大數(shù)據(jù)的浪潮有多迅猛？IDC在2006年估計全世界產(chǎn)生的數(shù)據(jù)量是0.18ZB（1ZB=100萬PB），而今年這個數(shù)字已經(jīng)提升了一個數(shù)量級，達(dá)到1.8ZB，差不多對應(yīng)全世界每個人一塊100多GB的硬盤。這種增長還在加速，預(yù)計2015年將達(dá)到近8ZB。目前IT系統(tǒng)的存儲能力遠(yuǎn)遠(yuǎn)不足，就更不用說深入地挖掘和分析了。
在本文中，百度首席科學(xué)家威廉•張、Teradata首席客戶官周俊凌、Yahoo!北京全球軟件研發(fā)中心架構(gòu)師韓軼平、SAP中國區(qū)企業(yè)信息管理咨詢資深顧問杜韜等四位業(yè)內(nèi)專家，將分享他們在應(yīng)對海量數(shù)據(jù)挑戰(zhàn)方面的見解和經(jīng)驗。
您所在企業(yè)的數(shù)據(jù)量現(xiàn)在達(dá)到了什么規(guī)模？
威廉•張：這個問題比較容易回答。百度不是一個產(chǎn)品，不僅有搜索引擎，還包括很多社區(qū)產(chǎn)品和媒體產(chǎn)品，所以這個數(shù)字大概是數(shù)百個PB，每天處理的數(shù)據(jù)大約有幾十個PB。我是差不多四年半前加入百度的，所以我比較清楚地記得那時候的規(guī)模。與那時相比，現(xiàn)在的數(shù)據(jù)規(guī)模成長比較驚人，大概是那時的500~1000倍。
數(shù)據(jù)量大并不可怕，問題是要實時處理數(shù)據(jù)，因為任何的時延都會使服務(wù)失去一些優(yōu)勢，從而導(dǎo)致商業(yè)經(jīng)濟(jì)的下降。我們所做的策略都是針對實時性的，而且今天互聯(lián)網(wǎng)用戶的需求更加實時化，比如說微博、團(tuán)購、秒殺。
周俊凌：從IDC的數(shù)據(jù)統(tǒng)計報告來看，數(shù)據(jù)增長是非?？斓?。相對于具體的數(shù)據(jù)量，Teradata更關(guān)注數(shù)據(jù)發(fā)展的趨勢，并大量投入研究這種發(fā)展趨勢，包括BI方面的變化和增長模式，這個模式對于我們非常有價值，通過研究這種模式，包括每分鐘、每秒鐘交易量有多大等這些數(shù)據(jù)的發(fā)掘和建模，數(shù)據(jù)科學(xué)家進(jìn)行研究和探討，把這些技術(shù)應(yīng)用到生產(chǎn)系統(tǒng)里面，對企業(yè)發(fā)揮作用。
韓軼平：Yahoo!的主要云計算平臺Hadoop現(xiàn)在有34個集群，總數(shù)超過3萬臺機(jī)器，最大的集群是4000臺左右，總存儲容量超過100PB。這個數(shù)量級可以說并不大，主要原因在于我們最近將很多精力放在處理用戶隱私性和數(shù)據(jù)安全性上，因為按照歐盟的規(guī)定，Yahoo!不能存儲超過一年的數(shù)據(jù)，所以我們的應(yīng)對措施就是：不保存原始數(shù)據(jù)，但做很深入的數(shù)據(jù)挖掘，挖掘出真正蘊(yùn)含的有價值的信息，把這些信息保存下來。
杜韜：SAP作為企業(yè)級應(yīng)用提供商，更關(guān)注客戶的數(shù)據(jù)量，而我們的客戶有許多數(shù)據(jù)密集型企業(yè)，比如電信、金融、政府、零售等，數(shù)據(jù)量級從幾個TB到數(shù)百TB。SAP在德國總部的數(shù)據(jù)中心有3萬臺服務(wù)器，數(shù)據(jù)量大概是15PB，主要為客戶提供服務(wù)。我們正在幫助客戶將內(nèi)部應(yīng)用遷移到我們的數(shù)據(jù)中心服務(wù)平臺，這也意味著越來越多的客戶數(shù)據(jù)會存在我們這兒。
面對大數(shù)據(jù)，您是怎樣進(jìn)行處理分析的？
杜韜：一方面在數(shù)據(jù)中心，我們使用了標(biāo)準(zhǔn)的虛擬化以及分布式存儲；另一方面，我們推出了內(nèi)存計算技術(shù)，用以應(yīng)對數(shù)據(jù)應(yīng)用和分析的挑戰(zhàn)。傳統(tǒng)的架構(gòu)存在很大的瓶頸，磁盤讀取是以毫秒，而內(nèi)存讀取則是納秒。因此，我們將以前需要在應(yīng)用層做的計算分析，比如預(yù)測分析或者大量運(yùn)算，都放到內(nèi)存里操作，從而實現(xiàn)性能提升，幫助用戶充分利用數(shù)據(jù)。
韓軼平：對Yahoo!的情況，我想分三個部分來說明：數(shù)據(jù)采集、數(shù)據(jù)存儲和數(shù)據(jù)處理。
在數(shù)據(jù)采集方面，我們建立了一個遍布Yahoo!幾個數(shù)據(jù)中心、幾十萬臺機(jī)器的實時搜集數(shù)據(jù)系統(tǒng)，該系統(tǒng)特點是一個主干道負(fù)責(zé)把數(shù)據(jù)經(jīng)過過濾、清理以后，進(jìn)行整合，并且在高可靠性的情況下，把它放到Hadoop平臺。雖然相對來說精度很高、效果很好，但速度會慢一些。為了滿足威廉•張所說實時性的需求，還有一個旁路系統(tǒng)，旁路系統(tǒng)在秒級能夠把數(shù)據(jù)匯到主干道上，這是數(shù)據(jù)采集的部分。
在數(shù)據(jù)存儲方面，基本上以HDFS為核心。在數(shù)據(jù)處理方面，主要技術(shù)是Hadoop、MapReduce以及我們自己開發(fā)的Pig。目前，我們有超過一半數(shù)據(jù)處理引擎是用Pig完成的。
周俊凌：Teradata一直在持續(xù)創(chuàng)新傳統(tǒng)的企業(yè)級數(shù)據(jù)倉庫產(chǎn)品線，在對接大數(shù)據(jù)時代的同時，繼續(xù)傳統(tǒng)的BI領(lǐng)域，包括提高數(shù)據(jù)處理的能力，從而更容易適應(yīng)大數(shù)據(jù)管理。例如，通過數(shù)據(jù)訪問頻率高低確認(rèn)數(shù)據(jù)溫度，進(jìn)行數(shù)據(jù)壓縮，適應(yīng)大數(shù)據(jù)的分析要求，使數(shù)據(jù)管理更容易。
我們有適應(yīng)超高規(guī)模數(shù)據(jù)容量要求的硬件平臺產(chǎn)品Teradata 1000，可以壓縮35PB的數(shù)據(jù)。特別適用一些結(jié)構(gòu)性數(shù)據(jù)和非結(jié)構(gòu)性數(shù)據(jù)的分析，同時開發(fā)了很多能夠進(jìn)行數(shù)據(jù)統(tǒng)計和分析的軟件包，包括將Hadoop等架構(gòu)整合到Teradata數(shù)據(jù)倉庫之中，可以基于目前的Teradata企業(yè)級數(shù)據(jù)倉庫接口使用。
我們提供基于云的架構(gòu)，能夠使用Amazon EC2，為客戶提供安全的存儲產(chǎn)品，用來存儲公司防火墻以外的、存儲在云端的數(shù)據(jù)。我們剛剛收購了Aster Data公司，它有一些非常好的工具，適用于Hadoop、MapReduce的一些應(yīng)用。
威廉•張：各互聯(lián)網(wǎng)企業(yè)在云計算技術(shù)方面的應(yīng)用都差不多，比如說百度也用了Hadoop，我提幾個比較有特點的地方。
第一個是大搜索，即不僅是把網(wǎng)頁抓過來，建立極其龐大的索引，而且為了使數(shù)據(jù)做到準(zhǔn)實時或者更快速的更新，進(jìn)行一些優(yōu)化，比如根據(jù)地域分布和重要性分布，放在南方或者北方的機(jī)房里，主要還是根據(jù)數(shù)據(jù)應(yīng)用制訂的策略。另外就是采用數(shù)據(jù)流技術(shù)。
第二個是機(jī)器學(xué)習(xí)算法。在科技領(lǐng)域里，機(jī)器學(xué)習(xí)以前更多的是對一臺服務(wù)器內(nèi)存里的數(shù)據(jù)進(jìn)行高復(fù)雜的計算，可能要跑很長時間。而在百度，機(jī)器學(xué)習(xí)應(yīng)用于所有地方，比如判斷用戶需求，從用戶行為反饋中得到我們應(yīng)該推薦什么樣的內(nèi)容、匹配什么樣的廣告等，時效性非常高。可以稱得上是增量型、大規(guī)模的機(jī)器學(xué)習(xí)方法。
此外，互聯(lián)網(wǎng)應(yīng)用要繼續(xù)發(fā)展，最關(guān)鍵還是找到更有價值的數(shù)據(jù)，即不管數(shù)據(jù)來自何方，都要按照價值來決定如何處理它。
您怎樣看待層出不窮的NoSQL技術(shù)？
杜韜：我一直認(rèn)為，存在的就是合理的，NoSQL的產(chǎn)生和演進(jìn)也是因為我們現(xiàn)有的應(yīng)用需求所導(dǎo)致。當(dāng)前在大并發(fā)量、海量數(shù)據(jù)的高效讀寫等方面，對關(guān)系型數(shù)據(jù)庫提出了更高的要求，而NoSQL在這方面有獨(dú)特的價值和優(yōu)勢。
當(dāng)然，這并不是說NoSQL的出現(xiàn)就代表著關(guān)系型數(shù)據(jù)庫的世界末日，因為對于一些應(yīng)用，特別是企業(yè)級應(yīng)用，對于事務(wù)的一致性以及讀寫的實時性等各方面有很高的要求，而關(guān)系型數(shù)據(jù)庫在這些年的發(fā)展中積累了自己的優(yōu)勢。
因此，我很認(rèn)同NoSQL是“Not>怎樣挖掘數(shù)據(jù)中的價值？
威廉•張：我舉一個直觀的匹配廣告的例子，它包括兩類數(shù)據(jù)：一類是廣告庫，即廣告內(nèi)容信息和廣告客戶信息，這類信息很適合于傳統(tǒng)數(shù)據(jù)庫；另一類信息是用戶看到廣告之后的一切行為，經(jīng)歷了日積月累，可能會有幾百萬億的用戶行為。這兩種數(shù)據(jù)可以相結(jié)合，經(jīng)過機(jī)器學(xué)習(xí)算法就能產(chǎn)生價值。顯然，第二種信息更重要，因為它能給用戶提供想要的信息，比如搜索一個詞，可以利用所有用戶在他之前、在他之后的群體智能、群體行為，判定哪一類的信息最重要、最優(yōu)質(zhì)，哪一類信息可能是作弊信息，然后經(jīng)過反饋機(jī)制，把最好的內(nèi)容提供給用戶，甚至推薦相關(guān)的一些搜索、查詢信息?？偠灾?，對任何企業(yè)來說，數(shù)據(jù)是命根子；對云計算來說，數(shù)據(jù)處理就是云數(shù)據(jù)中心或者云計算存在的理由。
韓軼平：我們工作之余經(jīng)常開玩笑說：從數(shù)據(jù)中能挖出的東西，不一定是錢，更重要的是用戶體驗，對互聯(lián)網(wǎng)公司來說，數(shù)據(jù)就是一切。
Yahoo!不僅僅是搜索引擎，也有很多在美國各領(lǐng)域中排名第一的網(wǎng)站。我們做的很多工作，比如新聞網(wǎng)站信息，都是根據(jù)新聞的相關(guān)性和大家的興趣推薦的，我們希望根據(jù)每一個用戶自己的興趣，甚至每一個用戶此時此刻的興趣，進(jìn)行推薦。Yahoo!新聞的推薦系統(tǒng)，是把Yahoo!所有的數(shù)據(jù)搜集起來，用戶在Yahoo!搜索上的所有行為都搜集到一起，做深度挖掘和個性化，對每一個用戶都進(jìn)行分析和推薦，沒有這些數(shù)據(jù)我們不可能為客戶提供體驗，數(shù)據(jù)對我們來說就是一切。
杜韜：既然各位是從互聯(lián)網(wǎng)的角度來看數(shù)據(jù)的價值，那么我就從企業(yè)的角度來分享一下。
智能電網(wǎng)現(xiàn)在歐洲已經(jīng)做到了終端，也就是所謂的智能電表。在德國，為了鼓勵利用太陽能，會在家庭安裝太陽能，除了賣電給你，當(dāng)你的太陽能有多余電的時候還可以買回來。通過電網(wǎng)收集每隔五分鐘或十分鐘收集一次數(shù)據(jù)，收集來的這些數(shù)據(jù)可以用來預(yù)測客戶的用電習(xí)慣等，從而推斷出在未來2~3個月時間里，整個電網(wǎng)大概需要多少電。有了這個預(yù)測后，就可以向發(fā)電或者供電企業(yè)購買一定數(shù)量的電。因為電有點像期貨一樣，如果提前買就會比較便宜，買現(xiàn)貨就比較貴。通過這個預(yù)測后，可以降低采購成本。
另一個例子更偏我個人的興趣。丹•布朗的《失落的秘符》一書講到，如果把很多人的精神集中在一個點，能夠移動物體。當(dāng)然這個我們無從考證，但我們在網(wǎng)上搜索關(guān)鍵詞、敏感詞時，就可以判斷出某件事情的公眾態(tài)度。有一些新的業(yè)務(wù)模式，比如做一個網(wǎng)絡(luò)廣告投放評估公司，利用這樣的技術(shù)評估網(wǎng)絡(luò)廣告的效果，我覺得也許是未來的業(yè)務(wù)價值產(chǎn)生點。
海量數(shù)據(jù)時代對企業(yè)和技術(shù)人員帶來了哪些挑戰(zhàn)？
韓軼平：以前我們都說自己是軟件工程師，我們這個行業(yè)也經(jīng)常被叫做軟件行業(yè)，但我認(rèn)為我們是真正的Information Technology行業(yè)。對大多數(shù)人來說，現(xiàn)在最重要的一點是轉(zhuǎn)變觀念，從Code/Program觀念轉(zhuǎn)變成Data觀念，在做任何設(shè)計和開發(fā)時，要把Data放在第一位。
杜韜：海量數(shù)據(jù)一直在增長，但是我們應(yīng)該想辦法控制下來，未來的趨勢應(yīng)該放在怎樣縮小海量數(shù)據(jù)上，而不是任憑它擴(kuò)張。此外，海量數(shù)據(jù)時代對中國來說是一次引領(lǐng)世界IT業(yè)的機(jī)會。
周俊凌：在云計算時代，業(yè)務(wù)數(shù)據(jù)與云緊密結(jié)合在一起，提供業(yè)務(wù)開發(fā)的能力，我們從中學(xué)到了很多新的東西，有一些東西不再是自己去存儲和開發(fā)，而是都放在云里面存儲。技術(shù)產(chǎn)品推向市場的方式與以往相比，發(fā)生了很大變化。云的這樣一種環(huán)境也給數(shù)據(jù)庫提供商帶來很多技術(shù)上的挑戰(zhàn)，例如如何保證存儲的安全性，包括身份識別的健全。這關(guān)系到數(shù)據(jù)的存儲地方，例如現(xiàn)在發(fā)貨的數(shù)據(jù)都是放在全球任何一個地方，不是放在某一個國家里面，這就帶來關(guān)于數(shù)據(jù)主權(quán)的問題，可能有一些國家和政府不允許把數(shù)據(jù)放在國家某些地方，這都是一些挑戰(zhàn)，需要從技術(shù)上解決安全等問題。
威廉•張：這里我淺談一下兩點感受。
首先，數(shù)據(jù)管理是DBA的一項重要本領(lǐng)，而高校的計算機(jī)專業(yè)教育里沒有特別重視數(shù)據(jù)程序員，并沒有數(shù)據(jù)管理員；其次，MapReduce并不是一個新概念，早在30~40年前當(dāng)計算機(jī)能力還超小的時候，函數(shù)式編程語言就出現(xiàn)了，但至今大學(xué)里還沒有開設(shè)MapReduce或者類似數(shù)據(jù)處理的課程，也基本上沒有人聽過這些東西。
未來將所有人的生活經(jīng)驗數(shù)據(jù)放在云里，這個大概可以實現(xiàn)，但如果解決不好數(shù)據(jù)安全性問題的話，那么距離最終的實現(xiàn)就會很遠(yuǎn)。我期待云計算變成云知識、云智能，而不僅僅是計算的工具。建立數(shù)據(jù)整合分享是云計算成功的必要和充分條件。