大数据相关技术资料.docx

1、大数据相关技术资料大数据平台1 大数据平台技术架构:厂数据开发平台、C03P平台 厂机器学习平台DataCubeJTiz y数据J7发 任务词度Scala/JavaSQLStreamingDataSetDataFrameRDD |sparkDataSourcefilesLogSyslogBinlog2具体产品介绍(1)集成数据幵发平台平台框架:技术方案：基于状态机（State Machine ）、微服务（内嵌 Rest RPC Consolel艮务端等）、SVGAngularJS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

2、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

3、、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、

4、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、

5、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

6、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

7、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：机器学习平台应用架隔Python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

8、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,银行分析历史数据，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 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

9、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

10、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

11、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 sparksql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；