基于動態(tài)知識圖譜的大規(guī)模數(shù)據(jù)集成技術(shù)

倪路

如何在海量數(shù)據(jù)之上將動態(tài)的數(shù)據(jù)進行關(guān)聯(lián)融合，同時滿足融合快速、融合無信息丟失等業(yè)務(wù)要求，并將新增的數(shù)據(jù)快速融入到當前的圖譜中，不間斷提供知識服務(wù)是目前的業(yè)界難題。百分點利用動態(tài)知識譜圖技術(shù)，將模型與數(shù)據(jù)進行解耦，采用靈活的元數(shù)據(jù)管理方式，即使元數(shù)據(jù)變更，已入庫數(shù)據(jù)也無需重新入庫。

百分點數(shù)據(jù)集成實現(xiàn)方案整體架構(gòu)，包含五個部分：

數(shù)據(jù)源：原始數(shù)據(jù)，支持各種類型的數(shù)據(jù)，如結(jié)構(gòu)化數(shù)據(jù)，也可能是各種半結(jié)構(gòu)化的數(shù)據(jù)。同時，系統(tǒng)也支持配置URL，通過互聯(lián)網(wǎng)爬取的網(wǎng)頁數(shù)據(jù)。

知識管理：知識管理的核心在于對多源異構(gòu)的數(shù)據(jù)建立統(tǒng)一的模型。

知識存儲：核心的知識庫，原始數(shù)據(jù)經(jīng)過離線或?qū)崟rETL處理后的轉(zhuǎn)換為知識，并與庫中存量數(shù)據(jù)按照模型的配置進行知識拉通、融合、沖突解決后，供上游系統(tǒng)消費。

后臺管理：實現(xiàn)對系統(tǒng)的監(jiān)控、告警、日志審計以及資源管理、調(diào)度管理，并對采集到的數(shù)據(jù)進行統(tǒng)計分析，以改善整個動態(tài)知識圖譜的運作效率。

知識應(yīng)用：支持全局知識庫聯(lián)合搜索、圖譜分析、地圖分析、知識的多維度分析、多人多機協(xié)同分析以及戰(zhàn)法分析，除通用的各種分析手段外，還支持特定行業(yè)的定制化分析應(yīng)用。

以知識管理為核心的

知識圖譜建模

本體模型是數(shù)據(jù)世界對現(xiàn)實世界的映照，同時也是一種數(shù)據(jù)的分類、建模方式。在實際項目中，用戶面對著海量多源的、異構(gòu)的數(shù)據(jù)，非常難以進行數(shù)據(jù)分析。

為了解決這一問題，百分點引入了本體模型，對異構(gòu)數(shù)據(jù)進行統(tǒng)一建模，并在字段級別進行了歸一化，多源異構(gòu)數(shù)據(jù)源通過抽取、轉(zhuǎn)換、清洗變成統(tǒng)一的本體模型后，可為上層應(yīng)用或分析人員提供更加友好的接口，從而提供便利。值得注意的是，在本項目中，本體模型是由業(yè)務(wù)人員進行配置的。

業(yè)務(wù)人員可以建立四種類型的本體，包括實體、事件、文檔、關(guān)系，具體解釋如下：

實體指能夠獨立存在的人或事物。事件指有時間屬性，視為一種特殊的關(guān)系，用于連接實體與實體，實體與文檔。

事件主要指現(xiàn)實生活中的內(nèi)容，如發(fā)郵件、發(fā)短信、轉(zhuǎn)發(fā)帖子、發(fā)表評論等。

文檔特指非結(jié)構(gòu)化文檔，如郵件中的各種格式的附件，包括但不限于PDF文檔、Word文檔，以及各種格式的視頻、音頻。

關(guān)系指用于連接實體之間，實體與事件、文檔等的相互關(guān)系，如人與人之間的親屬關(guān)系，人與物品之間的擁有關(guān)系，人與事件之間的主導關(guān)系。

以車管所數(shù)據(jù)為例，通過車管所的數(shù)據(jù)可以建立一種人-車-罰單的本體模型，人與車之間為擁有關(guān)系;人與罰單之間通過“闖紅燈”事件相連接，而罰單本身則以文檔的形式展現(xiàn)。完成本體模型后，就完成了對元數(shù)據(jù)的描述。接下來，就需要將真實的數(shù)據(jù)映射到本體模型上。同時，要在字段級別上對多源異構(gòu)數(shù)據(jù)進行歸一化。

通過以上建模過程，在應(yīng)用側(cè)就建立了一個多源數(shù)據(jù)的統(tǒng)一的邏輯視圖，即從分析人員的角度對所有數(shù)據(jù)構(gòu)建成了一個圖模型，分析人員無需關(guān)注底層數(shù)據(jù)源差異和存儲細節(jié)，只需關(guān)注如何在此圖模型上進行分析即可。對于知識庫的存儲設(shè)計，由HBase核心存儲、Elasticsearch全文索引、neo4j關(guān)系索引組成。

四種數(shù)據(jù)集成架構(gòu)

以上內(nèi)容描述了整個數(shù)據(jù)模型構(gòu)建的過程，任何數(shù)據(jù)要集成進來，必須先進行以上過程，在元數(shù)據(jù)層面進行拉通、融合。接下來的問題就是如何將客戶的數(shù)據(jù)快速接入知識庫的存儲中去，以提供統(tǒng)一的數(shù)據(jù)查詢服務(wù)，也就是數(shù)據(jù)層面的集成。

百分點經(jīng)歷多個大型數(shù)據(jù)集成項目洗禮后發(fā)現(xiàn)，通常高價值密度的數(shù)據(jù)，數(shù)據(jù)規(guī)模都不會太大。比如公安領(lǐng)域的重點人員數(shù)據(jù)、卡口設(shè)備數(shù)據(jù)、網(wǎng)絡(luò)安全領(lǐng)域的高危IP、重點監(jiān)控網(wǎng)站等“實體”數(shù)據(jù)，此類數(shù)據(jù)特征是數(shù)據(jù)量有限，價值密度高。

因此，針對不同的數(shù)據(jù)場景，百分點提供了不同的數(shù)據(jù)集成方法。整體數(shù)據(jù)集成架構(gòu)如下：

小規(guī)模數(shù)據(jù)集成：這類數(shù)據(jù)往往是客戶提供了小規(guī)模的樣本，通過前臺Import功能，直接上傳各種類型的文件，即可導入。

高價值密度數(shù)據(jù)集成：通常是客戶提供的關(guān)鍵數(shù)據(jù)，這類數(shù)據(jù)首先需要業(yè)務(wù)人員根據(jù)需求進行建模，然后通過后臺離線/實時數(shù)據(jù)流將數(shù)據(jù)接入到本體庫中。

低價值密度數(shù)據(jù)集成：通常是“事件”數(shù)據(jù)，數(shù)據(jù)量極大，并有一定時效性，需要定期House Keeping。當前的實現(xiàn)方式是通過存放在外部OLAP型數(shù)據(jù)庫中，應(yīng)用層通過直連的方式進行adhoc查詢，將其中有價值的數(shù)據(jù)選擇性地導入到本體庫中。

互聯(lián)網(wǎng)半結(jié)構(gòu)化數(shù)據(jù)集成：通過給定URL，會啟動后臺爬蟲，爬取對應(yīng)的網(wǎng)頁存入知識庫，跟存量知識進行協(xié)同分析。

實現(xiàn)“動態(tài)性”的核心邏輯

百分點動態(tài)知識圖譜實現(xiàn)“動態(tài)性”的核心邏輯在于，采用元數(shù)據(jù)與存儲分離查詢的方案，來賦予知識圖譜“動態(tài)”特性，包含數(shù)據(jù)模型的動態(tài)性、模型變更的動態(tài)性、融合的動態(tài)性和“事件”數(shù)據(jù)的動態(tài)性。

數(shù)據(jù)模型的動態(tài)性 ?由于數(shù)據(jù)模型有一個專門的后臺管理系統(tǒng)進行配置管理，業(yè)務(wù)可以根據(jù)實際客戶需求進行模型設(shè)計與數(shù)據(jù)源接入，節(jié)省了大量開發(fā)成本。

模型變更的動態(tài)性 ?在新增字段、修改字段、刪除字段，以及模型修改的時候，在應(yīng)用端不用重新導入數(shù)據(jù)。本體庫中的數(shù)據(jù)元數(shù)據(jù)的存儲與物理數(shù)據(jù)的存儲是分離的，應(yīng)用層查詢MySQL獲取元數(shù)據(jù)并進行緩存，然后在Elasticsearch中檢索到數(shù)據(jù)后，會在應(yīng)用層的內(nèi)存中進行元數(shù)據(jù)與物理數(shù)據(jù)的拼裝。

因此，當元數(shù)據(jù)變更后，只需要更新MySQL數(shù)據(jù)庫與應(yīng)用層的緩存，無需對實際的物理數(shù)據(jù)進行變更。

融合的動態(tài)性 ?當融合規(guī)則變更后，只需要對特定表重建索引，無需重新導入用戶數(shù)據(jù)。這是因為，在HBase中是按照每種本體類型一張表進行存儲的，而需要融合的數(shù)據(jù)必然是多個源的數(shù)據(jù)寫到HBase的一張表中，HBase的rowkey設(shè)計為MD5（PK），而column設(shè)計為數(shù)據(jù)源ID，因此若多源數(shù)據(jù)存在相同的主鍵，則會存儲到HBase同一行的不同列中。而后續(xù)的ETL任務(wù)，則會將多列的數(shù)據(jù)按照融合規(guī)則進行融合后在Elasticsearch中建立索引。不同本體數(shù)據(jù)寫入互不影響，而同一本體新增數(shù)據(jù)源，若發(fā)生融合，會寫入到不同列中。此時下一次ETL任務(wù)就會用新的數(shù)據(jù)覆蓋Elasticsearch中舊的數(shù)據(jù)，完成索引重建。

“事件”數(shù)據(jù)的動態(tài)性 ?由于本體庫中的數(shù)據(jù)，是固化的高價值密度數(shù)據(jù)，而“事件”數(shù)據(jù)天然是低價值密度的，并且具有時效性。

因此，為了不“污染”本體庫，在實現(xiàn)中將事件數(shù)據(jù)存放到單獨的OLAP存儲中，用戶可以進行預(yù)分析，然后將其中具有價值的部分導入到本體庫中。

受益于這種分離存儲的架構(gòu)，無需對客戶數(shù)據(jù)提前進行大量轉(zhuǎn)換、融合處理，單純的寫入OLAP存儲是十分高效的，對1KB數(shù)據(jù)能輕松達到10萬多 TPS。

在實際的場景中，客戶當天提供的數(shù)TB數(shù)據(jù)，第二天就能完成建模、接入，實現(xiàn)應(yīng)用端可見。