内射无码专区久久亚洲,最新影片內容支持电脑站视频 ,特级AV毛片一区二区三区1,亚洲欧美日韩自偷自拍

去年，實(shí)時(shí)數(shù)據(jù)倉庫的概念突然變得非常流行。可能是因?yàn)閭鹘y(tǒng)的離線數(shù)據(jù)倉庫已經(jīng)發(fā)展了多年，技術(shù)相對成熟，所以大家開始將注意力放在更具挑戰(zhàn)性的實(shí)時(shí)數(shù)據(jù)倉庫上；也可能是隨著存量市場競爭的到來，對于數(shù)據(jù)獲取速度的要求越來越高，T+1的數(shù)據(jù)獲取無法滿足需求，因此實(shí)時(shí)構(gòu)建數(shù)據(jù)的需求也應(yīng)運(yùn)而生。

實(shí)時(shí)數(shù)據(jù)倉庫的技術(shù)要求：

1. 高并發(fā)性：未來實(shí)時(shí)數(shù)據(jù)不僅僅是為幾個(gè)運(yùn)營或管理層人員使用，更會(huì)面向商戶和用戶。隨著用戶數(shù)量的增加，會(huì)帶來并發(fā)量的增加。因此，實(shí)時(shí)數(shù)據(jù)倉庫必須具備提供高并發(fā)數(shù)據(jù)服務(wù)的能力。

   
   

2. 查詢速度：目前許多實(shí)時(shí)指標(biāo)的應(yīng)用場景是移動(dòng)端，移動(dòng)端對數(shù)據(jù)響應(yīng)速度的要求遠(yuǎn)高于PC端。大多數(shù)數(shù)據(jù)使用場景希望能夠在毫秒級(jí)返回?cái)?shù)據(jù)。未來，如果將實(shí)時(shí)標(biāo)簽應(yīng)用于用戶推薦中，對響應(yīng)速度的要求將更高。

   
   

3. 處理速度：在大促銷期間，需要具備極強(qiáng)的處理能力，能夠應(yīng)對流量峰值的情況。還需要具備低延遲甚至零延遲的消費(fèi)能力。

   
   

實(shí)時(shí)數(shù)據(jù)倉庫的技術(shù)基礎(chǔ)：流式技術(shù)架構(gòu) 目前，流式計(jì)算框架相對成熟，開源組件如Storm、Spark Streaming和Flink得到廣泛應(yīng)用。簡單來說，流式數(shù)據(jù)處理是指系統(tǒng)每產(chǎn)生一條數(shù)據(jù)，都會(huì)立即采集并發(fā)送到流式任務(wù)中心進(jìn)行處理，無需額外的定時(shí)調(diào)度。

業(yè)界廣泛采用的框架有Twitter的Storm、Apache的Spark Streaming以及近年來流行的Flink。這些框架整體架構(gòu)相似，但在實(shí)現(xiàn)細(xì)節(jié)上有許多不同，需要根據(jù)業(yè)務(wù)場景的特征靈活選擇。

流式框架具有以下優(yōu)點(diǎn)：

1. 高時(shí)效性：通常延遲在秒級(jí)別。
   
   

2. 任務(wù)常駐：流式任務(wù)一旦啟動(dòng)，會(huì)持續(xù)運(yùn)行，直到人為終止，且數(shù)據(jù)源是無限的。
   
   

3. 高處理性能：流式計(jì)算通常會(huì)使用高性能服務(wù)器來運(yùn)行任務(wù)，因?yàn)橐坏┨幚硗掏铝繜o法跟上采集吞吐量，就會(huì)導(dǎo)致數(shù)據(jù)計(jì)算延遲。
   
   

4. 邏輯簡單：由于流式計(jì)算通常是對單條數(shù)據(jù)進(jìn)行處理，缺乏數(shù)據(jù)間關(guān)聯(lián)運(yùn)算能力，因此在支持的業(yè)務(wù)邏輯上相對簡單，處理結(jié)果與離線存在一定差異。
   
   

實(shí)時(shí)數(shù)據(jù)倉庫的兩個(gè)常見架構(gòu)： Lambda架構(gòu)：Lambda架構(gòu)的核心理念是"流批一體化"。隨著機(jī)器性能和數(shù)據(jù)框架的不斷完善，用戶實(shí)際上并不關(guān)心底層如何運(yùn)行，只要能夠按照統(tǒng)一模型返回結(jié)果即可。現(xiàn)在許多應(yīng)用（例如Spark和Flink）都支持這種結(jié)構(gòu)，即數(shù)據(jù)進(jìn)入平臺(tái)后可以選擇批處理運(yùn)行或者流式處理運(yùn)行，但無論如何，一致性始終保持不變。

Kappa架構(gòu)：雖然Lambda架構(gòu)理念很好，但長期使用會(huì)導(dǎo)致數(shù)據(jù)復(fù)雜性增加。為解決復(fù)雜性問題，有人提出了用一套架構(gòu)解決所有問題的設(shè)想，而流行的做法就是基于流計(jì)算。通過增加流計(jì)算的時(shí)間窗口來實(shí)現(xiàn)邏輯上的批處理操作。

實(shí)時(shí)數(shù)據(jù)倉庫的查詢引擎： 實(shí)時(shí)數(shù)據(jù)倉庫的查詢依賴于交互式查詢引擎，常見于OLAP場景。根據(jù)存儲(chǔ)數(shù)據(jù)方式的不同，可以分為ROLAP、MOLAP和HOLAP：

ROLAP：在大數(shù)據(jù)生態(tài)圈中，常用于ROLAP場景的交互式計(jì)算引擎包括Impala和Presto。它們以關(guān)系數(shù)據(jù)庫為核心，使用關(guān)系型結(jié)構(gòu)進(jìn)行多維數(shù)據(jù)表示和存儲(chǔ)。

ROLAP將多維結(jié)構(gòu)劃分為事實(shí)表和維度表。事實(shí)表存儲(chǔ)數(shù)據(jù)和維度關(guān)鍵字，維度表存放維度層次、成員類別等維度描述信息。ROLAP的優(yōu)勢是可以實(shí)時(shí)從源數(shù)據(jù)中獲取最新數(shù)據(jù)更新，以保持?jǐn)?shù)據(jù)實(shí)時(shí)性，但運(yùn)算效率較低，用戶等待時(shí)間較長。

MOLAP：MOLAP是一種通過預(yù)計(jì)算Cube方式加速查詢的OLAP引擎，其核心思想是"空間換時(shí)間"。常見代表包括Druid和Kylin。MOLAP以多維數(shù)據(jù)組織方式為核心，使用多維數(shù)組存儲(chǔ)數(shù)據(jù)。

多維數(shù)據(jù)形成"數(shù)據(jù)立方體（Cube）"結(jié)構(gòu)，該結(jié)構(gòu)經(jīng)過高度優(yōu)化，可以最大程度提高查詢性能。MOLAP的優(yōu)勢在于可通過預(yù)處理多維數(shù)據(jù)顯著提高運(yùn)算效率，但占用存儲(chǔ)空間大且數(shù)據(jù)更新有一定延遲。

HOLAP：HOLAP是基于混合數(shù)據(jù)組織的OLAP實(shí)現(xiàn)。根據(jù)業(yè)務(wù)需求，用戶可以選擇使用ROLAP和MOLAP。通常，不常用或需要靈活定義分析的部分使用ROLAP，而常用、常規(guī)模型采用MOLAP。

實(shí)時(shí)數(shù)據(jù)倉庫的分層模型： 實(shí)時(shí)數(shù)據(jù)倉庫的分層思路沿用了離線數(shù)據(jù)倉庫的思想。

CDM層（明細(xì)數(shù)據(jù)層）：根據(jù)業(yè)務(wù)場景的不同，CDM層會(huì)被劃分為各個(gè)主題域。

DWS層（匯總數(shù)據(jù)層）：DWS層對各個(gè)域進(jìn)行適度匯總。

ADS層（應(yīng)用數(shù)據(jù)層）：ADS層的設(shè)計(jì)并不完全根據(jù)需求一對一建設(shè)，而是結(jié)合不同需求對該層進(jìn)行統(tǒng)一設(shè)計(jì)，以快速支持更多需求場景。

實(shí)時(shí)技術(shù)中的冪等機(jī)制： 冪等是一個(gè)數(shù)學(xué)概念，其特點(diǎn)是任意多次執(zhí)行產(chǎn)生的影響與一次執(zhí)行的影響相同，例如setTrue()函數(shù)就是一個(gè)冪等函數(shù)，無論執(zhí)行多少次，結(jié)果都一樣。在復(fù)雜情況下（如網(wǎng)絡(luò)波動(dòng)、Storm重啟等），可能出現(xiàn)重復(fù)數(shù)據(jù)，因此并非所有操作都是冪等的。在冪等的概念下，我們需要了解消息傳輸保障的三種機(jī)制：At most once、At least once和Exactly once。

At most once：消息傳輸機(jī)制上每條消息傳輸零次或一次，即消息可能丟失。

At least once：意味著每條消息會(huì)進(jìn)行多次傳輸嘗試，至少一次成功，即消息傳輸可能重復(fù)但不會(huì)丟失。

Exactly once：消息傳輸機(jī)制上每條消息有且只有一次，即消息傳輸既不會(huì)丟失也不會(huì)重復(fù)。

實(shí)時(shí)數(shù)據(jù)倉庫中的多表關(guān)聯(lián)： 在流式數(shù)據(jù)處理中，數(shù)據(jù)計(jì)算基于計(jì)算增量進(jìn)行，因此各個(gè)環(huán)節(jié)到達(dá)的時(shí)間和順序都是不確定且無序的。在這種情況下，進(jìn)行兩個(gè)表的關(guān)聯(lián)必須將數(shù)據(jù)存儲(chǔ)在內(nèi)存中。當(dāng)一條數(shù)據(jù)到達(dá)時(shí)，需要在另一個(gè)表中查找數(shù)據(jù)。如果能夠找到則關(guān)聯(lián)成功，寫入下游；如果找不到，則可以將其分到未分配數(shù)據(jù)集合中等待。為了提高數(shù)據(jù)查找性能，在實(shí)際處理中，通常會(huì)根據(jù)關(guān)聯(lián)主鍵對數(shù)據(jù)進(jìn)行分桶處理，減少查找數(shù)據(jù)量，提高性能。

實(shí)時(shí)技術(shù)中的洪峰挑戰(zhàn)： 解決洪峰挑戰(zhàn)的主要思路如下：

1. 合理分配獨(dú)占資源和共享資源：在一臺(tái)機(jī)器中，共享資源池可以被多個(gè)實(shí)時(shí)任務(wù)搶占。如果一個(gè)任務(wù)80%的時(shí)間都需要爭奪資源，可以考慮分配更多的獨(dú)占資源。
   
   

2. 合理設(shè)置緩存機(jī)制：盡管內(nèi)存的讀寫性能最好，但仍然有許多數(shù)據(jù)需要從讀庫更新?？梢詫衢T數(shù)據(jù)盡量保留在內(nèi)存中，并通過異步方式更新緩存。
   
   

3. 計(jì)算合并單元：在流式計(jì)算框架中，拓?fù)浣Y(jié)構(gòu)層級(jí)越深，性能越差?？紤]合并計(jì)算單元，可以有效降低數(shù)據(jù)傳輸、序列化等時(shí)間。
   
   

4. 內(nèi)存共享：在海量數(shù)據(jù)處理中，大部分對象以字符串形式存在。合理共享對象在不同線程間，可以大幅降低字符拷貝帶來的性能消耗。
   
   

5. 平衡高吞吐與低延遲：高吞吐與低延遲本身就是矛盾體。將多個(gè)讀寫庫操作或ACK操作合并可以有效降低數(shù)據(jù)吞吐量，但也會(huì)增加延遲?？梢栽跇I(yè)務(wù)上取舍。
   
   

總結(jié)： 在實(shí)時(shí)數(shù)據(jù)倉庫的建設(shè)中，已經(jīng)有了常用的方案選擇。整體架構(gòu)設(shè)計(jì)通過分層設(shè)計(jì)為OLAP查詢分擔(dān)壓力，讓出計(jì)算空間，復(fù)雜的計(jì)算統(tǒng)一在實(shí)時(shí)計(jì)算層處理，避免給OLAP查詢帶來過大壓力。匯總計(jì)算交給OLAP數(shù)據(jù)庫進(jìn)行。

因此，在整個(gè)架構(gòu)中，實(shí)時(shí)計(jì)算通常使用Spark+Flink，消息隊(duì)列Kafka處于壟斷地位。在大數(shù)據(jù)領(lǐng)域，Kafka仍然是消息隊(duì)列應(yīng)用中的首選。Hbase、Redis和MySQL在特定場景下也有一席之地。