Azure上CDW提供經(jīng)濟(jì)高效且可擴(kuò)展的分析

Cloudera數(shù)據(jù)倉(cāng)庫(kù)（CDW）服務(wù)是一種托管數(shù)據(jù)倉(cāng)庫(kù)，可在容器化體系結(jié)構(gòu)上運(yùn)行Cloudera的強(qiáng)大引擎。它是新Cloudera數(shù)據(jù)平臺(tái)或CDP的一部分，該平臺(tái)已于今年年初在Microsoft Azure上啟用。CDW服務(wù)可讓您滿足SLA，在零摩擦的情況下使用新的用例并最大程度地降低成本。今天，我們很高興宣布CDW在Microsoft Azure上已全面上市。該服務(wù)可通過(guò)Azure市場(chǎng)作為CDP的一部分使用。

與我們的客戶討論數(shù)據(jù)倉(cāng)庫(kù)時(shí)，經(jīng)常會(huì)出現(xiàn)三種情況。企業(yè)永遠(yuǎn)無(wú)法盡快獲得所需的東西。通常會(huì)錯(cuò)過(guò)SLA，尤其是隨著用戶數(shù)量和用例的增長(zhǎng)。而且，即使不是完全強(qiáng)制性的命令，也存在向公共云遷移的壓力。

盡管有許多因素導(dǎo)致了這些情況，但是對(duì)于如何處理它只有一個(gè)答案：CDW。這篇文章描述了我們的客戶所面對(duì)的代表示例，并解釋了CDW如何解決這些問(wèn)題。它還著眼于該解決方案中幾個(gè)Azure服務(wù)（例如Azure Kubernetes服務(wù)和ADLS Gen2）所起的關(guān)鍵作用。

我們將檢查一家制造用于飛機(jī)的設(shè)備的公司。像許多企業(yè)一樣，有大量的分析師在研究精選的數(shù)據(jù)，業(yè)務(wù)線（LOB）經(jīng)理專(zhuān)注于卓越的運(yùn)營(yíng)，而數(shù)據(jù)科學(xué)家則在新數(shù)據(jù)集中尋找競(jìng)爭(zhēng)優(yōu)勢(shì)。但是，與我們的許多客戶一樣，也存在挑戰(zhàn)，如以下四個(gè)主角所示：

1.Ramesh的業(yè)務(wù)分析人員團(tuán)隊(duì)可生成運(yùn)行業(yè)務(wù)的報(bào)告。但是隨著團(tuán)隊(duì)的成長(zhǎng)，倉(cāng)庫(kù)滿足SLA和保持預(yù)算的能力下降了。

a)CDW為Ramesh提供了經(jīng)濟(jì)高效、可擴(kuò)展的報(bào)告和儀表板，因此它們的SLA不會(huì)被錯(cuò)過(guò)。

2.Kelly是一位數(shù)據(jù)架構(gòu)師，需要運(yùn)行臨時(shí)探索工作負(fù)載以進(jìn)行活動(dòng)分析。但是，由于存在與SLA綁定的工作負(fù)載引起爭(zhēng)用的風(fēng)險(xiǎn)，因此不允許她使用倉(cāng)庫(kù)。

a)CDW使Kelly可以處理倉(cāng)庫(kù)中的數(shù)據(jù)，而不會(huì)影響其他工作負(fù)載。

3.數(shù)據(jù)科學(xué)家?jiàn)W利維亞（Olivia）無(wú)法在倉(cāng)庫(kù)中獲得探索新供應(yīng)鏈數(shù)據(jù)的能力。因此，錯(cuò)過(guò)了進(jìn)行優(yōu)化的機(jī)會(huì)。

a)CDW為Olivia提供了無(wú)限的計(jì)算資源，可以在幾分鐘之內(nèi)將對(duì)象存儲(chǔ)中的任何數(shù)據(jù)扔掉。

4.Mariana是一位運(yùn)營(yíng)經(jīng)理，需要實(shí)時(shí)查看大容量傳感器數(shù)據(jù)以及將其與客戶體驗(yàn)數(shù)據(jù)結(jié)合在一起的能力。當(dāng)前的倉(cāng)庫(kù)無(wú)法處理這種數(shù)量或多樣性，因此Mariana必須使用寶貴的預(yù)算來(lái)建造另一個(gè)筒倉(cāng)。

a)CDW為Mariana提供了一個(gè)單一平臺(tái)，該平臺(tái)可以執(zhí)行傳統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)以及需要不同技術(shù)的新用例……同時(shí)保留每個(gè)數(shù)據(jù)集的一個(gè)副本并利用共享的元數(shù)據(jù)和安全性。

在下面的部分中，我們將進(jìn)一步解釋CDW和Azure如何提供這些功能。

能力1–高效、可伸縮的報(bào)表和儀表板數(shù)據(jù)管理

Ramesh和他的業(yè)務(wù)分析團(tuán)隊(duì)全天不間斷地發(fā)布報(bào)告。該業(yè)務(wù)基于他的團(tuán)隊(duì)提供的洞察力，尤其是與客戶情緒有關(guān)的洞察力，鑒于最近的差旅支出下降，這一點(diǎn)至關(guān)重要。因此，他們不能錯(cuò)過(guò)SLA，否則企業(yè)會(huì)盲目發(fā)展。無(wú)論數(shù)據(jù)量和分析師人數(shù)在增長(zhǎng)，即使預(yù)算在縮減，也必須交付報(bào)告。

每當(dāng)沒(méi)有查詢時(shí)，CDW虛擬倉(cāng)庫(kù)（VW）中的計(jì)算資源將保持暫停狀態(tài)，不會(huì)產(chǎn)生任何成本。Ramesh上班后的第一個(gè)查詢?cè)谠缟系竭_(dá)時(shí)，大眾會(huì)自動(dòng)啟動(dòng)。如果由于Ramesh的許多同事都在早上晚些時(shí)候上線而導(dǎo)致查詢負(fù)載稍后增加到飽和點(diǎn)，則VW將檢測(cè)到此情況并提供更多計(jì)算資源來(lái)處理負(fù)載，同時(shí)保持性能。這稱(chēng)為自動(dòng)縮放。一旦負(fù)載下降到較低的水平（他的同事們都在沒(méi)有他的情況下共進(jìn)午餐），那么這些額外的計(jì)算資源就被釋放了，因此不再產(chǎn)生成本。最后，在Ramesh最終離開(kāi)工作并且查詢?nèi)拷Y(jié)束的一天結(jié)束時(shí)，大眾汽車(chē)自動(dòng)暫停自身，再次下降為免費(fèi)狀態(tài)。

CDW可以使用Azure Kubernetes服務(wù)（AKS）快速提供計(jì)算Pod，并在不再需要時(shí)釋放它們，從而提供此按需付費(fèi)的功能。這些Pod使用Standard_E16_v3計(jì)算實(shí)例大?。?6 vCPU，128 GiB RAM，400 GiB本地SSD）。AKS最終在后臺(tái)使用VM縮放集來(lái)啟用和控制自動(dòng)縮放。

一旦Ramesh的團(tuán)隊(duì)運(yùn)行了查詢，他們就可以通過(guò)服務(wù)中內(nèi)置的三個(gè)緩存級(jí)別在很大程度上滿足其SLA：

數(shù)據(jù)緩存–首次從ADLS讀取數(shù)據(jù)時(shí)，會(huì)將其緩存在使用該數(shù)據(jù)的計(jì)算節(jié)點(diǎn)上。隨后需要相同數(shù)據(jù)的查詢從本地緩存（而不是ADLS）獲取數(shù)據(jù)。Hive LLAP和Impala VW均支持此緩存類(lèi)型。

結(jié)果集緩存–將結(jié)果發(fā)送回客戶端后，結(jié)果集也將緩存在HiveServer2節(jié)點(diǎn)上的存儲(chǔ)中。如果再次到達(dá)完全相同的查詢（這在儀表板和BI用例中很常見(jiàn)），則直接從HS2緩存中提供結(jié)果。當(dāng)前，只有Hive LLAP VW支持此緩存類(lèi)型。

物化視圖–您可以定義物化視圖（MV）的結(jié)構(gòu)和內(nèi)容，Hive將從基表中選擇數(shù)據(jù)填充其中。對(duì)于后續(xù)訪問(wèn)基表的查詢，如果Hive檢測(cè)到可以從MV中提供數(shù)據(jù)，則它將透明地重寫(xiě)查詢以使用該查詢，從而避免了再次掃描基表，聯(lián)接數(shù)據(jù)，對(duì)其進(jìn)行匯總的需求等等。目前僅Hive LLAP大眾汽車(chē)支持此功能。

通過(guò)這種級(jí)別的智能和性能優(yōu)化，Ramesh和團(tuán)隊(duì)可以隨著數(shù)據(jù)量和業(yè)務(wù)需求的增長(zhǎng)而增長(zhǎng)，而僅需支付實(shí)際工作所需的資源。

能力2–臨時(shí)探索以補(bǔ)充SLA約束的工作負(fù)載

首席營(yíng)銷(xiāo)官要求數(shù)據(jù)架構(gòu)師Kelly提供量化近期營(yíng)銷(xiāo)活動(dòng)影響的指標(biāo)。倉(cāng)庫(kù)具有所需的數(shù)據(jù)，但也正在滿負(fù)荷運(yùn)行。凱利（Kelly）將需要使用多種查詢類(lèi)型來(lái)探索數(shù)據(jù)，并且不確定需要多長(zhǎng)時(shí)間或她需要多少CPU和內(nèi)存。在這樣模糊的要求下，由于存在影響SLA約束的操作工作負(fù)載的風(fēng)險(xiǎn)，IT不允許她在數(shù)據(jù)倉(cāng)庫(kù)上執(zhí)行此工作。她的查詢可能會(huì)耗盡CPU資源，并從緩存中逐出所有熱數(shù)據(jù)。因此，CMO沒(méi)有度量標(biāo)準(zhǔn)來(lái)幫助理解其營(yíng)銷(xiāo)投資的影響。

借助CDW，Kelly可以擁有自己的計(jì)算環(huán)境，該環(huán)境可以查詢倉(cāng)庫(kù)數(shù)據(jù)，但與其他受SLA約束的工作負(fù)載完全隔離。CDW可以通過(guò)與存儲(chǔ)和計(jì)算層分開(kāi)管理數(shù)據(jù)上下文（表定義，授權(quán)策略，元數(shù)據(jù)）來(lái)做到這一點(diǎn)。這樣，多個(gè)計(jì)算環(huán)境都可以共享同一數(shù)據(jù)上下文。Cloudera共享數(shù)據(jù)體驗(yàn)（SDX）是為此托管上下文提供的術(shù)語(yǔ)。

SDX的關(guān)鍵啟用功能是能夠?qū)⒃獢?shù)據(jù)和安全規(guī)則可靠地存儲(chǔ)在持久數(shù)據(jù)庫(kù)中。為此，我們使用Gen5 4 vCore，內(nèi)存優(yōu)化選項(xiàng)將Azure數(shù)據(jù)庫(kù)用于PostgreSQL。這種托管的Postgres服務(wù)易于集成，高度可用且管理起來(lái)很簡(jiǎn)單。使用此作為元數(shù)據(jù)和其他持久狀態(tài)的單一事實(shí)來(lái)源，CDW可以安全地并行運(yùn)行您的工作負(fù)載所需的多個(gè)計(jì)算環(huán)境。

當(dāng)在這種情況下需要計(jì)算資源時(shí)，CDW提供的另一種方法是將您的工作負(fù)載從本地CDH或HDP群集擴(kuò)展到在公共云中運(yùn)行的CDP。在這種情況下，工作負(fù)載管理器工具用于分析您的內(nèi)部工作負(fù)載，確定適合突發(fā)的候選工作負(fù)載（在這種情況下，臨時(shí)探索查詢會(huì)干擾SLA綁定查詢），然后將數(shù)據(jù)和元數(shù)據(jù)復(fù)制到CDP?，F(xiàn)在可以在您的云環(huán)境中安全地運(yùn)行工作負(fù)載。如果這樣做，您可能希望使用Microsoft ExpressRoute來(lái)確保良好的性能和一致的數(shù)據(jù)移動(dòng)延遲。

功能3–快速配置以跟上業(yè)務(wù)速度

數(shù)據(jù)科學(xué)家?jiàn)W利維亞（Olivia）偶爾需要使用尚未在倉(cāng)庫(kù)中的新數(shù)據(jù)文件來(lái)檢驗(yàn)供應(yīng)鏈優(yōu)化的假設(shè)。但是中央IT部門(mén)從來(lái)沒(méi)有計(jì)劃過(guò)這樣的突發(fā)性工作負(fù)載，也沒(méi)有資源去做一個(gè)新的ETL項(xiàng)目，以將這些新數(shù)據(jù)（其價(jià)值尚未得到驗(yàn)證）整合到倉(cāng)庫(kù)中。這導(dǎo)致錯(cuò)過(guò)了降低供應(yīng)鏈成本并降低其風(fēng)險(xiǎn)的機(jī)會(huì)。

如果使用CDW，Olivia將能夠簡(jiǎn)單地啟動(dòng)一個(gè)新的Hive LLAP VW，該過(guò)程只需幾分鐘，然后在數(shù)據(jù)文件上創(chuàng)建一個(gè)外部表定義，以便她可以開(kāi)始查詢它們。使用Hive，您可以本地查詢半結(jié)構(gòu)化文本文件和定界文件（例如CSV或TSV）。有標(biāo)準(zhǔn)的開(kāi)源庫(kù)可查詢JSON以及其他文件格式。而且，您始終可以為自定義格式定義自己的Serializer-Deserializer（SerDe）。即使使用這些基本文件格式，Hive仍將數(shù)據(jù)轉(zhuǎn)換為其列式內(nèi)存格式，以從緩存和IO效率優(yōu)化中受益。

快速提供對(duì)對(duì)象存儲(chǔ)中任意數(shù)據(jù)的查詢功能的這種功能可提供極大的靈活性和靈活性。您可以快速探索新數(shù)據(jù)和使用新用例，以跟上業(yè)務(wù)發(fā)展的速度。但是，由于可擴(kuò)展的高性能ADLS Gen2服務(wù)，這才有可能。在Hadoop的ABFS連接器提供了這個(gè)關(guān)鍵的結(jié)合點(diǎn)，橋接已存儲(chǔ)在ADLS與第二代在Cloudera公司提供分析功能的生態(tài)系統(tǒng)中的企業(yè)數(shù)據(jù)。

功能4–利用共享資源的新用例的多模式分析

制造LOB運(yùn)營(yíng)經(jīng)理Mariana受其首席運(yùn)營(yíng)官的委托，通過(guò)避免計(jì)劃外的設(shè)備停機(jī)時(shí)間來(lái)提高產(chǎn)量。她估計(jì)，這將需要每秒存儲(chǔ)100萬(wàn)個(gè)傳感器讀數(shù)，保留15個(gè)月的數(shù)據(jù)以適應(yīng)歷史趨勢(shì)分析，對(duì)數(shù)據(jù)運(yùn)行任意SQL的能力以及訪問(wèn)原始數(shù)據(jù)和聚合的需求。簡(jiǎn)而言之，她需要一個(gè)高度可擴(kuò)展的實(shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)，該倉(cāng)庫(kù)可提供時(shí)間序列功能而又不會(huì)造成資金損失。

當(dāng)前的數(shù)據(jù)倉(cāng)庫(kù)團(tuán)隊(duì)無(wú)法接近這些性能要求，并且他們的團(tuán)隊(duì)之一使用的傳統(tǒng)時(shí)間序列數(shù)據(jù)庫(kù)無(wú)法處理如此長(zhǎng)的歷史記錄或執(zhí)行任意SQL。借助CDP平臺(tái)，Mariana可以在一小時(shí)內(nèi)站起來(lái)支撐該應(yīng)用程序的基礎(chǔ)架構(gòu)，在這種情況下，將使用具有標(biāo)準(zhǔn)本地冗余SSD存儲(chǔ)的Azure Compute VM。Cloudera的時(shí)間序列產(chǎn)品主要依賴于Apache Kudu存儲(chǔ)引擎和Apache Impala進(jìn)行SQL查詢?？梢允褂肁pache NiFi從Azure Event Hub或Kafka或許多其他受支持的源之一中提取數(shù)據(jù)。強(qiáng)大的Cloudera引擎與強(qiáng)大的Azure基礎(chǔ)架構(gòu)的結(jié)合意味著可以滿足Mariana的雄心勃勃的要求。

她為自己的首席運(yùn)營(yíng)官做得非常出色，以至于首席執(zhí)行官注意到了這一點(diǎn)，并要求她現(xiàn)在通過(guò)制造更可靠的飛機(jī)發(fā)動(dòng)機(jī)來(lái)提高客戶（即飛機(jī)乘客）的滿意度。但是倉(cāng)庫(kù)無(wú)法實(shí)時(shí)了解工廠車(chē)間中運(yùn)行的機(jī)器，因此沒(méi)有簡(jiǎn)單的方法可以將數(shù)據(jù)與客戶體驗(yàn)數(shù)據(jù)集成在一起并進(jìn)行關(guān)聯(lián)。因此，她不知道在工廠要進(jìn)行哪些調(diào)整以提高質(zhì)量。

借助Cloudera，Mariana可以運(yùn)行將時(shí)間序列應(yīng)用程序中的數(shù)據(jù)與倉(cāng)庫(kù)中的其他數(shù)據(jù)結(jié)合起來(lái)的查詢，以得出制造過(guò)程與客戶體驗(yàn)之間的關(guān)聯(lián)（如航班延誤所示）。如上所述，這是通過(guò)SDX啟用的，但是在這種情況下，由于沒(méi)有允許Mariana查看客戶數(shù)據(jù)中的個(gè)人身份信息（PII），因此存在更高的安全級(jí)別。因?yàn)镃DP與Azure Active Directory集成在一起以獲取用戶的身份和組成員身份，所以它可以使用Apache Ranger強(qiáng)制實(shí)施復(fù)雜的基于角色或基于屬性的訪問(wèn)控制，以在Mariana訪問(wèn)數(shù)據(jù)時(shí)動(dòng)態(tài)屏蔽所有PII數(shù)據(jù)。她現(xiàn)在可以安全地完成自己的工作，并通過(guò)盡自己的職責(zé)來(lái)提高客戶滿意度而使CEO高興。

使用CDW for Azure改變您的數(shù)據(jù)倉(cāng)庫(kù)體驗(yàn)

借助在Azure上運(yùn)行的Cloudera Data Warehouse，您可以經(jīng)濟(jì)高效地?cái)U(kuò)展已整理數(shù)據(jù)的報(bào)告和儀表板，而無(wú)需等待傳統(tǒng)上較長(zhǎng)的配置周期。您可以在與SLA綁定的工作負(fù)載之上啟用即席探索，而不會(huì)引起資源爭(zhēng)用而丟失那些協(xié)議的風(fēng)險(xiǎn)。您可以根據(jù)需要快速配置資源，因此您總是對(duì)任何需要進(jìn)行任何形式分析的業(yè)務(wù)請(qǐng)求都說(shuō)“是”，并且可以利用共享資源充分利用針對(duì)新用例的更廣泛的多模式分析范圍。