数据中台（五）数据开发：数据价值提炼工厂

 

目的：数据开发（离线开发、实时开发、和算法开发）将数据转化为数据资产，转换成业务需要的新形态，提炼数据价值

一、数据计算能力的4种类型

批计算：主要应用于数据高延时场景，例如：大规模的数据清洗、数据挖掘。MapReduce、hive、Spark等计算框架，吞吐量大、延时高

• 1、MapReduce：分布式编程，分而治之
• 2、Spark：优势
  • 数据处理技术：DAG执行计划
  • 数据格式和内存布局：Spark RDD分布式索引
  • 执行策略：Spark 支持Hash分布式聚合，调度采用更为通用任务执行DAG，每一轮输出结果都可缓存

流计算：主要应用于数据加工处理和较强时效性要求场景，例如：双11可视化大屏。Flink、SparkStreaming 和Storm计算框架

• 1、流式ETL：集成计算诸多通道与SQL灵活加工，流式数据进行实时清洗、归并、结构化处理，补充优化离线数仓，提供可计算通道
• 2、流式报表：实时采集、加工数据，监控展现各类指标BI，让数据运营实时化
• 3、监控预警：实时检测分析，实时检测发现危险
• 4、在线系统：实时计算各类数据指标

在线查询：主要用于数据在线查询的场景，例如：数据检索、条件过滤等。缓存性存储计算Redis、Tair；延时正常HBase、MySQL；条件检索用Elasticsearch等，企业多套并用。

• 1、画像服务：Redis可提供低延迟、高并发的查询服务能力；Hbase提供大规模数据查询服务能力；
• 2、搜索应用场景：提供搜索引擎能力，为用户提供模糊匹配、意图识别检索能力，快速检所需要的内容，如文档搜索、商品搜索等
• 3、圈人场景：条件规则，快速筛选业务所需群体，向运营、营销提供数据支撑

即席分析：分析与经验统计场景，例如：任意维度的交叉分析。用Kylin、Impala、ClickHouse等

• 1、ROLAP：以关系性数据库为核心
• 2、MOLAP:基于多维数据组织的实现，伊多为数据组织为核心，形成“立方块”的结构，通过立方块进行各类处理来产生多维数据报表；
• 3、交互式数据分析
• 4、群体对比分析场景

二、离线开发

作业调度（DAG有向无环图）

• 依赖调度：节点作业上下游
• 时间调度：指定具体时间执行

基线控制

• 大数据离线计算场景，基线管控方法用于统一管理数据处理作业的完成时间、优先级、告警策略，保障数据加工按时完成

异构存储

• 多种数据库并存场景，自定义创建作业类型，执行时自动根据作业的类型寻找相应的插件来执行作业，例如Hadoop——Hive、Spark、MapReduce

代码校验

• 语法校验
• 规则校验：安全脱敏加密

多环境级联

• 单一环境
• 经典环境：
• 复杂环境：研发人员在研发态测试数据模型，从研发态Dev发布到生产态Pro；同理数据管理员从生产态Pro数据同步加密脱敏到研发态Dev，

推荐依赖

• 智能推荐表上下游依赖

数据权限

• RBAC：基于角色的访问控制，比如Cloudera的Sentry、华为的FusionInsight
• PBAC：基于策略的访问控制，比如：Hortonworks 的Ranger

三、实时开发

元数据管理：管理选择数据存储格式，缓解资源压力，例如：JSON、AVRO等

SQL驱动：利用SQL普适性，流计算SQL可提高开发效率，将Hbase、CSV文件、MySq的表注册为临时视图，视图SQL转化处理，最后写入结果

组件开发：将流计算的输入源、转换逻辑、UDF函数、结果持久化封装为组件，通过直接拖拽组件来进行SQL代码编写与简单配置，同时可以对组件的数据量的吞吐、流速、做指标的统计分析，分析计算瓶颈，准确定位问题

实时计算必备的特点：Spark Streaming

• 实时且无界
• 持续且高效的计算
• 流式且实时的数据集成

四、算法开发

问题与挑战：

• 数据处理难度加大
• 业务处理要求高
• 烟囱式的开发模型
• 散落各地的模型服务
• 模型研发环节繁多
• 冗余分散的基础设施
• 特征工程\数据预处理
• 多角色企业研发团队

算法开发套件架构图

算法常见应用场景

• 金融风控和反欺诈：关联分析、标签传播、PageRank和社团发现等图算法组件，例如：Neo4j知识图谱的，构建金融反欺能力，鉴别数据真伪
• 文本挖掘分析：命名实体识别（NER）、图挖掘等文本算法能力，分析非结构化文本信息，构建关系网
• 广告精准营销：根据客户历史偏好、行为数据，利用特征分箱、LightGBM、PMI等算法组件构建的机器学习模型来挖掘潜在的客户，实现精准营销，提高点击率
• 个性化推荐：利用协同过滤、XBoost等推荐场景组件，分析海量数据构建多维用户画像，实时千人面的推荐，提高转化率

可视化建模

• 拖拽式实验流：机器学习\深度学习等算法组件
• 丰富算法组件：
• 实验周期调度：需支持细粒度的调度周期：分钟、小时、天、周、月等级别
• 告警通知：邮件、短信、钉钉，灵活适配用户习惯
• 多角色协同：权限分组算法建模开发、节点运维，专注工作、隔离数据安全

NoteBook建模

• jupyterLab在线编程：
• 支持通过API方式调用标准算法组件
• 支持多言语：Scala、Python、R、Shell
• 高可用：支持共享存储，实现数据高可用和数据隔离；支持Kubernetes集群，保证服务的高可用和资源隔离

数据集管理

• 数据接入
• 数据标注
• 数据探查

核心算法组件

• 数据获取及存储：HDFS等平台读写保存数据
• 数据预处理：随机采样、加权采样、分层采样、拆分、join、归一化、标准化、缺失值填充、类型转换
• 特征工程
  • 主成分分析PCA
  • 特征维度、尺度变化
  • 特征离散
  • 特征异常平滑
  • 奇异值分解
  • one-hot编码
  
  
• 统计分析：直方图、协方差、相关系数、正态分布、皮尔森系数、T检测、百分位、经验概率密度图等
• 机器学习
  • 分类：GBDT二分类、线性支持SVM向量机、K邻值、决策时分类、多层感知分类（XGboost）、朴素贝叶斯分类、LightGBM分类（垂直地生长树）、随机森林分类、逻辑回归分析等……
  • 回归：GBDT回归、随机森林回归、线性回归、LightGBM回归
  • 聚类：Kmeans、高斯混合聚类……
  • 深度学习框架
    • TensorFlow
    • Mxnet、PaddlePaddle
    • PyTorch、XGboost
    • ……

• • 文本分析
    • PLDA
    • TF-IDF
    • Word2Vec
    • 词频统计、去停词、分词处理和关键词抽取
    • ……
   
  • 网状关系分析：提供图数据结构分析组件，标签传播分类、标签传播聚类、Modularity、树深度等，例如：医疗、金融风控知识图谱
  • 工具类：自定义SQL、PySpark、表转文件、文件转表等组件

多算法框架

• TensorFlow：谷歌，丰富API接口，常用必须掌握
• CNTK
• PyTorch：Facebook，动态计算图架构
• paddlepaddle
• Spark
• XGboost
• LightGBM：梯度Boosting框架，基于决策树

中台手记（三）：选择适合自己的技术平台

系统必须具备三个条件：

• 丰富足够的存储形式
• 可拓展，至少未来5只够支持数据增量需求
• 良好的生态与工具支持

Hadoop开源架构需求的两大类工具

• 数据采集交换类
  • 数据库数据同步：开源Sqoop、商业阿里DataX
  • 系统日志的同步：开源Flume、logstash等，商业阿里loghub
  • 非结构数据同步：阿里OSS数据到MaxCompute
  • 互联网爬取：商业Nutch
  
  
• 数据开发类
  • 开源数据开发：hadoop的HUE、zepplelin、Kettle等
  • 商业数据开发：阿里DataWorks、Dataphin；数澜的数栖