流式大數(shù)據(jù)實時處理—技術(shù)、平臺及應(yīng)用

大數(shù)據(jù) 流式大數(shù)據(jù) 實時處理

李尊 | 2016-10-21 13:33

【數(shù)據(jù)猿導(dǎo)讀】在CNCC2016的開幕式上，CCF會士、中國工程院院士、浙江大學陳純教授做了題為“流式大數(shù)據(jù)實時處理技術(shù)、平臺及應(yīng)用”的報告

編者注：陳純，計算機應(yīng)用專家，浙江大學計算機科學與技術(shù)學院教授，中國工程院院士。是國家教委“跨世紀優(yōu)秀人才培養(yǎng)計劃”首批入選專家，第三屆中國青年科技獎獲得者。目前是國家列車智能化工程技術(shù)研究中心主任，國務(wù)院學位委員會學科評議組成員。陳純教授長期從事計算機應(yīng)用領(lǐng)域的前沿研究工作，在著名國際學術(shù)期刊和會議發(fā)表論文160多篇，曾獲國家技術(shù)發(fā)明獎二等獎1項，國家科技進步獎二等獎2項，國家科技進步三等獎1項，省部級科學技術(shù)一等獎6項。

今天CNCC 2016在山西太原盛大開幕，開幕演講中，CCF會士、中國工程院院士、浙江大學陳純教授做了題為“流式大數(shù)據(jù)實時處理技術(shù)、平臺及應(yīng)用”的報告，以下為報告內(nèi)容精編。

各位領(lǐng)導(dǎo)、各位嘉賓、各位同仁上午好，我今天所講的題目是流式大數(shù)據(jù)實時處理技術(shù)、平臺及應(yīng)用。

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

流式大數(shù)據(jù)

流式大數(shù)據(jù)從這個角度看，可以把大數(shù)據(jù)分成兩個：一個是批式大數(shù)據(jù)，另一個是流式大數(shù)據(jù)。

舉個例子來說

我們把數(shù)據(jù)當成水庫的話，水庫里面存在的水就是批式大數(shù)據(jù)，進來的水是流式大數(shù)據(jù)。

10年前，從傳統(tǒng)的三架馬車開始到現(xiàn)在組成了60、70個相關(guān)龐大的生態(tài)圈。重點我們可以看到，從2012年開始，才關(guān)注了流式大數(shù)據(jù)，就是數(shù)據(jù)流的模式。在之前，所有的大數(shù)據(jù)算法和系統(tǒng)就是批式大數(shù)據(jù)，從12年開始才專門針對流式大數(shù)據(jù)的組建。

由于數(shù)據(jù)流的處理，應(yīng)用場景主要是兩類：

一類是互聯(lián)網(wǎng)

另一類是移動互聯(lián)網(wǎng)

移動互聯(lián)網(wǎng)和互聯(lián)網(wǎng)的個性服務(wù)，不斷提升用戶體驗對實時要求也是非常高的。一般要樣本性的相應(yīng)，而互聯(lián)網(wǎng)的傳感數(shù)據(jù)，通過智能分析來經(jīng)營決策的。這以前大數(shù)據(jù)的分享，我們可以把它分成事后的風險和追溯，而更重要的應(yīng)用事中的分析、處理。

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

現(xiàn)有的解決方案主要是兩種：

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

一種集群式、分布式的解決方案，但是其實時響應(yīng)比較慢。

另一種是組建流式大數(shù)據(jù)，即內(nèi)存計算，但它的實時相應(yīng)數(shù)據(jù)規(guī)模受限。

但是大數(shù)據(jù)的處理技術(shù)，主要有四個難題。它們分別是：

1、基于分布式內(nèi)存的運行計算

2、可能很多臺計算機，每臺計算機多CPU，你一個任務(wù)下去，在計算機上同時進行內(nèi)存的計算，它都是可以做到分布存儲。

3、海量歷史數(shù)據(jù)高性能的分析

4、當你流進水庫的實時，不僅僅是處理流的數(shù)據(jù)，而且還要把你存在數(shù)據(jù)庫的數(shù)據(jù)一起建立起來。因為這個時間窗口，要重復(fù)計算問題，并且有海量數(shù)據(jù)的復(fù)雜增量要計算。

數(shù)據(jù)流進來后，怎么樣把流式數(shù)據(jù)跟歷史數(shù)據(jù)一起計算？

所謂大數(shù)據(jù)，流式是必須要算的，解決辦法就可以從增量基礎(chǔ)上入手。

要用模型解決實際應(yīng)用的問題

張老師說像統(tǒng)計的模型，基于規(guī)則的模型，這些模型能夠很好的結(jié)合。所以要把實施處理的分析模型分開，這樣就能針對不同的問題進行可以計算。

這四個就是最重要的四大問題，我們現(xiàn)在的研究成果——流立方的實時計算，把數(shù)據(jù)時間窗口、計算指標加上最核心的增量計算，也就是解決分布的存儲的性能，與基于內(nèi)存的計算更好的結(jié)合在一起。

流立方

現(xiàn)在我們來介紹下流式大數(shù)據(jù)實時處理平臺，我們知道這個平臺不僅僅是流立方計算引擎。結(jié)合大數(shù)據(jù)，相當于流立方的計算引擎要從60多個組件里面，抽取部分構(gòu)成這么一個平臺，同時還要加上分布存儲、數(shù)據(jù)庫，包括大數(shù)據(jù)的云處理平臺，還有其他地方來構(gòu)成這個平臺，實際上這個平臺是非常強大的系統(tǒng)。

下面介紹有應(yīng)用，這個是流立方應(yīng)用的框架。

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

紅線里面都是以流式大數(shù)據(jù)存在的計算指標、統(tǒng)計指標，左邊是有一個分析處理模型，這個模型是可以基于數(shù)學模型指導(dǎo)。所以，當你把一個要解決的問題，比如說：

下圍棋要學習，就可以把下棋的棋譜傳進來?？梢栽谶@個平臺上進行計算，這是外部應(yīng)用系統(tǒng)。

它可以應(yīng)用很多，流立方實時平臺上在原有基礎(chǔ)系統(tǒng)上，做一個并行系統(tǒng)實時檢測，通過專業(yè)知識、模型來實時分析。

下面具體來看幾個案例：

金融風控反欺詐

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

我們每個人刷卡、消費、支付的時候，實際上到了銀聯(lián)的風控系統(tǒng)，來判斷你是不是騙子。

原來支付系統(tǒng)很簡單，通過計算機、通過手機直接進入支付。但是你可能是受到詐騙，這個時候怎么辦？

以前的系統(tǒng)到了晚上12點，銀聯(lián)把今天的數(shù)據(jù)重新統(tǒng)計下來，會發(fā)現(xiàn)有多少詐騙。后來在互聯(lián)網(wǎng)上，每個人要發(fā)一個U盾來驗證。當你支付的時候，要判別這個錢要不要付出去，在數(shù)據(jù)上做一個判別，就是風控引擎。

這個風控引擎就是抓互聯(lián)網(wǎng)詐騙的工具，目前銀聯(lián)正在使用的這個系統(tǒng)

計算只有4臺PC，可以每秒并發(fā)處理5萬。而規(guī)則有幾百萬，是通過機器學習來實現(xiàn)的。

要特別強調(diào)，所謂大數(shù)據(jù)應(yīng)用，離不開這么一個架構(gòu)。因為首先，我們要知道數(shù)據(jù)最重要的是標識數(shù)據(jù)。用手機、還是電腦進行詐騙，以前的處理就簡單——比對就好，不用的大數(shù)據(jù)規(guī)則。這種則需要去分析，所以要有標識。因為是大數(shù)據(jù)分析，所以要有技術(shù)、設(shè)備的指南以及結(jié)合規(guī)則。

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

現(xiàn)在電子支付上，除了螞蟻金服和微信支付是自己做的風控以外，基本上所有的系統(tǒng)都是基于流立方來做的。

反爬蟲系統(tǒng)

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

第二個例子，是用流立方系統(tǒng)做一個反爬蟲系統(tǒng)。

現(xiàn)在所謂的大數(shù)據(jù)，最開始是爬別人的數(shù)據(jù)，把別人的數(shù)據(jù)爬來監(jiān)聽其商業(yè)模式。

15年、16年的時候網(wǎng)站大部分是在爬蟲在爬，遍布各類網(wǎng)站，包括銀行類、政府類、社交類等等。消耗我們資源、影響正常分訪問、增加運營成本。

現(xiàn)在用的流立方這個系統(tǒng)，它可以把增加數(shù)據(jù)的服務(wù)，把數(shù)據(jù)的指南、人機的識別、爬蟲的行為分析都考慮進去（用安全專家、網(wǎng)絡(luò)專家規(guī)則的形式把它考慮進去）。這個就是非常好的實時爬蟲修補了。

流立方平臺能把控基礎(chǔ)、風控引擎，針對爬感知到所有信息。當你做風控系統(tǒng)的話，先對風控模型進行觀測，再啟用風控。

鐵路售票網(wǎng)12306

第三個案例，我想就是跟大家可能更緊密，就是鐵路的售票網(wǎng)站2306。

我們知道原來12306訂票的話，需要一個什么？圖片驗證碼。為什么要有這個圖片驗證呢？就怕的什么？黃牛來扒票、欺詐。

但是，當我們真的去訂票的時候，復(fù)雜的驗證碼可能很麻煩?，F(xiàn)在對12306投訴最多的是我驗證碼辨別不出來，第一次驗證不出來，第二次還給你更難的圖片。因為你分辨不出來，它就認為你是黃牛了，把更難的給你了。

這個很復(fù)雜，我們覺得好像是把黃牛打完了。但是他做了爬蟲，就眾包給大爺、大媽，所以現(xiàn)在還是沒辦法，黃牛來倒你票的時候，是給退休大媽、大爺做的。這個最后很麻煩，投訴越來越多。

那么，我們有沒有可能做出類似的人工智能，實時根據(jù)黃牛的行為分析，根據(jù)他的手機號、身份證，能定出幾百條的規(guī)則來實時處理？

這個呢，相對難度比較大。我們剛才講了，在0.1秒鐘內(nèi)通過對每位購票者的分析，也就是我們說的準確畫像。但是精準識別票法，要遠遠高于我們現(xiàn)在的識別票法。

平時的訪問量，我們做了統(tǒng)計，用戶的訪問量，在春節(jié)期間，每天是310萬。但是最可怕是爬蟲，跑蟲的訪問量每天是1500億，峰值是每秒鐘170萬。

我們現(xiàn)在的流立方，現(xiàn)在嘗試每秒40萬億，甚至能做到16臺、24臺均衡上升的。

為什么說爬蟲？可能大家不是很了解，我跟大家講一下，很多網(wǎng)站的票都是從12306買來的。用爬蟲數(shù)據(jù)，把好的票留下來，通過爬蟲購票，在10分鐘以內(nèi)，你沒有付錢的話沒關(guān)系，他也可以把票退回去。在網(wǎng)站上，我們沒有訂票，在9分多鐘的時候，把票退回來。在10分鐘以內(nèi)有人在網(wǎng)站訂票，真實身份證上傳的時候，把這個票馬上退回去給你交易，所以把12306購票網(wǎng)站把整個系統(tǒng)爆了。

應(yīng)用前景

CNCC 2016 | 浙江大學陳純：何為流式大數(shù)據(jù)？

應(yīng)用的前景非常的廣泛：金融、電信、交通、公安、海關(guān)、互聯(lián)網(wǎng)都可以應(yīng)用。

體會

流數(shù)據(jù)的實時處理

流式數(shù)據(jù)的實時分析，一定是有規(guī)則、模型的東西。復(fù)雜的分析計算，加上實時這兩個結(jié)合起來，如果能做的好，一定能夠加速大數(shù)據(jù)在各個行業(yè)的應(yīng)用。

大數(shù)據(jù)

我們現(xiàn)在大數(shù)據(jù)要么就是賣數(shù)據(jù)，對比數(shù)據(jù)事后不同的分析來追溯，這個非常重要。

但是我們現(xiàn)在應(yīng)用最重要，還是要結(jié)合不同的空間數(shù)據(jù)實施流數(shù)據(jù)分析。這個要有平臺才能把所有的數(shù)據(jù)（互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)還有互聯(lián)網(wǎng)+）共同體驗、提升。

來源：雷鋒網(wǎng)

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務(wù)必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責。