數(shù)據(jù)倉(cāng)庫(kù)建設(shè)方案.doc

《數(shù)據(jù)倉(cāng)庫(kù)建設(shè)方案.doc》由會(huì)員分享，可在線閱讀，更多相關(guān)《數(shù)據(jù)倉(cāng)庫(kù)建設(shè)方案.doc（32頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

第 16/2016/DAF/SA 號(hào)公開(kāi)招標(biāo)方案建議書(shū) 第1章 數(shù)據(jù)倉(cāng)庫(kù)建設(shè) 1.1 數(shù)據(jù)倉(cāng)庫(kù)總體架構(gòu) 專家系統(tǒng)接收增購(gòu)項(xiàng)目車(chē)輛TCMS或其他子系統(tǒng)通過(guò)車(chē)地通信傳輸?shù)膶?shí)時(shí)或離線數(shù)據(jù)，經(jīng)過(guò)一系列綜合診斷分析，以各種報(bào)表圖形或信息推送的形式向用戶展示分析結(jié)果。針對(duì)診斷出的車(chē)輛故障將給出專家建議處理措施，為車(chē)輛的故障根因修復(fù)提供必要的支持。 根據(jù)專家系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)建設(shè)目標(biāo)，結(jié)合系統(tǒng)數(shù)據(jù)業(yè)務(wù)規(guī)范，包括數(shù)據(jù)采集頻率、數(shù)據(jù)采集量等相關(guān)因素，設(shè)計(jì)專家系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)架構(gòu)如下： 數(shù)據(jù)倉(cāng)庫(kù)架構(gòu)從層次結(jié)構(gòu)上分為數(shù)據(jù)采集、數(shù)據(jù)存、數(shù)據(jù)分析、數(shù)據(jù)服務(wù)等幾個(gè)方面的內(nèi)容： 數(shù)據(jù)采集：負(fù)責(zé)從各業(yè)務(wù)自系統(tǒng)中匯集信息數(shù)據(jù)，系統(tǒng)支撐Kafka、Storm、Flume及傳統(tǒng)的ETL采集工具。 數(shù)據(jù)存儲(chǔ)：本系統(tǒng)提供Hdfs、Hbase及RDBMS相結(jié)合的存儲(chǔ)模式，支持海量數(shù)據(jù)的分布式存儲(chǔ)。 數(shù)據(jù)分析：數(shù)據(jù)倉(cāng)庫(kù)體系支持傳統(tǒng)的OLAP分析及基于Spark常規(guī)機(jī)器學(xué)習(xí)算法。 數(shù)據(jù)服務(wù)總線：數(shù)據(jù)系統(tǒng)提供數(shù)據(jù)服務(wù)總線服務(wù)，實(shí)現(xiàn)對(duì)數(shù)據(jù)資源的統(tǒng)一管理和調(diào)度，并對(duì)外提供數(shù)據(jù)服務(wù)。 1.2 數(shù)據(jù)采集 專家系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)采集包括兩個(gè)部分內(nèi)容：外部數(shù)據(jù)匯集、內(nèi)部各層數(shù)據(jù)的提取與加載。外部數(shù)據(jù)匯集是指從TCMS、車(chē)載子系統(tǒng)等外部信息系統(tǒng)匯集數(shù)據(jù)到專家數(shù)據(jù)倉(cāng)庫(kù)的操作型存儲(chǔ)層（ODS）；內(nèi)部各層數(shù)據(jù)的提取與加載是指數(shù)據(jù)倉(cāng)庫(kù)各存儲(chǔ)層間的數(shù)據(jù)提取、轉(zhuǎn)換與加載。 1.2.1 外部數(shù)據(jù)匯集 專家數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)源包括列車(chē)監(jiān)控與檢測(cè)系統(tǒng)（TCMS）、車(chē)載子系統(tǒng)等相關(guān)子系統(tǒng)，數(shù)據(jù)采集的內(nèi)容分為實(shí)時(shí)數(shù)據(jù)采集和定時(shí)數(shù)據(jù)采集兩大類，實(shí)時(shí)數(shù)據(jù)采集主要對(duì)于各項(xiàng)檢測(cè)指標(biāo)數(shù)據(jù)；非實(shí)時(shí)采集包括日檢修數(shù)據(jù)等。 根據(jù)項(xiàng)目信息匯集要求，列車(chē)指標(biāo)信息采集具有采集數(shù)據(jù)量大，采集頻率高的特點(diǎn)，考慮到系統(tǒng)后期的擴(kuò)展，因此在數(shù)據(jù)數(shù)據(jù)采集方面，要求采集體系支持高吞吐量、高頻率、海量數(shù)據(jù)采集，同時(shí)系統(tǒng)應(yīng)該靈活可配置，可根據(jù)業(yè)務(wù)的需要進(jìn)行靈活配置橫向擴(kuò)展。 本方案在數(shù)據(jù)采集架構(gòu)采用Flume+Kafka+Storm的組合架構(gòu)，采用Flume和ETL工具作為Kafka的Producer，采用Storm作為Kafka的Consumer，Storm可實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的實(shí)時(shí)處理，及時(shí)對(duì)問(wèn)題指標(biāo)進(jìn)行預(yù)警。具體采集系統(tǒng)技術(shù)結(jié)構(gòu)圖如下: 1.2.1.1 數(shù)據(jù)匯集架構(gòu)功能 Flume提供了從console(控制臺(tái))、RPC(Thrift-RPC)、text(文件)、tail(UNIX tail)、syslog(syslog日志系統(tǒng)，支持TCP和UDP等2種模式)，exec(命令執(zhí)行)等數(shù)據(jù)源上收集數(shù)據(jù)的能力。Flume的數(shù)據(jù)接受方，可以是console(控制臺(tái))、text(文件)、dfs(HDFS文件)、RPC(Thrift-RPC)和syslogTCP(TCP syslog日志系統(tǒng))等。在我們系統(tǒng)中由kafka來(lái)接收。 Kafka分布式消息隊(duì)列，支撐系統(tǒng)性能橫向擴(kuò)展，通過(guò)增加broker來(lái)提高系統(tǒng)的性能。 Storm流處理技術(shù)，支撐Supervisor橫向擴(kuò)展以提高系統(tǒng)的擴(kuò)展性和數(shù)據(jù)處理的實(shí)時(shí)性。 1.2.1.2 采集架構(gòu)優(yōu)勢(shì) (一) 解耦 在項(xiàng)目中要平衡數(shù)據(jù)的匯集與數(shù)據(jù)的處理性能平衡，是極其困難的。消息隊(duì)列在處理過(guò)程中間插入了一個(gè)隱含的、基于數(shù)據(jù)的接口層，兩邊的處理過(guò)程都要實(shí)現(xiàn)這一接口。這允許你獨(dú)立的擴(kuò)展或修改兩邊的處理過(guò)程，只要確保它們遵守同樣的接口約束。 冗余 有些情況下，處理數(shù)據(jù)的過(guò)程會(huì)失敗。除非數(shù)據(jù)被持久化，否則將造成丟失。消息隊(duì)列把數(shù)據(jù)進(jìn)行持久化直到它們已經(jīng)被完全處理，通過(guò)這一方式規(guī)避了數(shù)據(jù)丟失風(fēng)險(xiǎn)。在被許多消息隊(duì)列所采用的“插入-獲取-刪除”范式中，在把一個(gè)消息從隊(duì)列中刪除之前，需要你的處理過(guò)程明確的指出該消息已經(jīng)被處理完畢，確保你的數(shù)據(jù)被安全的保存直到你使用完畢。 擴(kuò)展性 因?yàn)橄㈥?duì)列解耦了你的處理過(guò)程，所以增大消息入隊(duì)和處理的頻率是很容易的；只要另外增加處理過(guò)程即可。不需要改變代碼、不需要調(diào)節(jié)參數(shù)。擴(kuò)展就像調(diào)大電力按鈕一樣簡(jiǎn)單。 靈活性 & 峰值處理能力 在訪問(wèn)量劇增的情況下，應(yīng)用仍然需要繼續(xù)發(fā)揮作用，但是這樣的突發(fā)流量并不常見(jiàn)；如果為以能處理這類峰值訪問(wèn)為標(biāo)準(zhǔn)來(lái)投入資源隨時(shí)待命無(wú)疑是巨大的浪費(fèi)。使用消息隊(duì)列能夠使關(guān)鍵組件頂住突發(fā)的訪問(wèn)壓力，而不會(huì)因?yàn)橥话l(fā)的超負(fù)荷的請(qǐng)求而完全崩潰。 可恢復(fù)性 當(dāng)體系的一部分組件失效，不會(huì)影響到整個(gè)系統(tǒng)。消息隊(duì)列降低了進(jìn)程間的耦合度，所以即使一個(gè)處理消息的進(jìn)程掛掉，加入隊(duì)列中的消息仍然可以在系統(tǒng)恢復(fù)后被處理。而這種允許重試或者延后處理請(qǐng)求的能力通常是造就一個(gè)略感不便的用戶和一個(gè)沮喪透頂?shù)挠脩糁g的區(qū)別。 送達(dá)保證 消息隊(duì)列提供的冗余機(jī)制保證了消息能被實(shí)際的處理，只要一個(gè)進(jìn)程讀取了該隊(duì)列即可。在此基礎(chǔ)上，IronMQ提供了一個(gè)”只送達(dá)一次”保證。無(wú)論有多少進(jìn)程在從隊(duì)列中領(lǐng)取數(shù)據(jù)，每一個(gè)消息只能被處理一次。這之所以成為可能，是因?yàn)楂@取一個(gè)消息只是”預(yù)定”了這個(gè)消息，暫時(shí)把它移出了隊(duì)列。除非客戶端明確的表示已經(jīng)處理完了這個(gè)消息，否則這個(gè)消息會(huì)被放回隊(duì)列中去，在一段可配置的時(shí)間之后可再次被處理。 緩沖 在任何重要的系統(tǒng)中，都會(huì)有需要不同的處理時(shí)間的元素。例如,加載一張圖片比應(yīng)用過(guò)濾器花費(fèi)更少的時(shí)間。消息隊(duì)列通過(guò)一個(gè)緩沖層來(lái)幫助任務(wù)最高效率的執(zhí)行—寫(xiě)入隊(duì)列的處理會(huì)盡可能的快速，而不受從隊(duì)列讀的預(yù)備處理的約束。該緩沖有助于控制和優(yōu)化數(shù)據(jù)流經(jīng)過(guò)系統(tǒng)的速度。 異步通信 很多時(shí)候，你不想也不需要立即處理消息。消息隊(duì)列提供了異步處理機(jī)制，允許你把一個(gè)消息放入隊(duì)列，但并不立即處理它。你想向隊(duì)列中放入多少消息就放多少，然后在你樂(lè)意的時(shí)候再去處理它們。 1.2.2 內(nèi)部各層數(shù)據(jù)提取與加載 數(shù)據(jù)匯集將數(shù)據(jù)儲(chǔ)存于操作型數(shù)據(jù)存儲(chǔ)層（ODS），在數(shù)據(jù)倉(cāng)庫(kù)各層次間數(shù)據(jù)轉(zhuǎn)換提取加載，采用傳統(tǒng)的ETL工具進(jìn)行采集，數(shù)據(jù)倉(cāng)庫(kù)間的各層次的數(shù)據(jù)采集的實(shí)效性根據(jù)具體的數(shù)據(jù)需求而定，具體ETL建模界面如圖： 1.3 數(shù)據(jù)加工與處理 對(duì)于數(shù)據(jù)倉(cāng)庫(kù)平臺(tái)，應(yīng)該建立一套標(biāo)準(zhǔn)化、規(guī)范化的數(shù)據(jù)處理流程，例如：如何采集內(nèi)部和外部數(shù)據(jù)、結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)；如何清洗采集來(lái)的臟數(shù)據(jù)和無(wú)效數(shù)據(jù)；如何對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行打通；如何對(duì)非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行結(jié)構(gòu)化加工；如何在結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上進(jìn)行商業(yè)建模和數(shù)據(jù)挖掘等等。 大數(shù)據(jù)管理層在一條數(shù)據(jù)總線上構(gòu)建了一條完整的大數(shù)據(jù)處理流水線。這條流水線從數(shù)據(jù)的采集、清洗到加工處理，把原始雜亂無(wú)章的數(shù)據(jù)加工成結(jié)構(gòu)化的數(shù)據(jù)組件，供上層的大數(shù)據(jù)應(yīng)用來(lái)拼裝調(diào)用，讓企業(yè)擁有創(chuàng)造數(shù)據(jù)資產(chǎn)的能力。 1.4 存儲(chǔ)設(shè)計(jì) 1.4.1 數(shù)據(jù)量估算 按每列列車(chē)平均500毫秒通過(guò)車(chē)地通信采集監(jiān)測(cè)數(shù)據(jù)100條，每天運(yùn)營(yíng)時(shí)間18小時(shí)，按每條記錄160字節(jié)計(jì)算(監(jiān)測(cè)數(shù)據(jù)的數(shù)據(jù)項(xiàng)相對(duì)簡(jiǎn)單)，初步按照67列列車(chē)計(jì)算。 單列列車(chē)日監(jiān)測(cè)數(shù)據(jù)=3600*2*160*100*18/1024/1024/1024≈2G 67列列車(chē)年數(shù)據(jù)量=2*67*365/1024 ≈ 48T 10年總數(shù)據(jù)量(乘上增長(zhǎng)系數(shù)10%)≈530T (含操作系統(tǒng)) 數(shù)據(jù)規(guī)劃10年，加上系統(tǒng)用戶信息、系統(tǒng)日志信息、專家信息、業(yè)務(wù)數(shù)據(jù)及其它不可預(yù)測(cè)類數(shù)據(jù)，數(shù)據(jù)總量預(yù)估530T。 1.4.2 數(shù)據(jù)存儲(chǔ) 專家系統(tǒng)數(shù)據(jù)采用混合存儲(chǔ)模式進(jìn)行存儲(chǔ)，RDBMS存儲(chǔ)專家系統(tǒng)業(yè)務(wù)基本數(shù)據(jù)及最近1年的監(jiān)測(cè)數(shù)據(jù)，10年內(nèi)歷史監(jiān)測(cè)數(shù)據(jù)采用NoSQL HBase數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)，以方便查詢，HBase基于Hdfs分布式文件系統(tǒng)搭建，具體存儲(chǔ)模式如下圖。 1. RDBMS數(shù)據(jù)庫(kù)，支持專家?guī)斓暮诵臉I(yè)務(wù)，存儲(chǔ)列車(chē)最近1年的監(jiān)測(cè)數(shù)據(jù)為保證專家系統(tǒng)安全、穩(wěn)定運(yùn)行，在數(shù)據(jù)庫(kù)系統(tǒng)上支撐各種統(tǒng)計(jì)分析及傳統(tǒng)的BI業(yè)務(wù)?？紤]到操作系統(tǒng)存儲(chǔ)、緩存存儲(chǔ)、數(shù)據(jù)庫(kù)系統(tǒng)存儲(chǔ)、日志存儲(chǔ)等因素， RDBMS數(shù)據(jù)庫(kù)服務(wù)器預(yù)計(jì)每臺(tái)60T存儲(chǔ)，考慮數(shù)據(jù)安全及系統(tǒng)穩(wěn)定因素RDBMS采用雙機(jī)熱備技術(shù)互備。 2. 大數(shù)據(jù)平臺(tái)規(guī)劃存儲(chǔ)最近10年監(jiān)測(cè)數(shù)據(jù)，日志文件備份及歷史數(shù)據(jù)采用大數(shù)據(jù)Hadoop和HBase存儲(chǔ)，大數(shù)據(jù)平臺(tái)數(shù)據(jù)采用節(jié)點(diǎn)間冗余備份，預(yù)設(shè)數(shù)據(jù)2倍冗余存儲(chǔ)， （考慮平臺(tái)提供的壓縮技術(shù)，壓縮存儲(chǔ)可以節(jié)省30-55%的空間）。 10年數(shù)據(jù)量=530T*1.5≈ 800T (2倍冗余存儲(chǔ)) 1.4.3 分層存儲(chǔ) 專家數(shù)據(jù)分三個(gè)層次進(jìn)行匯集與存儲(chǔ)，分別為ODS層、數(shù)據(jù)倉(cāng)庫(kù)層、主題數(shù)據(jù)層，各層次數(shù)據(jù)存儲(chǔ)內(nèi)容如下 ODS層：數(shù)據(jù)來(lái)源于各生產(chǎn)系統(tǒng)，通過(guò)ETL工具對(duì)接口文件數(shù)據(jù)進(jìn)行編碼替換和數(shù)據(jù)清洗轉(zhuǎn)換，不做關(guān)聯(lián)操作。未來(lái)也可用于準(zhǔn)實(shí)時(shí)數(shù)據(jù)查詢。 數(shù)據(jù)倉(cāng)庫(kù)層：數(shù)據(jù)深度匯集層，根據(jù)業(yè)務(wù)有選擇的對(duì)ODS層的數(shù)據(jù)進(jìn)行提取，通過(guò)對(duì)數(shù)據(jù)的加工處理，將單一的數(shù)據(jù)信息轉(zhuǎn)換成體系信息，將點(diǎn)信息數(shù)據(jù)變成面信息數(shù)據(jù)。 主題數(shù)據(jù)層：將數(shù)據(jù)信息體系根據(jù)各主題進(jìn)行提取與轉(zhuǎn)換，主題域內(nèi)部進(jìn)行拆分、關(guān)聯(lián)。是對(duì)ODS操作型數(shù)據(jù)按照主題域劃分規(guī)則進(jìn)行的拆分及合并。 1.5 數(shù)據(jù)分析建模 伴隨著大數(shù)據(jù)時(shí)代的悄然來(lái)臨,數(shù)據(jù)的價(jià)值得到人們的廣泛認(rèn)同,對(duì)數(shù)據(jù)的重視提到了前所未有的高度。數(shù)據(jù)已經(jīng)作為企業(yè)、事業(yè)單位的重要資產(chǎn)被廣泛應(yīng)用于盈利分析與預(yù)測(cè)、客戶關(guān)系管理、合規(guī)性監(jiān)管、運(yùn)營(yíng)風(fēng)險(xiǎn)管理等業(yè)務(wù)當(dāng)中。如何建立大數(shù)據(jù)分析模型，以提供決策依據(jù)是很多用戶所迫切解決的問(wèn)題。 專家數(shù)據(jù)倉(cāng)庫(kù)建立在Hadoop分布式系統(tǒng)之上，提供了多種豐富的算法模型，不同的應(yīng)用通過(guò)借助不同的接口實(shí)現(xiàn)數(shù)據(jù)的多維呈現(xiàn)和結(jié)果展示，為用戶提供科學(xué)的決策支持。 圖 10-7 hadoop算法模型圖 大數(shù)據(jù)平臺(tái)提供數(shù)據(jù)挖掘模型、分布式計(jì)算引擎、高性能機(jī)器學(xué)習(xí)算法庫(kù)（包含分類 、聚類 、預(yù)測(cè)、推薦等機(jī)器學(xué)習(xí)算法）、即席查詢功能，可以幫助決策者快速建立數(shù)據(jù)分析模型立方體，便于決策者進(jìn)行OLAP分析。 常用算法模型： 分類算法： 分類是找出數(shù)據(jù)庫(kù)中的一組數(shù)據(jù)對(duì)象的共同特點(diǎn)并按照分類模式將其劃分為不同的類，其目的是通過(guò)分類模型，將數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到某個(gè)給定的類別中。如政務(wù)網(wǎng)中將用戶在一段時(shí)間內(nèi)的網(wǎng)上辦理所遇到的問(wèn)題劃分成不同的類，根據(jù)情況向用戶推薦關(guān)聯(lián)類的問(wèn)題解決方案，從而方便用戶快速解決網(wǎng)上辦事審批中遇到的各類問(wèn)題。 回歸算法 回歸分析反映了數(shù)據(jù)庫(kù)中數(shù)據(jù)的屬性值的特性，通過(guò)函數(shù)表達(dá)數(shù)據(jù)映射的關(guān)系來(lái)發(fā)現(xiàn)屬性值之間的依賴關(guān)系。在回歸算法中通常將數(shù)值結(jié)果轉(zhuǎn)化為了0到1之間的概率，數(shù)值越大，函數(shù)越逼近1，數(shù)值越小，函數(shù)越逼近0，它可以應(yīng)用到對(duì)數(shù)據(jù)序列的預(yù)測(cè)及相關(guān)關(guān)系的研究中去。如我們根據(jù)這個(gè)概率可以做垃圾郵件預(yù)測(cè)，例如概率大于0.5，則這封郵件就是垃圾郵件。 聚類算法 聚類類似于分類，但與分類的目的不同，是針對(duì)數(shù)據(jù)的相似性和差異性將一組數(shù)據(jù)分為幾個(gè)類別。屬于同一類別的數(shù)據(jù)間的相似性很大，但不同類別之間數(shù)據(jù)的相似性很小，跨類的數(shù)據(jù)關(guān)聯(lián)性很低。分類算法中的一個(gè)顯著特征就是訓(xùn)練數(shù)據(jù)中包含了標(biāo)簽，訓(xùn)練出的模型可以對(duì)其他未知數(shù)據(jù)預(yù)測(cè)標(biāo)簽。在聚類的算法中，訓(xùn)練數(shù)據(jù)都是不含標(biāo)簽的，而算法的目的則是通過(guò)訓(xùn)練，推測(cè)出這些數(shù)據(jù)的標(biāo)簽。以二維的數(shù)據(jù)來(lái)說(shuō)，一個(gè)數(shù)據(jù)就包含兩個(gè)特征，可通過(guò)聚類算法，給他們中不同的種類打上標(biāo)簽，通過(guò)聚類算法計(jì)算出種群中的距離，根據(jù)距離的遠(yuǎn)近將數(shù)據(jù)劃分為多個(gè)族群。 關(guān)聯(lián)算法 關(guān)聯(lián)規(guī)則是隱藏在數(shù)據(jù)項(xiàng)之間的關(guān)聯(lián)或相互關(guān)系，即可以根據(jù)一個(gè)數(shù)據(jù)項(xiàng)的出現(xiàn)推導(dǎo)出其他數(shù)據(jù)項(xiàng)的出現(xiàn)。關(guān)聯(lián)規(guī)則的挖掘過(guò)程主要包括兩個(gè)階段：第一階段為從海量原始數(shù)據(jù)中找出所有的高頻項(xiàng)目組;第二極端為從這些高頻項(xiàng)目組產(chǎn)生關(guān)聯(lián)規(guī)則。 推薦算法 推薦算法是目前業(yè)界非常火的一種算法，在電商界，如亞馬遜，天貓，京東等得到了廣泛的運(yùn)用。推薦算法的主要特征就是可以自動(dòng)向用戶推薦他們最感興趣的東西，從而增加購(gòu)買(mǎi)率，提升效益。 神經(jīng)網(wǎng)絡(luò)模型 神經(jīng)網(wǎng)絡(luò)模型，因其自身自行處理、分布存儲(chǔ)和高度容錯(cuò)等特性非常適合處理非線性的以及那些以模糊、不完整、不嚴(yán)密的知識(shí)或數(shù)據(jù)為特征的處理問(wèn)題，它的這一特點(diǎn)十分適合解決數(shù)據(jù)挖掘的問(wèn)題。典型的神經(jīng)網(wǎng)絡(luò)模型主要分為三大類：第一類是以用于分類預(yù)測(cè)和模式識(shí)別的前饋式神經(jīng)網(wǎng)絡(luò)模型;第二類是用于聯(lián)想記憶和優(yōu)化算法的反饋式神經(jīng)網(wǎng)絡(luò)模型。第三類是用于聚類的自組織映射方法。 Adaboost算法 其核心思想是針對(duì)同一個(gè)訓(xùn)練集，訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器 (強(qiáng)分類器)。其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來(lái)，作為最后的決策分類器。 深度學(xué)習(xí) 深度學(xué)習(xí)算法是對(duì)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在計(jì)算能力變得日益廉價(jià)的今天，深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)，用來(lái)處理存在少量未標(biāo)識(shí)數(shù)據(jù)的大數(shù)據(jù)集。 1.6 數(shù)據(jù)資源管理 專家系統(tǒng)數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)類別多、數(shù)據(jù)關(guān)聯(lián)關(guān)系緊密等特點(diǎn)，隨著數(shù)據(jù)的積累，數(shù)據(jù)資源的利用價(jià)值逐步體現(xiàn)，提高數(shù)據(jù)的管理，是對(duì)數(shù)據(jù)資源充分利用的前提條件。數(shù)據(jù)資源管了包括如下幾部分內(nèi)容：數(shù)據(jù)標(biāo)準(zhǔn)化管理、數(shù)據(jù)監(jiān)測(cè)管理及元數(shù)據(jù)管理等。 1.6.1 數(shù)據(jù)標(biāo)準(zhǔn)管理 匯集整理數(shù)據(jù)資源管理所需的標(biāo)準(zhǔn)規(guī)范信息，建立數(shù)據(jù)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。利用專家系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)管理系統(tǒng)的接口同步更新標(biāo)準(zhǔn)信息。包括數(shù)據(jù)元標(biāo)準(zhǔn)以及信息代碼標(biāo)準(zhǔn)。 1. 建設(shè)數(shù)據(jù)資源庫(kù)，實(shí)現(xiàn)專家系統(tǒng)發(fā)布標(biāo)準(zhǔn)數(shù)據(jù)元與本地?cái)U(kuò)展數(shù)據(jù)元標(biāo)準(zhǔn)的匯集。實(shí)現(xiàn)與車(chē)輛檢修等數(shù)據(jù)源管理系統(tǒng)接口對(duì)接。 2. 建設(shè)信息代碼資源庫(kù)，梳理國(guó)標(biāo)、部標(biāo)和本省定義的標(biāo)準(zhǔn)代碼以及各業(yè)務(wù)信息系統(tǒng)需要使用的其它代碼，建立字典代碼實(shí)體數(shù)據(jù)庫(kù)。應(yīng)具備字典代碼定期同步功能。并建設(shè)信息代碼在線映射維護(hù)功能，以便對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換提供支持。 1.6.2 數(shù)據(jù)監(jiān)控管理 大數(shù)據(jù)運(yùn)行監(jiān)控通過(guò)對(duì)大數(shù)據(jù)資源庫(kù)相關(guān)服務(wù)器、Oracle數(shù)據(jù)庫(kù)、分布式存儲(chǔ)系統(tǒng)、Hadoop平臺(tái)等的運(yùn)行狀態(tài)、性能指標(biāo)以及數(shù)據(jù)更新情況進(jìn)行持續(xù)監(jiān)控，及時(shí)發(fā)現(xiàn)存在的問(wèn)題及隱患，輔助系統(tǒng)管理員及時(shí)采取措施，提高大數(shù)據(jù)資源庫(kù)的運(yùn)行可靠性，保障大數(shù)據(jù)資源庫(kù)穩(wěn)定高效運(yùn)行。發(fā)現(xiàn)異常問(wèn)題時(shí)通過(guò)短信、郵件等方式通知系統(tǒng)管理員及時(shí)處理，實(shí)現(xiàn)通過(guò)自動(dòng)、智能、持續(xù)的自動(dòng)監(jiān)控預(yù)警代替人工巡檢，降低運(yùn)維工作量，提高運(yùn)維效率。通過(guò)可視化圖表對(duì)監(jiān)控結(jié)果進(jìn)行統(tǒng)計(jì)分析直觀展現(xiàn)平臺(tái)運(yùn)行各類運(yùn)行指標(biāo)，輔助管理員從宏觀角度掌握平臺(tái)運(yùn)行情況。 性能指標(biāo)監(jiān)控 可以對(duì)服務(wù)器CPU負(fù)載、Oracle數(shù)據(jù)庫(kù)連接數(shù)、分布式存儲(chǔ)IO負(fù)載、Hadoop負(fù)載等各類性能相關(guān)指標(biāo)進(jìn)行監(jiān)控，以便掌握平臺(tái)負(fù)載情況，及時(shí)發(fā)現(xiàn)性能問(wèn)題，輔助平臺(tái)優(yōu)化。 大數(shù)據(jù)庫(kù)日志監(jiān)控 自動(dòng)采集大數(shù)據(jù)相關(guān)組件運(yùn)行日志，并根據(jù)既定規(guī)則進(jìn)行分析，發(fā)現(xiàn)異常及時(shí)告警。提供日志查詢檢索功能，可以按組件類型、時(shí)間、關(guān)鍵字等進(jìn)行過(guò)濾。 數(shù)據(jù)量監(jiān)控 數(shù)據(jù)量監(jiān)控通過(guò)對(duì)數(shù)據(jù)總量以及增量進(jìn)行定期監(jiān)控，可以掌握數(shù)據(jù)量變化情況，也可以從數(shù)據(jù)增量角度發(fā)現(xiàn)數(shù)據(jù)入庫(kù)異常。數(shù)據(jù)量監(jiān)測(cè)結(jié)果可同步到數(shù)據(jù)臺(tái)帳，以便數(shù)據(jù)臺(tái)帳統(tǒng)計(jì)數(shù)據(jù)總量情況。 1.6.3 元數(shù)據(jù)管理 元數(shù)據(jù)是數(shù)據(jù)倉(cāng)庫(kù)中存儲(chǔ)的基本單元，實(shí)現(xiàn)對(duì)元數(shù)據(jù)的管理，數(shù)據(jù)倉(cāng)庫(kù)的最基本功能之一。元數(shù)據(jù)管理包括元數(shù)據(jù)注冊(cè)登記、元數(shù)據(jù)存儲(chǔ)、元數(shù)據(jù)建模等多方面功能。 1.7 數(shù)據(jù)服務(wù) 大數(shù)據(jù)平臺(tái)開(kāi)放存儲(chǔ)訪問(wèn)接口，提供基于 Hadoop 技術(shù)體系的 HDFS、HBase訪問(wèn)接口，以 OpenAPI 的方式，為應(yīng)用提供大數(shù)據(jù)存儲(chǔ)服務(wù)。 數(shù)據(jù)服務(wù)層主要由數(shù)據(jù)服務(wù)總線來(lái)建設(shè)，主要負(fù)責(zé)將大數(shù)據(jù)平臺(tái)的能力接口注冊(cè)進(jìn)去，再以標(biāo)準(zhǔn)化接口開(kāi)放給應(yīng)用系統(tǒng)使用，支持多種協(xié)議轉(zhuǎn)換、服務(wù)質(zhì)量 控制、訪問(wèn)控制、規(guī)則引擎等。數(shù)據(jù)服務(wù)層將大數(shù)據(jù)平臺(tái)的數(shù)據(jù)服務(wù)能力開(kāi)放出去，供第三方平臺(tái)使用。 如上圖：應(yīng)用服務(wù)系統(tǒng)使用服務(wù)接口，來(lái)接入數(shù)據(jù)服務(wù)總線，經(jīng)過(guò)數(shù)據(jù)服務(wù) 總線的接入端點(diǎn)，進(jìn)行過(guò)濾。同時(shí)根據(jù)訪問(wèn)控制、服務(wù)質(zhì)量、協(xié)議轉(zhuǎn)換、策略調(diào) 度、規(guī)則引擎的處理，接出到大數(shù)據(jù)平臺(tái)的能力接口。 第2章 大數(shù)據(jù)平臺(tái) 2.1 大數(shù)據(jù)平臺(tái)基礎(chǔ)架構(gòu) 大數(shù)據(jù)基礎(chǔ)平臺(tái)基于烽火自主知識(shí)產(chǎn)權(quán)FitData產(chǎn)品，F(xiàn)itData主要集成了基礎(chǔ)計(jì)算資源、網(wǎng)絡(luò)資源、存儲(chǔ)資源，在統(tǒng)一的安全體管理體系下，將這些資源再進(jìn)行深度加工、處理、關(guān)聯(lián)，形成多種類型的基礎(chǔ)服務(wù)能力，構(gòu)建基礎(chǔ)資源層，向應(yīng)用提供基礎(chǔ)資源的服務(wù)能力。數(shù)據(jù)服務(wù)總線通過(guò)服務(wù)治理來(lái)維護(hù)基礎(chǔ)資源服務(wù)能力，并通過(guò)訪 問(wèn)控制、服務(wù)質(zhì)量、協(xié)議轉(zhuǎn)換等，對(duì)應(yīng)用提供多協(xié)議支持。平臺(tái)支撐體系的運(yùn)維體系提供整體運(yùn)維能力，保障平臺(tái)的正常運(yùn)行；安全體系提供整體安全能力，保障平臺(tái)的數(shù)據(jù)安全和使用安全；平臺(tái)采用分布式架構(gòu)，支持巨量數(shù)據(jù)存儲(chǔ)與分析， 保障專家管理系統(tǒng)的高性能、高可用性和易擴(kuò)展性。FitData大數(shù)據(jù)基礎(chǔ)平臺(tái)結(jié)構(gòu)如下圖紅線標(biāo)出部分。 n 數(shù)據(jù)計(jì)算與存儲(chǔ)：是FitData 大數(shù)據(jù)平臺(tái)的核心內(nèi)容，提供分布式存儲(chǔ)能力和分布式計(jì)算能力。提供的存儲(chǔ)框架能力，包括基于結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)、非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)和半結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)，其計(jì)算框架與存儲(chǔ)框架均是分布式集群方式部署，可以平滑的進(jìn)行彈性擴(kuò)容。 n 數(shù)據(jù)服務(wù)層：數(shù)據(jù)服務(wù)層主要由數(shù)據(jù)服務(wù)接口來(lái)實(shí)現(xiàn)，對(duì)應(yīng)用提供數(shù)據(jù)支撐。通過(guò)數(shù)據(jù)服務(wù)接口將平臺(tái)的數(shù)據(jù)資源以標(biāo)準(zhǔn) API 接口的方式開(kāi)放出來(lái)，供不同的應(yīng)用系統(tǒng)使用。數(shù)據(jù)應(yīng)用層主要提供基于該平臺(tái)來(lái)構(gòu)建的專家系統(tǒng)應(yīng)用。采用平臺(tái)的標(biāo)準(zhǔn)API，數(shù)據(jù)資源層獲取數(shù)據(jù)服務(wù)，目前API 接口包括資源目錄瀏覽、數(shù)據(jù)查詢搜索等。 n 數(shù)據(jù)匯聚層：提供各層之間數(shù)據(jù)交換能力，由ETL數(shù)據(jù)集成工具來(lái)實(shí)現(xiàn)。平臺(tái)支持多中異構(gòu)數(shù)據(jù)源，針對(duì)不同數(shù)據(jù)源的不同數(shù)據(jù)，也提供多種數(shù)據(jù)抽取方式，例如數(shù)據(jù)庫(kù)直 連抽取、Sqoop 抽取等。提供計(jì)算框架能力，主要集成了批處理計(jì)算框 架、流式計(jì)算框架、內(nèi)存計(jì)算框架等能力，還提供了像 Hive、Mahout、 Spark 等二次計(jì)算能力框架。平臺(tái)可將這些計(jì)算能力開(kāi)放，供數(shù)據(jù)模型、數(shù)據(jù)挖掘、應(yīng)用系統(tǒng)來(lái)使用。 n 運(yùn)維體系：運(yùn)維體系提供面向?qū)＜蚁到y(tǒng)完整運(yùn)維方案， 涵蓋了運(yùn)行監(jiān)控到使用操作。安全體系提供面向?qū)＜蚁到y(tǒng)大數(shù)據(jù)平臺(tái)的用戶權(quán)限管理、終 端訪問(wèn)控制、日志安全審計(jì)等能力。 數(shù)據(jù)存與計(jì)算是 FitData 大數(shù)據(jù)平臺(tái)核心能力，將目前專家系統(tǒng)內(nèi)部業(yè)務(wù)數(shù)據(jù)源進(jìn)行有效整合，集成以數(shù)據(jù)為核心的查詢、 分析和管理能力。采用分層整合，靈活配置，橫向擴(kuò)展，縱向貫穿的大數(shù)據(jù)平臺(tái)服務(wù)能力，其計(jì)算框架、存儲(chǔ)框架都以容器的方式，可輕松靈活的在線進(jìn)行裝卸，以平滑擴(kuò)充大數(shù)據(jù)平臺(tái)的集成能力。除此還集成了二級(jí)計(jì)算框架、通用的數(shù)據(jù)處理算法庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)，將大數(shù)據(jù)平臺(tái)的數(shù)據(jù)進(jìn)行清洗、加工和分析挖掘，處理后的數(shù)據(jù)可訂閱，充分體現(xiàn)數(shù)據(jù)即服務(wù)的大數(shù)據(jù)思想。 ? 分布式存儲(chǔ)框架：主要負(fù)責(zé)針對(duì)巨量數(shù)據(jù)的存儲(chǔ)，以分布式存儲(chǔ)技術(shù)， 支持快速、巨量、多種類型的數(shù)據(jù)存取。支持從數(shù)據(jù)源抽取數(shù)據(jù)到大數(shù) 據(jù)平臺(tái)存儲(chǔ)，集成多種存儲(chǔ)方式，有針對(duì)結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和 半結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)。 ? 計(jì)算框架：主要提供批處理計(jì)算、內(nèi)存計(jì)算、流式計(jì)算框架，由數(shù)據(jù)處 理管理驅(qū)動(dòng)來(lái)分配和調(diào)度計(jì)算框架，加載數(shù)據(jù)處理算法，完成數(shù)據(jù)處理。 ? 數(shù)據(jù)倉(cāng)庫(kù)：主要對(duì)計(jì)算框架完成后的結(jié)果進(jìn)行存儲(chǔ)，支持 Hbase、MS SQL Server 等存儲(chǔ)，同時(shí)將數(shù)據(jù)以接口的形式開(kāi)放出去。 ? 數(shù)據(jù)處理算法庫(kù)：集成通用的數(shù)據(jù)分析算法、能夠插入用戶自定義的數(shù) 據(jù)模型算法，配合以資源管理系統(tǒng)為主的計(jì)算存儲(chǔ)框架，進(jìn)行數(shù)據(jù)處理。 ? 資源管理系統(tǒng)，以容器的方式，來(lái)為計(jì)算框架和存儲(chǔ)框架分配資源，并 支持資源調(diào)度，彈性伸縮。 ? 數(shù)據(jù)服務(wù)總線：主要將基礎(chǔ)平臺(tái)的能力和數(shù)據(jù)服務(wù)接口，以 API 的方式開(kāi)放出去，形成一個(gè)共享的、供應(yīng)用使用的服務(wù)總線。 2.2 FitData特點(diǎn) l 廣泛適應(yīng)性：支持結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)；支持實(shí)時(shí)數(shù)據(jù)。 l 巨量數(shù)據(jù)：數(shù)據(jù)處理能力在PB級(jí)以上。 l 線性擴(kuò)展：存儲(chǔ)、計(jì)算均可增加節(jié)點(diǎn)進(jìn)行線性擴(kuò)展。 l 統(tǒng)一運(yùn)維管理：降低安裝部署、運(yùn)營(yíng)、維護(hù)成本。 l 經(jīng)濟(jì)性：可運(yùn)行在普通X86服務(wù)器上，硬件成本低。 l 高可靠性：支持容災(zāi)容錯(cuò)、備份恢復(fù)機(jī)制，支持自動(dòng)告警。支持節(jié)點(diǎn)可靠性、數(shù)據(jù)可靠性。 l 高性能：高效數(shù)據(jù)處理性能，支持Spark、Storm、R。 l 認(rèn)證安全：支持Kerberos安全認(rèn)證、LDAP賬戶管理控制。 l 數(shù)據(jù)安全：支持?jǐn)?shù)據(jù)加密。 l 負(fù)載均衡：支持節(jié)點(diǎn)間存儲(chǔ)、技術(shù)負(fù)載均衡。 l 開(kāi)放性：支持符合Hadoop規(guī)范的第三方組件或工具。 2.3 FitData主要功能 FitData是基于開(kāi)源Hadoop開(kāi)發(fā)的企業(yè)級(jí)大數(shù)據(jù)產(chǎn)品，提供PB級(jí)數(shù)據(jù)的采集、存儲(chǔ)和處理能力，支持?jǐn)?shù)據(jù)加載、查詢、分析、挖掘等功能。 2.3.1 節(jié)點(diǎn)批量自動(dòng)部署 通過(guò)以Web管理，以圖形界面的方式實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)節(jié)點(diǎn)批量自動(dòng)部署，只需添加主機(jī)名(或者IP地址)即可實(shí)現(xiàn)將節(jié)點(diǎn)服務(wù)器添加到集群中，截圖如下： 圖 向集群中添加節(jié)點(diǎn) 2.3.2 節(jié)點(diǎn)動(dòng)態(tài)管理 通過(guò)web管理實(shí)現(xiàn)節(jié)點(diǎn)的動(dòng)態(tài)添加、刪除，當(dāng)存儲(chǔ)空間或者計(jì)算資源不足時(shí)，支持向集群中添加同等配置的服務(wù)器，實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)在線動(dòng)態(tài)擴(kuò)容，而不需要停機(jī)處理，不影響平臺(tái)正常運(yùn)行。 大數(shù)據(jù)平臺(tái)以Web圖形界面實(shí)現(xiàn)Hadoop集群監(jiān)控，包括大數(shù)據(jù)平臺(tái)的硬件資源、軟件資源、數(shù)據(jù)資源的監(jiān)控，以及整個(gè)Hadoop集群的工作負(fù)載。主要包括以下幾個(gè)方面： 2.3.3 服務(wù)組件狀態(tài)監(jiān)控 通過(guò)管理平臺(tái)可以看到所有目前已安裝的服務(wù)組件的健康狀況。 圖 服務(wù)組件運(yùn)行狀況 2.3.4 計(jì)算資源負(fù)載監(jiān)控 通過(guò)管理平臺(tái)可以實(shí)時(shí)看到整個(gè)平臺(tái)的資源負(fù)載情況，包括集群的CPU、集群磁盤(pán)IO、集群網(wǎng)絡(luò)IO、HDFS IO，如下圖所示： 圖 計(jì)算資源監(jiān)控 2.3.5 多任務(wù)實(shí)時(shí)監(jiān)控 通過(guò)對(duì)集群運(yùn)行任務(wù)的實(shí)時(shí)監(jiān)測(cè)，并根據(jù)任務(wù)優(yōu)先級(jí)和耗時(shí)不同對(duì)任務(wù)進(jìn)行動(dòng)態(tài)調(diào)度，減少出現(xiàn)大量任務(wù)等待和重要任務(wù)無(wú)法及時(shí)完成的可能，可以使Hadoop集群的運(yùn)行變得更加高效合理。 （1）、系統(tǒng)根據(jù)各隊(duì)列資源的最小值分配集群資源，這樣可以按照需求對(duì)各任務(wù)隊(duì)列獲取的集群資源進(jìn)行分配，而且不會(huì)出現(xiàn)集群資源的閑置浪費(fèi)。 （2）、可以實(shí)現(xiàn)對(duì)各任務(wù)隊(duì)列獲取的集群資源大小實(shí)時(shí)動(dòng)態(tài)調(diào)整，及時(shí)保證高優(yōu)先級(jí)任務(wù)所在隊(duì)列獲得更多的集群資源。 （3）、可以實(shí)現(xiàn)在某個(gè)任務(wù)隊(duì)列出現(xiàn)空閑時(shí)，將該任務(wù)隊(duì)列獲取的集群資源自動(dòng)分配給其他繁忙的任務(wù)隊(duì)列，以使得集群資源利用最大化。 2.3.6 磁盤(pán)性能監(jiān)控 對(duì)集群機(jī)器的硬盤(pán)進(jìn)行監(jiān)控，如下圖所示，詳細(xì)的展示出磁盤(pán)IO的利用率，讀寫(xiě)速度，磁盤(pán)的等待時(shí)間。 圖：磁盤(pán)性能監(jiān)控 2.3.7 故障快速定位 大數(shù)據(jù)平臺(tái)具備完整的告警監(jiān)控和故障快速定位能力。能夠?qū)⒂?jì)算框架的每個(gè)作業(yè)進(jìn)度、狀態(tài)、資源利用情況進(jìn)行監(jiān)控，并通過(guò)可視化圖形界面進(jìn)行展示。 當(dāng)大數(shù)據(jù)平臺(tái)出現(xiàn)異常情況時(shí)，平臺(tái)能夠通過(guò)監(jiān)控系統(tǒng)，對(duì)服務(wù)器節(jié)點(diǎn)宕機(jī)、集群異常、安全異常等異常事件進(jìn)行預(yù)警、報(bào)警，并通過(guò)郵件、短信報(bào)警手段進(jìn)行告警通知。提供預(yù)制的恢復(fù)規(guī)則和安全規(guī)則，對(duì)集群異常進(jìn)行自動(dòng)修復(fù)、自動(dòng)限制非安全行為的操作。 大數(shù)據(jù)平臺(tái)能夠通過(guò)對(duì)告警信息的分析，快速定位平臺(tái)內(nèi)部出現(xiàn)故障的節(jié)點(diǎn)，對(duì)于因故障無(wú)法繼續(xù)提供服務(wù)器的節(jié)點(diǎn)進(jìn)行標(biāo)記，將平臺(tái)的作業(yè)任務(wù)自動(dòng)分配到其他的節(jié)點(diǎn)上運(yùn)行，同時(shí)，大數(shù)據(jù)平臺(tái)采用分布式體系結(jié)構(gòu)及無(wú)單點(diǎn)故障設(shè)計(jì)，平臺(tái)內(nèi)任何節(jié)點(diǎn)的宕機(jī)都不會(huì)影響平臺(tái)的穩(wěn)定運(yùn)行和業(yè)務(wù)的正常使用。待故障節(jié)點(diǎn)恢復(fù)正常后，再將該節(jié)點(diǎn)納入平臺(tái)的資源中，將作業(yè)任務(wù)分配到恢復(fù)后的節(jié)點(diǎn)上運(yùn)行。 2.3.8 日常運(yùn)維監(jiān)控 大數(shù)據(jù)綜合平臺(tái)提供完整的日常運(yùn)維監(jiān)控的服務(wù)能力，針對(duì)從上層應(yīng)用平臺(tái)到底層基礎(chǔ)平臺(tái)的各個(gè)功能模塊和組件均提供有監(jiān)控能力，能夠分析系統(tǒng)的運(yùn)行日志和用戶日志，并且能夠?qū)⒈O(jiān)控?cái)?shù)據(jù)通過(guò)文件接口或webservice接口的方式匯總到平臺(tái)管理運(yùn)維模塊的監(jiān)控管理界面中進(jìn)行統(tǒng)一呈現(xiàn)和管理使用。系統(tǒng)能夠根據(jù)監(jiān)控到的數(shù)據(jù)進(jìn)行分析判斷，對(duì)異常的數(shù)據(jù)觸發(fā)告警，在前臺(tái)界面提醒，直至出發(fā)通知和處理等進(jìn)一步動(dòng)作。 平臺(tái)的監(jiān)控范圍涵蓋有： l 平臺(tái)管理資源的使用與分配 o 服務(wù)器視圖：提供針對(duì)各服務(wù)器和存儲(chǔ)等設(shè)備的資源使用情況的實(shí)時(shí)查看，包括當(dāng)前設(shè)備的CPU負(fù)荷，內(nèi)存占用情況，存儲(chǔ)空間使用情況，網(wǎng)絡(luò)帶寬占用情況、設(shè)備運(yùn)行狀態(tài)等。管理員能夠根據(jù)監(jiān)控信息在管理平臺(tái)上有效調(diào)度分配系統(tǒng)資源。其中集群的監(jiān)控如下圖所示： 針對(duì)服務(wù)器的監(jiān)控如下圖所示： o 服務(wù)視圖：提供系統(tǒng)中各服務(wù)資源使用情況的實(shí)時(shí)查看，包括連接數(shù)、當(dāng)前作業(yè)數(shù)，I/O情況，運(yùn)行狀態(tài)等。 l 監(jiān)控系統(tǒng)的運(yùn)行情況 o 接口服務(wù)運(yùn)行監(jiān)控：提供針對(duì)數(shù)據(jù)源和應(yīng)用層的監(jiān)控服務(wù)，包括運(yùn)行狀態(tài)和流量等信息； o 數(shù)據(jù)存取過(guò)程監(jiān)控：提供針對(duì)數(shù)據(jù)存儲(chǔ)過(guò)程的監(jiān)控服務(wù)，包括系統(tǒng)平臺(tái)的I/O情況（整體I/O和具體各節(jié)點(diǎn)I/O以及具體的各作業(yè)的I/O情況）和數(shù)據(jù)存取過(guò)程的任務(wù)列表； o 數(shù)據(jù)匯聚過(guò)程監(jiān)控：監(jiān)控系統(tǒng)的數(shù)據(jù)匯聚過(guò)程，包括使用資源信息，使用的數(shù)據(jù)源信息，作業(yè)進(jìn)程運(yùn)行狀況信息，使用時(shí)間/計(jì)劃完成時(shí)間等信息； o 數(shù)據(jù)處理過(guò)程監(jiān)控（作業(yè)監(jiān)控）：監(jiān)控系統(tǒng)的數(shù)據(jù)處理（作業(yè)）過(guò)程，包括使用資源信息，使用的數(shù)據(jù)源信息，作業(yè)進(jìn)程運(yùn)行狀況信息，使用時(shí)間/計(jì)劃完成時(shí)間等信息； o 應(yīng)用監(jiān)控：針對(duì)運(yùn)行在平臺(tái)上的應(yīng)用進(jìn)行監(jiān)控，包括各應(yīng)用當(dāng)前的運(yùn)行狀態(tài)、應(yīng)用對(duì)數(shù)據(jù)的使用狀況，應(yīng)用為用戶提供的查詢數(shù)量等； l 系統(tǒng)異常告警與處理 o 用戶告警：對(duì)用戶操作使用過(guò)程中的異常行為進(jìn)行告警，例如某用戶訪問(wèn)了超過(guò)其正常權(quán)限的數(shù)據(jù)等。 o 系統(tǒng)告警：對(duì)系統(tǒng)中存在的服務(wù)節(jié)點(diǎn)宕機(jī)，系統(tǒng)接口異常，數(shù)據(jù)存儲(chǔ)報(bào)錯(cuò)，系統(tǒng)資源緊張等系統(tǒng)運(yùn)行異常情況進(jìn)行告警觸發(fā)，并提醒用戶進(jìn)行操作處理。 2.4 FitData優(yōu)勢(shì) 烽火大數(shù)據(jù)平臺(tái)FitData借助先進(jìn)開(kāi)源的大數(shù)據(jù)存儲(chǔ)及處理技術(shù)，成功實(shí)施了公安大數(shù)據(jù)平臺(tái)、楚天云政務(wù)大數(shù)據(jù)平臺(tái)，通過(guò)大數(shù)據(jù)項(xiàng)目的實(shí)施，逐步沉淀了大量的算法模型及分析與展示工具，在平臺(tái)性能及穩(wěn)定性上經(jīng)歷了實(shí)戰(zhàn)的考驗(yàn)，逐步總結(jié)出一套FitData自己的系統(tǒng)優(yōu)化策略及系統(tǒng)運(yùn)維策略，平臺(tái)經(jīng)受住了單節(jié)點(diǎn)超過(guò)1000臺(tái)集群的實(shí)戰(zhàn)考驗(yàn)，并支持HA高可用性運(yùn)行策略，經(jīng)過(guò)四年時(shí)間及高強(qiáng)度項(xiàng)目的錘煉，F(xiàn)itData大數(shù)據(jù)平臺(tái)已經(jīng)走出了自己的路。在數(shù)據(jù)處理上支持PB及超大量數(shù)據(jù)的秒級(jí)查詢及匯集。 SmartAS是企業(yè)級(jí)基礎(chǔ)開(kāi)發(fā)平臺(tái)，它基于FitData平臺(tái)之上，采用微服務(wù)架構(gòu)，支持分布式部署，是成熟可靠的多終端應(yīng)用開(kāi)發(fā)框架。它集成業(yè)界流行和成熟的技術(shù)框架，通過(guò)應(yīng)用系統(tǒng)使用，反饋的情況不斷完善應(yīng)用框架的通用功能，滿足業(yè)務(wù)系統(tǒng)快熟構(gòu)建的目標(biāo)，具備良好用戶體驗(yàn) 第3章 硬件部署 按照專家系統(tǒng)安裝接口規(guī)范要求，結(jié)合專家管理系統(tǒng)數(shù)據(jù)量估算值和數(shù)據(jù)存儲(chǔ)特點(diǎn)，本著數(shù)據(jù)安全、系統(tǒng)穩(wěn)定可靠的核心設(shè)計(jì)思路，設(shè)計(jì)專家系統(tǒng)大數(shù)據(jù)平臺(tái)數(shù)據(jù)節(jié)點(diǎn)服務(wù)器22臺(tái)，其中管理節(jié)點(diǎn)服務(wù)器2臺(tái)，數(shù)據(jù)節(jié)點(diǎn)服務(wù)器19臺(tái)，監(jiān)控節(jié)點(diǎn)一臺(tái)，系統(tǒng)RDBMS數(shù)據(jù)庫(kù)服務(wù)器臺(tái)，應(yīng)用服務(wù)器6臺(tái)，繪制專家系統(tǒng)部署邏輯結(jié)構(gòu)圖如下: 第4章 硬件清單 根據(jù)系統(tǒng)規(guī)劃及安裝接口規(guī)范要求，初步規(guī)劃服務(wù)器如下：系統(tǒng)應(yīng)用服務(wù)器需求6臺(tái)；大數(shù)據(jù)平臺(tái)設(shè)計(jì)節(jié)點(diǎn)22個(gè)，其中管理節(jié)點(diǎn)2個(gè)，數(shù)據(jù)節(jié)點(diǎn)19個(gè)，監(jiān)控節(jié)點(diǎn)服務(wù)器1臺(tái)，RDBMS數(shù)據(jù)庫(kù)服務(wù)器兩臺(tái)雙機(jī)熱備。具體各服務(wù)器硬件需求如下表： 編號(hào) 服務(wù)器名 配置 數(shù)量 說(shuō)明 1 RDBMS數(shù)據(jù)庫(kù)服務(wù)器 4*Intel Xeon E7-4800/8800 v3 最大可擴(kuò)展至4 CPU，72 核 支持8GB/16GB/32GB/64GB DDR4 高速內(nèi)存 配置128GB DDR4 內(nèi)存 配置9 塊900GB 15K SAS，14*4T NL SAS 硬盤(pán)。 2 雙機(jī)備份 2 大數(shù)據(jù)平臺(tái)管理節(jié)點(diǎn) 2*Intel Xeon E7-4800/8800 v3 最大可擴(kuò)展至4 CPU，72 核 支持8GB/16GB/32GB/64GB DDR4 高速內(nèi)存 配置128GB DDR4 內(nèi)存 配置6 塊600GB 15K SAS，3*4T NL SAS 硬盤(pán)。 1 Active 3 大數(shù)據(jù)平臺(tái)管理節(jié)點(diǎn) 2*Intel Xeon E7-4800/8800 v3 最大可擴(kuò)展至4 CPU，72 核 支持8GB/16GB/32GB/64GB DDR4 高速內(nèi)存 配置128GB DDR4 內(nèi)存 配置6 塊600GB 15K SAS，3*4T NL SAS 硬盤(pán)。 1 Standby 4 大數(shù)據(jù)平臺(tái)數(shù)據(jù)節(jié)點(diǎn) 2*Intel Xeon E7-4800/8800 v3 最大可擴(kuò)展至4 CPU，72 核 支持8GB/16GB/32GB/64GB DDR4 高速內(nèi)存 配置128GB DDR4 內(nèi)存 配置6 塊600GB 15K SAS，12*4T NL SAS 硬盤(pán)。 19 數(shù)據(jù)節(jié)點(diǎn) 5 大數(shù)據(jù)集群性能檢測(cè)服務(wù)器 2*Intel Xeon E7-4800/8800 v3 最大可擴(kuò)展至4 CPU，72 核 支持8GB/16GB/32GB/64GB DDR4 高速內(nèi)存 配置128GB DDR4 內(nèi)存 配置6 塊600GB 15K SAS，3*4T NL SAS 硬盤(pán)。 1 監(jiān)控節(jié)點(diǎn) 6 應(yīng)用服務(wù)器 CPU：2 顆E5-2630 v3 ≥24 個(gè)內(nèi)存插槽，最大支持1.5TB 內(nèi)存，支持2133 MHz 內(nèi)存。當(dāng)前配置64GB 內(nèi)存。 支持SAS、SSD 和PCIe SSD 硬盤(pán)，支持2.5 寸和3.5 寸硬盤(pán)混插。 支持24+2 個(gè)2.5 寸 SAS/SATA 或者 14 個(gè)3.5 寸 SAS/SATA + 2 個(gè)2.5 寸SAS/SATA +16 個(gè) 1.8" SSD。 硬盤(pán)：配置6 塊600GB 15K SAS 硬盤(pán) 2 應(yīng)用服務(wù)器 7 交換機(jī) 48 10/100/1000Base-TX， 4 100/1000Base-X SFP 2 網(wǎng)絡(luò)設(shè)備 8 防火墻 多功能防火墻，4口以上 2 安防設(shè)備 9 工作站 Intel(R)Xeon CPU E5，配置1T SATA 硬盤(pán)。內(nèi)存：8GB 2 說(shuō)明：硬件部分交換機(jī)、防火強(qiáng)及工作站，請(qǐng)根據(jù)標(biāo)書(shū)確認(rèn)！大數(shù)據(jù)服務(wù)器、RDBMS數(shù)據(jù)庫(kù)服務(wù)器及應(yīng)用服務(wù)器的具體配置參數(shù)請(qǐng)硬件朋友和標(biāo)書(shū)上進(jìn)行重新確認(rèn)，這邊只對(duì)內(nèi)存量、CPU顆數(shù)及存儲(chǔ)空間大小做了要求。 第5章 個(gè)人介紹 吳宏勛：“烽火集成”高級(jí)大數(shù)據(jù)架構(gòu)師，曾擔(dān)任醫(yī)療大數(shù)據(jù)、公安大數(shù)據(jù)、財(cái)稅大數(shù)據(jù)項(xiàng)目大數(shù)據(jù)架構(gòu)師，具有豐富的大數(shù)據(jù)項(xiàng)目實(shí)施經(jīng)驗(yàn)，對(duì)高吞吐、高并發(fā)、海量數(shù)據(jù)實(shí)時(shí)匯集，TB、PB級(jí)海量數(shù)據(jù)即席查詢與實(shí)時(shí)處理具有針對(duì)性方案和經(jīng)驗(yàn)，研讀過(guò)部分Hadoop、HBase、Spark源碼，對(duì)Hadoop、HBase、Spark的原理有很深的理解，曾從事多個(gè)項(xiàng)目大數(shù)據(jù)平臺(tái)的調(diào)優(yōu)工作！ 第6章 專家系統(tǒng)架構(gòu)設(shè)計(jì) 本系統(tǒng)總共分為四個(gè)層次，從下到上依次為數(shù)據(jù)采集層、基礎(chǔ)平臺(tái)層、應(yīng)用支撐層、應(yīng)用及展示層，各層在專家系統(tǒng)統(tǒng)一業(yè)務(wù)規(guī)范、技術(shù)規(guī)范、安全規(guī)范下進(jìn)行數(shù)據(jù)通信及集成。 1. 數(shù)據(jù)采集層：負(fù)責(zé)專家系統(tǒng)信息數(shù)據(jù)的匯集、轉(zhuǎn)換與加載，數(shù)據(jù)采集層提供多種數(shù)據(jù)采集方法:ETL、Flume、Kafka等，系統(tǒng)支持Flume+Kafka+Storm混合架構(gòu)的數(shù)據(jù)采集模式，以提高數(shù)據(jù)采集系統(tǒng)的吞吐量和并發(fā)量。 2. 基礎(chǔ)平臺(tái)層：基礎(chǔ)平臺(tái)層為專家數(shù)據(jù)倉(cāng)庫(kù)提供大數(shù)據(jù)基礎(chǔ)平臺(tái)支撐，包括分布式存儲(chǔ)系統(tǒng)、Hbase數(shù)據(jù)庫(kù)系統(tǒng)、Yarn并行計(jì)算資源管理與監(jiān)控等，同時(shí)支持Spark 機(jī)器學(xué)習(xí)算法庫(kù)，支持R等行業(yè)分析庫(kù)。 3. 應(yīng)用支撐層：應(yīng)用支撐層為系統(tǒng)各類應(yīng)用提供支撐，是系統(tǒng)數(shù)據(jù)層和應(yīng)用層的連接紐帶。應(yīng)用支撐層包括基礎(chǔ)平臺(tái)和常規(guī)算法兩個(gè)部分，基礎(chǔ)平臺(tái)負(fù)責(zé)數(shù)據(jù)的存儲(chǔ)與并行計(jì)算，數(shù)據(jù)存儲(chǔ)支持分布式存儲(chǔ)、RDBMS存儲(chǔ)等存儲(chǔ)方式，常規(guī)算法負(fù)責(zé)數(shù)據(jù)分析與業(yè)務(wù)建模。 4. 應(yīng)用及展示層：應(yīng)用層是系統(tǒng)各項(xiàng)業(yè)務(wù)功能的集合，主要包括資車(chē)輛故障診斷、車(chē)輛健康評(píng)估、車(chē)輛部件檢修、車(chē)輛故障處理及車(chē)輛對(duì)比分析等。展示層是用戶同系統(tǒng)交互的窗口，是應(yīng)用層對(duì)外提供服務(wù)的主要手段。支持多種圖表展示如餅圖、柱狀圖、曲線圖、熱力圖、氣泡圖和散點(diǎn)圖等可視化展示。 第7章 平臺(tái)運(yùn)維管理 7.1 Hadoop集群監(jiān)控 大數(shù)據(jù)平臺(tái)以Web圖形界面實(shí)現(xiàn)Hadoop集群監(jiān)控，包括大數(shù)據(jù)平臺(tái)的硬件資源、軟件資源、數(shù)據(jù)資源的監(jiān)控，以及整個(gè)Hadoop集群的工作負(fù)載。主要包括以下幾個(gè)方面： 7.1.1 服務(wù)組件狀態(tài)監(jiān)控 通過(guò)管理平臺(tái)可以看到所有目前已安裝的服務(wù)組件的健康狀況，綠色圈表示運(yùn)行狀態(tài)健康。 圖：服務(wù)組件運(yùn)行狀況 7.1.2 存儲(chǔ)與內(nèi)存資源監(jiān)控 包括獲取存儲(chǔ)量、剩余存儲(chǔ)量以及存儲(chǔ)系統(tǒng)整體情況信息。如果集群中的某臺(tái)機(jī)器的磁盤(pán)或者內(nèi)存的使用率達(dá)到指定的閥值，系統(tǒng)可以通過(guò)郵件或者短信的方式進(jìn)行預(yù)警。 圖：存儲(chǔ)和內(nèi)存資源監(jiān)控 7.2 系統(tǒng)負(fù)載管理 I 通過(guò)管理平臺(tái)可以實(shí)時(shí)看到整個(gè)平臺(tái)的資源負(fù)載情況，包括集群的CPU、集群磁盤(pán)IO、集群網(wǎng)絡(luò)IO、HDFS IO，如下圖所示： 通過(guò)對(duì)集群運(yùn)行任務(wù)的實(shí)時(shí)監(jiān)測(cè)，并根據(jù)任務(wù)優(yōu)先級(jí)和耗時(shí)不同對(duì)任務(wù)進(jìn)行動(dòng)態(tài)調(diào)度，減少出現(xiàn)大量任務(wù)等待和重要任務(wù)無(wú)法及時(shí)完成的可能，可以使Hadoop集群的運(yùn)行變得更加高效合理。 （1）、系統(tǒng)根據(jù)各隊(duì)列資源的最小值分配集群資源，這樣可以按照需求對(duì)各任務(wù)隊(duì)列獲取的集群資源進(jìn)行分配，而且不會(huì)出現(xiàn)集群資源的閑置浪費(fèi)。 （2）、可以實(shí)現(xiàn)對(duì)各任務(wù)隊(duì)列獲取的集群資源大小實(shí)時(shí)動(dòng)態(tài)調(diào)整，及時(shí)保證高優(yōu)先級(jí)任務(wù)所在隊(duì)列獲得更多的集群資源。 （3）、可以實(shí)現(xiàn)在某個(gè)任務(wù)隊(duì)列出現(xiàn)空閑時(shí)，將該任務(wù)隊(duì)列獲取的集群資源自動(dòng)分配給其他繁忙的任務(wù)隊(duì)列，以使得集群資源利用最大化。 7.3 操作系統(tǒng)管理 7.3.1 磁盤(pán)性能監(jiān)控 對(duì)集群機(jī)器的硬盤(pán)進(jìn)行監(jiān)控，如下圖所示，詳細(xì)的展示出磁盤(pán)IO的利用率，讀寫(xiě)速度，磁盤(pán)的等待時(shí)間。 圖：磁盤(pán)性能監(jiān)控 7.3.2 故障快速定位 大數(shù)據(jù)平臺(tái)具備完整的告警監(jiān)控和故障快速定位能力。能夠?qū)⒂?jì)算框架的每個(gè)作業(yè)進(jìn)度、狀態(tài)、資源利用情況進(jìn)行監(jiān)控，并通過(guò)可視化圖形界面進(jìn)行展示。 當(dāng)大數(shù)據(jù)平臺(tái)出現(xiàn)異常情況時(shí)，平臺(tái)能夠通過(guò)監(jiān)控系統(tǒng)，對(duì)服務(wù)器節(jié)點(diǎn)宕機(jī)等集群異常、安全異常等異常事件進(jìn)行預(yù)警、報(bào)警，并通過(guò)郵件、短信等報(bào)警手段進(jìn)行告警通知。提供預(yù)制的恢復(fù)規(guī)則和安全規(guī)則，對(duì)集群異常進(jìn)行自動(dòng)修復(fù)、自動(dòng)限制非安全行為的操作。 大數(shù)據(jù)平臺(tái)能夠通過(guò)對(duì)告警信息的分析，快速定位平臺(tái)內(nèi)部出現(xiàn)故障的節(jié)點(diǎn)，對(duì)于因故障無(wú)法繼續(xù)提供服務(wù)器的節(jié)點(diǎn)進(jìn)行標(biāo)記，將平臺(tái)的作業(yè)任務(wù)自動(dòng)分配到其他的節(jié)點(diǎn)上運(yùn)行，同時(shí)，大數(shù)據(jù)平臺(tái)采用分布式體系結(jié)構(gòu)及無(wú)單點(diǎn)故障設(shè)計(jì)，平臺(tái)內(nèi)任何節(jié)點(diǎn)的宕機(jī)都不會(huì)影響平臺(tái)的穩(wěn)定運(yùn)行和業(yè)務(wù)的正常使用。待故障節(jié)點(diǎn)恢復(fù)正常后，再將該節(jié)點(diǎn)納入平臺(tái)的資源中，將作業(yè)任務(wù)分配到恢復(fù)后的節(jié)點(diǎn)上運(yùn)行。 7.3.3 運(yùn)行日志監(jiān)控 針對(duì)每個(gè)服務(wù)組件運(yùn)行的實(shí)時(shí)日志信息可以從平臺(tái)中查看，便于在服務(wù)組件運(yùn)行中斷時(shí)查找和追蹤原因。例如，我們想要查看HBase服務(wù)組件中Mater角色的日志信息，如下圖所示： 7.4 平臺(tái)安全管理 在Hadoop 2.x中加入了Kerberos認(rèn)證機(jī)制。Kerberos可以將認(rèn)證的密鑰在集群部署時(shí)事先放到可靠的節(jié)點(diǎn)上。集群運(yùn)行時(shí)，集群內(nèi)的節(jié)點(diǎn)使用密鑰得到認(rèn)證。只有被認(rèn)證過(guò)節(jié)點(diǎn)才能正常使用，防止惡意的使用或篡改Hadoop集群的問(wèn)題，確保Hadoop集群的可靠安全。 7.5 數(shù)據(jù)質(zhì)量管理 7.5.1 數(shù)據(jù)標(biāo)準(zhǔn)化 數(shù)據(jù)標(biāo)準(zhǔn)化包括數(shù)據(jù)標(biāo)準(zhǔn)制定及數(shù)據(jù)標(biāo)準(zhǔn)化處理兩個(gè)部分，數(shù)據(jù)標(biāo)準(zhǔn)制定是在專家系統(tǒng)業(yè)務(wù)統(tǒng)一規(guī)范前提下，指導(dǎo)專家系統(tǒng)大數(shù)據(jù)標(biāo)準(zhǔn)，包括數(shù)據(jù)格式標(biāo)準(zhǔn)、數(shù)據(jù)交換標(biāo)準(zhǔn)、數(shù)據(jù)共享標(biāo)準(zhǔn)等；數(shù)據(jù)標(biāo)準(zhǔn)規(guī)范化是指按照統(tǒng)一專家系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)格式。將專家信息數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，生成符合專家系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)要求的信息數(shù)據(jù)。 7.5.2 數(shù)據(jù)質(zhì)量檢測(cè) 根據(jù)數(shù)據(jù)質(zhì)量監(jiān)測(cè)規(guī)則，通過(guò)數(shù)據(jù)質(zhì)量檢測(cè)引擎，對(duì)數(shù)據(jù)表中的增量數(shù)據(jù)進(jìn)行掃描，調(diào)用規(guī)則算法或擴(kuò)展程序進(jìn)行數(shù)據(jù)質(zhì)量檢測(cè)，并提供問(wèn)題數(shù)據(jù)庫(kù)的建立、數(shù)據(jù)質(zhì)量報(bào)告的生成、問(wèn)題數(shù)據(jù)的處理、以及對(duì)問(wèn)題數(shù)據(jù)的通報(bào)和反饋來(lái)保證數(shù)據(jù)的質(zhì)量和實(shí)效性等功能。 7.5.3 數(shù)據(jù)關(guān)聯(lián) 對(duì)采集的數(shù)據(jù)庫(kù)根據(jù)數(shù)據(jù)間的業(yè)務(wù)關(guān)聯(lián)關(guān)系實(shí)現(xiàn)數(shù)據(jù)的關(guān)聯(lián)，通過(guò)數(shù)據(jù)的關(guān)聯(lián)，增加實(shí)體數(shù)據(jù)的維度，將單個(gè)的數(shù)據(jù)擴(kuò)展成行業(yè)信息資源，提高數(shù)據(jù)的價(jià)值。