作者 | 马超责编 | 伍杏玲出品 | CSDN(ID:CSDNnews)
5月14日,TPC 官网正式公布,阿里云自研的 AnalyticDB 通过了TPC-DS全流程测试,将前世界纪录的性能提升了29%,并把单位成本降低了三分之二,成功夺得全球数据仓库的桂冠。
云市场“只见新人笑、不见老牌哭”。
目前业界普遍认为容器、物联网、数据库和数仓会是云计算未来四大增长技术。尤其是物联网将带来的30倍于目前互联网的流量,将会促使业界从传统的 Big Data 向 Fast Data 的演进历史。
据最新预测数据,到 2025 年企业 50% 的数据是云存储,企业 75% 的数据库运行在云上。可以说一个性能强大的数仓产品,已经成为云服务商的必选项了。
据Gartner最新数据,亚马逊、微软、阿里巴巴三家云计算巨头之间激战正酣。赢者通吃,是云计算市场真实的写照。相信本次AnalyticDB的表现,对于阿里云继续扩大市场份额,有一些推动作用。
初识数据仓库
数据仓库是由比尔•恩门(Bill Inmon)教授在1990年提出,在概念提出伊始,主要功能是将通过联机事务处理(OLTP)所产生大量数据,透过数据仓库理论的资料储存架构,进行数据的分析整理,进而支持如决策支持系统(DSS)、主管资讯系统(EIS)的创建,帮助用户在快速有效的大量数据中,分析出有价值的资讯,以利决策拟定及快速回应外在环境变动,帮助建构商业智能(BI)。与传统的数据库相比数据仓库的不同之处有以下几点:
1、数据仓库是面向主题。操作型数据库的数据组织面向事务处理任务,数据仓库中的数据是按照一定的主题域进行组织。主题是指用户使用数据仓库进行决策时所关心的重点方面,一个主题通常与多个操作型信息系统相关。
2、数据仓库的数据是其它数据源抽取而来。数据仓库的数据有来自于分散的操作型数据,将所需数据从原来的数据中抽取出来,进行加工与集成,统一与综合后才能进入数据仓库。数仓中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的,必须消除源数据中的不一致性,以保证数据仓库内的信息是关于整个企业的一致的全局信息。
3、数据仓库是不可更新的。数据仓库的数据主要供企业决策分析之用,所涉及的数据操作主要是数据查询,一旦数据被修改,其实就涉嫌数据造假,一旦某个数据进入数据仓库以后,一般情况下将被长期保留,也就是数据仓库中一般有大量的查询操作,修改和删除操作,通常只是定期的加载、刷新。
TP数据库是面向事务处理的,所谓事务其实就是交易各个状态之间的迁移与记录,因此TP库各个业务系统之间各自分离。AP数仓中的则是按照一定的主题域进行组织的。主题是与TP数据库的面向应用相对应的,是一个抽象概念,是在较高层次上将企业信息系统中的数据综合、归类并进行分析利用的抽象。每一个主题对应一个宏观的分析领域。可以说处理任务的不同是TP数据库与AP数仓之间的本质区别。
数据仓库的江湖慢是“原罪”
在这个Fast Data的时代,谁的数仓能先跑出结果,谁就能掌握先机。比如目前笔者所在银行业的核心系统一般都用Oracle数据库,来进行交易处理(TP),完成整个流程性应用的内容,并产生应用数据数据。等交易结束了,数据的生命周期也结束了。要想把数据价值做二次表达,要每天做ETL,跑批作业,存到数据仓库中,然后在数据仓库中建模、挖掘、数据集市、ODS,一层一层地构建起数据仓库报表。
这时可能一些更细节、隐含的问题,比如非线性问题还是回答不了,那么就要把数据复制到SAS中做机器学习,再做统计的指标体系,去做进一步的挖掘。数据要在这里搬动三次,复制三份冗余,还要管理数据一致性,每天数据中心运维的大量工作在做数据搬家。而所以分析处理(AP)操作结束往往都已经是T+1日的下午了,这样的效率是无法满足云时代快速展示的竞争要求。
因此云时代的数据中心急需要一款融合性的计算框架,AnalyticDB所带来的极致速度,堪称云时代计算框架的典范。在Forrester发布《The Forrester Wave: Cloud Data Warehouse》研究报告中,阿里云入选强劲表现者象限,位列中国厂商中的第一。
AnalyticDB的速度之源
在翻阅了AnalyticDB的论文(/doi/10.14778/3352063.3352124)之后,笔者ADB最大的亮点在于其基于 Raft 协议构建了一套分布式强一致高可靠的轻量级存储。ADB存储可实现高吞吐实时写入,在实时写入强一致可见、支持 ACID ,特别极致分析性能场景,在SQL 分析性能上有较大优势。AnalyticDB 存储整体架构如下:
目前在一致性算法领域几乎是Paxos的天下,如阿里的金融级分布式数据库OceanBase是使用Paxos算法来保证节点一致性的,详见《200行代码解读国产数据库阿里在OceanBase的速度头源》。本次ADB使用RAFT协议做为其自研存储的一致性算法,则给业界带来了一股清新的气息。
一个最小化的Raft集群,典型节点数量是5个,这样的配置可以同时容忍两台服务器出现故障。服务器可能会处于如下三种角色:leader、candidate、follower,正常运行的情况下,会有一个leader,其他全为follower,follower只会响应leader和candidate的请求,客户端的请求则全部由leader处理,即使有客户端请求了一个follower也会将请求重定向到leader。candidate代表候选人,出现在选举leader阶段,选举成功后candidate将会成为新的leader。可能出现的状态转换关系如下图:
可以看到,在RAFT集群刚启动时,所有节点都是follower,之后在time out信号的驱使下,follower会转变成candidate去拉取选票,获得大多数选票后就会成为leader,这时候如果其他候选人发现了新的leader已经诞生,就会自动转变为follower;而如果另一个time out信号发出时,将会重新开始一次新的选举。
不光是自研存储,ADB在高性能批量导入、高吞吐实时更新 DML、行列混存和智能索引等方面也有很多创新点,后续有机会笔者再详细向大家介绍。
更多精彩推荐
☞自动化神经网络理论进展缓慢,AutoML 算法的边界到底在哪?
☞瑞幸咖啡 CEO 和 COO 被暂停职务;快手起诉抖音索赔 500 万元;Wine 5.8 发布 | 极客头条
☞任正非谈“狼文化”:华为没有 996,更没有 007
☞作词家下岗系列:教你用 AI 做一个写歌词的软件!
☞手把手教你配置VS Code 远程开发工具,工作效率提升N倍
☞区块链必读“上链”哲学:“胖链下”与“瘦链上”
你点的每个“在看”,我都认真当成了喜欢