對互聯網海量數據實時計算的理解

作者：原攀峰 2014-04-11 10:35:49

互聯網領域的實時計算一般都是針對海量數據進行的，除了像非實時計算的需求（如計算結果準確）以外，實時計算最重要的一個需求是能夠實時響應計算結果，一般要求為秒級。個人理解，互聯網行業的實時計算可以分為以下兩種應用場景。

1） 數據源是實時的不間斷的，要求對用戶的響應時間也是實時的。

主要用于互聯網流式數據處理。所謂流式數據是指將數據看作是數據流的形式來處理。數據流則是在時間分布和數量上無限的一系列數據記錄的集合體；數據記錄是數據流的最小組成單元。舉個例子，對于大型網站，活躍的流式數據非常常見，這些數據包括網站的訪問PV/UV、用戶訪問了什么內容，搜索了什么內容等。實時的數據計算和分析可以動態實時地刷新用戶訪問數據，展示網站實時流量的變化情況，分析每天各小時的流量和用戶分布情況，這對于大型網站來說具有重要的實際意義。

2） 數據量大且無法或沒必要預算，但要求對用戶的響應時間是實時的。

主要用于特定場合下的數據分析處理。當數據量很大，同時發現無法窮舉所有可能條件的查詢組合或者大量窮舉出來的條件組合無用的時候，實時計算就可以發揮作用，將計算過程推遲到查詢階段進行，但需要為用戶提供實時響應[參考鏈接]。

2. 實時計算相關技術

互聯網上海量數據（一般為日志流）的實時計算過程可以被劃分為以下三個階段：數據的產生與收集階段、傳輸與分析處理階段、存儲對對外提供服務階段。下面分別進行簡單的介紹：

2.1 數據實時采集

需求：功能上保證可以完整的收集到所有日志數據，為實時應用提供實時數據；響應時間上要保證實時性、低延遲在1秒左右；配置簡單，部署容易；系統穩定可靠等。

目前，互聯網企業的海量數據采集工具，有Facebook開源的Scribe、LinkedIn開源的Kafka、Cloudera開源的Flume，淘寶開源的TimeTunnel、Hadoop的Chukwa等，均可以滿足每秒數百MB的日志數據采集和傳輸需求。

2.2 數據實時計算

傳統的數據操作，首先將數據采集并存儲在DBMS中，然后通過query和DBMS進行交互，得到用戶想要的答案。整個過程中，用戶是主動的，而DBMS系統是被動的。

但是，對于現在大量存在的實時數據，比如股票交易的數據，這類數據實時性強，數據量大，沒有止境，傳統的架構并不合適。流計算就是專門針對這種數據類型準備的。在流數據不斷變化的運動過程中實時地進行分析，捕捉到可能對用戶有用的信息，并把結果發送出去。整個過程中，數據分析處理系統是主動的，而用戶卻是處于被動接收的狀態。