數(shù)據(jù)湖存儲的現(xiàn)狀和趨勢

Wikipedia對數(shù)據(jù)湖的定義：

數(shù)據(jù)湖是指使用大型二進制對象或文件這樣的自然格式儲存數(shù)據(jù)的系統(tǒng)。它通常把所有的企業(yè)數(shù)據(jù)統(tǒng)一存儲，既包括源系統(tǒng)中的原始副本，也包括轉(zhuǎn)換后的數(shù)據(jù)，比如那些用于報表, 可視化, 數(shù)據(jù)分析和機器學(xué)習(xí)的數(shù)據(jù)。數(shù)據(jù)湖可以包括關(guān)系數(shù)據(jù)庫的結(jié)構(gòu)化數(shù)據(jù)(行與列)、半結(jié)構(gòu)化的數(shù)據(jù)(CSV，日志，XML, JSON)，非結(jié)構(gòu)化數(shù)據(jù) (電子郵件、文件、PDF)和 二進制數(shù)據(jù)(圖像、音頻、視頻)。儲存數(shù)據(jù)湖的方式包括 Apache Hadoop分布式文件系統(tǒng)， Azure 數(shù)據(jù)湖或亞馬遜云 Lake Formation云存儲服務(wù)，以及諸如 Alluxio 虛擬數(shù)據(jù)湖之類的解決方案。數(shù)據(jù)沼澤是一個劣化的數(shù)據(jù)湖，用戶無法訪問，或是沒什么價值。

AWS的定義相對簡潔：

數(shù)據(jù)湖是一個集中式存儲庫，允許您以任意規(guī)模存儲所有結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。您可以按原樣存儲數(shù)據(jù)（無需先對數(shù)據(jù)進行結(jié)構(gòu)化處理），并運行不同類型的分析 – 從控制面板和可視化到大數(shù)據(jù)處理、實時分析和機器學(xué)習(xí)，以指導(dǎo)做出更好的決策。

Azure等其他云廠商也有各自的定義，本文不再贅述。

但無論數(shù)據(jù)湖的定義如何不同，數(shù)據(jù)湖的本質(zhì)其實都包含如下四部分：

1. 統(tǒng)一的存儲系統(tǒng)

2. 存儲原始數(shù)據(jù)

3. 豐富的計算模型/范式

4. 數(shù)據(jù)湖與上云無關(guān)

從上述四個標準判斷，開源大數(shù)據(jù)的Hadoop HDFS存儲系統(tǒng)就是一個標準的數(shù)據(jù)湖架構(gòu)，具備統(tǒng)一的原始數(shù)據(jù)存儲架構(gòu)。而近期被廣泛談到的數(shù)據(jù)湖，其實是一個狹義的概念，特指“基于云上托管存儲系統(tǒng)的數(shù)據(jù)湖系統(tǒng)，架構(gòu)上采用存儲計算分離的體系”。例如基于AWS S3系統(tǒng)或者阿里云OSS系統(tǒng)構(gòu)建的數(shù)據(jù)湖。?

下圖是數(shù)據(jù)湖技術(shù)架構(gòu)的演進過程，整體上可分為三個階段：

▲圖3 數(shù)據(jù)湖技術(shù)架構(gòu)演進

階段一：自建開源Hadoop數(shù)據(jù)湖架構(gòu)，原始數(shù)據(jù)統(tǒng)一存放在HDFS系統(tǒng)上，引擎以Hadoop和Spark開源生態(tài)為主，存儲和計算一體。缺點是需要企業(yè)自己運維和管理整套集群，成本高且集群穩(wěn)定性差。

階段二：云上托管Hadoop數(shù)據(jù)湖架構(gòu)（即EMR開源數(shù)據(jù)湖），底層物理服務(wù)器和開源軟件版本由云廠商提供和管理，數(shù)據(jù)仍統(tǒng)一存放在HDFS系統(tǒng)上，引擎以Hadoop和Spark開源生態(tài)為主。

這個架構(gòu)通過云上 IaaS 層提升了機器層面的彈性和穩(wěn)定性，使企業(yè)的整體運維成本有所下降，但企業(yè)仍然需要對HDFS系統(tǒng)以及服務(wù)運行狀態(tài)進行管理和治理，即應(yīng)用層的運維工作。同時因為存儲和計算耦合在一起，穩(wěn)定性不是最優(yōu)，兩種資源無法獨立擴展，使用成本也不是最優(yōu)。

階段三：云上數(shù)據(jù)湖架構(gòu)，即云上純托管的存儲系統(tǒng)逐步取代HDFS，成為數(shù)據(jù)湖的存儲基礎(chǔ)設(shè)施，并且引擎豐富度也不斷擴展。除了Hadoop和Spark的生態(tài)引擎之外，各云廠商還發(fā)展出面向數(shù)據(jù)湖的引擎產(chǎn)品。

如分析類的數(shù)據(jù)湖引擎有AWS Athena和華為DLI，AI類的有AWS Sagemaker。這個架構(gòu)仍然保持了一個存儲和多個引擎的特性，所以統(tǒng)一元數(shù)據(jù)服務(wù)至關(guān)重要，如AWS推出了Glue，阿里云EMR近期也即將發(fā)布數(shù)據(jù)湖統(tǒng)一元數(shù)據(jù)服務(wù)。

該架構(gòu)相對于原生HDFS的數(shù)據(jù)湖架構(gòu)的優(yōu)勢在于：

• 幫助用戶擺脫原生HDFS系統(tǒng)運維困難的問題。HDFS系統(tǒng)運維有兩個困難：1）存儲系統(tǒng)相比計算引擎更高的穩(wěn)定性要求和更高的運維風(fēng)險 2）與計算混布在一起，帶來的擴展彈性問題。存儲計算分離架構(gòu)幫助用戶解耦存儲，并交由云廠商統(tǒng)一運維管理，解決了穩(wěn)定性和運維問題。

• 分離后的存儲系統(tǒng)可以獨立擴展，不再需要與計算耦合，可降低整體成本

• 當(dāng)用戶采用數(shù)據(jù)湖架構(gòu)之后，客觀上也幫助客戶完成了存儲統(tǒng)一化（解決多個HDFS數(shù)據(jù)孤島的問題）

下圖是阿里云EMR數(shù)據(jù)湖架構(gòu)圖，它是基于開源生態(tài)的大數(shù)據(jù)平臺，既支持HDFS的開源數(shù)據(jù)湖，也支持OSS的云上數(shù)據(jù)湖。

▲圖4 阿里云EMR數(shù)據(jù)湖架構(gòu)

企業(yè)使用數(shù)據(jù)湖技術(shù)構(gòu)建大數(shù)據(jù)平臺，主要包括數(shù)據(jù)接入、數(shù)據(jù)存儲、計算和分析、數(shù)據(jù)管理、權(quán)限控制等，下圖是Gartner定義的一個參考架構(gòu)。當(dāng)前數(shù)據(jù)湖的技術(shù)因其架構(gòu)的靈活性和開放性，在性能效率、安全控制以及數(shù)據(jù)治理上并不十分成熟，在面向企業(yè)級生產(chǎn)要求時還存在很大挑戰(zhàn)。

數(shù)據(jù)湖（Data Lake）以集中式存儲各種類型數(shù)據(jù)，包括：結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)湖無需事先定義Schema，數(shù)據(jù)可以按照原始形態(tài)直接存儲，覆蓋多種類型的數(shù)據(jù)輸入源。數(shù)據(jù)湖無縫對接多種計算分析平臺，對Hadoop生態(tài)支持良好，存儲在數(shù)據(jù)湖中的數(shù)據(jù)可以直接對其進行數(shù)據(jù)分析、處理、查詢，通過對數(shù)據(jù)深入挖掘與分析，洞察數(shù)據(jù)中蘊含的價值。

? 一份存儲、多種引擎：各種類型的數(shù)據(jù)用集中方式統(tǒng)一存儲在OSS，解決數(shù)據(jù)孤島，避免多份數(shù)據(jù)分散在多種不同的系統(tǒng)，無縫對接多種計算引擎，對Hadoop生態(tài)體系有良好支持；

? 數(shù)據(jù)無需處理、直接存儲：支持結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化多種類型數(shù)據(jù)，數(shù)據(jù)可以按照原始產(chǎn)生的形態(tài)直接存儲，在需要分析階段，再通過數(shù)據(jù)引擎進行處理，對接多種數(shù)據(jù)輸入源，提供便捷的數(shù)據(jù)接入和數(shù)據(jù)消費通道

? 計算與存儲解耦合：提供客戶更靈活系統(tǒng)架構(gòu)設(shè)計，讓計算、存儲資源具備更好的擴展性，極大降低運維管理難度、優(yōu)化TCO。

下載鏈接：

數(shù)據(jù)湖存儲的現(xiàn)狀和趨勢

推薦閱讀：

世界的真實格局分析，地球人類社會底層運行原理

不是你需要中臺，而是一名合格的架構(gòu)師（附各大廠中臺建設(shè)PPT）

企業(yè)IT技術(shù)架構(gòu)規(guī)劃方案

論數(shù)字化轉(zhuǎn)型——轉(zhuǎn)什么，如何轉(zhuǎn)？

企業(yè)10大管理流程圖，數(shù)字化轉(zhuǎn)型從業(yè)者必備！

【中臺實踐】華為大數(shù)據(jù)中臺架構(gòu)分享.pdf

華為的數(shù)字化轉(zhuǎn)型方法論

華為如何實施數(shù)字化轉(zhuǎn)型（附PPT）

超詳細280頁Docker實戰(zhàn)文檔！開放下載

華為大數(shù)據(jù)解決方案（PPT）