腟QL Server PDW軟件，利用Azure存儲彈性能力。對T-SQL的全面兼容，可動態調整資源，可通過Ploybase支持非加載訪問。

4.4 Google BigQuery

BigQuery是存儲與計算分離設計，利用Google的基礎服務能力，存儲在Collosus FS。工作機制是將SQL查詢轉換為低級指令，依次執行。其完全抽象了資源的提供、分配、維護、擴縮容等，所有都是Google自動處理。非常適合易用性作為第一訴求的場景。存儲上根據處理規模、負載等情況，自動分配分片。計算上資源不專有，在內部和外部客戶復用。不能顯式控制單一查詢的資源使用。計費上使用按計算量收費方式（TB “processed”）

使用上支持標準SQL，也支持半結構化數據類型，支持外部表。支持從Google云端加載或直接訪問，也可以導入數據流。其沒有索引，除了數據管理外，幾乎不需要維護。

本文轉載自異步社區。

軟件開發 Web應用防火墻 WAF

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。