+CarbonData，华为云智能数据湖让数据处理飞起来

随着5G、AI、IoT等技术越来越普及，企业数据量增大，新的数据业务层出不穷，企业对数据分析的灵活性、性能、成本要求越来越高，基于传统大数据Hadoop系统搭建的数据分析平台已无法满足企业多方面的要求。

近年来随着云计算技术发展，越来越多企业选择了以数据湖为中心构建大数据处理平台，数据湖最明显的特征就是存储和计算分离，一方面可以使成本下降；另一方面，可以获得更好的系统可扩展性。

采用数据湖架构，随着企业业务增长，可以在一份数据上不断增加新业务，而不是像传统数据平台那样，每拓展一个新业务就要做一次数据拷贝。

每个硬币都有两面，数据湖方案除了低成本、易扩展的优点外，同时也有一些缺点：

1、无事务能力，数据入库难！

传统数据湖依赖云存储，但云存储一般都没有ACID（Atomicity, Consistency, Isolation, Durability)事务能力，导致在此之上构建的Hive表格、Spark表格等不支持基于事务的数据入库，更不用说数据更新了。

这个弊端极大制约了数据湖的使用场景，企业无法将不断变化的数据快速注入到数据湖内。常常需要在业务层做大量预处理后，才能进入数据湖做分析，处理时延往往在一天以上。

2、分析性能依赖于暴力扫描，即费资源又太慢！

传统数据湖存储依赖云存储，极大降低成本，但做数据分析时属于暴力扫描方式，完全依靠云存储自身的吞吐能力，这种方式只适用于ETL、批量计算等对时延不敏感的应用，无法支撑如秒级数据检索、时序数据分析等低时延分析场景。

+ CarbonData，让华为云智能数据湖真正成为企业数据架构的底座

为了解决这些问题，华为云基于云存储+CarbonData构建的新一代数据湖，实现了 "实时数据接入"、"DB数据同步"、"高性能查询和分析"等能力，填补了业界能力空白，使云化数据湖可以真正成为企业数据架构的底座。

基于CarbonData的华为云数据湖方案如上图描述，Kafka完成数据收集，由Flink、Spark Streaming等流计算引擎完成数据清洗、预处理等业务逻辑，将处理后的数据注入到CarbonData表格中；

继而，用户可使用Spark、Hive、Presto等大数据引擎对CarbonData表格进行交互分析、详单查询和ETL等业务；也可以使用TensorFlow、PyTorch等AI引擎进行AI模型训练、推理等。

下面进一步阐述，加持CarbonData后，华为云智能数据湖的三大特点：

1、实时数据入库

CarbonData增加了对 Flink 的支持，50行代码轻松实现对接 Flink 以CarbonData的格式实现实时数据入库。同时，CarbonData支持ACID事务能力，确保入库操作的原子性和一致性。这使得CarbonData成为唯一一款兼具速度、灵活性和支持 ACID 事务特性的全场景数据湖。

2、DB数据同步

CarbonData支持Delta增量同步，相比Hive使用的数据重写策略，数据同步性能提升10倍。基于CarbonData的数据快速同步能力，企业可以轻松实现关系型数据库到数据湖的数据实时同步，缩短数据入湖可见周期，将数据可见时间从T+1优化为T+0，消除数据入湖壁垒。

3、高性能查询和分析

CarbonData支持对云存储的数据构建索引和物化视图，实现10倍以上的查询性能提升。根据业务需求，用户可选择多种索引和物化视图加速能力，包括主索引、二级索引、时空索引、多值列索引、时间序列Rollup、多表Join预聚合等。

CarbonData在构建这些索引的时候，同样遵循ACID事务性，确保索引构建过程中不会对业务查询造成影响。并可以利用云计算的按需扩展能力，加速索引和物化视图的构建性能。

基于CarbonData最新版本的异步索引构建能力，在数据入库实时性要求较高的业务场景，用户可通过"先入库再建索引"的方式，平衡数据入库延迟和查询性能。实现数据入库后即可被查询，并使用周期任务或等到业务闲时再对数据建立索引，大幅提升查询性能。

典型场景分析

某互联网行业用户使用CarbonData构建全场景数据湖，借助"DB数据同步"、"实时数据入库"和"高性能查询和分析"功能轻松构建PB级别、甚至EB级别大数据处理平台。

对于一个日活千万级别的App应用来说，平均每天约产生500亿条用户行为数据，一年的数据存储量约10PB。在使用CarbonData之前，该用户曾做过如下性能和成本分析：

1、传统Nosql数据库虽然具有较好的数据索引机制，但是"太贵"：

因为要查询快，用户通常会首先考虑HBase, ElasticSearch等自带索引的NoSQL数据库。

以HBase为例，每PB存储的云硬盘成本为70万/月；单台RegionServer可维护不超过10TB的数据， 每PB的数据存储需100台计算节点来部署RegionServer，每台计算节点500元/月，部署的硬件成本为500*100=5万/月，每PB总成本=75万/月。

2、基于云存储+文件虽然具有较好的成本优势，但是"太慢"：

使用Parquet, ORC等列存，可以将数据存储在对象存储中，成本大大降低，每PB存储的对象存储成本约为8万/月；100台计算节点假设每天开机8小时，计算成本5/3=1.67万/月，每PB总成本约9.67万/月，成本大幅下降。

但是由于无索引，只能通过暴力扫描的方式进行查询和计算，在暴力计算时系统往往受限于对象存储带宽，假设对象存储带宽为20GB/s，对10PB全量数据查询一次通常需要4~5个小时（视业务查询条件而定）。

3、云存储+CarbonData, 实现"又快又便宜"的任性：

CarbonData兼具NoSQL的索引性能优势，和Parquet、ORC等文件存储的成本优势，又快又便宜:

1） 利用CarbonData的索引、物化视图、缓存等查询优化技术，查询时间从4个小时下降到30秒内，查询性能提升480倍；

2） 支持ACID事务和DB数据同步能力，缩短数据入湖可见周期从T+1到T+0；

3） 基于存算分离架构，使用云存储+100计算节点按需启停，每PB总成本约9.67万/月，成本降低近10倍。

展望

Apache CarbonData是一个高性能EB级别原生Hadoop分析型数据仓库，提供面向对象存储上EB级数据的高性能明细查询能力、交互式查询能力，提供流数据接入、DB数据实时同步和更新能力，提供对主要ETL业务的支持和加速，以及机器学习、深度学习等AI引擎的对接和优化，生态发展越来越完善。