大数据相关技术资料

大数据平台1.大数据平台技术架构：
2.具体产品介绍
（1）集成数据开发平台
➢平台框架：
➢技术方案：
基于状态机（State Machine ）、微服务（内嵌Rest RPC Console服务端等）、SVG\AngularJS 图形化、高可用解决方案（最终一致散列、服务发现、头节点选举等）提供了一个易用的图像化配置大数据任务依赖关系，人工监控和重跑干预任务执行状态的大数据开发工具，整合了平台现有MR/Hive/Spark/SparkSQL/SparkStream/Sqoop等任务类型。

降低大数据平台用户的使用门槛，提供强大的任务流依赖、调度功能。

➢主要实现的功能：
(1)任务流管理：
✓任务流组织：以拓扑结构方式直观展示任务之间依赖关系
✓任务配置：任务项配置，支持源数据、目标数据、资源、参数等配置
✓运行测试&日志查看：线上任务试运行及日志展示，可根据日志调优。

✓数据探查：数据预览帮助数据质量控制，做到把控数据来源，提升准确性。

✓导入导出：任务流可导出为ZIP文件，ZIP文件保留任务流中所有信息：流的属性，流内任务的配置、任务节点位置、连线等
✓草稿任务：类似于回收站作用，作为任务缓冲地带，可将草稿任务移到具体任务流中。

(2)资源中心：
✓事件管理：事件管理及事件触发记录查询。

✓任务组管理：将任务加入一个任务组，设置最大并发数，实现流量控制。

✓资源管理：用于配置任务的时候选取公共资源。

(3)运维中心：
✓任务流运维：任务流批次及状态展示，可根据时间范围、状态等筛选项进行筛选。

✓任务运行状态：任务运行状态查询。

可根据任务执行时间和执行结果等筛选。

✓任务执行报告：任务执行情况及统计信息分析。

✓影响分析：任务失败原因和造成的影响查看。

✓信息看板：任务完成情况、告警展示、任务执行时长排行、调度任务数量趋势、出错排行、任务类型分布等信息汇总展示。

(4)告警管理：
✓监控范围：系统监控（队列深度、健康状态等）、任务监控（超时、延时、报错）。

✓告警类型分为任务超时告警、任务失败告警、关键任务告警、定时失败汇总、定时关键任务汇总。

✓配置告警接收人员，通过工号/姓名检索人员并添加，告警方式有邮件、短信、豆芽，可多选。

(5)调度平台：
✓任务类型支持：支持Hive任务、MapReduce任务、Java任务、Python任务、SparkSql 任务、Spark任务、机器学习任务等多种类型任务执行。

✓后台管理：支持日志查询、信息汇总、告警查看等平台运维相关需要。

✓调度策略控制：支持任务依赖策略、时间策略、控制策略、并发策略、事件依赖策略等多维度策略控制。

(6)事件生成和引用：
✓事件生成：流内任务可通过右键菜单生成事件，生成的事件类型为任务事件，生成的任务事件需要定义事件名称和事件描述；
✓引用的事件分为两种类型，任务事件和FTP标识文件事件，用户检索需要引用的事件并应用于任务前置条件中；
✓引用任务事件需要做依赖检查，只能调度频率大的依赖小的，如月依赖日、日依赖小时；
✓全依赖支持：支持天级别类型任务依赖小时任务，月类型任务依赖天类型任务，小时依赖分钟任务；
(7)异常处理：
✓重跑：拓扑图中失败状态的节点可进行重跑操作。

✓补数据：可选择单个任务，或者多个任务（可跨流），多个任务一起执行补数据操作。

✓停止：停止任务运行，停止状态下再次运行为重新执行；
✓暂停：暂停任务运行，暂停状态下再次运行为继续上次运行；
✓忽略：对于某项任务前置任务未执行完成，且此前置任务不重要，可对前置任务进行忽略操作。

忽略的任务不在运行，自动进行下游任务运行；
(8)任务流运行状态：
✓以拓扑图形式查看任务流运行结果，每个任务运行状态，运行成功/失败有颜色差异体现；
✓可基于任务流名称、时间选择、责任人、任务类型、调度方式、执行频率、运行状态检索实例。

✓检索出的实例按照所属任务流进行分组，第一层展示任务流信息包括：任务流名称、任务流描述、责任人、执行频率、创建时间、发布状态、操作（展开/收缩）；第二层为实例信息包括：实例id、所属任务流、责任人、调度方式、执行时间、执行结果、操作（查看运行分析）；
✓任务分析详情页，展示任务流拓扑图、每个节点执行状态、任务执行报告。

在拓扑图中可右键对任务进行异常处理，异常处理包括：重跑、补数据、停止、暂停、忽略、查看日志。

异
✓视角可切换为全局视角，全局视角展示当前视图的任务流上下游任务流，并体现关联实例的运行状结果。

➢平台应用：
智能产品数据采集服务：用户使用产品的行为数据，产品运行过程状态数据智能产品数据共享服务：产品和产品之间数据共享协作服务
（2）机器学习平台；
➢平台框架：
➢技术方案：
待补充
➢主要实现的功能：
➢平台应用：
机器学习本质是使用样本数据或以往的经验来解决给定的问题，主要应用在数据挖掘场景下，即指从大量的数据中通过算法获取隐藏于其中信息的过程。

机器学习在金融、市
场营销、制造业、网络分析和电信领域都有较多应用。

在金融领域,银行分析历史数据，构建用于信用分析、诈骗检测等方面应用模型；在市场营销领域,机器学习技术较广泛地应用于分类型和关联型任务;例如,购物篮分析通过找出顾客购买的产品的关联,制定出产品组合销售的策略，货物位置的摆放,产品促销和产品库存。

在制造业，学习模型可用于优化、控制以及故障检测等；在电信领域,机器学习技术在分类、预测和侦查型任务方面均有较多应用。

例如,欺诈侦查通过收集过去的欺诈行为数据,建立的模型可以有效的鉴别类似发生的电信欺诈行为。

在网络分析领域,机器学习技术应用较为广泛的是关联型任务。

用户在应用数据挖掘技术时,应充分了解各种技术与方法的优势与劣势,针对特定的环境与任务选择合适的技术。

（3）元数据管理平台
➢平台框架：
➢技术方案：
从Hive的Meta-Data DB中抓取Hive表、字段、表授权等信息，自动采集Hive仓库基础及管理元数据信息，并基于CBT的任务配置信息分析Hive表之间的数据血缘。

在提供Hive仓库维护功能之外，提供数据血缘影响分析，提醒用户维护操作的影响范围。

➢主要实现的功能：
➢平台应用：
元数据主要意义：全企业的信息地图，通过自动化的多源头元数据采集，自动分析汇总，形成完整的企业数据地图，使用户能够从全局视角审查企业整体数据状况；数据来源的追溯，使用元数据产品能够，方便内部管理、审计或外部监管的需求追溯业务指标、报表的数据来源和加工过程；数据来源的追溯，使用元数据产品能够，方便内部管理、审
计或外部监管的需求追溯业务指标、报表的数据来源和加工过程；数据共享，最大化提高数据应用价值，实现产业链间的数据共享；
（4）智能计算平台
➢平台框架：
➢技术方案：
支持各种业务场景下的大规模离线、实时、准实时数据的计算和存储；
➢主要实现的功能：
➢平台应用：
1.智能产品数据采集处理服务：用户使用产品的行为数据，产品运行过程状态数据；（5）OLAP数据引擎与自助报表
➢平台框架：
➢技术方案：
整个OLAP引擎平台使用列式存储、编码、倒排索引、分区、Hypelog等技术加快统计汇总性能，具有很好的可扩展性和高可用性，使得可以在秒级处理百亿到万亿的海量数据。

提供实时和离线处理两种模式。

该平台综合使用了druid、kylin、parquet、hbase、spark sql等多种开源工具，通过SQL引擎和数据路由，智能的根据解析优化SQL语句来分析使用哪种底层技术可以达到最优效果。

该平台支持SQL2003和UDF，客户可以很方便的通过SQL进行多维度的汇总统计分析。

前台提供各种数据可视化分析工具，方便用户做上卷、下钻、切片、旋转等各种OLAP操作，可以自由的对数据进行深入分析、展示，发现数据之间的关联关系并作出商业决策，提高数据的利用率。

➢主要实现的功能：
➢平台应用：
OLAP数据引擎支持海量数据的数据探查以及数据挖掘、支持可自由定制的海量数据多维分析，主要应用于情报分析：舆情分析、竞争对手分析、产品分析、行业分析、供应商分析：通过大数据预判供应商能力等等方面；自助报表则配合OLAP数据分析引擎实现对数据分析的结果的可视化展示，主要的应用方向有工业生产中的过程监测、情报分析、竞争对手信息分析以及产品分析等等产业数据分析领域；。