?

時(shí)過(guò)境遷，曾經(jīng)如日中天的數(shù)據(jù)倉(cāng)庫(kù)現(xiàn)在怎么樣了?是大勢(shì)不減還是已經(jīng)奄奄一息、茍延殘喘?如果你對(duì)這個(gè)問(wèn)題感到困惑，那也是情有可原的。一方面，數(shù)據(jù)倉(cāng)庫(kù)的發(fā)展勢(shì)頭強(qiáng)勁。作為一個(gè)行業(yè)的長(zhǎng)期觀察者，我目睹了這個(gè)行業(yè)不斷涌現(xiàn)的創(chuàng)新活動(dòng)。

這種趨勢(shì)是從 10 年前“Applicance Form Factor”成為數(shù)據(jù)倉(cāng)庫(kù)主流開(kāi)始。幾年前，隨著市場(chǎng)轉(zhuǎn)向新一代的云數(shù)據(jù)倉(cāng)庫(kù)，這種勢(shì)頭進(jìn)一步獲得了新的動(dòng)力。在過(guò)去幾年，云數(shù)據(jù)倉(cāng)庫(kù)供應(yīng)商 Snowflake 在市場(chǎng)上備受矚目。

數(shù)據(jù)倉(cāng)庫(kù)黯然失色

另一方面，數(shù)據(jù)倉(cāng)庫(kù)的市場(chǎng)份額被其他技術(shù)蠶食，比如大數(shù)據(jù)、機(jī)器學(xué)習(xí)和人工智能。這種趨勢(shì)給我們?cè)斐闪艘环N印象，即數(shù)據(jù)倉(cāng)庫(kù)在企業(yè) IT 中的優(yōu)先級(jí)地位正在下降。但實(shí)際上，大多數(shù)企業(yè)現(xiàn)在仍然至少需要一個(gè)(甚至多個(gè))數(shù)據(jù)倉(cāng)庫(kù)來(lái)為下游的應(yīng)用程序提供服務(wù)。

數(shù)據(jù)倉(cāng)庫(kù)是企業(yè)的核心工作負(fù)載，這也就是為什么幾年前我就開(kāi)始思考為什么數(shù)據(jù)倉(cāng)庫(kù)離“死”還很遙遠(yuǎn)。或許，這也解釋了為什么其他觀察者認(rèn)為他們必須重新定義數(shù)據(jù)倉(cāng)庫(kù)的概念，讓它能夠在數(shù)據(jù)湖和云計(jì)算時(shí)代繼續(xù)存在下去。

實(shí)際上，數(shù)據(jù)倉(cāng)庫(kù)不僅在蓬勃發(fā)展，而且被認(rèn)為是云計(jì)算時(shí)代的一個(gè)核心的增長(zhǎng)前沿。如果你的眼球只盯著像 Snowflake 這樣的平臺(tái)，可能會(huì)錯(cuò)過(guò)很多東西。

數(shù)據(jù)湖的崛起

人們所說(shuō)的“數(shù)據(jù)湖”正在迅速演變成為下一代數(shù)據(jù)倉(cāng)庫(kù)。數(shù)據(jù)湖是指一種包含多結(jié)構(gòu)數(shù)據(jù)的系統(tǒng)或倉(cāng)庫(kù)，這些數(shù)據(jù)按照各自的格式和模式進(jìn)行保存，比如大對(duì)象、文件等。

數(shù)據(jù)湖通常被作為整個(gè)企業(yè)的存儲(chǔ)中心，包括原數(shù)據(jù)系統(tǒng)的原始數(shù)據(jù)和轉(zhuǎn)化過(guò)的用于報(bào)表、可視化、分析和機(jī)器學(xué)習(xí)的數(shù)據(jù)。它們包含了分布式文件或?qū)ο蟠鎯?chǔ)、機(jī)器學(xué)習(xí)模型庫(kù)、高度并行化處理集群和存儲(chǔ)資源。數(shù)據(jù)庫(kù)不強(qiáng)制使用通用的 schema 和語(yǔ)義，而是在讀取數(shù)據(jù)時(shí)使用 schema 和統(tǒng)計(jì)模型來(lái)抽取有意義的模式。

所有這些都不違背 Inmon 和 Kimball 有關(guān)數(shù)據(jù)倉(cāng)庫(kù)的核心概念。從根本上說(shuō)，數(shù)據(jù)倉(cāng)庫(kù)的存在是為了聚合、保留和管理“單一版本的事實(shí)來(lái)源”數(shù)據(jù)。這個(gè)概念與使用數(shù)據(jù)的特定應(yīng)用程序或用例無(wú)關(guān)。

如果你對(duì)這個(gè)說(shuō)法存有疑惑，可以看一下有關(guān) Bill Inmon 對(duì)數(shù)據(jù)倉(cāng)庫(kù)定義的討論( http://www.b-eye-network.com/view/16066 )，以及 Inmon 和 Ralph Kimball 兩個(gè)框架之間的比較( https://www.computerweekly.com/tip/Inmon-or-Kimball-Which-approach-is-suitable-for-your-data-warehouse )。數(shù)據(jù)倉(cāng)庫(kù)是關(guān)于基于數(shù)據(jù)驅(qū)動(dòng)的決策支持，可以擴(kuò)展到基于人工智能的推理。

下一代數(shù)據(jù)倉(cāng)庫(kù)

在過(guò)去的一年里，行業(yè)里出現(xiàn)的一些東西表明數(shù)據(jù)倉(cāng)庫(kù)的角色已經(jīng)發(fā)生了轉(zhuǎn)變。盡管決策支持仍然是大多數(shù)數(shù)據(jù)倉(cāng)庫(kù)的核心應(yīng)用場(chǎng)景，但我們也看到了決策自動(dòng)化正在發(fā)生穩(wěn)步的轉(zhuǎn)變。換句話說(shuō)，數(shù)據(jù)倉(cāng)庫(kù)現(xiàn)在正在為構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)的推理的機(jī)器學(xué)習(xí)應(yīng)用程序提供支持。

新一代數(shù)據(jù)倉(cāng)庫(kù)實(shí)際上就是數(shù)據(jù)湖，其首要設(shè)計(jì)目標(biāo)是用來(lái)管理用于構(gòu)建和訓(xùn)練機(jī)器學(xué)習(xí)模型的數(shù)據(jù)。例如，在去年秋季的亞馬遜 re:Invent 大會(huì)上，AWS 發(fā)布了 AWS Lake Formation。這個(gè)服務(wù)旨在簡(jiǎn)化和加快數(shù)據(jù)湖的構(gòu)建過(guò)程。AWS Lake Formation 具備了云數(shù)據(jù)倉(cāng)庫(kù)的所有特征，盡管 AWS 沒(méi)有把它叫做數(shù)據(jù)倉(cāng)庫(kù)。實(shí)際上，該服務(wù)提供了一個(gè)經(jīng)典的數(shù)據(jù)倉(cāng)庫(kù)亞馬遜 Redshift，主要面向決策支持應(yīng)用程序。

AWS Lake Formation 的行為看起來(lái)很像是數(shù)據(jù)倉(cāng)庫(kù)。事實(shí)上，AWS 對(duì)它的描述很容易讓我們將其與數(shù)據(jù)倉(cāng)庫(kù)做對(duì)比：“數(shù)據(jù)湖是一個(gè)集中式的安全數(shù)據(jù)庫(kù)，它存儲(chǔ)所有數(shù)據(jù)，包括原始數(shù)據(jù)和轉(zhuǎn)換過(guò)的數(shù)據(jù)。數(shù)據(jù)湖可以幫你打破數(shù)據(jù)孤島，將不同類(lèi)型的分析結(jié)合起來(lái)，從中獲得洞見(jiàn)和更好的商業(yè)決策指導(dǎo)。

事實(shí)上，AWS 將 AWS Lake Formation 描述為一種用于決策支持和人工智能決策自動(dòng)化的超級(jí)數(shù)據(jù)倉(cāng)庫(kù)。AWS 還特別強(qiáng)調(diào)，該服務(wù)旨在管理數(shù)據(jù)，“然后用戶(hù)就可以選擇他們的分析和機(jī)器學(xué)習(xí)服務(wù)，如 Amazon EMR for Spark、Amazon Redshift、Amazon Athena、Amazon SageMaker 和 Amazon QuickSight”。

值得一提的是，Databricks 最近發(fā)布了 Delta Lake 開(kāi)源項(xiàng)目。Delta Lake 的目標(biāo)與 AWS Lake Formation 類(lèi)似：聚合、清理和管理數(shù)據(jù)湖中的數(shù)據(jù)集，以便更好地為機(jī)器學(xué)習(xí)提供支持。

Delta Lake 位于數(shù)據(jù)中心或云平臺(tái)的數(shù)據(jù)存儲(chǔ)平臺(tái)之上，比如 HDFS、Amazon S3 或微軟 Azure 大對(duì)象存儲(chǔ)，這些數(shù)據(jù)存儲(chǔ)都可以被 Spark 訪問(wèn)。Delta Lake 使用 Parquet 格式來(lái)存儲(chǔ)數(shù)據(jù)，Databricks 將其稱(chēng)為“事務(wù)存儲(chǔ)層”。Parquet 是一種開(kāi)源的列式存儲(chǔ)格式，Hadoop 生態(tài)系統(tǒng)中的每一個(gè)項(xiàng)目都支持這種格式，不管使用的是哪一種處理框架。它通過(guò)樂(lè)觀并發(fā)序列化、快照隔離、數(shù)據(jù)版本、回滾和強(qiáng)制 schema 來(lái)支持 ACID 事務(wù)。

Delta Lake 和 AWS Lake Formation 之間的一個(gè)關(guān)鍵區(qū)別是 Delta Lake 可以支持批次數(shù)據(jù)和流式數(shù)據(jù)。另外，Delta Lake 支持 ACID 事務(wù)，可以支持?jǐn)?shù)百個(gè)應(yīng)用程序的并發(fā)寫(xiě)入和讀取。開(kāi)發(fā)者還可以訪問(wèn)早期版本的數(shù)據(jù)湖，進(jìn)行審計(jì)和回滾，或者重現(xiàn) MLFlow 機(jī)器學(xué)習(xí)的結(jié)果。

從廣泛的層面來(lái)看，Delta Lake 似乎要與已經(jīng)被廣泛采用的 Hive 展開(kāi)競(jìng)爭(zhēng)。Hive 極度依賴(lài)基于 HDFS 的存儲(chǔ)，而且直到最近才開(kāi)始支持 ACID 事務(wù)。一年前，Hive 3 將 ACID 事務(wù)支持帶到了基于 Hadoop 的數(shù)據(jù)倉(cāng)庫(kù)上。Hive 3 可以為 CRUD 操作提供原子性和快照隔離。

基于人工智能驅(qū)動(dòng)的決策自動(dòng)化基石

行業(yè)最近發(fā)布的這些東西——AWS Lake Formation、Delta Lake 和 Hive 3——預(yù)示著數(shù)據(jù)湖將成為所有決策支持和決策自動(dòng)化應(yīng)用程序和所有事務(wù)數(shù)據(jù)應(yīng)用程序的治理中心。要加快這種趨勢(shì)，Hive 3 和 Delta Lake 等開(kāi)源項(xiàng)目需要進(jìn)一步吸引供應(yīng)商和用戶(hù)的眼球。

“數(shù)據(jù)倉(cāng)庫(kù)”一詞的定義可能會(huì)發(fā)生變化，主要指用于管理商業(yè)智能多結(jié)構(gòu)數(shù)據(jù)的數(shù)據(jù)存儲(chǔ)。不過(guò)，底層的數(shù)據(jù)平臺(tái)會(huì)繼續(xù)演化，為基于云的人工智能管道提供數(shù)據(jù)管理基礎(chǔ)。

人工智能，而不是商業(yè)智能，正在推動(dòng)著企業(yè)數(shù)據(jù)倉(cāng)庫(kù)的演變。

作者：James Kobielus

譯者：阿拉丁

英文原文： https://www.infoworld.com/article/3405443/the-data-lake-is-becoming-the-new-data-warehouse.html