Hadoop伴隨大數(shù)據(jù)一同火爆起來。現(xiàn)如今，Hadoop已經(jīng)無人不知無人不曉。Hadoop從它一誕生的那天開始就與大數(shù)據(jù)深深地關聯(lián)到了一起。眾所周知，大數(shù)據(jù)多是出現(xiàn)在這些領域，包括金融、電信、保險以及一些大型互聯(lián)網(wǎng)企業(yè)等。以電信行業(yè)為例，Hadoop在這些領域的應用情況是怎么樣的呢？
電信業(yè)Hadoop應用分析
昨日，聯(lián)通研究院處長王志軍在第七屆“開源中國 開源世界”高峰論壇上分享了Hadoop在電信行業(yè)大數(shù)據(jù)應用的經(jīng)驗。
隨著國內(nèi)3G網(wǎng)絡的發(fā)展，或者移動通信網(wǎng)絡的發(fā)展，中國聯(lián)通目前運營著世界上最大的CDMA網(wǎng)絡，流量運營是中國聯(lián)通一個重要特點。中國聯(lián)通3G套餐當中流量占比非常非常大，中國聯(lián)通3G用戶流量使用情況也是非常可觀的。而目前中國聯(lián)通遇到一個世紀問題：隨著流量的增長，3G流量的爭議也迅速的增加。現(xiàn)在3G業(yè)務在流量方面的投訴達到了投訴的7-10%，并且最近這半年還在成迅猛的上升趨勢，各個省份已經(jīng)達到了20%。
投訴來源于哪兒呢？
一些用戶，特別是一些移動智能手機用戶，聯(lián)通研究院處長王志軍以自己為例說明。如我的安卓手機，前一陣子谷歌安卓4.0出來之后發(fā)布了新的版本，我的手機在某一天下午某一個時刻進行了自動更新，基本有200兆大小的流量的產(chǎn)生。
如果是普通的3G用戶，中國聯(lián)通資費0.3元/兆，當套餐用光了之后，這次更新可能花費60元，這種更新是在不自覺情況下發(fā)生的，用戶毫不知情。所以，最終致使用戶到中國聯(lián)通進行投訴：用戶認為自己沒有使用這個流量，向聯(lián)通要證據(jù)。
目前，電信計費系統(tǒng)流量話單在GGSN設備上產(chǎn)生，是網(wǎng)關設備。這個設備產(chǎn)生流量話單的時候是根據(jù)一個流量依據(jù)而產(chǎn)生：
第一，達到一定時間，例如2個小時。
第二，達到一定流量大小，比如5兆。
這個流量話單相當于一段時間之內(nèi)使用流量總合的話單，沒有說訪問哪個目標的IP地質(zhì)，沒有訪問的目的地，只告訴你這個時刻產(chǎn)生了這樣的話單，用戶當然不愿意，用戶說我那天沒有使用過手機，沒有產(chǎn)生這個流量，這樣情況下用戶要求退費，或者雙倍賠償，GSN設備，無論是中國聯(lián)通也好，還是其他運營商也好，采用設備可能來子華為、阿爾卡特，這些設備在全球商用了，GGSN產(chǎn)生的話單在一定意義上之上，出現(xiàn)這種問題是微乎其微的，說不清流量到哪兒去了，運營商作為弱勢群體，只能退費或者雙倍賠償。
運營商的難言之隱
聯(lián)通研究院處長王志軍以一個案例進行說明，2011年，中國聯(lián)通一個用戶在0點到4點之間產(chǎn)生巨額流量費用，他認為中國聯(lián)通既然拿不出證據(jù)，以涉嫌欺詐消費者為由向法院提起了訴訟，影響是兩方面的。
對用戶而言，他也是想知道流量到底什么時候發(fā)生的，如果手機的問題，他也知道怎么進行防范，這樣就不會發(fā)生類似問題，根據(jù)客戶部門提供的數(shù)據(jù)，可能因為無法提供商網(wǎng)流量詳單造成退費和賠付，會影響到運營商流量計費商務模式，所以我們建立這種系統(tǒng)意義非常大，第一，我們的系統(tǒng)供聯(lián)通客服人員使用，提供快速查詢服務，解決流量投訴的問題，另外，我們也準備向最終用戶提供異常的大流量查詢服務。再一個問題，上網(wǎng)記錄數(shù)據(jù)本身是數(shù)據(jù)的金礦，我們可以通過獲取上網(wǎng)數(shù)據(jù)記錄對流量進行統(tǒng)計。
海量數(shù)據(jù)的應對之策
對于以上這些問題該如何應對呢？聯(lián)通研究院處長王志軍分析處理問題的難點：上網(wǎng)記錄數(shù)據(jù)是海量數(shù)據(jù)，經(jīng)過我們的系統(tǒng)可以分析到，用戶每個用上網(wǎng)記錄基本幾萬到幾十萬，有的用戶五六十萬，我們現(xiàn)在采用的方案是在網(wǎng)關所有用戶流量必經(jīng)地方采集，分析流量數(shù)據(jù)，然后上成上網(wǎng)記錄話單，話單量非常大。
聯(lián)通研究院處長王志軍表示，例如用移動手機訪問新浪網(wǎng)首頁，對流量采集設備基本能生成20條左右上網(wǎng)記錄話單，如果點iPad新聞鏈接，恐怕會產(chǎn)生180條上網(wǎng)記錄，如果訪問淘寶網(wǎng)首頁，會產(chǎn)生60條請求和回應，在手機上網(wǎng)記錄當中有大量DNS查詢和推送服務。以中國聯(lián)通某一個中等省份公司為例，日均上網(wǎng)記錄達到10億條，每個月的數(shù)據(jù)接近9T，整個移動互聯(lián)網(wǎng)也在快速發(fā)展。
根據(jù)中國聯(lián)通統(tǒng)計，每隔6個月中國聯(lián)通用戶整體上網(wǎng)流量會翻一番，去年平均3G每用戶的流量一年之內(nèi)翻一番，整個流量增長非常迅速，也帶來了上網(wǎng)記錄的量非常非常大。
傳統(tǒng)IOE方式，IBM小型機，思科數(shù)據(jù)庫存儲，EMC存儲，思科數(shù)據(jù)庫存儲這么大上網(wǎng)記錄時候已經(jīng)不可能了，所以，聯(lián)想采用開源的Hadoop解決，Hadoop本身是系統(tǒng)架構，也是開源項目，由Apache基金會開發(fā)，Hadoop本身最底層是分布式文件系統(tǒng)，這個分布式文件系統(tǒng)叫HDFL，在它之上有分布式處理框架，基于Hadoop整個開源項目，上面構建了結(jié)構化的訪問數(shù)據(jù)庫，在這之上又提供了類似的數(shù)據(jù)挖掘工具，另外也提供了一些分布式同步，以及遠程調(diào)用和序列化工具。
Hadoop+HBase+ MapReduce
對于Hadoop分布式文件系統(tǒng)本身來說，重要的出發(fā)點在于硬件故障是常態(tài)，不是非異常的狀態(tài)，我們可以摒棄采用IBM小型機方案，Hadoop中數(shù)據(jù)可以自動復制，一份數(shù)據(jù)可以復制成三份，第一份在一臺服務器上，第二份數(shù)據(jù)在另外一臺機架的另外一臺服務器上，第三份數(shù)據(jù)可能在另外一臺機架的另外一臺服務器上，作為分布式文件系統(tǒng)，每次請求寫入的磁盤和服務器物理地點可能不一樣，可以帶來高并發(fā)的讀寫請求。
MapReduce框架分成很多數(shù)據(jù)級，最后再合并處理。HBase分布式數(shù)據(jù)庫是分布式存儲系統(tǒng)，主要特點在正它是四維存儲系統(tǒng)，傳統(tǒng)的數(shù)據(jù)庫是二維表的結(jié)構，有行、有列，對它來說，除了有行之外，有列的概念，在列和行之間又可以存放多個版本，在這種情況下相當于四維表結(jié)構，好處在于可以靈活的表格結(jié)構，每個列組里面的列后來都可以隨機應變，我們的采集系統(tǒng)現(xiàn)在在采集一些字段，未來的發(fā)展過程中，為了數(shù)據(jù)挖掘的需要，會采集更多的字段，方便我們在一個結(jié)構之下進行更多信息的存儲以及后續(xù)的處理工作。
HBase本身利用自動復制機制保證Hbase本身存儲的高可靠性。我們會做一些數(shù)據(jù)挖掘工作，除了采用MapReduce技術之外，還采用數(shù)據(jù)倉庫技術，針對海量數(shù)據(jù)進行高性能查詢和分析工作。中國聯(lián)通已經(jīng)構建了一個全國集中的一級架構海量數(shù)據(jù)存儲和查詢系統(tǒng)，第一，是一級架構，全國所有用戶所有上網(wǎng)記錄數(shù)據(jù)都放北京數(shù)據(jù)中心里，在國內(nèi)電信行業(yè)當中也是首創(chuàng)的方式。
另外一個方式，首先將開源Hadoop、Hbase技術應用商用電信服務系統(tǒng)中來，開源的軟件架構基本上沒有商用系統(tǒng)的，但是這次是商用系統(tǒng)，系統(tǒng)的構成，包括數(shù)據(jù)采集、數(shù)據(jù)入庫、數(shù)據(jù)存儲、數(shù)據(jù)查詢和數(shù)據(jù)分析技術，基本技術采用Hadoop，目前上網(wǎng)記錄數(shù)據(jù)存儲一般不小于30分鐘，30分鐘之前的上網(wǎng)記錄現(xiàn)在可以通過我們系統(tǒng)查詢到。
在實際使用過程中，聯(lián)通發(fā)現(xiàn)約10分鐘的記錄可以查到，用HBase處理這么海量的數(shù)據(jù)時候，入庫速度非常非常迅速，另外查詢速度也非常非常迅速。另外系統(tǒng)的存儲不少于6個月原始上網(wǎng)記錄能力，中間的統(tǒng)計報表會保存不少于5年，現(xiàn)在的數(shù)據(jù)查詢速度，查詢一個用戶上網(wǎng)記錄，比如有幾萬條記錄，在幾千億條記錄當中檢索的時間小于一秒鐘，當然，這個時間不包括查詢頁面的時間。
這是上網(wǎng)記錄詳單內(nèi)容，存儲了很多用戶上網(wǎng)記錄信息，隨著系統(tǒng)的發(fā)展，為了數(shù)據(jù)挖掘的需要，聯(lián)通會進一步提取更多信息存到上網(wǎng)記錄系統(tǒng)當中來。
Hadoop三節(jié)點 控制數(shù)據(jù)
整個系統(tǒng)部署情況是這樣的，我們采用普通PC服務器部署這個系統(tǒng)，Hadoop本身有三個節(jié)點，一個是數(shù)據(jù)存儲節(jié)點，現(xiàn)在有178個數(shù)據(jù)存儲節(jié)點，每個數(shù)據(jù)存儲節(jié)點有14T的容量，集群的監(jiān)控節(jié)點有一臺，入庫服務節(jié)點24臺，Web查詢應用服務節(jié)點20臺，在同一個機架上的數(shù)據(jù)交換采用千兆交換機。這是查詢系統(tǒng)的界面，用戶詳細信息都可以通過這個系統(tǒng)查詢出來。
在目前情況下，現(xiàn)在已經(jīng)部署完成了4個省份，北京、黑龍江、浙江、重慶，四個省份所有用戶上網(wǎng)記錄都可以上來，每天入庫條數(shù)超過42億條用戶上網(wǎng)數(shù)據(jù)記錄，每天入庫數(shù)據(jù)量超過1.2T，在這種數(shù)據(jù)量的情況下，現(xiàn)在已經(jīng)保存了幾個月的上網(wǎng)記錄數(shù)據(jù)，在這種情況下，上網(wǎng)記錄數(shù)據(jù)保存在一張表當中，保存4個省的數(shù)據(jù)，一個月可能超過1200億條的數(shù)據(jù)，在這種情況下，在1200億條數(shù)據(jù)當中檢索一個用戶數(shù)據(jù)會達到不小于一秒，目前1200億條只用到15個數(shù)據(jù)節(jié)點，隨著178個數(shù)據(jù)節(jié)點上線之后，保存全國31省的數(shù)據(jù)以及進行快速入庫、查詢和檢索我們認為都沒有問題。
現(xiàn)在預估，31省上線之后，每個月用戶上網(wǎng)記錄超過8千億條，我們系統(tǒng)明年6月份才可能考慮到下一期擴容工程，在這種情況下，我們相信每個月會有1萬億條數(shù)據(jù)，保存6個月用戶數(shù)據(jù)，原始數(shù)據(jù)量會超過6萬億條，目前每條上網(wǎng)記錄基本上在300個字節(jié)，隨著我們把更多的字段加入進來之后，可能平均每條用戶上網(wǎng)記錄的長度還會增加，可能達到400字節(jié)，對整個集群的要求會更高。
聯(lián)通研究院處長王志軍表示，聯(lián)通第一次采用了開源技術，在此之前，在電信行業(yè)當中比較少見。聯(lián)通采用了Hadoop、HBase，這里面還有用戶管理員信息等等。目前，在客服使用當中感覺也是非常非常好的，更重要的是利用這個系統(tǒng)可以做深入的數(shù)據(jù)挖掘工作。
中國聯(lián)通在查詢用戶上網(wǎng)記錄之前會征得用戶的同意，有可能通過口服開頭同意，如果客服后臺查詢的話，我們可能會通知用戶有人要查詢其上網(wǎng)記錄，在安全方面聯(lián)通做了考慮。
京公網(wǎng)安備 11010502049343號