王丹寧 柴旭超 王文青

摘 要：地震波形數(shù)據(jù)的存儲與應(yīng)用是國家地震數(shù)據(jù)災(zāi)備中心的重要業(yè)務(wù)之一。本文主要針對海量地震波形數(shù)據(jù)基于傳統(tǒng)關(guān)系型數(shù)據(jù)庫和文件系統(tǒng)的存儲方式所存在的數(shù)據(jù)存儲離散、查詢效率低下等問題，從大數(shù)據(jù)平臺的角度，提出基于Hadoop的地震波形數(shù)據(jù)存儲解決方案，著重闡述了業(yè)務(wù)需求、功能設(shè)計(jì)和實(shí)現(xiàn)原理。希望為國家地震數(shù)據(jù)災(zāi)備中心存儲平臺的建設(shè)提供有益的借鑒。

關(guān)鍵詞：大數(shù)據(jù)；地震波形數(shù)據(jù)；Hadoop；Hbase；數(shù)據(jù)解析

中圖分類號：TP392 文獻(xiàn)標(biāo)識碼：A

1 引言（Introduction）

地震科學(xué)數(shù)據(jù)作為中國地震局最重要的核心資源之一，對監(jiān)測預(yù)報(bào)、震災(zāi)預(yù)防、應(yīng)急救援三大業(yè)務(wù)提供強(qiáng)大的底層數(shù)據(jù)支持。多年來，地震科學(xué)數(shù)據(jù)經(jīng)過不斷的采集、觀測、傳輸、存儲，形成了極大的數(shù)據(jù)規(guī)模，相應(yīng)地，地震局各級機(jī)構(gòu)分別構(gòu)建了自己的數(shù)據(jù)存儲和應(yīng)用系統(tǒng)。2008年，中國地震局第二監(jiān)測中心擬建設(shè)國家地震數(shù)據(jù)災(zāi)備中心，2013年，項(xiàng)目開始實(shí)質(zhì)運(yùn)行，至今，已經(jīng)進(jìn)入軟硬件測試和存儲方案設(shè)計(jì)階段，將來匯入災(zāi)備中心的地震數(shù)據(jù)如何進(jìn)行存儲和應(yīng)用，成為亟待解決的問題。

2 地震數(shù)據(jù)存儲和應(yīng)用現(xiàn)狀（The status of

earthquake data storage and application）

地震數(shù)據(jù)可以從狹義和廣義兩方面進(jìn)行認(rèn)識。狹義上，地震科學(xué)數(shù)據(jù)按照其獲取途徑可以劃分為觀測數(shù)據(jù)、探測數(shù)據(jù)、調(diào)查數(shù)據(jù)、實(shí)驗(yàn)數(shù)據(jù)和專題數(shù)據(jù)[1]；按照觀測手段可以劃分為測震、前兆等數(shù)據(jù)。比如，專業(yè)上習(xí)慣稱測震數(shù)據(jù)為地震波形數(shù)據(jù)，為了規(guī)范地震波形數(shù)據(jù)的存檔和交換，方便地震研究人員使用，由FDSN、IRIS和USGS共同發(fā)布的地震數(shù)據(jù)交換標(biāo)準(zhǔn)（The Standard for the Exchange of Earthquake Data，簡稱SEED）便成為國內(nèi)地震行業(yè)地震波形數(shù)據(jù)的標(biāo)準(zhǔn)數(shù)據(jù)格式[2]。廣義上，特別從時下流行的大數(shù)據(jù)的角度來看，包括觀測數(shù)據(jù)、文檔、照片、視頻、地圖等結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)都可以涵蓋于地震數(shù)據(jù)的范疇之內(nèi)。

現(xiàn)有地震數(shù)據(jù)的存儲，我們可以籠統(tǒng)歸納為兩大方式。其一，類似前兆業(yè)務(wù)數(shù)據(jù)等可以結(jié)構(gòu)化的數(shù)據(jù)，都存儲于以O(shè)racle、Mysql為代表的關(guān)系型數(shù)據(jù)庫中，所以業(yè)務(wù)軟件和應(yīng)用都基于關(guān)系型數(shù)據(jù)庫進(jìn)行開發(fā)，這也是大多數(shù)行業(yè)和數(shù)據(jù)部門多年來采用的主流存儲方式。其二，對于不能結(jié)構(gòu)化的數(shù)據(jù)，特別是文檔、照片、視頻等典型的非結(jié)構(gòu)化數(shù)據(jù)和雖能結(jié)構(gòu)化但受限于現(xiàn)實(shí)應(yīng)用而不能存入關(guān)系表中的SEED數(shù)據(jù)，大都以數(shù)字化文件形式存儲于地震系統(tǒng)內(nèi)大大小小的傳統(tǒng)存儲平臺和介質(zhì)上，比如磁盤陣列和光盤。

數(shù)據(jù)存儲決定數(shù)據(jù)應(yīng)用。又以測震業(yè)務(wù)為例，由于測震業(yè)務(wù)現(xiàn)有流程和關(guān)系型數(shù)據(jù)庫的限制，測震數(shù)據(jù)中SEED或MiniSeed數(shù)據(jù)以文件形式存放于磁盤中，其他輔助型數(shù)據(jù)存放于Oracle或Mysql數(shù)據(jù)庫中。其實(shí)際應(yīng)用首先慢于純數(shù)據(jù)庫應(yīng)用；其次受限于數(shù)據(jù)的龐大體積，導(dǎo)致時間尺度不夠?qū)拸V，歷史數(shù)據(jù)應(yīng)用不夠充分；最后，由于而測震數(shù)據(jù)總數(shù)據(jù)量達(dá)到200TB左右，國內(nèi)并沒由任何唯一數(shù)據(jù)庫平臺可容納全部數(shù)據(jù)，對于全量分析等高級應(yīng)用的可能也只好停留在想象階段。

3 大數(shù)據(jù)的發(fā)展對測震數(shù)據(jù)應(yīng)用的啟發(fā)（The

inspiration of the development of big data to the

application of seismic waveform data）

研究機(jī)構(gòu)Gartner賦予大數(shù)據(jù)如下定義：“大數(shù)據(jù)”是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)。僅地震行業(yè)測震數(shù)據(jù)現(xiàn)存儲量便達(dá)到200TB，可以稱之為海量；測震數(shù)據(jù)的采樣頻率多為100Hz，也包含有200或300Hz數(shù)據(jù)，而強(qiáng)震業(yè)務(wù)的采樣頻率更達(dá)到了500Hz，其未來的數(shù)據(jù)增長率會越來越高；測震數(shù)據(jù)作為傳感器采樣數(shù)據(jù)，與同樣作為傳感器采樣數(shù)據(jù)的前兆數(shù)據(jù)進(jìn)行長時間尺度的聯(lián)合分析，更結(jié)合多樣的地震監(jiān)測數(shù)據(jù)進(jìn)行比對，其應(yīng)用前景可能非常遠(yuǎn)大。而這樣的“地震大數(shù)據(jù)”急需要新的處理模式來挖掘深藏于其內(nèi)部的關(guān)于地震形成機(jī)理乃至地球內(nèi)部結(jié)構(gòu)的秘密，從而發(fā)揮其對地震預(yù)報(bào)的高決策力和洞察力。

又根據(jù)維基百科的定義，大數(shù)據(jù)是指無法在可承受的時間范圍內(nèi)用常規(guī)軟件工具進(jìn)行捕捉、管理和處理的數(shù)據(jù)集合。就測震數(shù)據(jù)應(yīng)用來說，短時間尺度、有限區(qū)域內(nèi)的數(shù)據(jù)處理和分析所花費(fèi)時間是可以承受的，但長時間尺度、廣闊區(qū)域乃至全量分析在傳統(tǒng)平臺處理所需要的時間就令人絕望了，這也是還無研究人員進(jìn)行如此操作的原因。

總之，測震數(shù)據(jù)的半結(jié)構(gòu)化特性，其對地震預(yù)報(bào)的可能的巨大價值，其和前兆等地震數(shù)據(jù)的比對分析前景，都促使我們對其底層的存儲模式進(jìn)行大數(shù)據(jù)平臺方向的探索。

4 Hadoop平臺簡介（Brief introduction of hadoop

platform）

4.1 Hadoop生態(tài)圈

Hadoop是Apache Lucene創(chuàng)始人Doug Cutting創(chuàng)建的項(xiàng)目，來源于谷歌公司兩篇關(guān)于GFS和MapReduce的重要論文。其形成的目的在于利用通用服務(wù)器集群進(jìn)行分布式計(jì)算和海量數(shù)據(jù)處理[3]。

Hadoop生態(tài)圈不僅包括分布式文件系統(tǒng)HDFS和分布式數(shù)據(jù)處理模型MapReduce，還包括一系列圍繞其宗旨構(gòu)建的相關(guān)項(xiàng)目，Hadoop主要項(xiàng)目及簡單架構(gòu)如圖1所示。

圖1 Hadoop主要項(xiàng)目

Fig.1 Hadoop main project

圖中，Hadoop Common是一組分布式文件系統(tǒng)和通用I/O的組件和接口。在其之上，MapReduce為分布式數(shù)據(jù)處理模型，HDFS為商用機(jī)集群上的分布式文件系統(tǒng)。最上層的Hbase是一個分布式、按列存儲的數(shù)據(jù)庫，使用HDFS作為底層存儲[4-9]，類似于Oracle和Windows文件系統(tǒng)之間的關(guān)系。

4.2 災(zāi)備中心技術(shù)平臺需求

Hadoop生態(tài)圈項(xiàng)目涵蓋數(shù)據(jù)存儲、查詢、分析、管理等全部環(huán)節(jié)，其對地震波形數(shù)據(jù)的安全存儲、查詢定位、可視化展現(xiàn)等是一種有益的嘗試。具體于國家地震數(shù)據(jù)災(zāi)備中心的應(yīng)用來說，如何利用Hadoop項(xiàng)目存儲好地震波形數(shù)據(jù)，從而為未來的數(shù)據(jù)分析和可視化打好基礎(chǔ)，是方案組首先要考慮的問題。

5 Hadoop在測震數(shù)據(jù)存儲方面的應(yīng)用（Application

of hadoop in the measurement of seismic data

storage）

5.1 業(yè)務(wù)需求

國家地震數(shù)據(jù)災(zāi)備中心地震波形數(shù)據(jù)的存儲需求主要分為兩類：滿足中國地震臺網(wǎng)中心即源數(shù)據(jù)端的數(shù)據(jù)備份恢復(fù)需求和如何滿足災(zāi)備端未來的數(shù)據(jù)應(yīng)用。起初，項(xiàng)目組考慮地震波形數(shù)據(jù)集的數(shù)據(jù)量比較龐大，為滿足全部數(shù)據(jù)的存儲空間需求，設(shè)計(jì)存儲可用容量為500TB，HDFS平臺復(fù)制因子為3，即實(shí)際存儲容量應(yīng)達(dá)到1.5PB。

數(shù)據(jù)來源方面，地震波形數(shù)據(jù)大致以兩種方式匯入災(zāi)備機(jī)房，即傳感器數(shù)據(jù)流直接匯入和歷史數(shù)據(jù)文件導(dǎo)入?？梢哉f數(shù)據(jù)流匯入對應(yīng)實(shí)時數(shù)據(jù)備份，歷史數(shù)據(jù)導(dǎo)入對應(yīng)歷史數(shù)據(jù)備份。對應(yīng)Hadoop技術(shù)平臺需求，為最大限度滿足災(zāi)備安全性能，應(yīng)該選擇HDFS分布式文件系統(tǒng)存儲歷史和實(shí)時數(shù)據(jù)；但是，數(shù)據(jù)以文件形式存儲，會影響未來數(shù)據(jù)的分析和可視化應(yīng)用，而分布式數(shù)據(jù)庫可以更好的適應(yīng)此需求，所以，Hbase分布式數(shù)據(jù)庫便成為需求平臺之一。當(dāng)然，如何平衡數(shù)據(jù)災(zāi)備安全性和數(shù)據(jù)應(yīng)用之間的關(guān)系，也是需要慎重考慮的。

5.2 功能設(shè)計(jì)和實(shí)現(xiàn)原理

根據(jù)國家地震數(shù)據(jù)災(zāi)備中心對于地震波形數(shù)據(jù)災(zāi)備的需求，其功能設(shè)計(jì)列舉如下：

（1）實(shí)時數(shù)據(jù)流接入、解析、導(dǎo)入Hbase數(shù)據(jù)庫。

（2）歷史數(shù)據(jù)遷移、解析、導(dǎo)入Hbase數(shù)據(jù)庫。

（3）存儲空間滿足情況下，HDFS內(nèi)以SEED文件形式存儲一份地震波形數(shù)據(jù)，以滿足災(zāi)備安全需求。

（4）以源數(shù)據(jù)端要求進(jìn)行數(shù)據(jù)級容災(zāi)。

根據(jù)上述需求，設(shè)計(jì)地震波形數(shù)據(jù)存儲備份方案如圖2所示。

圖2 地震波形數(shù)據(jù)備份方案

Fig.2 Seismic waveform data backup scheme

圖中所描述方案具體如下：

（1）實(shí)時數(shù)據(jù)寫入

生產(chǎn)端將數(shù)據(jù)壓縮成為seed格式向?yàn)?zāi)備端發(fā)送數(shù)據(jù)流。

災(zāi)備端將seed格式數(shù)據(jù)解壓，以文件系統(tǒng)形式存入文件系統(tǒng)，保留N天。

將seed文件數(shù)據(jù)解壓后形成記錄形式寫入Hbase，存放于HDFS分布式文件系統(tǒng)內(nèi)。

（2）歷史數(shù)據(jù)遷移

以磁盤對拷或網(wǎng)絡(luò)傳輸?shù)男问綄?00TB左右地震波形歷史數(shù)據(jù)遷移至HDFS分布式文件系統(tǒng)內(nèi)。

將生產(chǎn)端SEED格式數(shù)據(jù)轉(zhuǎn)換成Hbase數(shù)據(jù)庫記錄形式，寫入Hbase。

（3）數(shù)據(jù)級容災(zāi)過程

N天以內(nèi)的數(shù)據(jù)：可以從緩沖區(qū)域讀取文件格式直接回傳至生產(chǎn)端。

N天以前的數(shù)據(jù)：通過寫入時建立的文件系統(tǒng)索引，確定所需要的數(shù)據(jù)是否存在，若存在可根據(jù)hadoop和文件系統(tǒng)的接口還原seed格式數(shù)據(jù)，提供給生產(chǎn)端。

6 結(jié)論（Conclusion）

本文從國家地震數(shù)據(jù)災(zāi)備中心存儲需求出發(fā)，闡述了地震波形數(shù)據(jù)存儲的Hadoop平臺實(shí)現(xiàn)模式，并從根本上解釋了為什么要選擇大數(shù)據(jù)平臺進(jìn)行地震數(shù)據(jù)的存儲。我們應(yīng)該看到，大數(shù)據(jù)平臺日趨成為各行業(yè)數(shù)據(jù)存儲及應(yīng)用的首選，地震科學(xué)作為給人類長期帶來巨大挑戰(zhàn)的科學(xué)門類，在數(shù)據(jù)科學(xué)蓬勃發(fā)展的今天，應(yīng)對其產(chǎn)生的龐大數(shù)據(jù)集進(jìn)行存儲、分析及可視化方面的新的探索，為地震研究人員提供更完善的數(shù)據(jù)服務(wù)。

參考文獻(xiàn)（References）

[1] 地震科學(xué)數(shù)據(jù)資源概況.國家地震科學(xué)數(shù)據(jù)共享中心：http：//

data.earthquake.cn/dataresource/datacon.jsp.

[2] DB/T2-2003，地震波形數(shù)據(jù)交換格式[S].北京：地震出版社，

2003.

[3] Tom White.Hadoop權(quán)威指南[M].北京：清華大學(xué)出版社，

2014.

[4] Sanjay Chemawat，Howard Gobioff，Shun-Tak Leung.The

Google File System.Google，Inc.2003.

[5] Jeffrey Dean， Sanjay Chemawat.MapReduce：Simplified Data

Processing on Large Clusters.Google，Inc.2004.

[6] 鄭秀芬，等.“國家數(shù)字測震臺網(wǎng)數(shù)據(jù)備份中心”技術(shù)系統(tǒng)

建設(shè)及其對汶川大地震研究的數(shù)據(jù)支撐[J].地球物理學(xué)

報(bào)，2009，52（5）：1412-1417.

[7] 王方建，李衛(wèi)東，趙國鋒.地震觀測數(shù)據(jù)平臺體系架構(gòu)研究[J].

中國地震，2009，25（2）：214-222.

[8] 蔡斌，陳湘萍.Hadoop技術(shù)內(nèi)幕-深入解析Hadoop Common

和HDFS架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)原理[M].北京：機(jī)械工業(yè)出版社，

2014.

[9] 董西成.Hadoop技術(shù)內(nèi)幕-深入解析MapReduce架構(gòu)設(shè)計(jì)與

實(shí)現(xiàn)原理[M].北京：機(jī)械工業(yè)出版社，2014.

作者簡介：

王丹寧（1981-），男，碩士，工程師.研究領(lǐng)域：數(shù)據(jù)管理，數(shù)

據(jù)應(yīng)用.

柴旭超（1985-），男，碩士，助理工程師.研究領(lǐng)域：大數(shù)據(jù)算

法和平臺研究.

王文青（1981-），男，碩士，工程師.研究領(lǐng)域：數(shù)據(jù)分析，大

數(shù)據(jù)架構(gòu).