建立统一数据平台 是开展大数据服务的关键

　　【中国智能制造网 名家论坛】在WOT2016互联网运维与峰会上，来自前优酷土豆的大数据开放平台研发负责人杨大海做了以“建立统一数据平台的重要性”为主题的演讲。本文章是把本次分享干货亮点整理成文字形式，呈献广大的用户。　　
　　杨大海表示，对于一个外行人或刚入门的人来说，建立一个数据平台就是搭一个Hadoop集群而已。但基于这个集群，想要把它很好的用起来会暴露很多的问题。那么针对这些问题就需要研发很多系统来应对，所以建立统一数据平台是非常重要的。
　　
　　为什么说建立统一数据平台是重要的
　　
　　门槛，这里杨大海表示，并不是现在做大数据的门槛有多高，因为整个大数据领域的技术非常成熟，人员也很多，很多公司都自己的团队做大数据。这里所说的门槛是指非大数据领域的一些人，如分析师可能只会写一些SQL语句或只能看懂一些数据，出一些报表，如果让这类人写Mapreduce或数据收集研发东西，就会觉得非常难，如果建立一个完善的数据平台，可有效帮助他们。
　　
　　共享，假设某公司有很多技术团队、不同部门、不同业务团队。如每个团队都搭一套Hadoop群，中间的数据共享就成了问题。还就是资源浪费，像人力资源浪费和服务器资源浪费等。
　　
　　规范，基于大数据系统做一个数据产品，需要数据采集、收集、存储和计算等多个步骤，这样整个流程是非常长，花30%时间做业务系统开发，70%时间用于平台搭建或一些开源的完善，是非常不划算的。设想做数据产品之前就已经有系统供选择，有数据需要采集，有新计算模型需要诞生时候只需要接入，不需要再花时间调研。制定规范之后，日志放在哪，通过标准配置，就可以把日志采上来供使用。这样一来，就保证尽可能缩短数据采集整个的流程。
　　
　　成本，这里指人力成本和服务器，就是硬件资源的成本。有统一数据平台，就可以做很多优化。面对一千台规模的服务器，可通过一些修改原码、参数优化等提升10%，就可节省约64G或者128G、4核服务器一百台。
　　
　　时间，开发一套业务系统，大可不必花一个月的时间调研Hadoop，花一个月时间的调研Kafka，因为这些不在业务团队的竞争范围之内。更多的精力应放在产品或系统，如何把系统做得更，而不是怎么把Hadoop打好。
　　
　　Hadoop集群的发展进程
　　如上图，杨大海表示，从2012年到2016年，Hadoop集群在不断进化发展中。集群初起点比较低，只是为了满足数据分析团队和推荐团队使用，只有三四十台的规模。在2012年到2013年的时间，集群扩张的非常快。到2013年接入很多用户，公司其他团队如广告、分成等团队接进。集群膨胀厉害，半年时间翻了四五倍，到200台左右的规模。到2016年时间，整个集群将近一千台规模，中间做了一次升级，就是1.3升级2.3，当时升级是为了满足周边的一些生态圈。
　　
　　Hadoop集群发展过程中遇到的问题　　　
　　如上图，杨大海表示，整个集群发展过程中遇到的问题是随着阶段的推移不断地变化的，也就是说不同阶段遇到的不同的问题各不一样。
　　
　　50台规模时，整个生态圈不完善，像Hive等本身还有很多Bug，但因为刚开始，应用简单所以并没有发现。此时团队技术功底非常差，集群管理基本上没做，直接搭了一条集群，裸奔的集群。
　　
　　200百台规模时，遇到的问题相对多一些，杨大海在这里介绍了权限问题、用户管理、资源调度、调度系统、数据安全、目录规范、参数规范、本地化八大问题。
　　
　　·权限问题，用户增多，十个上百个，那权限就成了问题。
　　
　　·用户管理，如何把用户管理好，保证用户的作业及时提交，而不是因为某个用户提交一个大作业，把整个集群资源占完，其他的脚本没法跑。如何保证这个用户存储不会无限扩张。如何给用户规划存储。
　　
　　·资源调度，保证用户一定独立空间，控制占有的资源数目，不至于把整个集群的资源给占完。
　　
　　·调度系统，一台服务器，一台客户端，可能会给三个团队用，每天晚上会有上万个，甚至几千个、几百个作业来提交，通过这台机器来提交。调度系统是为了解决客户端单节点的问题，单点故障的问题。
　　
　　·数据安全，公司内部虽是同一个集团公司，但分为不同的BU，这些BU之间的数据是需要共享、也需隔离。
　　
　　·目录规范，日志如何存储，用户目录如何规划，目录需要多大的空间，如果超过空间我如何提醒删除。
　　
　　·参数规范，Hadoop有很多参数，需要增加，也需要优化。
　　
　　·本地化，有时需对Mapreduce本地化，因为突然间上了两百台机器，Mapreduce从中取数据，但本地没有需远程，这还需要对本地化参数做优化。
　　
　　1000台左右高可用多计算模型共存时，问题就更多，更加繁琐。如用户水平、高可用、小文件、数据迁移、任务问题、存储计划、机房瓶颈、归档、资源争强分类、资源隔离、任务监控、列队监控等。
　　
　　·用户水平，用户水平有低有高，这就需要有一个人专门解答每天用户的问题。