韓麗佳

杜甫有詩云“昔聞洞庭水”“乾坤日夜浮”，說那洞庭湖水乾坤日月都可包容映照，此種混沌宏大的意境之美在今天的AWS“數(shù)據(jù)湖”理念上也可窺知一二。

“在當(dāng)今的企業(yè)里面，企業(yè)的信息和數(shù)據(jù)流，就是企業(yè)的血液。以數(shù)字化轉(zhuǎn)型為例，我們要知道雖然數(shù)字化轉(zhuǎn)型包含很多方面的內(nèi)容，但其中很重要的一個內(nèi)容就是企業(yè)的數(shù)據(jù)化資產(chǎn)?！盇WS首席云計算企業(yè)戰(zhàn)略顧問張俠一針見血地指出，“從數(shù)據(jù)到信息再到知識，進而產(chǎn)生洞察力，再指導(dǎo)我們行動，這是數(shù)據(jù)的意義所在?！?/p>

讓數(shù)據(jù)產(chǎn)生其應(yīng)有的洞察力，是大多數(shù)數(shù)據(jù)解決方案的目標(biāo)。AWS數(shù)據(jù)湖方案由何產(chǎn)生？又是如何實現(xiàn)這一目標(biāo)的？

應(yīng)和了混沌哲學(xué)的數(shù)據(jù)湖理論

混沌的原意是指先于一切事物而存在的廣袤虛無的空間。

我國著名物理學(xué)家、混沌學(xué)理論創(chuàng)始人之一、中科院院士郝柏林曾指出：“混沌研究的進展，無疑是非線性科學(xué)最重要的成就之一。它使復(fù)雜系統(tǒng)的理論開始建立在‘有限性這個更符合客觀實現(xiàn)的基礎(chǔ)之上。”并且，世界各民族幾乎都有過從混沌創(chuàng)世到有序再回歸到混沌的古老信念。

所以，是不是可以這樣認為，我們所處的世界就是一個由無限數(shù)據(jù)組成的混沌體，其中蘊含的真理、信息包羅萬象，我們的數(shù)據(jù)科學(xué)其實就是從這個物質(zhì)世界混沌體中剝繭抽絲，從無序中尋找有序再回歸到數(shù)字世界混沌無序的過程。

過去的數(shù)據(jù)倉庫就像一個個分類整理好的倉儲小格子，它是把原始數(shù)據(jù)分類、提煉、整理之后才進行存儲的。這可以看做是對混沌數(shù)據(jù)進行有序的演化階段。但是隨著數(shù)據(jù)指數(shù)生長、數(shù)據(jù)來源更多、數(shù)據(jù)更加多元化、數(shù)據(jù)的使用者更多、數(shù)據(jù)分析工具更加多樣，“有序的”數(shù)據(jù)倉庫已經(jīng)不能夠滿足需求。

“傳統(tǒng)的方法，是從ERP、CRM、LOB、OLTP或者網(wǎng)站、移動端、傳感器等產(chǎn)生的各種各樣基層數(shù)據(jù)中整理成數(shù)據(jù)倉庫，再形成商務(wù)智能。但這種方法會導(dǎo)致所謂的數(shù)據(jù)孤島，無法滿足數(shù)據(jù)的快速增長，也無法滿足大數(shù)據(jù)數(shù)量多、速度快、類別雜、數(shù)據(jù)真、價值大五個方面的要求?！睆垈b說道。

混沌理論的基本觀點認為：任何系統(tǒng)都有生有滅，有自己演化的起點和終點，并且系統(tǒng)演化的一般模式表現(xiàn)為從無序到有序、最后又回到無序之中。所以，數(shù)據(jù)湖便應(yīng)運而生。

數(shù)據(jù)湖里存儲的數(shù)據(jù)都是未經(jīng)處理的原始數(shù)據(jù)，這些數(shù)據(jù)包括表格、文本、聲音、圖像等。在數(shù)據(jù)湖中可以進行數(shù)據(jù)的處理、分析、建模、加工，處理后的數(shù)據(jù)仍然可以留在湖中。根據(jù)數(shù)據(jù)湖理念形成的數(shù)據(jù)平臺，相較于傳統(tǒng)的數(shù)據(jù)倉庫來說，顯得有些“無序”，從無序的物理世界到“有序的”數(shù)據(jù)倉庫，再到“無序的”數(shù)據(jù)湖，這恰符合混沌理論系統(tǒng)的演化規(guī)律。但我們不得不承認這樣的數(shù)據(jù)存儲集才具備龐大的數(shù)據(jù)存儲規(guī)模、T級別的計算能力、滿足多元化的數(shù)據(jù)信息交叉分析，以及大容量、高速度的數(shù)據(jù)管道。

2011年，數(shù)據(jù)湖概念就被福克斯的一篇文章所介紹了，它是針對數(shù)據(jù)倉庫中的開發(fā)周期長、維護、開發(fā)成本高、丟失細節(jié)數(shù)據(jù)等不足進行的補充?！皵?shù)據(jù)湖就是一個中心數(shù)據(jù)存儲的容器，這個容器可以存儲各種各樣結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)，在數(shù)據(jù)量層面上，這些數(shù)據(jù)非常容易快速縮放，我們有各種方法對這些數(shù)據(jù)可以進行查詢、分析?！睆垈b這樣闡述道。

杜甫有詩云“昔聞洞庭水”“乾坤日夜浮”，說那洞庭湖水乾坤日月都可包容映照，此種混沌宏大的意境之美在今天的AWS“數(shù)據(jù)湖”理念上也可窺知一二。

AWS數(shù)據(jù)湖中的“混沌序”

數(shù)據(jù)湖中存儲的數(shù)據(jù)既有結(jié)構(gòu)化數(shù)據(jù)，也有非結(jié)構(gòu)化數(shù)據(jù)，既有各種格式的原始數(shù)據(jù)，也有經(jīng)過處理之后的數(shù)據(jù)，可以說是混沌的、無序的，是包容的。

雖說混沌現(xiàn)象表面是無序的，但混沌區(qū)的系統(tǒng)行為有嚴格秩序，存在精致有序的結(jié)構(gòu)，正如AWS針對數(shù)據(jù)移動、存儲、分析所做的產(chǎn)品服務(wù)一樣，是混沌之下的有序。這種混沌既不是簡單的無序，也不是通常意義下的有序，科學(xué)家建議將其稱為“混沌序”。

其中AWS數(shù)據(jù)湖平臺主要有三大元素：一是Amazon S3/Glacier;二是AWS Glue;三是AWS Lake Formation。目前，AWS還沒有在中國提供Lake Formation服務(wù)，但是可以預(yù)見這項服務(wù)將來肯定會在中國上線。

Amazon S3是AWS的一個最基礎(chǔ)的云服務(wù)，可以存儲以任何二進位為基礎(chǔ)的任何信息，包含結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)，是容納數(shù)據(jù)湖的理想場所。

“Glue是膠水的意思，代表的是不同的數(shù)據(jù)庫服務(wù)之間的連接的作用?！睆垈b形象地引出了AWS Glue的兩個主要功能。一是ETL，ETL指的是Extract、Transform和Load，意思是數(shù)據(jù)的抽取、轉(zhuǎn)換和加載;二是數(shù)據(jù)目錄服務(wù)的功能，在從客戶選擇的數(shù)據(jù)源中把數(shù)據(jù)爬取出來之后，會自動識別數(shù)據(jù)格式和模式（schema），構(gòu)建統(tǒng)一的數(shù)據(jù)目錄，并為客戶提供所選數(shù)據(jù)的中央視圖。這使得客戶很容易跨越各種數(shù)據(jù)存儲，檢索和管理所有數(shù)據(jù)，而不必手動搬運它們。

關(guān)于AWS Glue的便捷程度，北京殼木軟件有限責(zé)任公司（Camel Games）服務(wù)器主管張華表示：“AWS Glue幫助我們完成了復(fù)雜的ETL任務(wù)，可以從數(shù)百個Amazon RDS數(shù)據(jù)庫中定時提取所需要的數(shù)據(jù)，供數(shù)據(jù)分析部門進行迅速而直觀的全局統(tǒng)計，大大縮短了原本跨表查詢的時間。”

AWS Lake Formation是一項全托管式服務(wù)，可以在幾天內(nèi)輕松建立安全的數(shù)據(jù)湖。只需定義數(shù)據(jù)源，制定要應(yīng)用的數(shù)據(jù)訪問和安全策略，Lake Formation就會從數(shù)據(jù)庫和對象存儲中收集并按目錄分類數(shù)據(jù)，將數(shù)據(jù)移動到新的Amazon S3數(shù)據(jù)湖，使用機器學(xué)習(xí)算法清理和分類數(shù)據(jù)，并保護對敏感數(shù)據(jù)的訪問權(quán)限。

AWS數(shù)據(jù)湖洞察力的實現(xiàn)

在上述數(shù)據(jù)湖三大元素的基礎(chǔ)上，AWS部署了一系列的產(chǎn)品和服務(wù)，來實現(xiàn)數(shù)據(jù)倉庫、大數(shù)據(jù)處理、交互查詢、運營分析、數(shù)據(jù)交換、可視化、實時分析、推薦和預(yù)測分析等功能，以達到從數(shù)據(jù)到信息再到洞察再到行動的目標(biāo)。

在AWS數(shù)據(jù)湖平臺所包含的產(chǎn)品服務(wù)中有一個云的產(chǎn)品，叫Amazon Redshift，它是一個云的數(shù)據(jù)倉庫，容量能夠被縮放，成本也只有傳統(tǒng)的數(shù)據(jù)庫的1/10左右，讓數(shù)據(jù)在云上就能夠?qū)崿F(xiàn)從數(shù)據(jù)庫到數(shù)據(jù)倉庫的遷移。

處理實時數(shù)據(jù)的服務(wù)叫做Amazon Kinesis，該服務(wù)能幫助客戶捕獲、處理、并存儲視頻流以作后續(xù)分析;搭建定制的應(yīng)有分析流數(shù)據(jù);將流數(shù)據(jù)導(dǎo)入AWS上的數(shù)據(jù)存儲服務(wù);使用SQL分析流數(shù)據(jù)。

特別值得一提的是，3月24日，AWS宣布Amazon Athena在由西云數(shù)據(jù)運營的AWS中國（寧夏回族自治區(qū)）區(qū)域正式上線。

Amazon Athena可以幫助客戶使用標(biāo)準(zhǔn)SQL語言，輕松分析Amazon Simple Storage Service（Amazon S3）中的數(shù)據(jù)。由于Athena是一種無服務(wù)器服務(wù)，因此客戶不需要管理基礎(chǔ)設(shè)施，只需為他們消耗的資源付費。Athena可以自動擴展，并行執(zhí)行查詢，所以即便是大型數(shù)據(jù)集和復(fù)雜的查詢，也能很快獲得查詢結(jié)果。

Amazon Athena在輔助數(shù)據(jù)傳輸行業(yè)領(lǐng)域的發(fā)展上表現(xiàn)亮眼。以茄子快傳為例，這是一家全球化的互聯(lián)網(wǎng)科技公司，它搭建了一個數(shù)字內(nèi)容連接入口，幫助全球200多個國家和地區(qū)的用戶獲取優(yōu)質(zhì)數(shù)字內(nèi)容。茄子快傳數(shù)據(jù)運營負責(zé)人何誠表示：“茄子快傳的數(shù)據(jù)量大，分析維度多，業(yè)務(wù)也非常復(fù)雜，所以經(jīng)常需要多維度多顆粒度的高并發(fā)分析，AWS的分析工具很好地滿足了我們?nèi)粘５臄?shù)據(jù)提取和分析需求。使用Amazon Athena，我們可以輕松地運行交互式查詢，分析數(shù)據(jù)，不必構(gòu)建和部署額外的集群。同時，我們運行新數(shù)據(jù)分析所需的時間縮短了30%，大幅減少了成本與運維方面的風(fēng)險?！?/p>

還有許多數(shù)據(jù)分析產(chǎn)品服務(wù)無法一一介紹，但至此可以看出AWS已經(jīng)形成了一套比較成熟完備的數(shù)據(jù)湖技術(shù)體系，在未來混沌的數(shù)字世界的圖景上留下來濃墨重彩的一筆。