四個(gè)“一體化”——構(gòu)建數(shù)智融合時(shí)代下的一站式大數(shù)據(jù)平臺(tái)

　　隨著智能化技術(shù)的飛速發(fā)展，尤其是以生成式AI為代表的技術(shù)快速應(yīng)用，推動(dòng)了數(shù)據(jù)與智能的深化融合，給數(shù)據(jù)基礎(chǔ)設(shè)施帶來了新的變革和挑戰(zhàn)。如何簡化日益復(fù)雜的系統(tǒng)架構(gòu)，提高數(shù)據(jù)處理效率，降低開發(fā)運(yùn)維成本，促進(jìn)數(shù)據(jù)開放共享和創(chuàng)新應(yīng)用，成為企業(yè)關(guān)注的核心問題。

　　一站式大數(shù)據(jù)平臺(tái)，旨在通過一個(gè)平臺(tái)即可滿足各類業(yè)務(wù)需求，成為數(shù)智融合時(shí)代下數(shù)據(jù)基礎(chǔ)設(shè)施的發(fā)展趨勢，并從四個(gè)維度向四個(gè)“一體化”方向演進(jìn)：數(shù)據(jù)架構(gòu)-湖倉集一體化;數(shù)據(jù)處理-多模型一體化;數(shù)據(jù)分析-歷史與實(shí)時(shí)數(shù)據(jù)一體化;資源管理-多集群應(yīng)用、資源和數(shù)據(jù)一體化。

　　數(shù)據(jù)架構(gòu)：湖倉集一體化

　　過去，企業(yè)在建設(shè)數(shù)據(jù)平臺(tái)時(shí)通常使用傳統(tǒng)的Hadoop湖+MPP倉的混合架構(gòu)，逐漸有部分企業(yè)開始使用類似Hudi/Iceberg的湖倉技術(shù)。這兩種技術(shù)架構(gòu)都存在一些局限性，在線分析能力較弱，無法滿足集市業(yè)務(wù)需求。因此企業(yè)往往需要再引入額外的分析查詢引擎，用混合架構(gòu)來滿足湖倉集業(yè)務(wù)需求。

　　混合架構(gòu)中，數(shù)據(jù)需要存儲(chǔ)在不同平臺(tái)里來提供服務(wù)，首先就造成了數(shù)據(jù)冗余和存儲(chǔ)資源占用。其次，數(shù)據(jù)需要跨平臺(tái)ETL流轉(zhuǎn)，流轉(zhuǎn)開銷高，時(shí)效性較差。數(shù)據(jù)跨平臺(tái)流轉(zhuǎn)中還容易導(dǎo)致數(shù)據(jù)一致性問題，影響業(yè)務(wù)正確性。此外，多平臺(tái)的開發(fā)標(biāo)準(zhǔn)不一致，存在一定的技術(shù)門檻，權(quán)限管理復(fù)雜。

　　星環(huán)科技大數(shù)據(jù)基礎(chǔ)平臺(tái)TDH從2014年支持了事務(wù)表和存儲(chǔ)過程開始，形成了湖倉集一體雛形，在2023年TDH9.3版本中引入了湖倉集統(tǒng)一存儲(chǔ)格式Holodesk，只需一種存儲(chǔ)格式即可同時(shí)滿足ODS數(shù)據(jù)實(shí)時(shí)數(shù)據(jù)接入、數(shù)倉模型加工和高性能集市查詢分析等業(yè)務(wù)，不需要針對不同的業(yè)務(wù)場景使用不同的存儲(chǔ)引擎而構(gòu)建煙囪式混合架構(gòu)。在星環(huán)一體架構(gòu)下，湖倉集對用戶來說，僅僅是業(yè)務(wù)邏輯上的區(qū)分，底層使用統(tǒng)一的技術(shù)棧，真正實(shí)現(xiàn)湖倉集一體化。

　　新發(fā)布的TDH9.4在資源隔離、端到端性能、統(tǒng)一運(yùn)維管理等方面升級(jí)，幫助用戶構(gòu)建真一體化、高性能、易運(yùn)維的湖倉集一體化平臺(tái)。

　　* 資源隔離新架構(gòu)，在同一份數(shù)據(jù)上跑批查詢混合負(fù)載互不影響。一套集群一份數(shù)據(jù)，基于Raft協(xié)議保障分布式一致性，在CPU、內(nèi)存、IO、網(wǎng)絡(luò)資源方面完全隔離，結(jié)合基于容器化的動(dòng)態(tài)資源調(diào)整能力，保障不同的批量業(yè)務(wù)與查詢業(yè)務(wù)性能需求。存儲(chǔ)方面，針對湖倉集多種混合負(fù)載業(yè)務(wù)，支持分區(qū)級(jí)多級(jí)冷熱數(shù)據(jù)存儲(chǔ)，最大化利用存儲(chǔ)資源，降低總體存儲(chǔ)成本。

　　* 端到端性能10倍提升，全面降低TCO。相比于Hudi+Clickhouse+Hbase的混合架構(gòu)，TDH湖倉集同一份數(shù)據(jù)，ETL時(shí)間節(jié)約95%，存儲(chǔ)空間節(jié)省3/4，批量入庫性能提升3倍，實(shí)時(shí)入庫性能提升5倍，批量加工和多表關(guān)聯(lián)分析性能提升5-10倍，統(tǒng)計(jì)性能提升3倍，帶小量聚合的查詢業(yè)務(wù)性能提升1.5倍。

　　* 湖倉集統(tǒng)一運(yùn)維管理，大幅降低運(yùn)維管理成本。湖倉集統(tǒng)一的監(jiān)控導(dǎo)向UI，提供更細(xì)粒度的集群運(yùn)行、資源使用、組件指標(biāo)等監(jiān)測，提供界面化補(bǔ)丁管理、磁盤管理等。此外，TDH支持X86和ARM混合集群部署和統(tǒng)一管理，首個(gè)在10000節(jié)點(diǎn)X86/ARM混部集群下，通過信通院云原生湖倉一體專項(xiàng)評測。

　　* 支持Python 生態(tài)，高效支撐大模型應(yīng)用。基于統(tǒng)一的分布式計(jì)算引擎，提供分布式Python引擎，來幫助用戶更方便地用Python進(jìn)行分布式數(shù)據(jù)處理。并提供POSIX接口，掛載分布式文件系統(tǒng)TDFS到本體磁盤，讓用戶可以像處理本地?cái)?shù)據(jù)一樣處理海量AI訓(xùn)練數(shù)據(jù)，高效支撐數(shù)智融合時(shí)代下大模型應(yīng)用和各類數(shù)據(jù)智能場景。

　　數(shù)據(jù)處理：多模型一體化

　　過去，不同的數(shù)據(jù)模型往往需要獨(dú)立的平臺(tái)來處理，而這些不同的產(chǎn)品在接口標(biāo)準(zhǔn)上不一致，開發(fā)者和業(yè)務(wù)分析人員需要掌握不同的語言。同樣，這些產(chǎn)品也使用了各自獨(dú)立的計(jì)算引擎和存儲(chǔ)，數(shù)據(jù)存儲(chǔ)在各自生態(tài)中難以互通，在業(yè)務(wù)上如果涉及到跨模型的混合業(yè)務(wù)，需要把數(shù)據(jù)從一個(gè)平臺(tái)導(dǎo)入到另一個(gè)平臺(tái)中，ETL流轉(zhuǎn)效率低，同時(shí)也難以保證數(shù)據(jù)的準(zhǔn)確性、一致性和實(shí)效性。

　　多模數(shù)據(jù)庫旨在單個(gè)系統(tǒng)中集成了多個(gè)關(guān)系型和/或非關(guān)系型數(shù)據(jù)引擎(例如，文檔、圖、鍵值、時(shí)序等)，滿足業(yè)務(wù)對于結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)的統(tǒng)一管理需求，實(shí)現(xiàn)數(shù)據(jù)的多模融合處理。通過使用單個(gè)系統(tǒng)來降低操作的復(fù)雜性，更好地支持不同場景下的多種類型數(shù)據(jù)處理。

　　隨著大語言模型的快速發(fā)展，對于多種模型數(shù)據(jù)的處理需求越來越高，同時(shí)由于其存在領(lǐng)域知識(shí)缺乏、知識(shí)時(shí)效性低、回答易幻覺、隱私數(shù)據(jù)不安全等局限性，需要通過檢索外置知識(shí)庫的方式來增強(qiáng)大模型能力。通過多種模型一體化處理的平臺(tái)，在增強(qiáng)大模型的同時(shí)，可以降低系統(tǒng)搭建、開發(fā)、運(yùn)維等方面難度，因此多模數(shù)據(jù)庫成為大模型時(shí)代的剛需。

　　星環(huán)科技從2020年實(shí)現(xiàn)了多模型數(shù)據(jù)的統(tǒng)一處理技術(shù)，基于四層統(tǒng)一的架構(gòu)提供統(tǒng)一的接口層，統(tǒng)一的計(jì)算引擎層，統(tǒng)一的分布式存儲(chǔ)管理層和統(tǒng)一的資源管理層，并支持關(guān)系型、圖、時(shí)序、時(shí)空、向量、鍵值等11種數(shù)據(jù)模型，業(yè)內(nèi)首個(gè)通過了信通院《多模數(shù)據(jù)庫技術(shù)要求》評測。

　　TDH9.4在多模型能力進(jìn)行了升級(jí)，向量存儲(chǔ)引擎Hippo發(fā)布了2.0版本，單機(jī)存儲(chǔ)容量提升20倍，結(jié)合分布式架構(gòu)可支持百億字的向量存儲(chǔ)，檢索性能提升10倍以上，并提供完整的企業(yè)級(jí)能力，包括冷熱災(zāi)備、跨集群數(shù)據(jù)同步、生命周期管理等，幫助用戶更安全、便捷地支撐大模型應(yīng)用。

　　圖存儲(chǔ)引擎StellarDB發(fā)布了5.1版本，引入GPU作為計(jì)算資源，部份場景下如子圖查詢性能提升10倍以上，結(jié)合深度圖算法提供圖譜召回、圖譜推理等能力，提升大模型的準(zhǔn)確度，幫助用戶構(gòu)建企業(yè)級(jí)知識(shí)庫系統(tǒng)。

　　基于TDH多模型統(tǒng)一技術(shù)架構(gòu)，滿足大模型場景下多模態(tài)數(shù)據(jù)的統(tǒng)一存儲(chǔ)管理與服務(wù)，大幅簡化知識(shí)庫的知識(shí)存儲(chǔ)與服務(wù)層架構(gòu)，降低開發(fā)與運(yùn)維成本。通過將TDH作為大模型外置知識(shí)庫，可以檢索文本/圖片/音視頻轉(zhuǎn)化后的向量數(shù)據(jù)、圖數(shù)據(jù)、以及傳統(tǒng)關(guān)系型數(shù)據(jù)等，并進(jìn)行聯(lián)合召回，可以極大增強(qiáng)大模型的準(zhǔn)確率。

　　數(shù)據(jù)分析：實(shí)時(shí)與歷史數(shù)據(jù)一體化

　　隨著業(yè)務(wù)的快速發(fā)展以及企業(yè)內(nèi)部決策的要求不斷提高，用戶對數(shù)據(jù)實(shí)時(shí)性的要求越來越迫切。實(shí)時(shí)數(shù)據(jù)處理架構(gòu)Lambda和Kappa，在各自使用的場景都能解決一部分實(shí)時(shí)或近實(shí)時(shí)的用戶需求，但是隨著業(yè)務(wù)實(shí)時(shí)要求的提高，兩種架構(gòu)均存在一定的不足，主要體現(xiàn)在：

　　(1)Lambda架構(gòu)將實(shí)時(shí)和歷史數(shù)據(jù)分離，隨著歷史數(shù)據(jù)的積累，批量計(jì)算的性能會(huì)下降明顯;

　　(2)Kappa架構(gòu)通過流計(jì)算的方式實(shí)現(xiàn)了數(shù)據(jù)融合，但流與流之間的時(shí)間窗口難以精確控制，流與流存在數(shù)據(jù)關(guān)聯(lián)不上的問題。

　　星環(huán)科技ArgoDB 6.1版本中推出了數(shù)據(jù)增量計(jì)算能力，提出了業(yè)務(wù)實(shí)時(shí)計(jì)算新范式。在實(shí)時(shí)處理數(shù)據(jù)架構(gòu)上，解決了Lambda架構(gòu)中的實(shí)時(shí)與歷史數(shù)據(jù)的不融合問題;同時(shí)避免了Kappa架構(gòu)中的流與流計(jì)算窗口不可控問題。從數(shù)據(jù)的加載到數(shù)據(jù)的加工，保障了數(shù)據(jù)業(yè)務(wù)端到端的實(shí)時(shí)性能，極大地提升了業(yè)務(wù)分析的時(shí)效性。

　　ArgoDB6.1的增量計(jì)算技術(shù)，打破流表和物理表的使用壁壘，增量交由數(shù)據(jù)庫識(shí)別、關(guān)聯(lián)和分析：

　　* 大幅降低資源維護(hù)成本，窗口下沉到存儲(chǔ)，數(shù)據(jù)無中間狀態(tài)，流狀態(tài)時(shí)間窗口維護(hù)成本從100%降至0(即“零”維護(hù)成本);

　　* 實(shí)時(shí)性能 & 數(shù)據(jù)準(zhǔn)確性提升，減少計(jì)算數(shù)據(jù)量，為結(jié)果表實(shí)時(shí)提供最新的關(guān)聯(lián)計(jì)算值;(即數(shù)據(jù)“不丟”“不重”且“計(jì)算高效”);

　　* 增量數(shù)據(jù)可重復(fù)使用，原始數(shù)據(jù)落表，增量的數(shù)據(jù)可供下游使用，配置鏈路簡單且數(shù)據(jù)可重復(fù)使用。

　　基于ArgoDB 6.1增量數(shù)據(jù)計(jì)算能力，可在一個(gè)數(shù)據(jù)庫系統(tǒng)中實(shí)現(xiàn)多種實(shí)時(shí)場景，數(shù)據(jù)僅需在庫內(nèi)流轉(zhuǎn)：

　　場景一（即席查詢，寫入即服務(wù)）：數(shù)據(jù)直接寫入ArgoDB，由ArgoDB提供OLAP 查詢和在線服務(wù);

　　場景二（增量數(shù)據(jù)準(zhǔn)實(shí)時(shí)加工）：在 ArgoDB 中進(jìn)行ODS數(shù)據(jù)清洗，并在DWD數(shù)據(jù)明細(xì)層預(yù)加工后直接進(jìn)行匯聚層加工，對接上層應(yīng)用;

　　場景三（增量數(shù)據(jù)實(shí)時(shí)統(tǒng)計(jì)，事件驅(qū)動(dòng)加工）：DWD明細(xì)層預(yù)加工和DWS匯聚層預(yù)加工全部由ArgoDB增量計(jì)算完成，并提供給上層應(yīng)用，幫助用構(gòu)建新一代的實(shí)時(shí)數(shù)據(jù)倉庫。

　　資源管理：多集群應(yīng)用、資源和數(shù)據(jù)一體化

　　企業(yè)通常根據(jù)不同的業(yè)務(wù)系統(tǒng)構(gòu)建多個(gè)不同的大數(shù)據(jù)集群，多個(gè)集群的運(yùn)維管理給企業(yè)帶來了很多困擾。不同的集群各自孤立，底層資源無法統(tǒng)一、無法均衡的調(diào)度和最大化利用，并且各個(gè)集群上的數(shù)據(jù)難以互通，當(dāng)涉及跨集群數(shù)據(jù)調(diào)用時(shí)，需要在各個(gè)集群之間ETL，效率較低，也難以保證數(shù)據(jù)的準(zhǔn)確性、一致性和實(shí)效性。當(dāng)有新業(yè)務(wù)需要上線時(shí)，需要建設(shè)新的集群，進(jìn)一步加劇上述問題。

　　多個(gè)大數(shù)據(jù)集群統(tǒng)一管理，能夠?qū)⒍嗉�群統(tǒng)一納管，實(shí)現(xiàn)資源統(tǒng)一調(diào)度，數(shù)據(jù)統(tǒng)一管理，并能夠快速響應(yīng)，滿足新業(yè)務(wù)上線需求。

　　星環(huán)科技數(shù)據(jù)云平臺(tái)TDC，在一個(gè)平臺(tái)上提供了數(shù)據(jù)PaaS、分析PaaS、應(yīng)用PaaS服務(wù)，底層共享基礎(chǔ)設(shè)施資源，能夠?qū)崿F(xiàn)不同業(yè)務(wù)、不同環(huán)境下的多個(gè)集群統(tǒng)一納管，不僅提供星環(huán)科技的大數(shù)據(jù)與人工智能產(chǎn)品等產(chǎn)品服務(wù)，也能夠托管如Spark、Flink等開源生態(tài)產(chǎn)品。

　　TDC 5.0在多集群及應(yīng)用統(tǒng)一納管基礎(chǔ)上，對跨集群資源均衡調(diào)度、自動(dòng)彈性伸縮、數(shù)據(jù)共享等能力進(jìn)一步升級(jí)，幫助用戶構(gòu)建一體化的大數(shù)據(jù)與智能平臺(tái)，降低企業(yè)多集群運(yùn)維管理成本，最大化資源利用率，加速業(yè)務(wù)上線與創(chuàng)新。

　　跨集群資源均衡調(diào)度實(shí)現(xiàn)對多個(gè)集群底層資源的統(tǒng)一管理，當(dāng)某個(gè)集群負(fù)載較大，需要擴(kuò)展存儲(chǔ)或者計(jì)算資源時(shí)，能夠跨集群自動(dòng)調(diào)用富余集群的資源，實(shí)現(xiàn)多個(gè)集群之間資源的均衡調(diào)度，提升所有集群的整體資源利用率。

　　跨集群自動(dòng)彈性伸縮根據(jù)配置的基于時(shí)間周期、負(fù)載變化的自動(dòng)彈性伸縮策略，對業(yè)務(wù)繁忙時(shí)間段和業(yè)務(wù)負(fù)載突增時(shí)，自動(dòng)進(jìn)行存儲(chǔ)和計(jì)算資源的擴(kuò)縮容，滿足業(yè)務(wù)對資源的需求，保障業(yè)務(wù)性能的穩(wěn)定性。

　　跨集群數(shù)據(jù)共享跨多個(gè)集群實(shí)現(xiàn)數(shù)據(jù)的共享，集群之間不需要做ETL，可以直接共享使用對方集群的存儲(chǔ)，進(jìn)而實(shí)現(xiàn)No Copy的數(shù)據(jù)共享，避免數(shù)據(jù)復(fù)制帶來的存儲(chǔ)壓力和數(shù)據(jù)時(shí)延，以及不一致性問題。