背景

近年来，大家对大数据的关注度和使用频率越来越高，软件IT产品中的各类数据都被记录下来，以便更好地研究和分析。

内容

大数据平台技术架构

在电商企业中，每天系统记录下来的运营数据，达到几百 GB 增量的规模，为了保证所有数据能集中存储并且可随时访问，越来越多的企业把离线数据体系从商用的 Exadata 等解决方案，全面转向开放的 Hadoop 体系当中，以谋求成本与扩展性的平衡。所以，拥有一定技术实力的互联网公司，纷纷搭建自己的大数据平台。

如图所示，这是一个典型的大数据平台的技术架构：


公司平台架构 平台架构设计_大数据平台架构设计

大数据平台技术架构

大数据平台是由数据存储、数据同步分发、监控、离线计算、平台安全、资源申请等部分构成。

数据存储

数据存储，是整个大数据平台的基础，包含如：HDFS、HBase、Hive、MapReduce、 Storm 等等。下面对其中的主要框架做些介绍，详细资料大家可以到搜索引擎中获取。

  • HDFS，分布式文件系统，Hadoop 的核心组成部分。
  • MapReduce，分布式数据处理，Hadoop 核心之一。
  • HBase，一个分布式的，列存储数据库，使用 HDFS 作为底层存储，同时支持 MapReduce 的批量式计算和点查询。
  • Zookeeper，一个分布式的，高可用的协调服务。提供分布式锁之类的基本服务，用 于构建分布式应用。
  • Hive，分布式数据仓库，Hive 管理 HDFS 中存储的数据，并提供基于 SQL 的查询语言用以查询数据。
  • Hama，建立在 Hadoop 上的分布式并行计算框架，基于 Map/Reduce 和 Bulk Synchronous 的实现框架，运行环境需要关联 Zookeeper、HBase、HDFS 组件。
  • Mahout，一个基于 MapReduce 的机器学习算法库，运行在 Hadoop 集群上。
  • Cassandra，一种混合的非关系型数据库，类似于 Google 的 BigTable。

以上就是数据存储层中，用到的一些开源数据框架。

其他组成部分

  • 数据同步分发

这个组件对数据同步和分发做统一管理，可实现异步、分布式的数据同步和分发。

  • 监控

指的是对大数据平台的服务和资源，进行监控和预警，包括数据存储的可用性、性能、系统负载、资源请求的响应时效等。

  • 离线计算

处理离线计算任务的模块，包括任务容器、任务调度定时器、异常捕获等模块，确保离线计算任务能够在资源容许的情况下，按计划运行。

  • 平台安全

主要包括对数据访问权限的管理，把数据划分成不同的安全等级进行管理，当访问某些安全级别高的数据时，会触发一个审批流程，经过主管审批后才能访问。

  • 资源申请

指的是对大数据平台的计算或存储资源发起一个使用请求，这里会记录每一个数据操作访问，以供日后审计。