包括以下四個(gè)方面內(nèi)容：

***，大數(shù)據(jù)計(jì)算的背景和問(wèn)題

第二，介紹Hadoop這個(gè)軟件是一個(gè)什么樣的東西

第三，我們?cè)谶@方面做的一些工作

第四，實(shí)際應(yīng)用案例

大數(shù)據(jù)計(jì)算我們把它理解成為一個(gè)什么事情呢?目前現(xiàn)在這個(gè)時(shí)代通信、網(wǎng)絡(luò)等等這些電子信息技術(shù)發(fā)展，使數(shù)據(jù)規(guī)模得到了極大的增加。剛才蔣先生也提到了2011年整個(gè)全球產(chǎn)生的數(shù)據(jù)量達(dá)到1.8ZT，這樣的數(shù)據(jù)量為傳統(tǒng)的處理數(shù)據(jù)的技術(shù)提出了挑戰(zhàn)。傳統(tǒng)的技術(shù)處理不了這樣規(guī)模大的數(shù)據(jù)量。所以現(xiàn)在提到了，企業(yè)里怎么樣才能把數(shù)據(jù)變成價(jià)值?以前我們都說(shuō)叫業(yè)務(wù)為王，現(xiàn)在這個(gè)時(shí)代，我認(rèn)為它已經(jīng)轉(zhuǎn)換到了以數(shù)據(jù)為王的時(shí)代。

這兒有一個(gè)例子，如果我們要處理100TB的數(shù)據(jù)，如果用一臺(tái)機(jī)器處理的話，假設(shè)每秒鐘掃描50兆，需要35000分鐘，用1000臺(tái)機(jī)器干這個(gè)事可以縮到35分鐘，這說(shuō)明這么大的數(shù)據(jù)只能用多機(jī)分布并行的方式處理才能夠把時(shí)間大大的縮短。在應(yīng)用領(lǐng)域，比如說(shuō)數(shù)據(jù)倉(cāng)庫(kù)、日志分析、用戶行為分析、在線行為分析，這些都屬于大數(shù)據(jù)應(yīng)用計(jì)算的應(yīng)用領(lǐng)域。數(shù)據(jù)的一些具體問(wèn)題這里有一些數(shù)字，去年Facebook已經(jīng)有6億用戶，現(xiàn)在這個(gè)數(shù)字已經(jīng)變成9億了，每個(gè)月這些人上傳照片10億，每天產(chǎn)生300TB的數(shù)據(jù)，所以什么樣的公司能承受這樣的數(shù)據(jù)量?它一定有自己的辦法。

國(guó)內(nèi)淘寶大概有3.7億會(huì)員，商品是8.8億，每天交易近1000萬(wàn)筆，每天會(huì)產(chǎn)生20TB數(shù)據(jù)。從總的全球數(shù)據(jù)增長(zhǎng)趨勢(shì)看，我們現(xiàn)在2010年是1.8， 20年后會(huì)增大44倍。60%創(chuàng)造的數(shù)據(jù)會(huì)因?yàn)闆](méi)有辦法存儲(chǔ)而丟失，所以整個(gè)挑戰(zhàn)就是數(shù)據(jù)報(bào)帳對(duì)存儲(chǔ)效率都會(huì)提出一個(gè)挑戰(zhàn)。

***個(gè)矛盾就是數(shù)據(jù)的增長(zhǎng)太快了，但是想一想，我們?nèi)绻氚堰@些東西存儲(chǔ)下來(lái)必須要有機(jī)器，必須要盤陣等等一系列的東西。等你發(fā)現(xiàn)數(shù)據(jù)中心擴(kuò)容中心和數(shù)據(jù)增長(zhǎng)的速度相比較而言不匹配的時(shí)候，就會(huì)產(chǎn)生一個(gè)很劇烈的矛盾。我們?cè)诤虵acebook做一些合作的時(shí)候，09年的時(shí)候他們出現(xiàn)了這樣的問(wèn)題，老的數(shù)據(jù)已經(jīng)滿了，新的數(shù)據(jù)正在建還沒(méi)有建好，這樣的空檔期所有的數(shù)據(jù)都有可能被扔掉。大家知道互聯(lián)網(wǎng)企業(yè)對(duì)數(shù)據(jù)價(jià)值很重視，所以我們合作的時(shí)候發(fā)明了一項(xiàng)新技術(shù)，使得它在原有600臺(tái)機(jī)器的情況下平滑的遷移。

第二個(gè)是業(yè)務(wù)深度不斷加強(qiáng)。但是現(xiàn)在處理性能和處理技術(shù)跟不上。我希望從大數(shù)據(jù)里挖掘更有價(jià)值的東西但是沒(méi)有“金剛鉆”，所以歸結(jié)起來(lái)大家看到的矛盾就是這兩方面的矛盾。

解決這個(gè)問(wèn)題的思路就是我先要能存下來(lái)這些數(shù)據(jù)，要盡量多的存更多的數(shù)據(jù)。第二個(gè)思路就是怎么能夠加快海量數(shù)據(jù)計(jì)算的速度和性能。舉一個(gè)例子Facebook的09年的例子，(PPT)紅框里是核心業(yè)務(wù)，最核心的是Hadoop，這是一個(gè)很大規(guī)模的集群，09年的時(shí)候大概是600到1000臺(tái)的規(guī)模，現(xiàn)在規(guī)模更大了。Hadoop就是把所有的數(shù)據(jù)全部存到這個(gè)集群里，這個(gè)集群不光是存儲(chǔ)，它是一臺(tái)一臺(tái)的機(jī)器，利用每臺(tái)機(jī)器硬盤存儲(chǔ)空間存儲(chǔ)數(shù)據(jù)。這些數(shù)據(jù)包括哪些?***用戶的信息、前端服務(wù)器和用戶信息服務(wù)器和所有的日志就是用戶在上面點(diǎn)擊產(chǎn)生的數(shù)據(jù)都會(huì)放到Hadoop集群里。放到這里干什么用呢?就是要挖掘關(guān)聯(lián)關(guān)系，分析用戶行為。

比如說(shuō)舉一個(gè)簡(jiǎn)單的例子，我通過(guò)用戶日志的分析能夠判別你的偏好，你喜歡哪些方面的內(nèi)容?或者說(shuō)你本人是什么性別、年齡段，都可以通過(guò)這種方式分析。所以可想而知，這些數(shù)據(jù)對(duì)于像Facebook這樣的互聯(lián)網(wǎng)公司是多么的重要。這些數(shù)據(jù)除了直接可以在上面做分析以外，還可以給BI工具提供一個(gè)輸入。這是09年的架構(gòu)。這個(gè)架構(gòu)到現(xiàn)在為止應(yīng)該有一些變化，但是Hadoop核心定位是沒(méi)有變的。包括國(guó)內(nèi)一些大的很著名的互聯(lián)網(wǎng)公司都借鑒了這樣的架構(gòu)。所以可想而知Hadoop在互聯(lián)網(wǎng)公司的作用是多么的重要。

下面講一下Hadoop的來(lái)源。Hadoop 是Doug做的這么一個(gè)軟件，02年他打算做一個(gè)網(wǎng)頁(yè)檢索軟件，沒(méi)有任何思路。03年Google發(fā)表了兩篇論文，他受到這兩篇論文的啟發(fā)，把這兩篇論文主要的思想借鑒過(guò)來(lái)，形成了現(xiàn)在的Hadoop的雛形。06年的時(shí)候他命名這套軟件是Hadoop，這套軟件最早開(kāi)始的是06年開(kāi)始的。08年的時(shí)候Hadoop軟件成為了Apache的基金項(xiàng)目，雅虎在后面支撐這個(gè)軟件的開(kāi)發(fā)。Hadoop它有一些特點(diǎn)，是全部用JAVA來(lái)寫(xiě)的，它可以跑在我們常見(jiàn)的商用的高故障率的服務(wù)器上甚至PC上。

雅虎內(nèi)部人告訴我說(shuō)說(shuō)Hadoop是繼Linux以來(lái)最成功的開(kāi)源軟件。Hadoop組成部分，包括克隆了Google的GISI系統(tǒng)，包括克隆了并行計(jì)算框架，上面有很多不同的組成部分。它上面有MapReduce它可以提供一個(gè)接口，DBA可以利用這個(gè)接口寫(xiě)數(shù)據(jù)處理。此外還有多其他的組成部分，整個(gè)這樣一套東西叫Hadoop。目前現(xiàn)在看起來(lái)這些所有上的東西都一個(gè)一個(gè)逐漸的變成了一些Apache的***項(xiàng)目了，但是我們通常把這一套叫Hadoop。

Hadoop HDFS體系結(jié)構(gòu)：

它是多集群處理，利用每個(gè)機(jī)器硬盤處理。它的數(shù)據(jù)分成塊，這些塊是有副本的，這些副本是存在不同的機(jī)器上的。為什么要這么做呢?就是因?yàn)橛布锌赡艹龉收?，如果硬件出故障以后存?chǔ)在機(jī)器上的這個(gè)塊不可用了，但是因?yàn)橐哺北荆云渌麢C(jī)器上可以把相應(yīng)的塊拿出來(lái)用，所以整個(gè)系統(tǒng)可靠性非常高。

第二個(gè)就是處理流程。處理流程是兩個(gè)計(jì)算過(guò)程。***個(gè)計(jì)算過(guò)程相當(dāng)于分配任務(wù)，我可以把任務(wù)分幾百萬(wàn)分，分到很多機(jī)器上去算，計(jì)算完了以后有一個(gè)歸約過(guò)程，把中間結(jié)果再歸約處理，***得出結(jié)果。這種處理方向很適合做文本處理。再講一下我們做的實(shí)際工作：

我們做的工作是跟Facebook的合作，就是叫行列混合式數(shù)據(jù)存儲(chǔ)技術(shù)，英文是RCFile。大家知道關(guān)系數(shù)據(jù)是一張表，這個(gè)表怎么存到硬盤上?有很多種不同的格式，我們選取的格式希望有利于節(jié)省存儲(chǔ)空間。比他們先進(jìn)的地方就在于，我們用的是行列混合式，既不是行式，也不是列式，是混合在一起。這樣比純粹行存儲(chǔ)節(jié)省20%的空間。比如他們?cè)瓉?lái)600臺(tái)機(jī)器存不下了，用這個(gè)模式就存下了。比純粹列式要節(jié)省23%。

第二個(gè)技術(shù)是CCIndex技術(shù)，這個(gè)技術(shù)是希望在數(shù)據(jù)模型中間取一個(gè)折中，讓數(shù)據(jù)庫(kù)有查詢的能力。它最終的效果就是，我們比它最傳統(tǒng)的二級(jí)索引快10倍。

下面講一個(gè)實(shí)際應(yīng)用：我們是和淘寶合作，這是淘寶的一個(gè)應(yīng)用，叫數(shù)據(jù)魔方，它能夠把所有交易數(shù)據(jù)拿出來(lái)，去到敏感的，拿給第三方看，相當(dāng)于是數(shù)據(jù)服務(wù)。這個(gè)界面是淘寶網(wǎng)女裝行業(yè)，一個(gè)月成交金額是35億6千萬(wàn)人民幣，平均單價(jià)是179塊錢。我們做的工作是什么呢?我們做的工作主要是在硬件規(guī)模保持不變的前提下，把系統(tǒng)處理的數(shù)據(jù)時(shí)效范圍從7天擴(kuò)大到3個(gè)月，數(shù)據(jù)量是幾個(gè)TB，這些數(shù)據(jù)中我們要實(shí)時(shí)的算出來(lái)，比如總金額、平均單價(jià)，平均件數(shù)等都要實(shí)時(shí)的算出來(lái)。對(duì)比之前的數(shù)據(jù)，大概處理數(shù)據(jù)規(guī)模增大了一個(gè)數(shù)量級(jí)，而延遲甚至比原來(lái)的小。

總結(jié)：大數(shù)據(jù)計(jì)算技術(shù)的發(fā)展趨勢(shì)就是三個(gè)字“大、快、準(zhǔn)”，我們目前處在的階段是“快”階段，“準(zhǔn)”這個(gè)事目前還沒(méi)有太好的技術(shù)能夠出現(xiàn)。

第二個(gè)就是數(shù)據(jù)計(jì)算模式是有變化的，以前是以計(jì)算為中心，以機(jī)器為中心，現(xiàn)在以數(shù)據(jù)為中心。在這樣的變化前提下，很多新的技術(shù)涌現(xiàn)出來(lái)，比如說(shuō)Hadoop。出現(xiàn)了這些新的技術(shù)，新的市場(chǎng)也會(huì)出現(xiàn)。目前看起來(lái)一些大的軟件廠商，比如說(shuō)Oracle，它直接在它的Big Data里內(nèi)嵌了一個(gè)Hadoop做大數(shù)據(jù)處理。這些廠商也在關(guān)注Hadoop軟件。

第三，數(shù)據(jù)規(guī)模對(duì)傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)的技術(shù)提出了挑戰(zhàn)。關(guān)系型數(shù)據(jù)庫(kù)技術(shù)也在經(jīng)歷一些變革。NoSQL技術(shù)是對(duì)關(guān)系數(shù)據(jù)庫(kù)的一個(gè)有利補(bǔ)充，這是實(shí)際需求導(dǎo)致的結(jié)果。實(shí)際需求就是量太大了，但是功能并不像SQL那么全，我只需要一個(gè)子集，這樣技術(shù)可以簡(jiǎn)化，NoSQL技術(shù)比關(guān)系數(shù)據(jù)庫(kù)技術(shù)要簡(jiǎn)單，但是它的價(jià)值取向是快，是可以擴(kuò)展的，性能要好。