一、大数据云平台应当具备
Real time 实时
海量实时计算
数据实时录入
动态实时标签
平台实时监控
数据实时应用
Efficient 高效
一键高效部署
数据高效整合
资源高效分配
模型高效计算
Control 监控
硬件监控
系统监控
数据监控
安全监控
权限监控
Value 价值
数据安全高
软硬件成本低
执行时间少
数据价值大
二、分布式数据系统
以数据价值和平台服务为导向，集成数据接入、整合、存储、计算和监控的分布式数据系统。
三、体现核心优势
数据接入
快速地整合同步存储在不同类型数据库中的数据，解决生产环境中ORACLE、MYSQL、文本、日志等主流数据库的结构化数据和非结构化数据的同步问题。
数据存储
建立分布式存储、分布式内存计算、分布式索引等技术，解决传统数据库面临的数据增长问题，可不停机情况下动态扩容。所有数据自动备份，不再需要混合架构，不再需要多数据库集群。
平台管理
为了更好地让开发及业务人员操作方便，提供数据查询、算法仓库、数据脱敏、监控预警、系统管理等可视化配置界面。
计算平台
集成交互式SQL、实时数据检索、机器学习、内存计算、流式计算、全文检索等技术，实现多数据源、多数据场景及多数据模型的联合计算平台，比传统型数据仓库和开源版分布式架构计算效率提升5-10倍。
四、技术提升点
批量数据导入效率
多线程并发抽取，缩短抽取时间，抽取效率提升约100%。如：400张表（5G数据容量），单线程串行抽取耗时约2个小时，8-16线程并发抽取耗时约1小时10分钟；
数据库整库抽取，数据源统一配置修改，提升部署效率（五分钟即可完成整库的数据抽取任务与定时调度任务的部署）。
流数据效率
支持按时间与按大小分隔当前输出日志，实现准实时的读写分离，提升日志提取实时率。可将日志实时同步率由T+1提升至毫秒级。
数据同步
支持Oracle数据库到Hdfs、Hbase的实时数据同步，同步时间可达到毫秒级，对Oracle源系统性能影响在0.01%以下；
支持Mysql数据库到Hdfs、Hbase的实时数据同步，同步时间可达到毫秒级，对Mysql源系统性能不受任何影响；
支持Nosql、内存数据库、网络爬虫、文件数据、第三方数据的同步及导入功能。
SQOOP功能
处理原sqoop组件无法抽取的oracle含有clob与blob字段的数据表的问题。抽取数据覆盖率提升至98%；
自动化重启因为jobFailed引起的抽取报错的数据表的抽取进程。数据抽取容错率提升10%；
同时支持Hive与hbase两种导入格式，可配置具体抽取方案。抽取数据的准确率提升至97%。
Flume功能
支持多台服务器日志，以及同台服务器多份日志的同时收集功能；
提供小文件的自动合并功能。优化HDFS文件存储，与任务执行效率，存储优化约节约90%的文件存储空间，降低90%的mapReduce任务数。
Hcinload功能
支持Oracle、Mysql、MongoDB、DB2、Txt、Csv、Http等多数据源批量、实时同步功能，并实现多数据源、多数据格式同时并发的实时导入；
支持百度统计、GA、微信等第三发平台的数据对接和导入；
支持WEB、APP端采集的网页数据、网站行为数据、APP数据的采集、实时同步功能。
Yarn
提升mapReduce运行效率；
提升资源调度效率；
提高磁盘容错率；
提升metadata的稳定性。
HDFS
提升hadoop原生系统稳定性，有连续有效运行时间超过700天的实施案例。
优化HDFS中文件块的存储规则，系统整体容错性提升10%、任务运行效率约提升15%、网络传输消耗约降低15%。
HIVE
提供稳定的hive-jdbc程序调用接口，解决原hive-jdbc接口12次调用约有一次失败的问题，容错率提升8%；
与Hbase进行整合，hive-sql的数据结果准确度提升至95%；
根据不同情况分配不同的mapReduce设置参数，提升hive-sql运行效率，运行效率约提升20%。
Hbase
提升高效的key-value形式的数据调用效率，支撑大并发的前台应用。可支持每秒十万并发调用下的毫秒级数据返回；
提供较高数据完整性与一致性的数据存放，与hive整合，提供hive调用hbase数据功能，数据准确率提升至97%，hive-sql的数据结果准确度提升至95%；
根据需求提供高效的hbase二级索引功能。提高复杂查询需求的查询效率。约提升查询效率40%。
Hcupload
支持60M/S的HDFS、HIVE、Hbase、Mysql、Redis等多数据载体的数据写入效率；
按时间、大小、行业及职能等不同方式分隔当前数据，实现实时数据分类后上传；
提供小文件的自动合并功能。
ZooKeeper
优化zookeeper主从选举机制；
提升分布式数据更新效率与一致性。
Gum
适用所有类型样本分布规律，包括非高斯分布、不均匀密度、复杂高维空间的模型支持；
提升算法在不同类型样本下的鲁棒性、抗噪音和异常值，算法适用性和稳定性提升10倍；
算法准确率提升85%；
算法运行时间平均缩短46%。
五、核心能力目标
日均10亿条数据实时处理能力；
累计5PB数据存储与计算能力；
上千台分布式集群连续3年不间断运行能力
更 多 精 彩 内 容 请 关 注 公 众 号（weikefangan），谢谢！
