最近掌慧纵盈 大数据平台的架构师，分享了一篇文章很不错，转载到这里原文。
借助“互联网+大数据+机场”三轮驱动，掌慧纵盈每年为6.4亿人次出行提供无线网络连接服务。
随着业务的拓展，随之后来的挑战是数据量的暴增。
2016年，掌慧纵盈（股票代码：835736）通过阿里云产品，率先构建了业界领先的大数据平台。
本文阐述了一家物联网企业的业务架构和数据架构，以及技术选型的思考过程，和与业务需求相匹配的最终技术架构。
业务架构
掌慧纵盈的业务架构如图所示。我们的业务模式主要就是通过自有设备对数据进行收集，对数据的价值进行挖掘，最后对这些数据应用。
数据收集层，我们创立了国内机场官方Wi-Fi第一品牌“Airport-Free-WiFi”，网络遍布全国25个枢纽机场和39个枢纽高铁站，每年为6.4亿人次出行提供无线网络连接服务；我们拥有全国最大的驾校Wi-Fi网络，到17年底将覆盖1500+所驾校；我们也是中国四大车展（北京、上海、广州、成都）Wi-Fi服务商，为超过120万人次提供了网络服务；此外，我们还运营了全国2000+个加油站和600+个汽车4S经销店的Wi-Fi网络。
数据应用层，我们打通了线上和线下行为数据，用于用户画像，为包括SSP，DSP，DMP，RTB在内的广告业务提供更高效的精准触达；并和公安部合作，排查公共网络安全威胁。
掌慧纵盈的大数据平台和广告投放平台还为企业输出技术能力，帮助企业建立自己的大数据平台，用丰富的量化数据提升企业的运营管理效率。
数据架构
基于我们的业务架构，我们抽象除了我们的数据架构，其中包含了许多主题，其主题视图如图所示。图中本体可以简单的理解为人，客体可以简单的理解为物；本体与客体以各种形式进行连接，这种连接是一种时间维度和空间维度上的交汇，这种连接通过计算机网络和电信网络完成。本体在连接网络中有自己的像，可以简单的理解为虚拟身份（Avatars）；客体在连接网络中也有自己的像，例如维基百科对某一事物的描述，再比如某一事物商业化后形成产品或服务，再经过广告包装成其广告形象，这些都是其客像。本体与客体的交互实际上就是本像和客像的交互，这种交互在时间和空间的维度上都会留下轨迹。
本体的个体特征和群体特征，客体的个体特征和群体特征，本客交互的所有轨迹，所有这些主题形成的大数据，经过深度挖掘和学习，可以得出强大的洞察力，这种洞察力具有不可估量的商业价值。
掌慧纵盈目前在本体域和交互域的数据体量：
技术选型
接下来说一下我们技术选型的思路。我认为，没有最好的技术架构，只有最合适的架构。成功的IT规划就是从业务架构出发，针对其每一个业务场景，给出最合适的技术架构。
功能需求
首先来看我们的功能需求。以我们的广告业务为例，目标是日消息处理量达到100亿条。其对大数据能力的要求如下：
假设记录大小是2KB，容纳这些数据我们需要70PB的物理容量。对查询范围的要求，推导出，离线计算的处理时长24小时，在线计算10分钟。
非功能需求
- 希望通过云平台将基础设施安装运维外包。
- 大数据技术日新月异，希组件版本能够及时更新。
- 外部商业环境迅速变化，希望计算资源可以动态增减，以节约成本。
- 希望以较低的成本获取相对专业的安全服务。
- 尽量使用开源组件，方便整体输出。
产品选择
综合考察国内的云服务提供商，我们选择了阿里云，尤其是其E-MapReduce产品，购买之后，集群马上就创建好了，Hive, Spark, HBase等开源大数据组件即刻可用。
首先我们选择数据存储引擎。
我们以存储25TB的数据为基准，考察各个选项的性能和价格。从图中可以看出，针对离线分析来说，如果想用开源组件，可以考虑Hive on OSS的模式，来存储近一年的数据。针对在线分析的场景，使用HBase存储近三个月的数据，可以获得很高的性价比，这个方案可以多表联查，但是SQL的响应对场景敏感，不同复杂度的SQL响应时间是不一样的。如果希望响应时间恒定，可以考虑基于索引的方案，即日志服务，缺点就是不能多表联查；如果想使用开源组件，可以自行在ECS上搭建ELK。
接下来我们选择查询引擎。我们使用一个基准SQL，方便对其响应时间进行横向对比，基准SQL如下图所示：
结论是，使用Phoenix基于HBase进行交互式查询，可以获得很满意的响应周期。
选型部分告一段，接下来给出大数据平台的技术架构。
技术架构
大数据平台的技术架构概览如图所示，图中几乎所有的服务和功能都是通过阿里云产品来实现的，其中开发测试环境也是基于阿里云的ECS搭建的。从图中可以看出，我们并不需要关心机房的电源、网络、虚拟化、硬盘更换等一系列基础设施问题，直接基于云平台，专注于我们自己的业务。
产品使用中有一些心得，总结如下：
E-MapReduce
阿里云的E-MapReduce是我们大数据平台的核心产品，其涵盖了Hive, Spark, HBase, Storm等大数据领域核心的开源组件，还有Phoenix, Presto等业界前沿的查询引擎，其Zeppelin, Hue等交互组件也是开箱即用。
E-MapReduce不断有新的版本发布，其中的组件版本也是不断更新，但是已经购买的E-MapReduce是无法方便的升级的，为了及时升级组件版本，我们采取包月而不是包年模式。包月到期，想要升级，直接买新的，旧的不续费，自行销毁。阿里的E-MapReduce只能增加节点不能减少节点，通过上述的滚动模式，还可以随时调整集群规模和各种配置。
上述的这种滚动模式，对于计算集群来说没问题，数据存储怎么办呢？E-MapReduce所用的机器配置都很高，用来存储数据就可惜了，数据可以存储在OSS上，使用Hive加载即可。不过要使用HBase还是要把数据存到E-MapReduce上，一但放到E-MapReduce上，这个集群就不能随意销毁了。所以，我们实践当中将数据集群和计算集群分开，计算集群可以随时销毁和升级，数据集群需要长期稳定提供服务。这两种的集群配置也是不一样的，计算集群用SSD，主攻“快”，数据集群（HBase）用高效云盘，主攻“大”。
那按量付费呢，什么场景下使用？我们计算过，如果计算时长超过7天，那么还是直接购买包月的集群比较划算。按量付费的集群可以用于临时突发的计算任务。
工单管理
使用阿里的云服务，最吸引人的就是工单服务。由于我们的运维团队会经常遇到复杂且需要紧迫解决的问题，团队成员可以直接通过工单请求阿里的工程师协助解决。沟通问题的过程也是我们学习的过程，我们向阿里云服务的工程师们学到了不少的东西。
软件视图
基于技术概览，我们技术架构中的软件视图如下所示：
一些使用心得总结如下：
SLB
原来，为了管理方便，我们好多ECS都开通了外网，但是实际使用率不高，外网带宽的成本占用ECS成本很大的一部分，现在我们所有ECS都去掉了外网带宽，统一走SLB，共享SLB的外网带宽，包括SSH等所有应用的端口都是用SLB转发。SLB带宽不受限制，速度上来了，成本下来了，算是我们对SLB的一个活用。
ECS
由于我们的业务环境变化很快，有些机器可能今天还有用，明天就没用了，所以我们采用包月加自动续费的模式，随时增减机器，随时增配减配。
ONS
也即阿里的日志服务，阿里内部叫MQ，其响应时间很快，吞吐量很大，可以应用于实时性非常高的场景，例如实时竞价。
Log Service
其包含Logtail，LogStore, LogHub，LogShipper和LogSearch服务，其中日志投递（LogShipper）功能很有用，可以自动将采集的日志投递到OSS，这样就可以直接使用Hive加载了，不过目前只支持json格式。在我们的建议下，日志服务团队将会支持CSV，SequenceFile和Parquet格式，预计于2017年1月上线。
Spark
其官方给出的例子和阿里帮助文档里的例子都是基于Scala的，不过我们还是选择了用Java进行Spark应用的开发，这样我们开发团队的组建会更加便利。如果能使用Java 8，那么从函数式编程方式尤其是lambda表达式的角度就十分接近Scala的表现能力了。在我们的建议下，目前阿里云新版本的E-MapReduce已经支持了Java 8。
需要提一句，数据在ODPS（现名称MaxCompute），那也没关系。E-MapReduce 提供 SparkSQL服务，可以无缝访问ODPS数据。使用ODPS的用户也可以加入到Spark生态体系中。
Storm
目前E-MapReduce已经提供了Storm组件，想要使用此组件，有两个选择：从日志服务消费；或者通过引导操作在E-MapReduce上安装Kafka，支持增加节点。
OSS
OSS主要用于存储，与E-MapReduce结合，实现了计算与存储的分离。
Zeppelin
这真的是一个好东西，业务人员通过它，可以通过Web的形式使用HiveQL, SparkSQL, Phoenix, Presto等对数据进行探索式和交互式的查询，而无需编程和登录SSH，并且可以保存过往的查询，还可以形成简单的柱状图饼图。我们的DMP工程师再也不用为了某一个统计数字通宵写代码了，业务人员自己就可以搞定。
Phoenix
HBase本身是NoSQL数据库，结构化查询是其弱项，我们就是有很多OLAP的需求，希望交互式出结果，原来的做法是自己创建HBase的二级索引，对非主键字段进行跳转查询。后来发现，E-MapReduce上，Phoenix已经为我们搭建好了啊，其索引机制生成的HBase索引表，不就是我们原来手工创建的索引表吗。于是全部转向使用Phoenix进行交互式查询。E-MapReduce老版本的Phoenix的默认查询超时是1分钟，对我们来说太短了，改参数又要重启。在我们的建议下，目前E-MapReduce新版本的Phoenix的默认超时时长已经设置为半个小时了。
场景举例
批量计算，LogTail + LogHub + LogShipper + OSS + Hive + SparkSQL
批量计算重在采集，使用LogTail配置好采集规则，通过LogShipper自动投递到OSS，使用Hive直接加载形成数据仓库，在Zeppelin界面上通过SparkSQL直接查询Hive中的数据，整个ETL的过程十分流畅，几乎不用写任何代码。
交互式计算，LogTail + LogHub + Storm + HBase + Phoenix
对于响应时间要求更严格的OLAP业务，可以以HBase为中心构建OLAP数据库，为了缩短数据可用的周期，可以单独一条通道。使用LogTail采集，并将LogHub中的数据对接到Storm上，使用Storm进行转换并写入HBase，然后在Zeppelin的界面上使用Phoenix进行查询。
实时计算，Servlet + ONS + Spark Streaming + Redis
对于实时竞价等实时计算业务，可以充分利用ONS的超快响应（1ms以内），超大并发的特性，通过Spark Streaming进行计算，最后存储到Redis中。
展望未来
Spark 2.0 发布了Release，Hadoop 3.0发布了Alpha，HBase 2.0 发布了SNAPSHOT，这些组件中的好多新特性都是我们十分期待的，我们会密切关注阿里云E-MapReduce新产品的发布，希望早日用上新版本的开源组件。
作者，艾佳，毕业于清华大学软件工程专业，曾就职埃森哲和IBM，现担任掌慧纵盈科技股份有限公司大数据平台架构师，邮箱xiaofeng0092@foxmail.com，欢迎交流。
