大數(shù)據(jù)在電信行業(yè)的應(yīng)用研究

丁亦志，李邵平，牛瑛霞/Ding Yizhi,Li Shaoping,Niu Yingxia

（中國(guó)移動(dòng)通信集團(tuán)設(shè)計(jì)院有限公司 北京100080）

1 引言

大數(shù)據(jù)（Big Data）技術(shù)或稱(chēng)巨量資料，是指所涉及的資料量規(guī)模巨大到無(wú)法通過(guò)目前主流軟件工具，在合理時(shí)間內(nèi)達(dá)到擷取、管理、處理，并整理成為幫助企業(yè)經(jīng)營(yíng)決策更積極目的的資訊。自2012年以來(lái)，大數(shù)據(jù)一詞越來(lái)越多地被提及，人們用它來(lái)描述和定義信息爆炸時(shí)代產(chǎn)生的海量數(shù)據(jù)，并命名與之相關(guān)的技術(shù)發(fā)展與創(chuàng)新。數(shù)據(jù)已經(jīng)滲透到當(dāng)今每一個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，成為重要的生產(chǎn)因素。

作為云計(jì)算、物聯(lián)網(wǎng)后IT 行業(yè)又一顛覆性的技術(shù)革命，大數(shù)據(jù)隨著近年來(lái)互聯(lián)網(wǎng)和信息行業(yè)的發(fā)展而引起人們的廣泛關(guān)注，本文旨在對(duì)電信行業(yè)中的大數(shù)據(jù)應(yīng)用進(jìn)行研究探討。

2 大數(shù)據(jù)發(fā)展趨勢(shì)及應(yīng)用場(chǎng)景

2.1 大數(shù)據(jù)發(fā)展趨勢(shì)

通過(guò)對(duì)互聯(lián)網(wǎng)行業(yè)大數(shù)據(jù)的研究，歸納出以下4 項(xiàng)發(fā)展趨勢(shì)。

（1）去小型機(jī)化

“傳統(tǒng)數(shù)據(jù)庫(kù)+小型機(jī)+高端陣列”的模式在性價(jià)比上很難再延續(xù)，SMP的擴(kuò)展能力接近上限。

（2）計(jì)算與數(shù)據(jù)處理一體機(jī)化

軟硬件垂直整合帶來(lái)高性能優(yōu)勢(shì)和高集成度。

（3）內(nèi)存和多核計(jì)算的崛起

磁盤(pán)已經(jīng)落伍，內(nèi)存才是王道；1 TB RAM PC已可行，新的壓縮算法允許在內(nèi)存里完整儲(chǔ)存大量數(shù)據(jù)；16 核擴(kuò)充至64 核，為CPU 提供足夠的指令和數(shù)據(jù)是高效處理數(shù)據(jù)的關(guān)鍵。

（4）MPP/列存儲(chǔ)，Hadoop 低成本海量分布式架構(gòu)強(qiáng)勢(shì)

通用x86 服務(wù)器+Linux+高速網(wǎng)絡(luò)+SSD 存儲(chǔ)、MPP+列存儲(chǔ)集群的Scale Out 和OLAP 高性能、Hadoop 生態(tài)圈的蓬勃發(fā)展。

2.2 大數(shù)據(jù)應(yīng)用場(chǎng)景

洛杉磯警察局和加利福尼亞大學(xué)合作利用大數(shù)據(jù)預(yù)測(cè)犯罪的發(fā)生，Google 流感趨勢(shì)（Google Flu Trends）利用搜索關(guān)鍵詞預(yù)測(cè)禽流感的散布，統(tǒng)計(jì)學(xué)家內(nèi)特·西爾弗（Nate Silver）利用大數(shù)據(jù)預(yù)測(cè)2012年美國(guó)選舉結(jié)果。類(lèi)似的應(yīng)用在互聯(lián)網(wǎng)行業(yè)不勝枚舉，對(duì)運(yùn)營(yíng)商來(lái)說(shuō)，大數(shù)據(jù)又有哪些方面的價(jià)值？本文總結(jié)出以下6 種典型的應(yīng)用場(chǎng)景，見(jiàn)表1 所列。

3 大數(shù)據(jù)的平臺(tái)架構(gòu)

3.1 運(yùn)營(yíng)商大數(shù)據(jù)價(jià)值體系

本文提出移動(dòng)互聯(lián)網(wǎng)時(shí)代運(yùn)營(yíng)商的大數(shù)據(jù)價(jià)值體系，包括客戶研究、精準(zhǔn)營(yíng)銷(xiāo)、智能管道、全業(yè)務(wù)融合和新業(yè)務(wù)模式等，如圖1所示。

客戶研究包括用戶內(nèi)容偏好、用戶行為偏好、用戶位置軌跡、用戶交往圈、用戶分群。精準(zhǔn)營(yíng)銷(xiāo)包括內(nèi)容偏好營(yíng)銷(xiāo)、事件營(yíng)銷(xiāo)、位置營(yíng)銷(xiāo)、業(yè)務(wù)交叉推薦、渠道協(xié)同營(yíng)銷(xiāo)、體驗(yàn)式營(yíng)銷(xiāo)。智能管道包括管道可視化、差分服務(wù)、公平使用、策略計(jì)費(fèi)、信息與內(nèi)容過(guò)濾、競(jìng)爭(zhēng)/替代業(yè)務(wù)監(jiān)控分析。全業(yè)務(wù)融合包括統(tǒng)一客戶信息提升管理水平、統(tǒng)一產(chǎn)品信息提升優(yōu)化程度、統(tǒng)一服務(wù)信息改善客戶體驗(yàn)、統(tǒng)一資源信息保障協(xié)同調(diào)度。新商業(yè)模式包括后向收費(fèi)模式支撐、合作產(chǎn)品引入分析、新流量產(chǎn)品引入分析、行業(yè)分析報(bào)告發(fā)布、數(shù)據(jù)服務(wù)開(kāi)放共享。

表1 運(yùn)營(yíng)商典型應(yīng)用場(chǎng)景

圖1 運(yùn)營(yíng)商大數(shù)據(jù)價(jià)值體系

圖2 割裂式混搭架構(gòu)

圖3 混搭架構(gòu)+深度定制化部件架構(gòu)

3.2 大數(shù)據(jù)平臺(tái)架構(gòu)

大數(shù)據(jù)平臺(tái)架構(gòu)主要包括割裂式混搭架構(gòu)、混搭架構(gòu)+深度定制化部件、Hadoop 深度定制架構(gòu)和自主研發(fā)新架構(gòu)4 類(lèi)架構(gòu)。

（1）割裂式混搭架構(gòu)

割裂式混搭架構(gòu)模式是Hadoop+MPP RDB/SMP RDB，以Hadoop 處理非結(jié)構(gòu)化為輔，RDB 處理結(jié)構(gòu)化為主。主要應(yīng)用于eBay、KDDI、中國(guó)移動(dòng)省級(jí)經(jīng)分等，架構(gòu)如圖2所示。

（2）混搭架構(gòu)+深度定制化部件

混搭架構(gòu)+定制化部件是Hadoop+MPP RDB+NoSQL/MyFox/Prom/glider/OceanBase、Hadoop 海量結(jié)構(gòu)化/非結(jié)構(gòu)化存儲(chǔ)、ETL 和離線計(jì)算基礎(chǔ)；MPP DB面向高速訪問(wèn)存儲(chǔ)和部分實(shí)時(shí)計(jì)算； 專(zhuān)用場(chǎng)景部件，例如基于NoSQL的Prom/OceanBase，解決特定業(yè)務(wù)場(chǎng)景問(wèn)題（全屬性查詢）和復(fù)雜的實(shí)時(shí)計(jì)算。阿里巴巴和淘寶是此架構(gòu)最好的代表，如圖3所示。

（3）Hadoop 深度定制架構(gòu)

Hadoop 深度定制架構(gòu)即Hadoop Enhanced，圍繞Hadoop 生態(tài)圈進(jìn)行深度定制和優(yōu)化。騰訊和百度是此架構(gòu)的代表，如圖4所示。

（4）自主研發(fā)新架構(gòu)

自主研發(fā)架構(gòu)包括Caffeine、Pregel、Dremel、Power Drill、Storm、Qubole、RCFile 等，擁有核心知識(shí)產(chǎn)權(quán)和創(chuàng)新技術(shù)驅(qū)動(dòng)業(yè)務(wù)革新。Google、Twitter、Facebook 都是基于自主研發(fā)的新架構(gòu)，如圖5 和圖6所示。

（5）運(yùn)營(yíng)商平臺(tái)架構(gòu)的演進(jìn)

在大數(shù)據(jù)中，運(yùn)營(yíng)商在3~5年內(nèi)仍然是以結(jié)構(gòu)化數(shù)據(jù)處理為主。但今后的趨勢(shì)是往混合結(jié)構(gòu)方向演進(jìn)。當(dāng)前建設(shè)方案應(yīng)采取Hadoop+MPP RDB 集群的混搭模式，為使上層應(yīng)用平滑過(guò)渡，需要在混搭的架構(gòu)上建設(shè)透明訪問(wèn)層，以屏蔽數(shù)據(jù)源的異構(gòu)、多實(shí)例特性。Hadoop平臺(tái)承擔(dān)了原始海量數(shù)據(jù)的抽取、轉(zhuǎn)換、加載和輕度匯總等計(jì)算任務(wù)。同時(shí)新建MPP RDB 集群的深度分析庫(kù)，支撐查詢模型復(fù)雜、多變的自助分析應(yīng)用。具體架構(gòu)演進(jìn)示意如圖7所示。

圖4 Hadoop 深度定制架構(gòu)

圖5 自主研發(fā)新架構(gòu)示意

①專(zhuān)用數(shù)據(jù)倉(cāng)庫(kù)（如TD）+MPP RDB 集群混搭模式，支撐傳統(tǒng)的固定查詢，如報(bào)表類(lèi)應(yīng)用等。

②用Hadoop平臺(tái)支撐流量清單查詢，這需要對(duì)Hadoop 進(jìn)行深度定制、改造。否則需要將清單數(shù)據(jù)加載到MPP RDB 集群的數(shù)據(jù)倉(cāng)庫(kù)中支撐查詢。

③MPP RDB 集群支撐自助分析類(lèi)應(yīng)用，此類(lèi)查詢模型復(fù)雜、多變，且要求實(shí)時(shí)展現(xiàn)。

4 關(guān)鍵技術(shù)

大數(shù)據(jù)涉及的關(guān)鍵技術(shù)主要包括流數(shù)據(jù)處理、費(fèi)關(guān)系型數(shù)據(jù)庫(kù)技術(shù)、MPP DB 和文件型分布式存儲(chǔ)。

4.1 流數(shù)據(jù)處理

為應(yīng)對(duì)海量數(shù)據(jù)實(shí)時(shí)處理的需求，業(yè)界引入了流處理的機(jī)制。在數(shù)據(jù)流動(dòng)的過(guò)程中分析和計(jì)算，分析只對(duì)一定時(shí)間段內(nèi)（Δt）的數(shù)據(jù)進(jìn)行處理，事件/數(shù)據(jù)觸發(fā)分析，分析過(guò)程始終在線，流處理又分為狹義流處理和廣義流處理兩大類(lèi)。

狹義流處理為ESP（Event Stream Process，事件流處理）和CEP（Complex Event Process，復(fù)雜事件處理）。

廣義流處理不但提供結(jié)構(gòu)化數(shù)據(jù)的離散事件流處理能力，同時(shí)提供非結(jié)構(gòu)數(shù)據(jù)的連續(xù)流處理，如Video、Image、Text。對(duì)非結(jié)構(gòu)化數(shù)據(jù)一般主要提供分布式計(jì)算機(jī)制。

4.2 非關(guān)系型數(shù)據(jù)庫(kù)技術(shù)

相比于RDBMS，NoSQL 數(shù)據(jù)存儲(chǔ)不需要固定的表結(jié)構(gòu)，通常也不存在連接操作，在解決大規(guī)模數(shù)據(jù)的可擴(kuò)展性上有獨(dú)到的解決方案，因此，在大數(shù)據(jù)存取上具備RDBMS 無(wú)法比擬的性能優(yōu)勢(shì)，非常適合超大規(guī)模和高并發(fā)的SNS 型Web2.0 網(wǎng)站；但在一致性方面，則不如RDBMS，不適用于企業(yè)的關(guān)鍵應(yīng)用。

圖7 由混搭架構(gòu)向深度定制架構(gòu)演進(jìn)

NoSQL 一般與具體應(yīng)用強(qiáng)綁定，主要由開(kāi)源項(xiàng)目推動(dòng)，F(xiàn)acebook、Digg、Twitter、Amazon 等都是NoSQL的推動(dòng)者，其中，F(xiàn)acebook的Cassandra、Google的Big Table、Amazon的Dynamo 等都是非常成功的NoSQL商業(yè)實(shí)現(xiàn)。

目前，NoSQL家族中應(yīng)用較為廣泛的有HBase（Hadoop的衍生項(xiàng)目，類(lèi)似Google的Big Table）、Cassandra（由Facebook 開(kāi)發(fā)，用于存儲(chǔ)特別大的數(shù)據(jù)，是網(wǎng)絡(luò)社交云計(jì)算方面理想的數(shù)據(jù)庫(kù)）、MongoDB（功能最豐富、最像關(guān)系型數(shù)據(jù)庫(kù)的非關(guān)系型數(shù)據(jù)庫(kù)，可存儲(chǔ)比較復(fù)雜的數(shù)據(jù)類(lèi)型）。

4.3 MPP DB

MPP DB 是指大規(guī)模并行處理（Massive Parallel Processing）數(shù)據(jù)庫(kù)，有兩種基本形式：Share Disk 和Share Nothing。

Share Disk：性能比較高，由于需要在節(jié)點(diǎn)間共享鎖和緩存，可擴(kuò)展性受到一定限制。適合高并發(fā)的OLTP 應(yīng)用和數(shù)據(jù)量較小的OLAP 應(yīng)用。

Share Nothing：每個(gè)節(jié)點(diǎn)的存儲(chǔ)、計(jì)算、內(nèi)存完全獨(dú)立，數(shù)據(jù)分區(qū)存放，可擴(kuò)展性好。適合大數(shù)據(jù)量的OALP 引用，但計(jì)算設(shè)備不容易做到熱備，可用性級(jí)別略低。

兩種基本形態(tài)都比較適合大數(shù)據(jù)的處理?？紤]到擴(kuò)展性，主存儲(chǔ)和ETL 數(shù)據(jù)加工應(yīng)首選Share Nothing。數(shù)據(jù)分析要求靈活，擴(kuò)容壓力不大，自定義數(shù)據(jù)處理的應(yīng)用建議采用Share Disk，局域網(wǎng)絡(luò)帶寬在不斷提升，Share Disk 前景同樣很好，與Share Nothing 適用不同的場(chǎng)景。

4.4 大數(shù)據(jù)的存儲(chǔ)—文件型分布式存儲(chǔ)

對(duì)比MPP DB，文件型分布式存儲(chǔ)的優(yōu)點(diǎn)主要有以下幾個(gè)方面：

①基本實(shí)現(xiàn)了RAID 所具備的數(shù)據(jù)高可用性要求；

②比RAID 自愈能力更強(qiáng)；

③沒(méi)有數(shù)據(jù)庫(kù)冗余開(kāi)銷(xiāo)。

對(duì)比MPP DB，文件型分布式存儲(chǔ)的缺點(diǎn)主要有以下幾個(gè)方面：

①基于指定的Key 散列分布，對(duì)數(shù)據(jù)運(yùn)用限制很大；

②Key Value 方式連續(xù)讀寫(xiě)效率不高；

③沒(méi)有事務(wù)、關(guān)聯(lián)、數(shù)據(jù)版本控制等數(shù)據(jù)庫(kù)特性。

5 相關(guān)應(yīng)用與實(shí)踐

針對(duì)大數(shù)據(jù)，運(yùn)營(yíng)商進(jìn)行了相關(guān)嘗試，下面以BSS 云化ETL、融合通信、某省日志詳單系統(tǒng)為案例進(jìn)行簡(jiǎn)單的介紹。

5.1 BSS 云化ETL

移動(dòng)數(shù)據(jù)業(yè)務(wù)和流量的爆發(fā)式增長(zhǎng)，帶來(lái)了網(wǎng)絡(luò)建設(shè)和維護(hù)費(fèi)用的成倍增加。數(shù)據(jù)業(yè)務(wù)中大量的非價(jià)值業(yè)務(wù)占據(jù)了60%以上的流量總帶寬。低價(jià)值業(yè)務(wù)造成收入與業(yè)務(wù)量失去關(guān)聯(lián)性，原有技術(shù)方式不能支撐數(shù)據(jù)業(yè)務(wù)盈利，使高價(jià)值業(yè)務(wù)的服務(wù)質(zhì)量難以保證，最終導(dǎo)致終端用戶的體驗(yàn)和滿意度下降。

流量經(jīng)營(yíng)分析對(duì)云化ETL 和數(shù)據(jù)挖掘的要求：對(duì)各個(gè)數(shù)據(jù)源的日志進(jìn)行轉(zhuǎn)換裝載，將海量數(shù)據(jù)存儲(chǔ)在分布式存儲(chǔ)中，基于這部分?jǐn)?shù)據(jù)能夠進(jìn)行匯總等計(jì)算。對(duì)于ETL的訴求，要求能夠基于海量數(shù)據(jù)做E-T-L 操作，同時(shí)能夠做相應(yīng)的關(guān)聯(lián)匯總統(tǒng)計(jì)等功能。

5.2 融合通信SmartCare

SmartCare 為用戶提供Network Insight解決方案，包括業(yè)務(wù)質(zhì)量、用戶體驗(yàn)、網(wǎng)絡(luò)性能等。網(wǎng)絡(luò)及業(yè)務(wù)信令實(shí)時(shí)流入，一方面被存儲(chǔ)下來(lái)作為詳單存儲(chǔ)和查詢；另一方面被匯總計(jì)算得到統(tǒng)計(jì)結(jié)果，用于OLAP 分析和報(bào)表查詢。Infosea HDFS 和HBase 被用于詳單存儲(chǔ)，MR 被用于匯總計(jì)算。

其中，HBase 單點(diǎn)入庫(kù)1.3 萬(wàn)條/s（4.5 MB/s），MR 服務(wù)器單點(diǎn)入庫(kù)1.2 萬(wàn)條/s，單點(diǎn)存儲(chǔ)空間為9.6 T（2 T×8 塊），xDR 單據(jù)產(chǎn)生速率為28.1 萬(wàn)條/s，每條362 Byte。

圖8 日志詳單系統(tǒng)模型

5.3 某省日志詳單系統(tǒng)

日志詳單類(lèi)數(shù)據(jù)云存儲(chǔ)系統(tǒng)基于x86 PC 服務(wù)器集群，通過(guò)軟件系統(tǒng)實(shí)現(xiàn)高性能和海量存儲(chǔ)，具體如圖8所示。

設(shè)計(jì)目標(biāo)如下。

①高可靠性，通過(guò)數(shù)據(jù)和服務(wù)冗余、分布式鎖系統(tǒng)來(lái)解決PC 硬件故障率較高的問(wèn)題。

②高可伸縮性，系統(tǒng)可以容易地增加或者減少容量和性能。

業(yè)務(wù)描述如下。

①基于HDFS的數(shù)據(jù)存儲(chǔ)服務(wù)：為數(shù)據(jù)庫(kù)系統(tǒng)提供海量結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)服務(wù)，通常使用具備冗余存儲(chǔ)、自動(dòng)負(fù)載均衡能力的云計(jì)算分布式文件系統(tǒng)。

②基于MR 和Hive的數(shù)據(jù)查詢服務(wù)： 完成用戶查詢的分解、轉(zhuǎn)換、執(zhí)行、結(jié)果收集和優(yōu)化工作，由于數(shù)據(jù)可能被分配在很多存儲(chǔ)服務(wù)節(jié)點(diǎn)上，數(shù)據(jù)查詢服務(wù)必須具備分布式查詢執(zhí)行和結(jié)果收集能力，同時(shí)考慮到硬件的不可靠性，數(shù)據(jù)查詢服務(wù)需要具備很高的容錯(cuò)能力。

③數(shù)據(jù)接口和訪問(wèn)層：連接應(yīng)用程序和數(shù)據(jù)查詢服務(wù)。主要對(duì)應(yīng)用提供兩類(lèi)接口：數(shù)據(jù)存取接口，如針對(duì)非結(jié)構(gòu)化數(shù)據(jù)的HDFS 接口； 數(shù)據(jù)查詢分析接口，MR 接口、標(biāo)準(zhǔn)JDBC/SQL 接口等。

6 結(jié)束語(yǔ)

隨著互聯(lián)網(wǎng)業(yè)務(wù)的高速發(fā)展，大數(shù)據(jù)的廣泛應(yīng)用是業(yè)務(wù)發(fā)展的趨勢(shì)。運(yùn)營(yíng)商需要加強(qiáng)對(duì)大數(shù)據(jù)的管理，對(duì)網(wǎng)絡(luò)和業(yè)務(wù)系統(tǒng)進(jìn)行全方位覆蓋，深刻理解業(yè)務(wù)，精確洞察數(shù)據(jù)，充分發(fā)揮數(shù)據(jù)價(jià)值。后續(xù)，大數(shù)據(jù)技術(shù)與流量經(jīng)營(yíng)相結(jié)合，對(duì)大數(shù)據(jù)應(yīng)用價(jià)值探索，構(gòu)建大數(shù)據(jù)流量增值體系將是研究的重點(diǎn)。