張明治

摘要：通過數(shù)據(jù)生命周期、數(shù)據(jù)分段處理的方式以低成本的方式解決數(shù)據(jù)倉庫中大數(shù)據(jù)量的性能優(yōu)化和存儲(chǔ)優(yōu)化的問題。

關(guān)鍵詞：DW；數(shù)據(jù)生命周期；分區(qū)；數(shù)據(jù)抽取；存儲(chǔ)架構(gòu)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）04-0685-02

1 背景描述

伴隨隨著DW系統(tǒng)的持續(xù)運(yùn)行，業(yè)務(wù)數(shù)據(jù)量不斷的增長。其中大表數(shù)據(jù)以億數(shù)據(jù)量級(jí)別為存儲(chǔ)，并且每天以百萬的速度增長，歷史數(shù)據(jù)隨之也不斷的積壓。隨著數(shù)據(jù)的不斷增長，數(shù)據(jù)量不斷增多的同時(shí)導(dǎo)致了DW抽取、查詢、分析等應(yīng)用性能下降。

1.1 對(duì)數(shù)據(jù)抽取的影響

在ETL抽取過程中，基本絕大多數(shù)情況我們都會(huì)使用時(shí)間戳增量抽取的方式，通過update/insert的方式對(duì)目標(biāo)數(shù)據(jù)進(jìn)行加載。但這個(gè)過程中如果目標(biāo)數(shù)據(jù)不斷地增多時(shí)會(huì)嚴(yán)重的影響效率。隨著單次執(zhí)行時(shí)間的提高，對(duì)數(shù)據(jù)抽取的頻率也會(huì)發(fā)生影響。數(shù)據(jù)的整合效率和時(shí)效性的降低，對(duì)最終DW中數(shù)據(jù)的時(shí)效性產(chǎn)生嚴(yán)重的影響。

1.2 對(duì)數(shù)據(jù)使用的影響

如果目標(biāo)數(shù)據(jù)在抽取過程中，隨著數(shù)據(jù)庫中鎖的產(chǎn)生和內(nèi)存的消耗，對(duì)查詢的效率也存在影響。隨著數(shù)據(jù)量的增多，對(duì)數(shù)據(jù)的全表掃描時(shí)也會(huì)產(chǎn)生效率的降低和時(shí)間的增長。

2 方案設(shè)計(jì)

2.1 需求分析

根據(jù)以上對(duì)數(shù)據(jù)抽取和數(shù)據(jù)使用的分析，我們要從兩方面著手，一方面解決數(shù)據(jù)加載時(shí)目標(biāo)表過大的問題。另一方面解決數(shù)據(jù)使用時(shí)全表掃描的問題。

1）數(shù)據(jù)加載

在數(shù)據(jù)加載時(shí)，通過二次抽取的方式來減小數(shù)據(jù)目標(biāo)表匯集的過程，來實(shí)現(xiàn)增量數(shù)據(jù)業(yè)務(wù)的實(shí)時(shí)性要求。

2）全表掃描

通過數(shù)據(jù)的生命周期確認(rèn)，將數(shù)據(jù)按照生命周期方式進(jìn)行存儲(chǔ)。將生命周期內(nèi)的數(shù)據(jù)存放在快捷的存儲(chǔ)中，使其的使用效率得到大幅的提升，其實(shí)我們發(fā)現(xiàn)業(yè)務(wù)操作中的80%都只會(huì)用到生命周期內(nèi)的數(shù)據(jù)。

經(jīng)過數(shù)據(jù)的有效分析，根據(jù)數(shù)據(jù)生命周期理論，很多數(shù)據(jù)都不在數(shù)據(jù)生命周期范圍內(nèi)，這些數(shù)據(jù)通過靈活的處理完全可達(dá)到全覆蓋和對(duì)性能影響最小的程度。我們結(jié)合數(shù)據(jù)生命周期的理論、數(shù)據(jù)抽取技術(shù)和分區(qū)技術(shù)的整合將數(shù)據(jù)生命周期以外的數(shù)據(jù)對(duì)性能的影響降到最低。

2.2處理流程

2.2.1 存儲(chǔ)架構(gòu)

基于業(yè)務(wù)需求，將通過當(dāng)日數(shù)據(jù)表、近三個(gè)月熱點(diǎn)表、歷史數(shù)據(jù)表共計(jì)12張表來存放生命周期內(nèi)的業(yè)務(wù)數(shù)據(jù)。具體設(shè)計(jì)如圖1。

數(shù)據(jù)在DW中的存儲(chǔ)流向主要分為以下幾個(gè)步驟：

1）增量抽取的時(shí)候使用兩張實(shí)體表交替存儲(chǔ)當(dāng)天數(shù)據(jù)

2）每天結(jié)束后根據(jù)不同的業(yè)務(wù)時(shí)間將日表數(shù)據(jù)分別插入到相應(yīng)的分區(qū)表中。當(dāng)插入結(jié)束后，清除上一日保存記錄的數(shù)據(jù)表

3）每月初根據(jù)業(yè)務(wù)時(shí)間范圍將三個(gè)月前熱點(diǎn)表數(shù)據(jù)記錄遷移至歷史記錄表中，同時(shí)刪除三個(gè)月前的分區(qū)表。

2.2.2 分區(qū)規(guī)則

為了快速的定位到數(shù)據(jù)的存儲(chǔ)，不同的分區(qū)表按照不同的分區(qū)標(biāo)準(zhǔn)。分別如下：

1）歷史表：按照業(yè)務(wù)發(fā)生時(shí)間的年月（YYYYMM）列表分區(qū)。

2）熱點(diǎn)表：按照業(yè)務(wù)發(fā)生時(shí)間的日期（DD）列表分區(qū)。

3）日 表：僅存當(dāng)日數(shù)據(jù)不做分區(qū)處理。

4）全局視圖：存放所有數(shù)據(jù)的全局視圖，將所有數(shù)據(jù)通過視圖的方式將其串聯(lián)在一起。

3 總結(jié)

本文通過這種存儲(chǔ)方式的改變，我們?cè)谑褂脮r(shí)訪問特定生命周期內(nèi)的數(shù)據(jù)可以指定特定的表和特定的區(qū)域這樣大大的增加訪問的效率。通過二次的抽取整合和分段的存儲(chǔ)可以大大增加數(shù)據(jù)抽取的性能和數(shù)據(jù)訪問的性能。通過數(shù)據(jù)生命周期的方式過濾掉冗余性能的消耗來增加數(shù)據(jù)的實(shí)時(shí)可用性，是DW中大數(shù)據(jù)量處理的一個(gè)低成本和便捷的方式。

參考文獻(xiàn)：

[1] 王艷云，邊根慶，王瑞龍.數(shù)據(jù)遷移算法研究[J].電腦知識(shí)與技術(shù)，2012（5）.

[2] 盛憲鋒，孫健英，焦文彬.基于數(shù)據(jù)生命周期管理的ARP系統(tǒng)優(yōu)化設(shè)計(jì)[J].計(jì)算機(jī)工程與科學(xué)，2011（11）.

[3] 吳品才.論信息生命周期與信息管理周期——兼論信息運(yùn)動(dòng)階段與信息管理階段[J].檔案學(xué)通訊，2004（4）.