漫谈“数据湖”之价值与架构

1、数据湖概念的提出

数据湖这一律念，最先是在2011年由CITO Research网站的CTO和做家Dan Woods首次提出。其比喻是：若是咱们把数据比做大天然的水，那么各个江川河流的水未经加工，源源不断地汇聚到数据湖中。业界便对数据湖一直有着普遍而不一样的理解和定义。“数据湖是一个集中化存储海量的、多个来源，多种类型数据，并能够对数据进行快速加工，分析的平台，本质上是一套先进的企业数据架构。”

"数据湖"的核心价值在于为企业提供了数据平台化运营机制。随着DT时代的到来，企业急需变革，须要利用信息化、数字化、新技术的利器造成平台化系统，赋能公司的人员和业务，快速应对挑战。而这一切的数据基础，正是数据湖所能提供的。

2、数据湖特色

数据湖自己，具有如下几个特色：

1）原始数据

海量原始数据集中存储，无需加工。数据湖一般是企业全部数据的单一存储，包括源系统数据的原始副本，以及用于报告、可视化、分析和机器学习等任务的转换数据。数据湖能够包括来自关系数据库（行和列）的结构化数据，半结构化数据（CSV，日志， XML， JSON），非结构化数据（电子邮件，文档， PDF）和二进制数据（图像，音频，视频）。也就是数据湖将不一样种类的数据汇聚到一块儿。

2）按需计算

使用者按需处理，不须要移动数据便可计算。数据库一般提供了多种数据计算引擎供用户来选择。常见的包括批量、实时查询、流式处理、机器学习等。

3）延迟绑定

数据湖提供灵活的，面向任务的数据编订，不须要提早定义数据模型。

3、数据湖优缺点

任何事物都有两面性，数据湖有优势也一样存在些缺点。

优势包括：

• 数据湖中的数据最接近原生的。这对于数据探索类需求，带来很大便利，能够直接获得原始数据。
• 数据湖统一企业内部各个业务系统数据，解决信息孤岛问题。为横跨多个系统的数据应用，提供一种可能。
• 数据湖提供了全局的、统一的企业级数据概览视图，这对于数据质量、数据安全..直到总体的数据治理，甚至提升到数据资产层面都大有裨益。
• 数据湖改变了原有工做模式，鼓励人人了解、分析数据；而不是依赖于专门的数据团队的”供给”方式，能够提高数据运营效率、改善客户互动、鼓励数据创新。

缺点主要体如今：

• 对数据的归集处理程度明显缺失，对于试图直接使用数据的用户来讲显得有些过于“原材料”化，且数据太过冗余。应对这一问题，可经过”数据接入+数据加工+数据建模”的方式来解决。
• 对数据湖基础层的性能有较高要求，必须依托高性能的服务器进行数据处理过程。这主要是来自于海量数据、异构多样化数据、延迟绑定模式等带来的问题。
• 数据处理技能要求高。这也主要是由于数据过于原始带来的问题。

4、数据湖与关联概念

4.1 数据湖 vs 数据仓库

数据湖建设思路从本质上颠覆了传统数据仓库建设方法论。传统的企业数据仓库则强调的是整合、面向主题、分层次等思路。其二者并非对等的概念，更可能是包含；即数据仓库做为数据湖的一类“数据应用”存在。二者可从如下维度进行对比：

1）存储数据类型

• 数据仓库是存储清洗加工过的，可信任的、结构良好的数据；
• 数据湖则是存储大量原始数据，包括结构化的、半结构化的和非结构化的数据。在咱们世界中，主要是由原始的、混乱的、非结构化的数据组成。随着“混乱数据”的不断升级，人们对它的兴趣也不断增加，想要更好的理解它、从其中获取价值、并根据它作出决策。这就得须要一个灵活、敏捷、经济且相对轻松的解决方案，然而这些都不是数据仓库的强项。并且当有新的需求提出时，传统数据仓库又难以快速随之变化。

2）处理数据方式

• 若是须要加载到数据仓库中的数据，咱们首先须要定义好它，这叫作写时模式（Schema-On-Write）。
• 而对于数据湖，您只需加载原始数据，而后，当您准备使用数据时，就给它一个定义，这叫作读时模式（Schema-On-Read）。

这是两种大相径庭的数据处理方法。由于数据湖是在数据到使用时再定义模型结构，所以提升了数据模型定义的灵活性，可知足更多不一样上层业务的高效率分析诉求。

3）工做合做方式

• 传统的数据仓库的工做方式是集中式的，业务人员给需求到数据团队，数据团队根据要求加工、开发成维度表，供业务团队经过BI报表工具查询。
• 数据湖更可能是开放、自助式的（self-service），开放数据给全部人使用，数据团队更可能是提供工具、环境供各业务团队使用（不过集中式的维度表建设仍是须要的），业务团队进行开发、分析。

4）其余

还有不少方面，咱们经过下图简要对比。

4.2 数据湖 vs 大数据

数据湖的技术实现，与大数据技术紧密结合。

• 经过Hadoop存储成本低的特色，将海量的原始数据、本地数据、转换数据等保存在Hadoop中。这样全部数据都在一个地方存储，能给后续的管理、再处理、分析提供基础。
• 经过Hive、Spark等低成本处理能力(相较于RDBMS)，将数据交给大数据库平台剂型处理。此外，还可经过Storm、Flink等支持流式处理等特殊计算方式。
• 因为Hadoop的可扩展性，能够很方便地实现全量数据存储。结合数据生命周期管理，可作到全时间跨度的数据管控。

4.3 数据湖 vs 云计算

云计算采用虚拟化、多租户等技术知足业务对服务器、网络、存储等基础资源的最大化利用，下降企业对IT基础设施的成本，为企业带来了巨大的经济性；同时云计算技术实现了主机、存储等资源快速申请、使用，则一样为企业带来了更多的管理便捷性。在构建数据湖的基础设施时，云计算技术能够发挥很大做用。此外，像AWS、MicroSoft、EMC等均提供了云端的数据湖服务。

4.4 数据湖 vs 人工智能

近些年，人工智能技术再一次飞速发展，训练和推理等须要同时处理超大的，甚至是多个数据集，这些数据集一般是视频、图片、文本等非结构化数据，来源于多个行业、组织、项目，对这些数据的采集、存储、清洗、转换、特征提取等工做是一个系列复杂、漫长的工程。数据湖须要为人工智能程序提供数据快速收集、治理、分析的平台，同时提供极高的带宽、海量小文件存取、多协议互通、数据共享的能力，能够极大加速数据挖掘、深度学习等过程。

4.5 数据湖 vs 数据治理

传统方式下，数据治理工做每每是在数据仓库中。那么在构建企业级数据湖后，对数据治理的需求实际更强了。由于与”预建模”方式的数仓不一样，湖中的数据更加分散、无序、不规格化等，须要经过治理工做达到数据”可用”状态，不然数据湖极可能会”腐化”成数据沼泽，浪费大量的IT资源。平台化的数据湖架构可否驱动企业业务发展，数据治理相当重要。这也是对数据湖建设的最大挑战之一。

4.6 数据湖 vs 数据安全

数据湖中存放有大量原始及加工过的数据，这些数据在不受监管的状况下被访问是很是危险的。这里是须要考虑必要的数据安全及隐私保护问题，这些是须要数据湖提供的能力。但换种角度来看，将数据集中在数据湖中，实际上是有利于数据安全工做的。这要比数据分散在企业各处要好的多。

5、数据湖架构

5.1 数据接入

在数据接入方面，需提供适配的多源异构数据资源接入方式，为企业数据湖的数据抽取汇聚提供通道。提供以下能力：

• 数据源配置：支持多种数据源，包括但不限于数据库、文件、队列、协议报文等。
• 数据采集：支持对应数据源的采集动做，需完成结构解析、清洗、标准化格式等。
• 数据同步：支持数据同步到其余数据源，包括必要的清洗、加工、转换等。
• 数据分发：支持数据的共享分发，将数据以多种形式(对象、API等)发布出来。
• 任务调度：任务管理、监控、日志、策略等。
• 数据加工：支持对数据的加密、脱敏、规格化、标准化等加工逻辑。

5.2 数据存储

许多企业一般忽略数据积累的价值，数据须要从企业的各个方面持续的收集、存储，才有可能基于这些数据挖掘出价值信息，指导业务决策，驱动公司发展。所以数据湖须要提供的核心能力之一就是存储能力。经过一套数据存储池，可有效解决企业中的数据烟囱问题，提供统一的命名空间，多协议互通访问，实现数据资源的高效共享，减小数据移动。固然数据在湖中也不能无序存放，这里须要有个数据生命周期的概念。须要根据数据的不一样阶段，根据其价值、成本因素，设计可行的存储方案。

5.3 数据计算

数据湖须要提供多种数据分析引擎，来知足数据计算需求。须要知足批量、实时、流式等特定计算场景。此外，向下还须要提供海量数据的访问能力，可知足高并发读取需求，提升实时分析效率。

5.4 数据应用

在基本的计算能力之上，数据湖需提供批量报表、即席查询、交互式分析、数据仓库、机器学习等上层应用，还须要提供自助式数据探索能力。

做者：韩锋

首发于公众号《韩锋频道》，欢迎关注。

来源：宜信技术学院