一文讀懂?dāng)?shù)據(jù)湖的概念、特征、架構(gòu)與案例
本文包括七個(gè)小節(jié)：1、什么是數(shù)據(jù)湖；2、數(shù)據(jù)湖的基本特征；3、數(shù)據(jù)湖基本架構(gòu)；4、各廠商的數(shù)據(jù)湖解決方案；5、典型的數(shù)據(jù)湖應(yīng)用場(chǎng)景；6、數(shù)據(jù)湖建設(shè)的基本過程；7、總結(jié)。受限于個(gè)人水平，謬誤在所難免，歡迎同學(xué)們一起探討，批評(píng)指正，不吝賜教。
一、什么是數(shù)據(jù)湖
數(shù)據(jù)湖是目前比較熱的一個(gè)概念，許多企業(yè)都在構(gòu)建或者計(jì)劃構(gòu)建自己的數(shù)據(jù)湖。但是在計(jì)劃構(gòu)建數(shù)據(jù)湖之前，搞清楚什么是數(shù)據(jù)湖，明確一個(gè)數(shù)據(jù)湖項(xiàng)目的基本組成，進(jìn)而設(shè)計(jì)數(shù)據(jù)湖的基本架構(gòu)，對(duì)于數(shù)據(jù)湖的構(gòu)建至關(guān)重要。關(guān)于什么是數(shù)據(jù)湖？有不同的定義。
Wikipedia上說數(shù)據(jù)湖是一類存儲(chǔ)數(shù)據(jù)自然/原始格式的系統(tǒng)或存儲(chǔ)，通常是對(duì)象塊或者文件，包括原始系統(tǒng)所產(chǎn)生的原始數(shù)據(jù)拷貝以及為了各類任務(wù)而產(chǎn)生的轉(zhuǎn)換數(shù)據(jù)，包括來自于關(guān)系型數(shù)據(jù)庫(kù)中的結(jié)構(gòu)化數(shù)據(jù)（行和列）、半結(jié)構(gòu)化數(shù)據(jù)（如CSV、日志、XML、JSON）、非結(jié)構(gòu)化數(shù)據(jù)（如email、文檔、PDF等）和二進(jìn)制數(shù)據(jù)（如圖像、音頻、視頻）。
AWS定義數(shù)據(jù)湖是一個(gè)集中式存儲(chǔ)庫(kù)，允許您以任意規(guī)模存儲(chǔ)所有結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。
微軟的定義就更加模糊了，并沒有明確給出什么是Data Lake，而是取巧的將數(shù)據(jù)湖的功能作為定義，數(shù)據(jù)湖包括一切使得開發(fā)者、數(shù)據(jù)科學(xué)家、分析師能更簡(jiǎn)單的存儲(chǔ)、處理數(shù)據(jù)的能力，這些能力使得用戶可以存儲(chǔ)任意規(guī)模、任意類型、任意產(chǎn)生速度的數(shù)據(jù)，并且可以跨平臺(tái)、跨語言的做所有類型的分析和處理。
關(guān)于數(shù)據(jù)湖的定義其實(shí)很多，但是基本上都圍繞著以下幾個(gè)特性展開。
1、 數(shù)據(jù)湖需要提供足夠用的數(shù)據(jù)存儲(chǔ)能力，這個(gè)存儲(chǔ)保存了一個(gè)企業(yè)/組織中的所有數(shù)據(jù)。
2、 數(shù)據(jù)湖可以存儲(chǔ)海量的任意類型的數(shù)據(jù)，包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。
3、 數(shù)據(jù)湖中的數(shù)據(jù)是原始數(shù)據(jù)，是業(yè)務(wù)數(shù)據(jù)的完整副本。數(shù)據(jù)湖中的數(shù)據(jù)保持了他們?cè)跇I(yè)務(wù)系統(tǒng)中原來的樣子。
4、 數(shù)據(jù)湖需要具備完善的數(shù)據(jù)管理能力（完善的元數(shù)據(jù)），可以管理各類數(shù)據(jù)相關(guān)的要素，包括數(shù)據(jù)源、數(shù)據(jù)格式、連接信息、數(shù)據(jù)schema、權(quán)限管理等。
5、 數(shù)據(jù)湖需要具備多樣化的分析能力，包括但不限于批處理、流式計(jì)算、交互式分析以及機(jī)器學(xué)習(xí)；同時(shí)，還需要提供一定的任務(wù)調(diào)度和管理能力。
6、 數(shù)據(jù)湖需要具備完善的數(shù)據(jù)生命周期管理能力。不光需要存儲(chǔ)原始數(shù)據(jù)，還需要能夠保存各類分析處理的中間結(jié)果，并完整的記錄數(shù)據(jù)的分析處理過程，能幫助用戶完整詳細(xì)追溯任意一條數(shù)據(jù)的產(chǎn)生過程。
7、 數(shù)據(jù)湖需要具備完善的數(shù)據(jù)獲取和數(shù)據(jù)發(fā)布能力。數(shù)據(jù)湖需要能支撐各種各樣的數(shù)據(jù)源，并能從相關(guān)的數(shù)據(jù)源中獲取全量/增量數(shù)據(jù)；然后規(guī)范存儲(chǔ)。數(shù)據(jù)湖能將數(shù)據(jù)分析處理的結(jié)果推送到合適的存儲(chǔ)引擎中，滿足不同的應(yīng)用訪問需求。
8、 對(duì)于大數(shù)據(jù)的支持，包括超大規(guī)模存儲(chǔ)以及可擴(kuò)展的大規(guī)模數(shù)據(jù)處理能力。
綜上，個(gè)人認(rèn)為數(shù)據(jù)湖應(yīng)該是一種不斷演進(jìn)中、可擴(kuò)展的大數(shù)據(jù)存儲(chǔ)、處理、分析的基礎(chǔ)設(shè)施；以數(shù)據(jù)為導(dǎo)向，實(shí)現(xiàn)任意來源、任意速度、任意規(guī)模、任意類型數(shù)據(jù)的全量獲取、全量存儲(chǔ)、多模式處理與全生命周期管理；并通過與各類外部異構(gòu)數(shù)據(jù)源的交互集成，支持各類企業(yè)級(jí)應(yīng)用。
圖1. 數(shù)據(jù)湖基本能力示意
這里需要再特別指出兩點(diǎn)：
1）可擴(kuò)展是指規(guī)模的可擴(kuò)展和能力的可擴(kuò)展，即數(shù)據(jù)湖不但要能夠隨著數(shù)據(jù)量的增大，提供“足夠”的存儲(chǔ)和計(jì)算能力；還需要根據(jù)需要不斷提供新的數(shù)據(jù)處理模式，例如可能一開始業(yè)務(wù)只需要批處理能力，但隨著業(yè)務(wù)的發(fā)展，可能需要交互式的即席分析能力；又隨著業(yè)務(wù)的實(shí)效性要求不斷提升，可能需要支持實(shí)時(shí)分析和機(jī)器學(xué)習(xí)等豐富的能力。
2）以數(shù)據(jù)為導(dǎo)向，是指數(shù)據(jù)湖對(duì)于用戶來說要足夠的簡(jiǎn)單、易用，幫助用戶從復(fù)雜的IT基礎(chǔ)設(shè)施運(yùn)維工作中解脫出來，關(guān)注業(yè)務(wù)、關(guān)注模型、關(guān)注算法、關(guān)注數(shù)據(jù)。數(shù)據(jù)湖面向的是數(shù)據(jù)科學(xué)家、分析師。目前來看，云原生應(yīng)該是構(gòu)建數(shù)據(jù)湖的一種比較理想的構(gòu)建方式，后面在“數(shù)據(jù)湖基本架構(gòu)”一節(jié)會(huì)詳細(xì)論述這一觀點(diǎn)。
二、數(shù)據(jù)湖的基本特征
對(duì)數(shù)據(jù)湖的概念有了基本的認(rèn)知之后，我們需要進(jìn)一步明確數(shù)據(jù)湖需要具備哪些基本特征，特別是與大數(shù)據(jù)平臺(tái)或者傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)相比，數(shù)據(jù)湖具有哪些特點(diǎn)。在具體分析之前，我們先看一張來自AWS官網(wǎng)的對(duì)比表格（表格引自：https://aws.amazon.com/cn/big-data/datalakes-and-analytics/what-is-a-data-lake/）
上表對(duì)比了數(shù)據(jù)湖與傳統(tǒng)數(shù)倉(cāng)的區(qū)別，個(gè)人覺得可以從數(shù)據(jù)和計(jì)算兩個(gè)層面進(jìn)一步分析數(shù)據(jù)湖應(yīng)該具備哪些特征。在數(shù)據(jù)方面：
1）“保真性”。數(shù)據(jù)湖中對(duì)于業(yè)務(wù)系統(tǒng)中的數(shù)據(jù)都會(huì)存儲(chǔ)一份“一模一樣”的完整拷貝。與數(shù)據(jù)倉(cāng)庫(kù)不同的地方在于，數(shù)據(jù)湖中必須要保存一份原始數(shù)據(jù)，無論是數(shù)據(jù)格式、數(shù)據(jù)模式、數(shù)據(jù)內(nèi)容都不應(yīng)該被修改。在這方面，數(shù)據(jù)湖強(qiáng)調(diào)的是對(duì)于業(yè)務(wù)數(shù)據(jù)“原汁原味”的保存。同時(shí)，數(shù)據(jù)湖應(yīng)該能夠存儲(chǔ)任意類型/格式的數(shù)據(jù)。
2）“靈活性”：上表一個(gè)點(diǎn)是 “寫入型schema” v.s.“讀取型schema”，其實(shí)本質(zhì)上來講是數(shù)據(jù)schema的設(shè)計(jì)發(fā)生在哪個(gè)階段的問題。對(duì)于任何數(shù)據(jù)應(yīng)用來說，其實(shí)schema的設(shè)計(jì)都是必不可少的，即使是mongoDB等一些強(qiáng)調(diào)“無模式”的數(shù)據(jù)庫(kù)，其最佳實(shí)踐里依然建議記錄盡量采用相同/相似的結(jié)構(gòu)?！皩懭胄蛃chema”背后隱含的邏輯是數(shù)據(jù)在寫入之前，就需要根據(jù)業(yè)務(wù)的訪問方式確定數(shù)據(jù)的schema，然后按照既定schema，完成數(shù)據(jù)導(dǎo)入，帶來的好處是數(shù)據(jù)與業(yè)務(wù)的良好適配；但是這也意味著數(shù)倉(cāng)的前期擁有成本會(huì)比較高，特別是當(dāng)業(yè)務(wù)模式不清晰、業(yè)務(wù)還處于探索階段時(shí)，數(shù)倉(cāng)的靈活性不夠。
數(shù)據(jù)湖強(qiáng)調(diào)的“讀取型schema”，背后的潛在邏輯則是認(rèn)為業(yè)務(wù)的不確定性是常態(tài)：我們無法預(yù)期業(yè)務(wù)的變化，那么我們就保持一定的靈活性，將設(shè)計(jì)去延后，讓整個(gè)基礎(chǔ)設(shè)施具備使數(shù)據(jù)“按需”貼合業(yè)務(wù)的能力。因此，個(gè)人認(rèn)為“保真性”和“靈活性”是一脈相承的：既然沒辦法預(yù)估業(yè)務(wù)的變化，那么索性保持?jǐn)?shù)據(jù)最為原始的狀態(tài)，一旦需要時(shí)，可以根據(jù)需求對(duì)數(shù)據(jù)進(jìn)行加工處理。因此，數(shù)據(jù)湖更加適合創(chuàng)新型企業(yè)、業(yè)務(wù)高速變化發(fā)展的企業(yè)。同時(shí)，數(shù)據(jù)湖的用戶也相應(yīng)的要求更高，數(shù)據(jù)科學(xué)家、業(yè)務(wù)分析師（配合一定的可視化工具）是數(shù)據(jù)湖的目標(biāo)客戶。
3）“可管理”：數(shù)據(jù)湖應(yīng)該提供完善的數(shù)據(jù)管理能力。既然數(shù)據(jù)要求“保真性”和“靈活性”，那么至少數(shù)據(jù)湖中會(huì)存在兩類數(shù)據(jù)：原始數(shù)據(jù)和處理后的數(shù)據(jù)。數(shù)據(jù)湖中的數(shù)據(jù)會(huì)不斷的積累、演化。因此，對(duì)于數(shù)據(jù)管理能力也會(huì)要求很高，至少應(yīng)該包含以下數(shù)據(jù)管理能力：數(shù)據(jù)源、數(shù)據(jù)連接、數(shù)據(jù)格式、數(shù)據(jù)schema（庫(kù)/表/列/行）。同時(shí)，數(shù)據(jù)湖是單個(gè)企業(yè)/組織中統(tǒng)一的數(shù)據(jù)存放場(chǎng)所，因此，還需要具有一定的權(quán)限管理能力。
4）“可追溯”：數(shù)據(jù)湖是一個(gè)組織/企業(yè)中全量數(shù)據(jù)的存儲(chǔ)場(chǎng)所，需要對(duì)數(shù)據(jù)的全生命周期進(jìn)行管理，包括數(shù)據(jù)的定義、接入、存儲(chǔ)、處理、分析、應(yīng)用的全過程。一個(gè)強(qiáng)大的數(shù)據(jù)湖實(shí)現(xiàn)，需要能做到對(duì)其間的任意一條數(shù)據(jù)的接入、存儲(chǔ)、處理、消費(fèi)過程是可追溯的，能夠清楚的重現(xiàn)數(shù)據(jù)完整的產(chǎn)生過程和流動(dòng)過程。
在計(jì)算方面，個(gè)人認(rèn)為數(shù)據(jù)湖對(duì)于計(jì)算能力要求其實(shí)非常廣泛，完全取決于業(yè)務(wù)對(duì)于計(jì)算的要求。
5）豐富的計(jì)算引擎。從批處理、流式計(jì)算、交互式分析到機(jī)器學(xué)習(xí)，各類計(jì)算引擎都屬于數(shù)據(jù)湖應(yīng)該囊括的范疇。一般情況下，數(shù)據(jù)的加載、轉(zhuǎn)換、處理會(huì)使用批處理計(jì)算引擎；需要實(shí)時(shí)計(jì)算的部分，會(huì)使用流式計(jì)算引擎；對(duì)于一些探索式的分析場(chǎng)景，可能又需要引入交互式分析引擎。隨著大數(shù)據(jù)技術(shù)與人工智能技術(shù)的結(jié)合越來越緊密，各類機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法也被不斷引入，例如TensorFlow/PyTorch框架已經(jīng)支持從HDFS/S3/OSS上讀取樣本數(shù)據(jù)進(jìn)行訓(xùn)練。因此，對(duì)于一個(gè)合格的數(shù)據(jù)湖項(xiàng)目而言，計(jì)算引擎的可擴(kuò)展/可插拔，應(yīng)該是一類基礎(chǔ)能力。
6）多模態(tài)的存儲(chǔ)引擎。理論上，數(shù)據(jù)湖本身應(yīng)該內(nèi)置多模態(tài)的存儲(chǔ)引擎，以滿足不同的應(yīng)用對(duì)于數(shù)據(jù)訪問需求（綜合考慮響應(yīng)時(shí)間/并發(fā)/訪問頻次/成本等因素）。但是，在實(shí)際的使用過程中，數(shù)據(jù)湖中的數(shù)據(jù)通常并不會(huì)被高頻次的訪問，而且相關(guān)的應(yīng)用也多在進(jìn)行探索式的數(shù)據(jù)應(yīng)用，為了達(dá)到可接受的性價(jià)比，數(shù)據(jù)湖建設(shè)通常會(huì)選擇相對(duì)便宜的存儲(chǔ)引擎（如S3/OSS/HDFS/OBS），并且在需要時(shí)與外置存儲(chǔ)引擎協(xié)同工作，滿足多樣化的應(yīng)用需求。
三、數(shù)據(jù)湖基本架構(gòu)
數(shù)據(jù)湖可以認(rèn)為是新一代的大數(shù)據(jù)基礎(chǔ)設(shè)施。為了更好的理解數(shù)據(jù)湖的基本架構(gòu)，我們先來看看大數(shù)據(jù)基礎(chǔ)設(shè)施架構(gòu)的演進(jìn)過程。
1） 第一階段：以Hadoop為代表的離線數(shù)據(jù)處理基礎(chǔ)設(shè)施。如下圖所示，Hadoop是以HDFS為核心存儲(chǔ)，以MapReduce（簡(jiǎn)稱MR）為基本計(jì)算模型的批量數(shù)據(jù)處理基礎(chǔ)設(shè)施。圍繞HDFS和MR，產(chǎn)生了一系列的組件，不斷完善整個(gè)大數(shù)據(jù)平臺(tái)的數(shù)據(jù)處理能力，例如面向在線KV操作的HBase、面向SQL的HIVE、面向工作流的PIG等。同時(shí)，隨著大家對(duì)于批處理的性能要求越來越高，新的計(jì)算模型不斷被提出，產(chǎn)生了Tez、Spark、Presto等計(jì)算引擎，MR模型也逐漸進(jìn)化成DAG模型。DAG模型一方面，增加計(jì)算模型的抽象并發(fā)能力：對(duì)每一個(gè)計(jì)算過程進(jìn)行分解，根據(jù)計(jì)算過程中的聚合操作點(diǎn)對(duì)任務(wù)進(jìn)行邏輯切分，任務(wù)被切分成一個(gè)個(gè)的stage，每個(gè)stage都可以有一個(gè)或者多個(gè)Task組成，Task是可以并發(fā)執(zhí)行的，從而提升整個(gè)計(jì)算過程的并行能力；另一方面，為減少數(shù)據(jù)處理過程中的中間結(jié)果寫文件操作，Spark、Presto等計(jì)算引擎盡量使用計(jì)算節(jié)點(diǎn)的內(nèi)存對(duì)數(shù)據(jù)進(jìn)行緩存，從而提高整個(gè)數(shù)據(jù)過程的效率和系統(tǒng)吞吐能力。
圖2. Hadoop體系結(jié)構(gòu)示意
2） 第二階段：lambda架構(gòu)。隨著數(shù)據(jù)處理能力和處理需求的不斷變化，越來越多的用戶發(fā)現(xiàn)，批處理模式無論如何提升性能，也無法滿足一些實(shí)時(shí)性要求高的處理場(chǎng)景，流式計(jì)算引擎應(yīng)運(yùn)而生，例如Storm、Spark Streaming、Flink等。然而，隨著越來越多的應(yīng)用上線，大家發(fā)現(xiàn)，其實(shí)批處理和流計(jì)算配合使用，才能滿足大部分應(yīng)用需求；而對(duì)于用戶而言，其實(shí)他們并不關(guān)心底層的計(jì)算模型是什么，用戶希望無論是批處理還是流計(jì)算，都能基于統(tǒng)一的數(shù)據(jù)模型來返回處理結(jié)果，于是Lambda架構(gòu)被提出，如下圖所示。（為了省事，lambda架構(gòu)和Kappa架構(gòu)圖均來自于網(wǎng)絡(luò)）
圖3. Lambda架構(gòu)示意
Lambda架構(gòu)的核心理念是“流批一體”，如上圖所示，整個(gè)數(shù)據(jù)流向自左向右流入平臺(tái)。進(jìn)入平臺(tái)后一分為二，一部分走批處理模式，一部分走流式計(jì)算模式。無論哪種計(jì)算模式，最終的處理結(jié)果都通過服務(wù)層對(duì)應(yīng)用提供，確保訪問的一致性。
3） 第三階段：Kappa架構(gòu)。Lambda架構(gòu)解決了應(yīng)用讀取數(shù)據(jù)的一致性問題，但是“流批分離”的處理鏈路增大了研發(fā)的復(fù)雜性。因此，有人就提出能不能用一套系統(tǒng)來解決所有問題。目前比較流行的做法就是基于流計(jì)算來做。流計(jì)算天然的分布式特征，注定了他的擴(kuò)展性更好。通過加大流計(jì)算的并發(fā)性，加大流式數(shù)據(jù)的“時(shí)間窗口”，來統(tǒng)一批處理與流式處理兩種計(jì)算模式。
圖4. Kappa架構(gòu)示意
綜上，從傳統(tǒng)的hadoop架構(gòu)往lambda架構(gòu)，從lambda架構(gòu)往Kappa架構(gòu)的演進(jìn)，大數(shù)據(jù)平臺(tái)基礎(chǔ)架構(gòu)的演進(jìn)逐漸囊括了應(yīng)用所需的各類數(shù)據(jù)處理能力，大數(shù)據(jù)平臺(tái)逐漸演化成了一個(gè)企業(yè)/組織的全量數(shù)據(jù)處理平臺(tái)。當(dāng)前的企業(yè)實(shí)踐中，除了關(guān)系型數(shù)據(jù)庫(kù)依托于各個(gè)獨(dú)立的業(yè)務(wù)系統(tǒng)；其余的數(shù)據(jù)，幾乎都被考慮納入大數(shù)據(jù)平臺(tái)來進(jìn)行統(tǒng)一的處理。然而，目前的大數(shù)據(jù)平臺(tái)基礎(chǔ)架構(gòu)，都將視角鎖定在了存儲(chǔ)和計(jì)算，而忽略了對(duì)于數(shù)據(jù)的資產(chǎn)化管理，這恰恰是數(shù)據(jù)湖作為新一代的大數(shù)據(jù)基礎(chǔ)設(shè)施所重點(diǎn)關(guān)注的方向之一。
大數(shù)據(jù)基礎(chǔ)架構(gòu)的演進(jìn)，其實(shí)反應(yīng)了一點(diǎn)：在企業(yè)/組織內(nèi)部，數(shù)據(jù)是一類重要資產(chǎn)已經(jīng)成為了共識(shí)；為了更好的利用數(shù)據(jù)，企業(yè)/組織需要對(duì)數(shù)據(jù)資產(chǎn) 1）進(jìn)行長(zhǎng)期的原樣存儲(chǔ)；2）進(jìn)行有效管理與集中治理；3）提供多模式的計(jì)算能力滿足處理需求；4）以及面向業(yè)務(wù)，提供統(tǒng)一的數(shù)據(jù)視圖、數(shù)據(jù)模型與數(shù)據(jù)處理結(jié)果。數(shù)據(jù)湖就是在這個(gè)大背景下產(chǎn)生的，除了大數(shù)據(jù)平臺(tái)所擁有的各類基礎(chǔ)能力之外，數(shù)據(jù)湖更強(qiáng)調(diào)對(duì)于數(shù)據(jù)的管理、治理和資產(chǎn)化能力。落到具體的實(shí)現(xiàn)上，數(shù)據(jù)湖需要包括一系列的數(shù)據(jù)管理組件，包括：1）數(shù)據(jù)接入；2）數(shù)據(jù)搬遷；3）數(shù)據(jù)治理；4）質(zhì)量管理；5）資產(chǎn)目錄；6）訪問控制；7）任務(wù)管理；8）任務(wù)編排；9）元數(shù)據(jù)管理等。如下圖所示，給出了一個(gè)數(shù)據(jù)湖系統(tǒng)的參考架構(gòu)。對(duì)于一個(gè)典型的數(shù)據(jù)湖而言，它與大數(shù)據(jù)平臺(tái)相同的地方在于它也具備處理超大規(guī)模數(shù)據(jù)所需的存儲(chǔ)和計(jì)算能力，能提供多模式的數(shù)據(jù)處理能力；增強(qiáng)點(diǎn)在于數(shù)據(jù)湖提供了更為完善的數(shù)據(jù)管理能力，具體體現(xiàn)在：
1） 更強(qiáng)大的數(shù)據(jù)接入能力。數(shù)據(jù)接入能力體現(xiàn)在對(duì)于各類外部異構(gòu)數(shù)據(jù)源的定義管理能力，以及對(duì)于外部數(shù)據(jù)源相關(guān)數(shù)據(jù)的抽取遷移能力，抽取遷移的數(shù)據(jù)包括外部數(shù)據(jù)源的元數(shù)據(jù)與實(shí)際存儲(chǔ)的數(shù)據(jù)。
2） 更強(qiáng)大的數(shù)據(jù)管理能力。管理能力具體又可分為基本管理能力和擴(kuò)展管理能力?；竟芾砟芰Π▽?duì)各類元數(shù)據(jù)的管理、數(shù)據(jù)訪問控制、數(shù)據(jù)資產(chǎn)管理，是一個(gè)數(shù)據(jù)湖系統(tǒng)所必須的，后面我們會(huì)在“各廠商的數(shù)據(jù)湖解決方案”一節(jié)相信討論各個(gè)廠商對(duì)于基本管理能力的支持方式。擴(kuò)展管理能力包括任務(wù)管理、流程編排以及與數(shù)據(jù)質(zhì)量、數(shù)據(jù)治理相關(guān)的能力。任務(wù)管理和流程編排主要用來管理、編排、調(diào)度、監(jiān)測(cè)在數(shù)據(jù)湖系統(tǒng)中處理數(shù)據(jù)的各類任務(wù)，通常情況下，數(shù)據(jù)湖構(gòu)建者會(huì)通過購(gòu)買/研制定制的數(shù)據(jù)集成或數(shù)據(jù)開發(fā)子系統(tǒng)/模塊來提供此類能力，定制的系統(tǒng)/模塊可以通過讀取數(shù)據(jù)湖的相關(guān)元數(shù)據(jù)，來實(shí)現(xiàn)與數(shù)據(jù)湖系統(tǒng)的融合。而數(shù)據(jù)質(zhì)量和數(shù)據(jù)治理則是更為復(fù)雜的問題，一般情況下，數(shù)據(jù)湖系統(tǒng)不會(huì)直接提供相關(guān)功能，但是會(huì)開放各類接口或者元數(shù)據(jù)，供有能力的企業(yè)/組織與已有的數(shù)據(jù)治理軟件集成或者做定制開發(fā)。
3） 可共享的元數(shù)據(jù)。數(shù)據(jù)湖中的各類計(jì)算引擎會(huì)與數(shù)據(jù)湖中的數(shù)據(jù)深度融合，而融合的基礎(chǔ)就是數(shù)據(jù)湖的元數(shù)據(jù)。好的數(shù)據(jù)湖系統(tǒng)，計(jì)算引擎在處理數(shù)據(jù)時(shí)，能從元數(shù)據(jù)中直接獲取數(shù)據(jù)存儲(chǔ)位置、數(shù)據(jù)格式、數(shù)據(jù)模式、數(shù)據(jù)分布等信息，然后直接進(jìn)行數(shù)據(jù)處理，而無需進(jìn)行人工/編程干預(yù)。更進(jìn)一步，好的數(shù)據(jù)湖系統(tǒng)還可以對(duì)數(shù)據(jù)湖中的數(shù)據(jù)進(jìn)行訪問控制，控制的力度可以做到“庫(kù)表列行”等不同級(jí)別。
圖5. 數(shù)據(jù)湖組件參考架構(gòu)
還有一點(diǎn)應(yīng)該指出的是，上圖的“集中式存儲(chǔ)”更多的是業(yè)務(wù)概念上的集中，本質(zhì)上是希望一個(gè)企業(yè)/組織內(nèi)部的數(shù)據(jù)能在一個(gè)明確統(tǒng)一的地方進(jìn)行沉淀。事實(shí)上，數(shù)據(jù)湖的存儲(chǔ)應(yīng)該是一類可按需擴(kuò)展的分布式文件系統(tǒng)，大多數(shù)數(shù)據(jù)湖實(shí)踐中也是推薦采用S3/OSS/OBS/HDFS等分布式系統(tǒng)作為數(shù)據(jù)湖的統(tǒng)一存儲(chǔ)。
我們可以再切換到數(shù)據(jù)維度，從數(shù)據(jù)生命周期的視角來看待數(shù)據(jù)湖對(duì)于數(shù)據(jù)的處理方式，數(shù)據(jù)在數(shù)據(jù)湖中的整個(gè)生命周期如圖6所示。理論上，一個(gè)管理完善的數(shù)據(jù)湖中的數(shù)據(jù)會(huì)永久的保留原始數(shù)據(jù)，同時(shí)過程數(shù)據(jù)會(huì)不斷的完善、演化，以滿足業(yè)務(wù)的需要。
圖6. 數(shù)據(jù)湖中的數(shù)據(jù)生命周期示意
四、各廠商的數(shù)據(jù)湖解決方案
數(shù)據(jù)湖作為當(dāng)前的一個(gè)風(fēng)口，各大云廠商紛紛推出自己的數(shù)據(jù)湖解決方案及相關(guān)產(chǎn)品。本節(jié)將分析各個(gè)主流廠商推出的數(shù)據(jù)湖解決方案，并將其映射到數(shù)據(jù)湖參考架構(gòu)上，幫助大家理解各類方案的優(yōu)缺點(diǎn)。
4.1 AWS數(shù)據(jù)湖解決方案
圖7. AWS數(shù)據(jù)湖解決方案
圖7是AWS推薦的數(shù)據(jù)湖解決方案。整個(gè)方案基于AWS Lake Formation構(gòu)建，AWS Lake Formation本質(zhì)上是一個(gè)管理性質(zhì)的組件，它與其他AWS服務(wù)互相配合，來完成整個(gè)企業(yè)級(jí)數(shù)據(jù)湖構(gòu)建功能。上圖自左向右，體現(xiàn)了數(shù)據(jù)流入、數(shù)據(jù)沉淀、數(shù)據(jù)計(jì)算、數(shù)據(jù)應(yīng)用四個(gè)步驟。我們進(jìn)一步來看其關(guān)鍵點(diǎn)：
1） 數(shù)據(jù)流入。
數(shù)據(jù)流入是整個(gè)數(shù)據(jù)湖構(gòu)建的起始，包括元數(shù)據(jù)的流入和業(yè)務(wù)數(shù)據(jù)流入兩個(gè)部分。元數(shù)據(jù)流入包括數(shù)據(jù)源創(chuàng)建、元數(shù)據(jù)抓取兩步，最終會(huì)形成數(shù)據(jù)資源目錄，并生成對(duì)應(yīng)的安全設(shè)置與訪問控制策略。解決方案提供專門的組件，獲取外部數(shù)據(jù)源的相關(guān)元信息，該組件能連接外部數(shù)據(jù)源、檢測(cè)數(shù)據(jù)格式和模式（schema），并在對(duì)應(yīng)的數(shù)據(jù)資源目錄中創(chuàng)建屬于數(shù)據(jù)湖的元數(shù)據(jù)。業(yè)務(wù)數(shù)據(jù)的流入是通過ETL來完成的。
在具體的產(chǎn)品形式上，元數(shù)據(jù)抓取、ETL和數(shù)據(jù)準(zhǔn)備AWS將其單獨(dú)抽象出來，形成了一個(gè)產(chǎn)品叫AWS GLUE。AWS GLUE與AWS Lake Formation共享同一個(gè)數(shù)據(jù)資源目錄，在AWS GLUE官網(wǎng)文檔上明確指出：“Each AWS account has one AWS Glue Data Catalog per AWS region”。
對(duì)于異構(gòu)數(shù)據(jù)源的支持。AWS提供的數(shù)據(jù)湖解決方案，支持S3、AWS關(guān)系型數(shù)據(jù)庫(kù)、AWS NoSQL數(shù)據(jù)庫(kù)，AWS利用GLUE、EMR、Athena等組件支持?jǐn)?shù)據(jù)的自由流動(dòng)。
2） 數(shù)據(jù)沉淀。
采用Amazon S3作為整個(gè)數(shù)據(jù)湖的集中存儲(chǔ)，按需擴(kuò)展/按使用量付費(fèi)。
3） 數(shù)據(jù)計(jì)算。
整個(gè)解決方案利用AWS GLUE來進(jìn)行基本的數(shù)據(jù)處理。GLUE基本的計(jì)算形式是各類批處理模式的ETL任務(wù)，任務(wù)的出發(fā)方式分為手動(dòng)觸發(fā)、定時(shí)觸發(fā)、事件觸發(fā)三種。不得不說，AWS的各類服務(wù)在生態(tài)上實(shí)現(xiàn)的非常好，事件觸發(fā)模式上，可以利用AWS Lambda進(jìn)行擴(kuò)展開發(fā)，同時(shí)觸發(fā)一個(gè)或多個(gè)任務(wù)，極大的提升了任務(wù)觸發(fā)的定制開發(fā)能力；同時(shí)，各類ETL任務(wù)，可以通過CloudWatch進(jìn)行很好的監(jiān)控。
4） 數(shù)據(jù)應(yīng)用。
在提供基本的批處理計(jì)算模式之外，AWS通過各類外部計(jì)算引擎，來提供豐富的計(jì)算模式支持，例如通過Athena/Redshift來提供基于SQL的交互式批處理能力；通過EMR來提供各類基于Spark的計(jì)算能力，包括Spark能提供的流計(jì)算能力和機(jī)器學(xué)習(xí)能力。
5） 權(quán)限管理。
AWS的數(shù)據(jù)湖解決方案通過Lake Formation來提供相對(duì)完善的權(quán)限管理，粒度包括“庫(kù)-表-列”。但是，有一點(diǎn)例外的是，GLUE訪問Lake Formation時(shí)，粒度只有“庫(kù)-表”兩級(jí)；這也從另一個(gè)側(cè)面說明，GLUE和Lake Formation的集成是更為緊密的，GLUE對(duì)于Lake Formation中的數(shù)據(jù)有更大的訪問權(quán)限。
Lake Formation的權(quán)限進(jìn)一步可以細(xì)分為數(shù)據(jù)資源目錄訪問權(quán)限和底層數(shù)據(jù)訪問權(quán)限，分別對(duì)應(yīng)元數(shù)據(jù)與實(shí)際存儲(chǔ)的數(shù)據(jù)。實(shí)際存儲(chǔ)數(shù)據(jù)的訪問權(quán)限又進(jìn)一步分為數(shù)據(jù)存取權(quán)限和數(shù)據(jù)存儲(chǔ)訪問權(quán)限。數(shù)據(jù)存取權(quán)限類似于數(shù)據(jù)庫(kù)中對(duì)于庫(kù)表的訪問權(quán)限，數(shù)據(jù)存儲(chǔ)權(quán)限則進(jìn)一步細(xì)化了對(duì)于S3中具體目錄的訪問權(quán)限（分為顯示和隱式兩種）。如圖8所示，用戶A在只有數(shù)據(jù)存取的權(quán)限下，無法創(chuàng)建位于S3指定bucket下的表。
個(gè)人認(rèn)為這進(jìn)一步體現(xiàn)了數(shù)據(jù)湖需要支持各種不同的存儲(chǔ)引擎，未來的數(shù)據(jù)湖可能不只S3/OSS/OBS/HDFS一類核心存儲(chǔ)，可能根據(jù)應(yīng)用的訪問需求，納入更多類型的存儲(chǔ)引擎，例如，S3存儲(chǔ)原始數(shù)據(jù)，NoSQL存儲(chǔ)處理過后適合以“鍵值”模式訪問的數(shù)據(jù)，OLAP引擎存儲(chǔ)需要實(shí)時(shí)出各類報(bào)表/adhoc查詢的數(shù)據(jù)。雖然當(dāng)前各類材料都在強(qiáng)調(diào)數(shù)據(jù)湖與數(shù)據(jù)倉(cāng)庫(kù)的不同；但是，從本質(zhì)上，數(shù)據(jù)湖更應(yīng)該是一類融合的數(shù)據(jù)管理思想的具體實(shí)現(xiàn)，“湖倉(cāng)一體化”也很可能是未來的一個(gè)發(fā)展趨勢(shì)。
圖8. AWS數(shù)據(jù)湖解決方案權(quán)限分離示意
綜上，AWS數(shù)據(jù)湖方案成熟度高，特別是元數(shù)據(jù)管理、權(quán)限管理上考慮充分，打通了異構(gòu)數(shù)據(jù)源與各類計(jì)算引擎的上下游關(guān)系，讓數(shù)據(jù)能夠自由“移動(dòng)”起來。在流計(jì)算和機(jī)器學(xué)習(xí)上，AWS的解決方案也比較完善。流計(jì)算方面AWS推出了專門的流計(jì)算組件Kinesis，Kinesis中的Kinesis data Firehose服務(wù)可以創(chuàng)建一個(gè)完全被托管的數(shù)據(jù)分發(fā)服務(wù)，通過Kinesis data Stream實(shí)時(shí)處理的數(shù)據(jù)，可以借助Firehose方便的寫入S3中，并支持相應(yīng)的格式轉(zhuǎn)換，如將JSON轉(zhuǎn)換成Parquet格式。AWS整個(gè)方案最牛的地方還在與Kinesis可以訪問GLUE中的元數(shù)據(jù)，這一點(diǎn)充分體現(xiàn)了AWS數(shù)據(jù)湖解決方案在生態(tài)上的完備性。同樣，在機(jī)器學(xué)習(xí)方面，AWS提供了SageMaker服務(wù)，SageMaker可以讀取S3中的訓(xùn)練數(shù)據(jù)，并將訓(xùn)練好的模型回寫至S3中。但是，有一點(diǎn)需要指出的是，在AWS的數(shù)據(jù)湖解決方案中，流計(jì)算和機(jī)器學(xué)習(xí)并不是固定捆綁的，只是作為計(jì)算能力擴(kuò)展，能方便的集成。
最后，讓我們回到圖6的數(shù)據(jù)湖組件參考架構(gòu)，看看AWS的數(shù)據(jù)湖解決方案的組件覆蓋情況，參見圖9。
圖9. AWS 數(shù)據(jù)湖解決方案在參考架構(gòu)中的映射
綜上，AWS的數(shù)據(jù)湖解決方案覆蓋了除質(zhì)量管理和數(shù)據(jù)治理的所有功能。其實(shí)質(zhì)量管理和數(shù)據(jù)治理這個(gè)工作和企業(yè)的組織結(jié)構(gòu)、業(yè)務(wù)類型強(qiáng)相關(guān)，需要做大量的定制開發(fā)工作，因此通用解決方案不囊括這塊內(nèi)容，也是可以理解的。事實(shí)上，現(xiàn)在也有比較優(yōu)秀的開源項(xiàng)目支持這個(gè)項(xiàng)目，比如Apache Griffin，如果對(duì)質(zhì)量管理和數(shù)據(jù)治理有強(qiáng)訴求，可以自行定制開發(fā)。
4.2 華為數(shù)據(jù)湖解決方案
圖10.華為數(shù)據(jù)湖解決方案
華為的數(shù)據(jù)湖解決方案相關(guān)信息來自華為官網(wǎng)。目前官網(wǎng)可見的相關(guān)產(chǎn)品包括數(shù)據(jù)湖探索（Data Lake Insight，DLI）和智能數(shù)據(jù)湖運(yùn)營(yíng)平臺(tái)（DAYU）。其中DLI相當(dāng)于是AWS的Lake Formation、GLUE、Athena、EMR（Flink&Spark）的集合。官網(wǎng)上沒找到關(guān)于DLI的整體架構(gòu)圖，我根據(jù)自己的理解，嘗試畫了一個(gè)，主要是和AWS的解決方案有一個(gè)對(duì)比，所以形式上盡量一致，如果有非常了解華為DLI的同學(xué)，也請(qǐng)不吝賜教。
華為的數(shù)據(jù)湖解決方案比較完整，DLI承擔(dān)了所有的數(shù)據(jù)湖構(gòu)建、數(shù)據(jù)處理、數(shù)據(jù)管理、數(shù)據(jù)應(yīng)用的核心功能。DLI最大的特色是在于分析引擎的完備性，包括基于SQL的交互式分析以及基于Spark+Flink的流批一體處理引擎。在核心存儲(chǔ)引擎上，DLI依然通過內(nèi)置的OBS來提供，和AWS S3的能力基本對(duì)標(biāo)。華為數(shù)據(jù)湖解決方案在上下游生態(tài)上做的比AWS相對(duì)完善，對(duì)于外部數(shù)據(jù)源，幾乎支持所有目前華為云上提供的數(shù)據(jù)源服務(wù)。
DLI可以與華為的CDM（云數(shù)據(jù)遷移服務(wù)）和DIS（數(shù)據(jù)接入服務(wù)）對(duì)接：1）借助DIS，DLI可以定義各類數(shù)據(jù)點(diǎn)，這些點(diǎn)可以在Flink作業(yè)中被使用，做為source或者sink；2）借助CDM，DLI甚至能接入IDC、第三方云服務(wù)的數(shù)據(jù)。
為了更好的支持?jǐn)?shù)據(jù)集成、數(shù)據(jù)開發(fā)、數(shù)據(jù)治理、質(zhì)量管理等數(shù)據(jù)湖高級(jí)功能，華為云提供了DAYU平臺(tái)。DAYU平臺(tái)是華為數(shù)據(jù)湖治理運(yùn)營(yíng)方法論的落地實(shí)現(xiàn)。DAYU涵蓋了整個(gè)數(shù)據(jù)湖治理的核心流程，并對(duì)其提供了相應(yīng)的工具支持；甚至在華為的官方文檔中，給出了數(shù)據(jù)治理組織的構(gòu)建建議。DAYU的數(shù)據(jù)治理方法論的落地實(shí)現(xiàn)如圖11所示（來自華為云官網(wǎng)）。
圖11 DAYU數(shù)據(jù)治理方法論流程
可以看到，本質(zhì)上DAYU數(shù)據(jù)治理的方法論其實(shí)是傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)治理方法論在數(shù)據(jù)湖基礎(chǔ)設(shè)施上的延伸：從數(shù)據(jù)模型來看，依然包括貼源層、多源整合層、明細(xì)數(shù)據(jù)層，這點(diǎn)與數(shù)據(jù)倉(cāng)庫(kù)完全一致。根據(jù)數(shù)據(jù)模型和指標(biāo)模型會(huì)生成質(zhì)量規(guī)則和轉(zhuǎn)換模型，DAYU會(huì)和DLI對(duì)接，直接調(diào)用DLI提供的相關(guān)數(shù)據(jù)處理服務(wù)，完成數(shù)據(jù)治理。華為云整個(gè)的數(shù)據(jù)湖解決方案，完整覆蓋了數(shù)據(jù)處理的生命周期，并且明確支持了數(shù)據(jù)治理，并提供了基于模型和指標(biāo)的數(shù)據(jù)治理流程工具，在華為云的數(shù)據(jù)湖解決方案中逐漸開始往“湖倉(cāng)一體化”方向演進(jìn)。
4.3 阿里云數(shù)據(jù)湖解決方案
阿里云上數(shù)據(jù)類產(chǎn)品眾多，因?yàn)楸救四壳霸跀?shù)據(jù)BU，所以本節(jié)方案將關(guān)注在如何使用數(shù)據(jù)庫(kù)BU的產(chǎn)品來構(gòu)建數(shù)據(jù)湖，其他云上產(chǎn)品會(huì)略有涉及。阿里云的基于數(shù)據(jù)庫(kù)產(chǎn)品的數(shù)據(jù)湖解決方案更加聚焦，主打數(shù)據(jù)湖分析和聯(lián)邦分析兩個(gè)場(chǎng)景。阿里云數(shù)據(jù)湖解決方案如圖12所示。
圖12. 阿里云數(shù)據(jù)湖解決方案
整個(gè)方案依然采用OSS作為數(shù)據(jù)湖的集中存儲(chǔ)。在數(shù)據(jù)源的支持上，目前也支持所有的阿里云數(shù)據(jù)庫(kù)，包括OLTP、OLAP和NoSQL等各類數(shù)據(jù)庫(kù)。核心關(guān)鍵點(diǎn)如下：
1） 數(shù)據(jù)接入與搬遷。在建湖過程中，DLA的Formation組件具備元數(shù)據(jù)發(fā)現(xiàn)和一鍵建湖的能力，在本文寫作之時(shí)，目前“一鍵建湖”還只支持全量建湖，但是基于binlog的增量建湖已經(jīng)在開發(fā)中了，預(yù)計(jì)近期上線。增量建湖能力會(huì)極大的增加數(shù)據(jù)湖中數(shù)據(jù)的實(shí)時(shí)性，并將對(duì)源端業(yè)務(wù)數(shù)據(jù)庫(kù)的壓力降到最下。這里需要注意的是，DLA Formation是一個(gè)內(nèi)部組件，對(duì)外并沒有暴露。
2） 數(shù)據(jù)資源目錄。DLA提供Meta data catalog組件對(duì)于數(shù)據(jù)湖中的數(shù)據(jù)資產(chǎn)進(jìn)行統(tǒng)一的管理，無論數(shù)據(jù)是在“湖中”還是在“湖外”。Meta data catalog也是聯(lián)邦分析的統(tǒng)一元數(shù)據(jù)入口。
3） 在內(nèi)置計(jì)算引擎上，DLA提供了SQL計(jì)算引擎和Spark計(jì)算引擎兩種。無論是SQL還是Spark引擎，都和Meta data catalog深度集成，能方便的獲取元數(shù)據(jù)信息?；赟park的能力，DLA解決方案支持批處理、流計(jì)算和機(jī)器學(xué)習(xí)等計(jì)算模式。
4） 在外圍生態(tài)上，除了支持各類異構(gòu)數(shù)據(jù)源做數(shù)據(jù)接入與匯聚之外，在對(duì)外訪問能力上，DLA與云原生數(shù)據(jù)倉(cāng)庫(kù)（原ADB）深度整合。一方面，DLA處理的結(jié)果可之際推送至ADB中，滿足實(shí)時(shí)、交互式、ad hoc復(fù)雜查詢；另一方面，ADB里的數(shù)據(jù)也可以借助外表功能，很方便的進(jìn)行數(shù)據(jù)回流至OSS中?；贒LA，阿里云上各類異構(gòu)數(shù)據(jù)源可以完全被打通，數(shù)據(jù)自由流動(dòng)。
5） 在數(shù)據(jù)集成和開發(fā)上，阿里云的數(shù)據(jù)湖解決方案提供兩種選擇：一種是采用dataworks完成；另一種是采用DMS來完成。無論是選擇哪種，都能對(duì)外提供可視化的流程編排、任務(wù)調(diào)度、任務(wù)管理能力。在數(shù)據(jù)生命周期管理上，dataworks的數(shù)據(jù)地圖能力相對(duì)更加成熟。
6） 在數(shù)據(jù)管理和數(shù)據(jù)安全上，DMS提供了強(qiáng)大的能力。DMS的數(shù)據(jù)管理粒度分為“庫(kù)-表-列-行”，完善的支持企業(yè)級(jí)的數(shù)據(jù)安全管控需求。除了權(quán)限管理之外，DMS更精細(xì)的地方是把原來基于數(shù)據(jù)庫(kù)的devops理念擴(kuò)展到了數(shù)據(jù)湖，使得數(shù)據(jù)湖的運(yùn)維、開發(fā)更加精細(xì)化。
進(jìn)一步細(xì)化整個(gè)數(shù)據(jù)湖方案的數(shù)據(jù)應(yīng)用架構(gòu)，如下圖所示。
圖13. 阿里云數(shù)據(jù)湖數(shù)據(jù)應(yīng)用架構(gòu)
自左向右從數(shù)據(jù)的流向來看，數(shù)據(jù)生產(chǎn)者產(chǎn)生各類數(shù)據(jù)（云下/云上/其他云），利用各類工具，上傳至各類通用/標(biāo)準(zhǔn)數(shù)據(jù)源，包括OSS/HDFS/DB等。針對(duì)各類數(shù)據(jù)源，DLA通過數(shù)據(jù)發(fā)現(xiàn)、數(shù)據(jù)接入、數(shù)據(jù)遷移等能力，完整建湖操作。對(duì)于“入湖”的數(shù)據(jù)，DLA提供基于SQL和Spark的數(shù)據(jù)處理能力，并可以基于Dataworks/DMS，對(duì)外提供可視化的數(shù)據(jù)集成和數(shù)據(jù)開發(fā)能力；在對(duì)外應(yīng)用服務(wù)能力上，DLA提供標(biāo)準(zhǔn)化的JDBC接口，可以直接對(duì)接各類報(bào)表工具、大屏展示功能等。阿里云的DLA的特色在于背靠整個(gè)阿里云數(shù)據(jù)庫(kù)生態(tài)，包括OLTP、OLAP、NoSQL等各類數(shù)據(jù)庫(kù)，對(duì)外提供基于SQL的數(shù)據(jù)處理能力，對(duì)于傳統(tǒng)企業(yè)基于數(shù)據(jù)庫(kù)的開發(fā)技術(shù)棧而言，轉(zhuǎn)型成本相對(duì)較低，學(xué)習(xí)曲線比較平緩。
阿里云的DLA解決方案的另一個(gè)特色在于“基于云原生的湖倉(cāng)一體化”。傳統(tǒng)的企業(yè)級(jí)數(shù)據(jù)倉(cāng)庫(kù)在大數(shù)據(jù)時(shí)代的今天，在各類報(bào)表應(yīng)用上依然是無法替代的；但是數(shù)倉(cāng)無法滿足大數(shù)據(jù)時(shí)代的數(shù)據(jù)分析處理的靈活性需求；因此，我們推薦數(shù)據(jù)倉(cāng)庫(kù)應(yīng)該作為數(shù)據(jù)湖的上層應(yīng)用存在：即數(shù)據(jù)湖是原始業(yè)務(wù)數(shù)據(jù)在一個(gè)企業(yè)/組織中唯一官方數(shù)據(jù)存儲(chǔ)地；數(shù)據(jù)湖根據(jù)各類業(yè)務(wù)應(yīng)用需求，將原始數(shù)據(jù)進(jìn)行加工處理，形成可再次利用的中間結(jié)果；當(dāng)中間結(jié)果的數(shù)據(jù)模式（Schema）相對(duì)固定后，DLA可以將中間結(jié)果推送至數(shù)據(jù)倉(cāng)庫(kù)，供企業(yè)/組織開展基于數(shù)倉(cāng)的業(yè)務(wù)應(yīng)用。阿里云在提供DLA的同時(shí)，還提供了云原生數(shù)倉(cāng)（原ADB），DLA和云原生數(shù)倉(cāng)在以下兩點(diǎn)上深度融合。
1） 使用同源的SQL解析引擎。DLA的SQL與ADB的SQL語法上完全兼容，這意味著開發(fā)者使用一套技術(shù)棧即能同時(shí)開發(fā)數(shù)據(jù)湖應(yīng)用和數(shù)倉(cāng)應(yīng)用。
2） 都內(nèi)置了對(duì)于OSS的訪問支持。OSS直接作為DLA的原生存儲(chǔ)存在；對(duì)于ADB而言，可以通過外部表的能力，很方便的訪問OSS上的結(jié)構(gòu)化數(shù)據(jù)。借助外部表，數(shù)據(jù)可以自由的在DLA和ADB之間流轉(zhuǎn)，做到真正的湖倉(cāng)一體。
DLA+ADB的組合真正做到了云原生的湖倉(cāng)一體（關(guān)于什么是云原生，不在本文的討論范疇）。本質(zhì)上，DLA可以看成一個(gè)能力擴(kuò)展的數(shù)據(jù)倉(cāng)庫(kù)貼源層。與傳統(tǒng)數(shù)倉(cāng)相比，該貼源層：（1）可以保存各類結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)；（2）可以對(duì)接各類異構(gòu)數(shù)據(jù)源；（3）具備元數(shù)據(jù)發(fā)現(xiàn)、管理、同步等能力；（4）內(nèi)置的SQL/Spark計(jì)算引擎具備更強(qiáng)的數(shù)據(jù)處理能力，滿足多樣化的數(shù)據(jù)處理需求；（5）具備全量數(shù)據(jù)的全生命周期管理能力。基于DLA+ADB的湖倉(cāng)一體化方案，將同時(shí)覆蓋“大數(shù)據(jù)平臺(tái)+數(shù)據(jù)倉(cāng)庫(kù)”的處理能力。
DLA還有一個(gè)重要能力是構(gòu)建了一個(gè)“四通八達(dá)”的數(shù)據(jù)流動(dòng)體系，并以數(shù)據(jù)庫(kù)的體驗(yàn)對(duì)外提供能力，無論數(shù)據(jù)在云上還是云下，無論數(shù)據(jù)在組織內(nèi)部還是外部；借助數(shù)據(jù)湖，各個(gè)系統(tǒng)之間的數(shù)據(jù)不再存在壁壘，可以自由的流進(jìn)流出；更重要的是，這種流動(dòng)是受監(jiān)管的，數(shù)據(jù)湖完整的記錄了數(shù)據(jù)的流動(dòng)情況。
4.4 Azure數(shù)據(jù)湖解決方案
Azure的數(shù)據(jù)湖解決方案包括數(shù)據(jù)湖存儲(chǔ)、接口層、資源調(diào)度與計(jì)算引擎層，如圖15所示（來自Azure官網(wǎng)）。存儲(chǔ)層是基于Azure object Storage構(gòu)建的，依然是對(duì)結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)提供支撐。接口層為WebHDFS，比較特別的是在Azure object Storage實(shí)現(xiàn)了HDFS的接口，Azure把這個(gè)能力稱為“數(shù)據(jù)湖存儲(chǔ)上的多協(xié)議存取”。在資源調(diào)度上，Azure基于YARN實(shí)現(xiàn)。計(jì)算引擎上，Azure提供了U-SQL、hadoop和Spark等多種處理引擎。
圖15. Azure Data lake analysis 架構(gòu)
Azure的特別之處是基于visual studio提供給了客戶開發(fā)的支持。
1）開發(fā)工具的支持，與visual studio的深度集成；Azure推薦使用U-SQL作為數(shù)據(jù)湖分析應(yīng)用的開發(fā)語言。Visual studio為U-SQL提供了完備的開發(fā)環(huán)境；同時(shí)，為了降低分布式數(shù)據(jù)湖系統(tǒng)開發(fā)的復(fù)雜性，visual studio基于項(xiàng)目進(jìn)行封裝，在進(jìn)行U-SQL開發(fā)時(shí)，可以創(chuàng)建“U-SQL database project”，在此類項(xiàng)目中，利用visual studio，可以很方便的進(jìn)行編碼與調(diào)試，同時(shí)，也提供向?qū)?，將開發(fā)好的U-SQL腳本發(fā)布到生成環(huán)境。U-SQL支持Python、R進(jìn)行擴(kuò)展，滿足定制開發(fā)需求。
2）多計(jì)算引擎的適配：SQL, Apache Hadoop和Apache Spark。這里的hadoop包括Azure提供的HDInsight（Azure托管的Hadoop服務(wù)），Spark包括Azure Databricks。
3）多種不同引擎任務(wù)之間的自動(dòng)轉(zhuǎn)換能力。微軟推薦U-SQL為數(shù)據(jù)湖的缺省開發(fā)工具，并提供各類轉(zhuǎn)換工具，支持U-SQL腳本與Hive、Spark（HDSight&databricks）、Azure Data Factory data Flow之間的轉(zhuǎn)化。
4.5 小結(jié)
本文所討論的是數(shù)據(jù)湖的解決方案，不會(huì)涉及到任何云廠商的單個(gè)產(chǎn)品。我們從數(shù)據(jù)接入、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)計(jì)算、數(shù)據(jù)管理、應(yīng)用生態(tài)幾個(gè)方面，簡(jiǎn)單做了一個(gè)類似下表的總結(jié)。
出于篇幅關(guān)系，其實(shí)知名云廠商的數(shù)據(jù)湖解決方案還有谷歌和騰訊的。這兩家從其官方網(wǎng)站上看，數(shù)據(jù)湖解決方案相對(duì)來講比較簡(jiǎn)單，也僅僅是一些概念上的闡述，推薦的落地方案是“oss+hadoop（EMR）”。其實(shí)數(shù)據(jù)湖不應(yīng)該從一個(gè)簡(jiǎn)單的技術(shù)平臺(tái)視角來看，實(shí)現(xiàn)數(shù)據(jù)湖的方式也多種多樣，評(píng)價(jià)一個(gè)數(shù)據(jù)湖解決方案是否成熟，關(guān)鍵應(yīng)該看其提供的數(shù)據(jù)管理能力，具體包括但不限于元數(shù)據(jù)、數(shù)據(jù)資產(chǎn)目錄、數(shù)據(jù)源、數(shù)據(jù)處理任務(wù)、數(shù)據(jù)生命周期、數(shù)據(jù)治理、權(quán)限管理等；以及與外圍生態(tài)的對(duì)接打通能力。
五、典型的數(shù)據(jù)湖應(yīng)用案例
5.1 廣告數(shù)據(jù)分析
近年來，流量獲取的成本就越來越高，線上渠道獲客成本的成倍增長(zhǎng)讓各行各業(yè)都面臨著嚴(yán)峻的挑戰(zhàn)。在互聯(lián)網(wǎng)廣告成本不斷攀升的大背景下，以花錢買流量拉新為主要的經(jīng)營(yíng)策略必然行不通了。流量前端的優(yōu)化已成強(qiáng)弩之末，利用數(shù)據(jù)工具提高流量到站后的目標(biāo)轉(zhuǎn)化，精細(xì)化運(yùn)營(yíng)廣告投放的各個(gè)環(huán)節(jié)，才是改變現(xiàn)狀更為直接有效的方式。說到底，要提高廣告流量的轉(zhuǎn)化率，必須依靠大數(shù)據(jù)分析。
為了能夠提供更多的決策支撐依據(jù)，需要采取更多的埋點(diǎn)數(shù)據(jù)的收集和分析，包括但不限于渠道、投放時(shí)間、投放人群，以點(diǎn)擊率為數(shù)據(jù)指標(biāo)進(jìn)行數(shù)據(jù)分析，從而給出更好的、更迅速的方案和建議，實(shí)現(xiàn)高效率高產(chǎn)出。因此，面對(duì)廣告投放領(lǐng)域多維度、多媒體、多廣告位等結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)采集、存儲(chǔ)、分析和決策建議等要求，數(shù)據(jù)湖分析產(chǎn)品解決方案在廣告主或者發(fā)布商進(jìn)行新一代技術(shù)選型中上受到了很熱烈的青睞。
DG是一家全球領(lǐng)先的企業(yè)國(guó)際化智能營(yíng)銷服務(wù)商，基于先進(jìn)的廣告技術(shù)、大數(shù)據(jù)和運(yùn)營(yíng)能力，為客戶提供全球高質(zhì)量用戶獲取及流量變現(xiàn)服務(wù)。DG從成立之初就決定以公有云為基礎(chǔ)來構(gòu)建其IT基礎(chǔ)設(shè)施，最初DG選擇了AWS云平臺(tái)，主要將其廣告數(shù)據(jù)在S3中以數(shù)據(jù)湖的形態(tài)進(jìn)行存放，通過Athena進(jìn)行交互式分析。然而隨著互聯(lián)網(wǎng)廣告的飛速發(fā)展，廣告行業(yè)帶來了幾大挑戰(zhàn)，移動(dòng)廣告的發(fā)布與追蹤系統(tǒng)必須解決幾個(gè)關(guān)鍵問題：
1） 并發(fā)性與峰值問題。在廣告行業(yè)，流量高峰時(shí)常出現(xiàn)，瞬間的點(diǎn)擊量可能達(dá)到數(shù)萬，甚至數(shù)十萬，這就要求系統(tǒng)具備非常好的可擴(kuò)展性以快速響應(yīng)和處理每一次點(diǎn)擊
2） 如何實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的實(shí)時(shí)分析。為了監(jiān)控廣告投放效果，系統(tǒng)需要實(shí)時(shí)對(duì)用戶的每一次點(diǎn)擊和激活數(shù)據(jù)進(jìn)行分析，同時(shí)把相關(guān)數(shù)據(jù)傳輸?shù)较掠蔚拿襟w；
3） 平臺(tái)的數(shù)據(jù)量在急劇增長(zhǎng)，每天的業(yè)務(wù)日志數(shù)據(jù)在持續(xù)的產(chǎn)生和上傳，曝光、點(diǎn)擊、推送的數(shù)據(jù)在持續(xù)處理，每天新增的數(shù)據(jù)量已經(jīng)在10-50TB左右，對(duì)整個(gè)數(shù)據(jù)處理系統(tǒng)提出了更高的要求。如何高效地完成對(duì)廣告數(shù)據(jù)的離線/近實(shí)時(shí)統(tǒng)計(jì)，按照廣告客戶的維度要求進(jìn)行聚合分析。
針對(duì)上述三點(diǎn)業(yè)務(wù)挑戰(zhàn)，同時(shí)DG這個(gè)客戶日增量數(shù)據(jù)正在急劇變大（當(dāng)前日數(shù)據(jù)掃描量達(dá)到100+TB），繼續(xù)在AWS平臺(tái)使用遇到Athena讀取S3數(shù)據(jù)帶寬瓶頸、數(shù)據(jù)分析滯后時(shí)間越來越長(zhǎng)、為應(yīng)對(duì)數(shù)據(jù)和分析需求增長(zhǎng)而急劇攀升的投入成本等，經(jīng)過認(rèn)真、仔細(xì)的測(cè)試和分析，最終決定從AWS云平臺(tái)全量搬站到阿里云平臺(tái)，新架構(gòu)圖如下：
圖16. 改造后的廣告數(shù)據(jù)湖方案架構(gòu)
從AWS搬站到阿里云后，我們?yōu)樵摽蛻粼O(shè)計(jì)了“利用Data Lake Analytics + OSS”極致分析能力來應(yīng)對(duì)業(yè)務(wù)波峰波谷。一方面輕松應(yīng)對(duì)來自品牌客戶的臨時(shí)分析。另一方面利用Data Lake Analytics的強(qiáng)大計(jì)算能力，分析按月、季度廣告投放，精確計(jì)算出一個(gè)品牌下面會(huì)有多少個(gè)活動(dòng)，每個(gè)活動(dòng)分媒體，分市場(chǎng)，分頻道，分DMP的投放效果，進(jìn)一步增強(qiáng)了加和智能流量平臺(tái)為品牌營(yíng)銷帶來的銷售轉(zhuǎn)化率。并且在廣告投放與分析的總擁有成本上，Data Lake Analytics提供的Serverless的彈性服務(wù)為按需收費(fèi)，不需要購(gòu)買固定的資源，完全契合業(yè)務(wù)潮汐帶來的資源波動(dòng)，滿足彈性的分析需求，同時(shí)極大地降低了運(yùn)維成本和使用成本。
圖17 數(shù)據(jù)湖部署示意圖
總體上，DG從AWS切換到阿里云后，極大地節(jié)省了硬件成本、人力成本和開發(fā)成本。由于采用DLA serverless云服務(wù)，DG無需先期投入大量的資金去購(gòu)買服務(wù)器、存儲(chǔ)等硬件設(shè)備，也無需一次性購(gòu)買大量的云服務(wù)，其基礎(chǔ)設(shè)施的規(guī)模完全是按需擴(kuò)展：需求高的時(shí)候增加服務(wù)數(shù)量，需求減少的時(shí)候減少服務(wù)數(shù)量，提高了資金的利用率。使用阿里云平臺(tái)帶來的第二個(gè)顯著好處是性能的提升。在DG業(yè)務(wù)的快速增長(zhǎng)期以及后續(xù)多條業(yè)務(wù)線接入期，DG在移動(dòng)廣告系統(tǒng)的訪問量經(jīng)常呈爆發(fā)式增長(zhǎng)，然而原先AWS方案和平臺(tái)在Athena讀取S3數(shù)據(jù)遇到數(shù)據(jù)讀取帶寬的極大瓶頸，數(shù)據(jù)分析的時(shí)間變得越來越長(zhǎng)，阿里云DLA聯(lián)合OSS團(tuán)隊(duì)等進(jìn)行了極大的優(yōu)化和改造，同時(shí)，DLA數(shù)據(jù)庫(kù)分析在計(jì)算引擎上（與TPC-DS打榜世界第一的AnalyticDB共享計(jì)算引擎）比Presto原生計(jì)算引擎的能力提升數(shù)十倍性能，也極大的為DG提升了分析性能。
5.2 游戲運(yùn)營(yíng)分析
數(shù)據(jù)湖是一類TCO表現(xiàn)極其優(yōu)秀的大數(shù)據(jù)基礎(chǔ)設(shè)施。對(duì)于很多快速增長(zhǎng)的游戲公司而言，一個(gè)爆款游戲，往往在短期內(nèi)相關(guān)數(shù)據(jù)增長(zhǎng)極快；同時(shí)，公司的研發(fā)人員的技術(shù)棧很難在短期內(nèi)與數(shù)據(jù)的增量和增速進(jìn)行匹配；此時(shí)，呈爆發(fā)增長(zhǎng)的數(shù)據(jù)很難被有效利用。數(shù)據(jù)湖是一個(gè)解決此類問題的技術(shù)選擇。
YJ是一家高速成長(zhǎng)的游戲公司，公司希望能依托相關(guān)用戶行為數(shù)據(jù)進(jìn)行深入分析，指導(dǎo)游戲的開發(fā)和運(yùn)營(yíng)。數(shù)據(jù)分析背后的核心邏輯在于隨著游戲行業(yè)市場(chǎng)競(jìng)爭(zhēng)局面的擴(kuò)大，玩家對(duì)于品質(zhì)的要求越來越高，游戲項(xiàng)目的生命周期越來越短，直接影響項(xiàng)目的投入產(chǎn)出比，通過數(shù)據(jù)運(yùn)營(yíng)則可以有效的延長(zhǎng)項(xiàng)目的生命周期，對(duì)各個(gè)階段的業(yè)務(wù)走向進(jìn)行精準(zhǔn)把控。而隨著流量成本的日益上升，如何構(gòu)建經(jīng)濟(jì)、高效的精細(xì)化數(shù)據(jù)運(yùn)營(yíng)體系，以更好的支撐業(yè)務(wù)發(fā)展，也變得愈發(fā)重要起來。數(shù)據(jù)運(yùn)營(yíng)體系就需要有其配套的基礎(chǔ)支撐設(shè)施，如何選擇這類基礎(chǔ)支撐設(shè)施，是公司技術(shù)決策者需要思考的問題。思考的出發(fā)點(diǎn)包括：
1） 要有足夠的彈性。對(duì)于游戲而言，往往就是短時(shí)間爆發(fā)，數(shù)據(jù)量激增；因此，能否適應(yīng)數(shù)據(jù)的爆發(fā)性增長(zhǎng)，滿足彈性需求是一個(gè)重點(diǎn)考量的點(diǎn)；無論是計(jì)算還是存儲(chǔ)，都需要具備足夠的彈性。
2） 要有足夠的性價(jià)比。對(duì)于用戶行為數(shù)據(jù)，往往需要拉到一個(gè)很長(zhǎng)的周期去分析去對(duì)比，比如留存率，不少情況下需要考慮90天甚至180天客戶的留存率；因此，如何以最具性價(jià)比的方式長(zhǎng)期存儲(chǔ)海量數(shù)據(jù)是需要重點(diǎn)考慮的問題。
3） 要有夠用的分析能力，且具備可擴(kuò)展性。許多情況下，用戶行為體現(xiàn)在埋點(diǎn)數(shù)據(jù)中，埋點(diǎn)數(shù)據(jù)又需要與用戶注冊(cè)信息、登陸信息、賬單等結(jié)構(gòu)化數(shù)據(jù)關(guān)聯(lián)分析；因此，在數(shù)據(jù)分析上，至少需要有大數(shù)據(jù)的ETL能力、異構(gòu)數(shù)據(jù)源的接入能力和復(fù)雜分析的建模能力。
4） 要與公司現(xiàn)有技術(shù)棧相匹配，且后續(xù)利于招聘。對(duì)于YJ，其在技術(shù)選型的時(shí)候一個(gè)重要點(diǎn)就是其技術(shù)人員的技術(shù)棧，YJ的技術(shù)團(tuán)隊(duì)大部分只熟悉傳統(tǒng)的數(shù)據(jù)庫(kù)開發(fā)，即MySQL；并且人手緊張，做數(shù)據(jù)運(yùn)營(yíng)分析的技術(shù)人員只有1個(gè)，短時(shí)間內(nèi)根本沒有能力獨(dú)立構(gòu)建大數(shù)據(jù)分析的基礎(chǔ)設(shè)施。從YJ的角度出發(fā)，最好絕大多數(shù)分析能夠通過SQL完成；并且在招聘市場(chǎng)上，SQL開發(fā)人員的數(shù)量也遠(yuǎn)高于大數(shù)據(jù)開發(fā)工程師的數(shù)量。針對(duì)客戶的情況，我們幫助客戶對(duì)現(xiàn)有方案做了改造。
圖18. 改造前的方案
改造前，客戶所有的結(jié)構(gòu)化數(shù)據(jù)都在一個(gè)高規(guī)格的MySQL里面；而玩家行為數(shù)據(jù)則是通過LogTail采集至日志服務(wù)（SLS）中，然后從日志服務(wù)中分別投遞到OSS和ES里。這個(gè)架構(gòu)的問題在于：1）行為數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)完全割裂，無法聯(lián)動(dòng)分析；2）對(duì)于行為數(shù)據(jù)智能提供檢索功能，無法做深層次的挖掘分析；3）OSS僅僅作為數(shù)據(jù)存儲(chǔ)資源使用，并沒有挖掘出足夠的數(shù)據(jù)價(jià)值。
事實(shí)上，我們分析客戶現(xiàn)存架構(gòu)其實(shí)已經(jīng)具備了數(shù)據(jù)湖的雛形：全量數(shù)據(jù)已經(jīng)在OSS中保存下來了，現(xiàn)在需要進(jìn)一步補(bǔ)齊客戶對(duì)于OSS中的數(shù)據(jù)的分析能力。而且數(shù)據(jù)湖基于SQL的數(shù)據(jù)處理模式也滿足客戶對(duì)于開發(fā)技術(shù)棧的需求。綜上，我們對(duì)客戶的架構(gòu)做了如下調(diào)整，幫助客戶構(gòu)建了數(shù)據(jù)湖。
圖19. 改造后的數(shù)據(jù)湖解決方案
總體上，我們沒有改變客戶的數(shù)據(jù)鏈路流轉(zhuǎn)，只是在OSS的基礎(chǔ)上，增加了DLA組件，對(duì)OSS的數(shù)據(jù)進(jìn)行二次加工處理。DLA提供了標(biāo)準(zhǔn)SQL計(jì)算引擎，同時(shí)支持接入各類異構(gòu)數(shù)據(jù)源?；贒LA對(duì)OSS的數(shù)據(jù)進(jìn)行處理后，生成業(yè)務(wù)直接可用的數(shù)據(jù)。但是DLA的問題在于無法支撐低延遲需求的交互式分析場(chǎng)景，為了解決這個(gè)問題，我們引入了云原生數(shù)據(jù)倉(cāng)庫(kù)ADB來解決交互式分析的延遲性問題；同時(shí)，在最前端引入QuickBI作為客戶的可視化分析工具。YJ方案是圖14所示的湖倉(cāng)一體化解決方案在游戲行業(yè)的一個(gè)經(jīng)典落地案例。
YM是一家數(shù)據(jù)智能服務(wù)提供商，面向各類中小商家提供一系列數(shù)據(jù)分析運(yùn)營(yíng)服務(wù)。具體實(shí)現(xiàn)的技術(shù)邏輯如下圖所示。
圖20. YM智能數(shù)據(jù)服務(wù)SaaS模式示意
平臺(tái)方提供多端SDK供用戶（商家提供網(wǎng)頁(yè)、APP、小程序等多種接入形式）接入各類埋點(diǎn)數(shù)據(jù)，平臺(tái)方以SaaS的形式提供統(tǒng)一的數(shù)據(jù)接入服務(wù)和數(shù)據(jù)分析服務(wù)。商家通過訪問各類數(shù)據(jù)分析服務(wù)來進(jìn)行更細(xì)粒度的埋點(diǎn)數(shù)據(jù)分析，完成行為統(tǒng)計(jì)、客戶畫像、客戶圈選、廣告投放監(jiān)測(cè)等基本分析功能。然而，這種SaaS模式下，會(huì)存在一定的問題：
1） 由于商家類型和需求的多樣化，平臺(tái)提供SaaS類分析功能很難覆蓋所有類型的商家，無法滿足商家的定制化需求；如有些商家關(guān)注銷量，有些關(guān)注客戶運(yùn)營(yíng)，有些關(guān)注成本優(yōu)化，很難滿足所有的需求。
2） 對(duì)于一些高級(jí)分析功能，如依賴于自定義標(biāo)簽的客戶圈選、客戶自定義擴(kuò)展等功能，統(tǒng)一的數(shù)據(jù)分析服務(wù)無法滿足的；特別是一些自定義的標(biāo)簽依賴于商家自定義的算法，無法滿足客戶的高級(jí)分析需求。
3） 數(shù)據(jù)的資產(chǎn)化管理需求。在大數(shù)據(jù)時(shí)代，數(shù)據(jù)是一個(gè)企業(yè)/組織的資產(chǎn)已經(jīng)成為了大家的共識(shí)，如何能讓屬于商家的數(shù)據(jù)合理、長(zhǎng)期的沉淀下來，也是SaaS服務(wù)需要考慮的事情。
綜上，我們?cè)谏蠄D的基本模式上引入了數(shù)據(jù)湖模式，讓數(shù)據(jù)湖作為商家沉淀數(shù)據(jù)、產(chǎn)出模型、分析運(yùn)營(yíng)的基礎(chǔ)支撐設(shè)施。引入數(shù)據(jù)湖后的SaaS數(shù)據(jù)智能服務(wù)模式如下。
圖21. 基于數(shù)據(jù)湖的數(shù)據(jù)智能服務(wù)
如圖21所示，平臺(tái)方為每個(gè)用戶提供一鍵建湖服務(wù)，商家使用該功能構(gòu)建自己的數(shù)據(jù)湖，“一鍵建湖”能力一方面幫助商家將所有埋點(diǎn)數(shù)據(jù)的數(shù)據(jù)模型（schema）同步至數(shù)據(jù)湖中；另一方面，將屬于該商家的所有埋點(diǎn)數(shù)據(jù)全量同步至數(shù)據(jù)湖中，并基于“T+1”的模式，將每天的增量數(shù)據(jù)歸檔入湖?；跀?shù)據(jù)湖的服務(wù)模式在傳統(tǒng)的數(shù)據(jù)分析服務(wù)的基礎(chǔ)上，賦予了用戶數(shù)據(jù)資產(chǎn)化、分析模型化和服務(wù)定制化三大能力：
1） 數(shù)據(jù)資產(chǎn)化能力。利用數(shù)據(jù)湖，商家可以將屬于自己的數(shù)據(jù)持續(xù)沉淀下來，保存多長(zhǎng)時(shí)間的數(shù)據(jù)，耗費(fèi)多少成本，完全由商家自主決定。數(shù)據(jù)湖還提供了數(shù)據(jù)資產(chǎn)管理能力，商家除了能管理原始數(shù)據(jù)外，還能將處理過的過程數(shù)據(jù)和結(jié)果數(shù)據(jù)分門別類保存，極大的提升了埋點(diǎn)數(shù)據(jù)的價(jià)值。
2） 分析模型化能力。數(shù)據(jù)湖中不僅僅有原始數(shù)據(jù)，還有埋點(diǎn)數(shù)據(jù)的模型（schema）。埋點(diǎn)數(shù)據(jù)模型體現(xiàn)了全域數(shù)據(jù)智能服務(wù)平臺(tái)對(duì)于業(yè)務(wù)邏輯的抽象，通過數(shù)據(jù)湖，除了將原始數(shù)據(jù)作為資產(chǎn)輸出外，還將數(shù)據(jù)模型進(jìn)行了輸出，借助埋點(diǎn)數(shù)據(jù)模型，商家可以更深入的理解埋點(diǎn)數(shù)據(jù)背后所體現(xiàn)的用戶行為邏輯，幫助商家更好的洞察客戶行為，獲取用戶需求。
3） 服務(wù)定制化能力。借助數(shù)據(jù)湖提供的數(shù)據(jù)集成和數(shù)據(jù)開發(fā)能力，基于對(duì)埋點(diǎn)數(shù)據(jù)模型的理解，商家可以定制數(shù)據(jù)處理過程，不斷對(duì)原始數(shù)據(jù)進(jìn)行迭代加工，從數(shù)據(jù)中提煉有價(jià)值的信息，最終獲得超越原有數(shù)據(jù)分析服務(wù)的價(jià)值。
六、數(shù)據(jù)湖建設(shè)的基本過程
個(gè)人認(rèn)為數(shù)據(jù)湖是比傳統(tǒng)大數(shù)據(jù)平臺(tái)更為完善的大數(shù)據(jù)處理基礎(chǔ)支撐設(shè)施，完善在數(shù)據(jù)湖是更貼近客戶業(yè)務(wù)的技術(shù)存在。所有數(shù)據(jù)湖所包括的、且超出大數(shù)據(jù)平臺(tái)存在的特性，例如元數(shù)據(jù)、數(shù)據(jù)資產(chǎn)目錄、權(quán)限管理、數(shù)據(jù)生命周期管理、數(shù)據(jù)集成和數(shù)據(jù)開發(fā)、數(shù)據(jù)治理和質(zhì)量管理等，無一不是為了更好的貼近業(yè)務(wù)，更好的方便客戶使用。數(shù)據(jù)湖所強(qiáng)調(diào)的一些基本的技術(shù)特性，例如彈性、存儲(chǔ)計(jì)算獨(dú)立擴(kuò)展、統(tǒng)一的存儲(chǔ)引擎、多模式計(jì)算引擎等等，也是為了滿足業(yè)務(wù)需求，并且給業(yè)務(wù)方提供最具性價(jià)比的TCO。
數(shù)據(jù)湖的建設(shè)過程應(yīng)該與業(yè)務(wù)緊密結(jié)合；但是數(shù)據(jù)湖的建設(shè)過程與傳統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)，甚至是大熱的數(shù)據(jù)中臺(tái)應(yīng)該是有所區(qū)別的。區(qū)別在于，數(shù)據(jù)湖應(yīng)該以一種更敏捷的方式去構(gòu)建，“邊建邊用，邊用邊治理”。為了更好的理解數(shù)據(jù)湖建設(shè)的敏捷性，我們先來看一下傳統(tǒng)數(shù)倉(cāng)的構(gòu)建過程。業(yè)界對(duì)于傳統(tǒng)數(shù)倉(cāng)的構(gòu)建提出了“自下而上”和“自頂而下”兩種模式，分別由Inmon和KimBall兩位大牛提出。具體的過程就不詳述了，不然可以再寫出幾百頁(yè)，這里只簡(jiǎn)單闡述基本思想。
1）Inmon提出自下而上（EDW-DM）的數(shù)據(jù)倉(cāng)庫(kù)建設(shè)模式，即操作型或事務(wù)型系統(tǒng)的數(shù)據(jù)源，通過ETL抽取轉(zhuǎn)換和加載到數(shù)據(jù)倉(cāng)庫(kù)的ODS層；ODS層中的數(shù)據(jù)，根據(jù)預(yù)先設(shè)計(jì)好的EDW（企業(yè)級(jí)數(shù)據(jù)倉(cāng)庫(kù)）范式進(jìn)行加工處理，然后進(jìn)入到EDW。EDW一般是企業(yè)/組織的通用數(shù)據(jù)模型，不方便上層應(yīng)用直接做數(shù)據(jù)分析；因此，各個(gè)業(yè)務(wù)部門會(huì)再次根據(jù)自己的需要，從EDW中處理出數(shù)據(jù)集市層（DM）。
優(yōu)勢(shì)：易于維護(hù)，高度集成；劣勢(shì)：結(jié)構(gòu)一旦確定，靈活性不足，且為了適應(yīng)業(yè)務(wù)，部署周期較長(zhǎng)。此類方式構(gòu)造的數(shù)倉(cāng)，適合于比較成熟穩(wěn)定的業(yè)務(wù)，例如金融。
2）KimBall提出自頂而下（DM-DW）的數(shù)據(jù)架構(gòu)，通過將操作型或事務(wù)型系統(tǒng)的數(shù)據(jù)源，抽取或加載到ODS層；然后通過ODS的數(shù)據(jù)，利用維度建模方法建設(shè)多維主題數(shù)據(jù)集市（DM）。各個(gè)DM，通過一致性的維度聯(lián)系在一起，最終形成企業(yè)/組織通用的數(shù)據(jù)倉(cāng)庫(kù)。
優(yōu)勢(shì)：構(gòu)建迅速，最快的看到投資回報(bào)率，敏捷靈活；劣勢(shì)：作為企業(yè)資源不太好維護(hù)，結(jié)構(gòu)復(fù)雜，數(shù)據(jù)集市集成困難。常應(yīng)用于中小企業(yè)或互聯(lián)網(wǎng)行業(yè)。
其實(shí)上述只是一個(gè)理論上的過程，其實(shí)無論是先構(gòu)造EDW，還是先構(gòu)造DM，都離不開對(duì)于數(shù)據(jù)的摸底，以及在數(shù)倉(cāng)構(gòu)建之前的數(shù)據(jù)模型的設(shè)計(jì)，包括當(dāng)前大熱的“數(shù)據(jù)中臺(tái)”，都逃不出下圖所示的基本建設(shè)過程。
圖22. 數(shù)據(jù)倉(cāng)庫(kù)/數(shù)據(jù)中臺(tái)建設(shè)基本流程
1） 數(shù)據(jù)摸底。對(duì)于一個(gè)企業(yè)/組織而言，在構(gòu)建數(shù)據(jù)湖初始工作就是對(duì)自己企業(yè)/組織內(nèi)部的數(shù)據(jù)做一個(gè)全面的摸底和調(diào)研，包括數(shù)據(jù)來源、數(shù)據(jù)類型、數(shù)據(jù)形態(tài)、數(shù)據(jù)模式、數(shù)據(jù)總量、數(shù)據(jù)增量等。在這個(gè)階段一個(gè)隱含的重要工作是借助數(shù)據(jù)摸底工作，進(jìn)一步梳理企業(yè)的組織結(jié)構(gòu)，明確數(shù)據(jù)和組織結(jié)構(gòu)之間關(guān)系。為后續(xù)明確數(shù)據(jù)湖的用戶角色、權(quán)限設(shè)計(jì)、服務(wù)方式奠定基礎(chǔ)。
2） 模型抽象。針對(duì)企業(yè)/組織的業(yè)務(wù)特點(diǎn)梳理歸類各類數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行領(lǐng)域劃分，形成數(shù)據(jù)管理的元數(shù)據(jù)，同時(shí)基于元數(shù)據(jù)，構(gòu)建通用的數(shù)據(jù)模型。
3） 數(shù)據(jù)接入。根據(jù)第一步的摸排結(jié)果，確定要接入的數(shù)據(jù)源。根據(jù)數(shù)據(jù)源，確定所必須的數(shù)據(jù)接入技術(shù)能力，完成數(shù)據(jù)接入技術(shù)選型，接入的數(shù)據(jù)至少包括：數(shù)據(jù)源元數(shù)據(jù)、原始數(shù)據(jù)元數(shù)據(jù)、原始數(shù)據(jù)。各類數(shù)據(jù)按照第二步形成的結(jié)果，分類存放。
4） 融合治理。簡(jiǎn)單來說就是利用數(shù)據(jù)湖提供的各類計(jì)算引擎對(duì)數(shù)據(jù)進(jìn)行加工處理，形成各類中間數(shù)據(jù)/結(jié)果數(shù)據(jù)，并妥善管理保存。數(shù)據(jù)湖應(yīng)該具備完善的數(shù)據(jù)開發(fā)、任務(wù)管理、任務(wù)調(diào)度的能力，詳細(xì)記錄數(shù)據(jù)的處理過程。在治理的過程中，會(huì)需要更多的數(shù)據(jù)模型和指標(biāo)模型。
5） 業(yè)務(wù)支撐。在通用模型基礎(chǔ)上，各個(gè)業(yè)務(wù)部門定制自己的細(xì)化數(shù)據(jù)模型、數(shù)據(jù)使用流程、數(shù)據(jù)訪問服務(wù)。
上述過程，對(duì)于一個(gè)快速成長(zhǎng)的互聯(lián)網(wǎng)企業(yè)來說，太重了，很多情況下是無法落地的，最現(xiàn)實(shí)的問題就是第二步模型抽象，很多情況下，業(yè)務(wù)是在試錯(cuò)、在探索，根本不清楚未來的方向在哪里，也就根本不可能提煉出通用的數(shù)據(jù)模型；沒有數(shù)據(jù)模型，后面的一切操作也就無從談起，這也是很多高速成長(zhǎng)的企業(yè)覺得數(shù)據(jù)倉(cāng)庫(kù)/數(shù)據(jù)中臺(tái)無法落地、無法滿足需求的重要原因之一。
數(shù)據(jù)湖應(yīng)該是一種更為“敏捷”的構(gòu)建方式，我們建議采用如下步驟來構(gòu)建數(shù)據(jù)湖。
圖23. 數(shù)據(jù)湖建設(shè)基本流程
對(duì)比圖22，依然是五步，但是這五步是一個(gè)全面的簡(jiǎn)化和“可落地”的改進(jìn)。
1） 數(shù)據(jù)摸底。依然需要摸清楚數(shù)據(jù)的基本情況，包括數(shù)據(jù)來源、數(shù)據(jù)類型、數(shù)據(jù)形態(tài)、數(shù)據(jù)模式、數(shù)據(jù)總量、數(shù)據(jù)增量。但是，也就需要做這么多了。數(shù)據(jù)湖是對(duì)原始數(shù)據(jù)做全量保存，因此無需事先進(jìn)行深層次的設(shè)計(jì)。
2） 技術(shù)選型。根據(jù)數(shù)據(jù)摸底的情況，確定數(shù)據(jù)湖建設(shè)的技術(shù)選型。事實(shí)上，這一步也非常的簡(jiǎn)單，因?yàn)殛P(guān)于數(shù)據(jù)湖的技術(shù)選型，業(yè)界有很多的通行的做法，基本原則個(gè)人建議有三個(gè)：“計(jì)算與存儲(chǔ)分離”、“彈性”、“獨(dú)立擴(kuò)展”。建議的存儲(chǔ)選型是分布式對(duì)象存儲(chǔ)系統(tǒng)（如S3/OSS/OBS）；計(jì)算引擎上建議重點(diǎn)考慮批處理需求和SQL處理能力，因?yàn)樵趯?shí)踐中，這兩類能力是數(shù)據(jù)處理的關(guān)鍵，關(guān)于流計(jì)算引擎后面會(huì)再討論一下。無論是計(jì)算還是存儲(chǔ)，建議優(yōu)先考慮serverless的形式；后續(xù)可以在應(yīng)用中逐步演進(jìn)，真的需要獨(dú)立資源池了，再考慮構(gòu)建專屬集群。
3） 數(shù)據(jù)接入。確定要接入的數(shù)據(jù)源，完成數(shù)據(jù)的全量抽取與增量接入。
4） 應(yīng)用治理。這一步是數(shù)據(jù)湖的關(guān)鍵，我個(gè)人把“融合治理”改成了“應(yīng)用治理”。從數(shù)據(jù)湖的角度來看，數(shù)據(jù)應(yīng)用和數(shù)據(jù)治理應(yīng)該是相互融合、密不可分的。從數(shù)據(jù)應(yīng)用入手，在應(yīng)用中明確需求，在數(shù)據(jù)ETL的過程中，逐步形成業(yè)務(wù)可使用的數(shù)據(jù)；同時(shí)形成數(shù)據(jù)模型、指標(biāo)體系和對(duì)應(yīng)的質(zhì)量標(biāo)準(zhǔn)。數(shù)據(jù)湖強(qiáng)調(diào)對(duì)原始數(shù)據(jù)的存儲(chǔ)，強(qiáng)調(diào)對(duì)數(shù)據(jù)的探索式分析與應(yīng)用，但這絕對(duì)不是說數(shù)據(jù)湖不需要數(shù)據(jù)模型；恰恰相反，對(duì)業(yè)務(wù)的理解與抽象，將極大的推動(dòng)數(shù)據(jù)湖的發(fā)展與應(yīng)用，數(shù)據(jù)湖技術(shù)使得數(shù)據(jù)的處理與建模，保留了極大的敏捷性，能快速適應(yīng)業(yè)務(wù)的發(fā)展與變化。
從技術(shù)視角來看，數(shù)據(jù)湖不同于大數(shù)據(jù)平臺(tái)還在于數(shù)據(jù)湖為了支撐數(shù)據(jù)的全生命周期管理與應(yīng)用，需要具備相對(duì)完善的數(shù)據(jù)管理、類目管理、流程編排、任務(wù)調(diào)度、數(shù)據(jù)溯源、數(shù)據(jù)治理、質(zhì)量管理、權(quán)限管理等能力。在計(jì)算能力上，目前主流的數(shù)據(jù)湖方案都支持SQL和可編程的批處理兩種模式（對(duì)機(jī)器學(xué)習(xí)的支持，可以采用Spark或者Flink的內(nèi)置能力）；在處理范式上，幾乎都采用基于有向無環(huán)圖的工作流的模式，并提供了對(duì)應(yīng)的集成開發(fā)環(huán)境。對(duì)于流式計(jì)算的支持，目前各個(gè)數(shù)據(jù)湖解決方案采取了不同的方式。在討論具體的方式之前，我們先對(duì)流計(jì)算做一個(gè)分類：
1） 模式一：實(shí)時(shí)模式。這種流計(jì)算模式相當(dāng)于對(duì)數(shù)據(jù)采用“來一條處理一條”/“微批”的方式進(jìn)行處理；多見于在線業(yè)務(wù)，如風(fēng)控、推薦、預(yù)警等。
2） 模式二：類流式。這種模式需要獲取指定時(shí)間點(diǎn)之后變化的數(shù)據(jù)/讀取某一個(gè)版本的數(shù)據(jù)/讀取當(dāng)前的最新數(shù)據(jù)等，是一種類流式的模式；多見于數(shù)據(jù)探索類應(yīng)用，如分析某一時(shí)間段內(nèi)的日活、留存、轉(zhuǎn)化等。
二者的本質(zhì)不同在于，模式一處理數(shù)據(jù)時(shí)，數(shù)據(jù)往往還沒有存儲(chǔ)到數(shù)據(jù)湖中，僅僅是在網(wǎng)路/內(nèi)存中流動(dòng)；模式二處理數(shù)據(jù)時(shí)，數(shù)據(jù)已經(jīng)存儲(chǔ)到數(shù)據(jù)湖中了。綜上，我個(gè)人建議采用如下圖模式：
圖24 數(shù)據(jù)湖數(shù)據(jù)流向示意圖
如圖24所示，在需要數(shù)據(jù)湖具備模式一的處理能力時(shí)，還是應(yīng)該引入類Kafka中間件，作為數(shù)據(jù)轉(zhuǎn)發(fā)的基礎(chǔ)設(shè)施。完整的數(shù)據(jù)湖解決方案方案應(yīng)該提供將原始數(shù)據(jù)導(dǎo)流至Kafka的能力。流式引擎具備從類Kafka組件中讀取數(shù)據(jù)的能力。流式計(jì)算引擎在處理數(shù)據(jù)過后，根據(jù)需要，可以將結(jié)果寫入OSS/RDBMS/NoSQL/DW，供應(yīng)用訪問。某種意義上，模式一的流計(jì)算引擎并非一定要作為數(shù)據(jù)湖不可分割的一部分存在，只需要在應(yīng)用需要時(shí)，能夠方便的引入即可。但是，這里需要指出的是：
1）流式引擎依然需要能夠很方便的讀取數(shù)據(jù)湖的元數(shù)據(jù)；
2）流式引擎任務(wù)也需要統(tǒng)一的納入數(shù)據(jù)湖的任務(wù)管理；
3）流式處理任務(wù)依然需要納入到統(tǒng)一的權(quán)限管理中。
對(duì)于模式二，本質(zhì)上更接近于批處理?，F(xiàn)在許多經(jīng)典的大數(shù)據(jù)組件已經(jīng)提供了支持方式，如HUDI/IceBerg/Delta等，均支持Spark、Presto等經(jīng)典的計(jì)算引擎。以HUDI為例，通過支持特殊類型的表（COW/MOR），提供訪問快照數(shù)據(jù)（指定版本）、增量數(shù)據(jù)、準(zhǔn)實(shí)時(shí)數(shù)據(jù)的能力。目前AWS、騰訊等已經(jīng)將HUDI集成到了其EMR服務(wù)中，阿里云的DLA也正在計(jì)劃推出DLA on HUDI的能力。
讓我們?cè)倩氐奖疚拈_頭的第一章，我們說過，數(shù)據(jù)湖的主要用戶是數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師，探索式分析和機(jī)器學(xué)習(xí)是這類人群的常見操作；流式計(jì)算（實(shí)時(shí)模式）多用于在線業(yè)務(wù)，嚴(yán)格來看，并非數(shù)據(jù)湖目標(biāo)用戶的剛需。但是，流式計(jì)算（實(shí)時(shí)模式）是目前大多數(shù)互聯(lián)網(wǎng)公司在線業(yè)務(wù)的重要組成部分，而數(shù)據(jù)湖作為企業(yè)/組織內(nèi)部的數(shù)據(jù)集中存放地，需要在架構(gòu)上保持一定的擴(kuò)展能力，可以很方便的進(jìn)行擴(kuò)展，整合流式計(jì)算能力。
5） 業(yè)務(wù)支撐。雖然大多數(shù)數(shù)據(jù)湖解決方案都對(duì)外提供標(biāo)準(zhǔn)的訪問接口，如JDBC，市面上流行的各類BI報(bào)表工具、大屏工具也都可以直接訪問數(shù)據(jù)湖中的數(shù)據(jù)。但是在實(shí)際的應(yīng)用中，我們還是建議將數(shù)據(jù)湖處理好的數(shù)據(jù)推送到對(duì)應(yīng)的各類支持在線業(yè)務(wù)的數(shù)據(jù)引擎中去，能夠讓應(yīng)用有更好的體驗(yàn)。
七、總結(jié)
數(shù)據(jù)湖作為新一代大數(shù)據(jù)分析處理的基礎(chǔ)設(shè)施，需要超越傳統(tǒng)的大數(shù)據(jù)平臺(tái)。個(gè)人認(rèn)為目前在以下方面，是數(shù)據(jù)湖解決方案未來可能的發(fā)展方向。
1） 云原生架構(gòu)。關(guān)于什么是云原生架構(gòu)，眾說紛紜，很難找到統(tǒng)一的定義。但是具體到數(shù)據(jù)湖這個(gè)場(chǎng)景，個(gè)人認(rèn)為就是以下三點(diǎn)特征：（1）存儲(chǔ)和計(jì)算分離，計(jì)算能力和存儲(chǔ)能力均可獨(dú)立擴(kuò)展；（2）多模態(tài)計(jì)算引擎支持，SQL、批處理、流式計(jì)算、機(jī)器學(xué)習(xí)等；（3）提供serverless態(tài)服務(wù)，確保足夠的彈性以及支持按需付費(fèi)。
2） 足夠用的數(shù)據(jù)管理能力。數(shù)據(jù)湖需要提供更為強(qiáng)大的數(shù)據(jù)管理能力，包括但不限于數(shù)據(jù)源管理、數(shù)據(jù)類目管理、處理流程編排、任務(wù)調(diào)度、數(shù)據(jù)溯源、數(shù)據(jù)治理、質(zhì)量管理、權(quán)限管理等。
3） 大數(shù)據(jù)的能力，數(shù)據(jù)庫(kù)的體驗(yàn)。目前絕大多數(shù)數(shù)據(jù)分析人員都只有數(shù)據(jù)庫(kù)的使用經(jīng)驗(yàn)，大數(shù)據(jù)平臺(tái)的能力雖強(qiáng)，但是對(duì)于用戶來說并不友好，數(shù)據(jù)科學(xué)家和數(shù)據(jù)數(shù)據(jù)分析師應(yīng)該關(guān)注數(shù)據(jù)、算法、模型及其與業(yè)務(wù)場(chǎng)景的適配，而不是花大量的時(shí)間精力去學(xué)習(xí)大數(shù)據(jù)平臺(tái)的開發(fā)。數(shù)據(jù)湖要想快速發(fā)展，如何為用戶提供良好的使用體驗(yàn)是關(guān)鍵?；赟QL的數(shù)據(jù)庫(kù)應(yīng)用開發(fā)已經(jīng)深入人心，如何將數(shù)據(jù)湖的能力通過SQL的形式釋放出來，是未來的一個(gè)主要方向。
4） 完善的數(shù)據(jù)集成與數(shù)據(jù)開發(fā)能力。對(duì)各種異構(gòu)數(shù)據(jù)源的管理與支持，對(duì)異構(gòu)數(shù)據(jù)的全量/增量遷移支持，對(duì)各種數(shù)據(jù)格式的支持都是需要不斷完善的方向。同時(shí)，需要具備一個(gè)完備的、可視化的、可擴(kuò)展的集成開發(fā)環(huán)境。
5） 與業(yè)務(wù)的深度融合與集成。典型數(shù)據(jù)湖架構(gòu)的構(gòu)成基本已經(jīng)成為了業(yè)界共識(shí)：分布式對(duì)象存儲(chǔ)+多模態(tài)計(jì)算引擎+數(shù)據(jù)管理。決定數(shù)據(jù)湖方案是否勝出的關(guān)鍵恰恰在于數(shù)據(jù)管理，無論是原始數(shù)據(jù)的管理、數(shù)據(jù)類目的管理、數(shù)據(jù)模型的管理、數(shù)據(jù)權(quán)限的管理還是處理任務(wù)的管理，都離不開與業(yè)務(wù)的適配和集成；未來，會(huì)有越來越多的行業(yè)數(shù)據(jù)湖解決方案涌現(xiàn)出來，與數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師形成良性發(fā)展與互動(dòng)。如何在數(shù)據(jù)湖解決方案中預(yù)置行業(yè)數(shù)據(jù)模型、ETL流程、分析模型和定制算法，可能是未來數(shù)據(jù)湖領(lǐng)域差異化競(jìng)爭(zhēng)的一個(gè)關(guān)鍵點(diǎn)。
推薦閱讀：
世界的真實(shí)格局分析，地球人類社會(huì)底層運(yùn)行原理
不是你需要中臺(tái)，而是一名合格的架構(gòu)師（附各大廠中臺(tái)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(tái)實(shí)踐】華為大數(shù)據(jù)中臺(tái)架構(gòu)分享.pdf
華為如何實(shí)施數(shù)字化轉(zhuǎn)型（附PPT）
超詳細(xì)280頁(yè)Docker實(shí)戰(zhàn)文檔！開放下載