作者：Hebert W. Pereyra，IBM 杰出工程師，Hybrid Data Management首席架構(gòu)師

譯者：劉俊 ，IBM watsonx.data開發(fā)架構(gòu)師

北京2023年7月17日/美通社/ -- 數(shù)據(jù)湖誕生至今已有十多年的歷史，為全球一些最大的企業(yè)提供了數(shù)據(jù)分析的支持。然而，也有人認(rèn)為，絕大多數(shù)數(shù)據(jù)湖部署已經(jīng)演變成為"數(shù)據(jù)沼澤"。不論你站在哪一邊，現(xiàn)實(shí)情況是，這些系統(tǒng)中仍然承載著大量的數(shù)據(jù)。這些數(shù)據(jù)規(guī)模龐大，使得移動(dòng)、遷移或?qū)ζ溥M(jìn)行現(xiàn)代化都變得異常困難。

數(shù)據(jù)湖的巨大挑戰(zhàn)：單一結(jié)構(gòu)的架構(gòu)問題

從較高層次來看，數(shù)據(jù)湖是一個(gè)大規(guī)模的單一數(shù)據(jù)存儲庫。數(shù)據(jù)可以以原始形式存儲，也可以經(jīng)過優(yōu)化，采用適合專用引擎使用的不同格式。

就Hadoop而言，它是最受歡迎的數(shù)據(jù)湖之一，通過使用開源軟件實(shí)現(xiàn)該存儲庫，并在通用硬件上運(yùn)行，可以以非常低的成本在系統(tǒng)中存儲大量數(shù)據(jù)。數(shù)據(jù)可以以開放的數(shù)據(jù)格式進(jìn)行持久化，從而實(shí)現(xiàn)了數(shù)據(jù)消費(fèi)的民主化，并通過自動(dòng)復(fù)制提供了高可用性的支持。默認(rèn)的處理框架具備從故障中恢復(fù)的能力。這無疑是與傳統(tǒng)分析環(huán)境有著顯著差異的重要轉(zhuǎn)變，傳統(tǒng)數(shù)據(jù)分析環(huán)境往往意味著供應(yīng)商鎖定以及無法處理大規(guī)模數(shù)據(jù)。

另一個(gè)出乎意料的挑戰(zhàn)是將Spark引入作為大數(shù)據(jù)處理框架。由于其支持?jǐn)?shù)據(jù)轉(zhuǎn)換、流式處理和SQL，它迅速獲得了廣泛的認(rèn)可。然而，它并未能與現(xiàn)有的數(shù)據(jù)湖環(huán)境友好共存，因此通常需要額外的專用計(jì)算集群才能運(yùn)行Spark。

我們將時(shí)間前移15年回到當(dāng)下，現(xiàn)實(shí)已經(jīng)清楚地表明了這項(xiàng)技術(shù)所涉及的權(quán)衡和妥協(xié)。其快速的采用意味著客戶很快失去了對數(shù)據(jù)湖中數(shù)據(jù)的追蹤。同樣具有挑戰(zhàn)的是，他們無法確定數(shù)據(jù)的來源、獲取方式以及在處理過程中的轉(zhuǎn)換方式。數(shù)據(jù)治理仍然是這項(xiàng)技術(shù)中尚未探索的領(lǐng)域。雖然軟件可能是開源的，但需要有人學(xué)習(xí)如何使用、維護(hù)和支持它。僅依賴社區(qū)支持并不能持續(xù)滿足業(yè)務(wù)運(yùn)營所需的響應(yīng)時(shí)間。高可用性通過復(fù)制實(shí)現(xiàn)則意味著需要更多磁盤上的數(shù)據(jù)副本，增加存儲成本，并導(dǎo)致故障更加頻繁。而高可用的分布式處理框架則意味著不得不在性能方面做出妥協(xié)，以換取彈性（這將導(dǎo)致交互式分析和商業(yè)智能的性能嚴(yán)重下降）。

為何要對數(shù)據(jù)湖進(jìn)行現(xiàn)代化？

數(shù)據(jù)湖在特定的使用場景中已經(jīng)被證明是成功的。然而清楚的是，企業(yè)迫切需要對這些部署進(jìn)行現(xiàn)代化，保護(hù)基礎(chǔ)設(shè)施、技能和存儲在這些系統(tǒng)中的數(shù)據(jù)的投資。

在尋找答案的過程中，行業(yè)研究了現(xiàn)有的數(shù)據(jù)平臺技術(shù)及其優(yōu)勢。很明顯，有效的方法是將傳統(tǒng)的（或者說是遺留的）數(shù)據(jù)倉庫或數(shù)據(jù)集市的關(guān)鍵特性與數(shù)據(jù)湖的優(yōu)勢結(jié)合起來。以下幾個(gè)關(guān)鍵要素迅速浮出水面：

具備彈性和可擴(kuò)展的存儲，能夠滿足日益增長的數(shù)據(jù)規(guī)模需求。

采用開放的數(shù)據(jù)格式，使數(shù)據(jù)對所有人都可訪問，同時(shí)針對高性能進(jìn)行優(yōu)化，并具備良好定義的結(jié)構(gòu)。

開放的元數(shù)據(jù)（可共享），能夠支持多個(gè)消費(fèi)引擎或框架。

支持?jǐn)?shù)據(jù)更新（ACID特性）和事務(wù)并發(fā)處理。

綜合的數(shù)據(jù)安全和數(shù)據(jù)治理（如數(shù)據(jù)血緣、完整的數(shù)據(jù)訪問策略定義和執(zhí)行，包括地理分布）。

上述要素導(dǎo)致了湖倉一體的出現(xiàn)。湖倉一體是一種數(shù)據(jù)平臺，是將數(shù)據(jù)倉庫和數(shù)據(jù)湖的優(yōu)點(diǎn)融合在一起，形成統(tǒng)一、協(xié)調(diào)的數(shù)據(jù)管理解決方案。

利用watsonx.data來現(xiàn)代化數(shù)據(jù)湖的好處

站在當(dāng)下數(shù)據(jù)分析的十字路口，IBM的回應(yīng)是為企業(yè)提供watsonx.data解決方案。

站在當(dāng)下數(shù)據(jù)分析的十字路口，IBM的回應(yīng)是為企業(yè)提供watsonx.data解決方案，這是一個(gè)用于大規(guī)模數(shù)據(jù)管理的新型開放式數(shù)據(jù)存儲，允許企業(yè)在無需遷移的情況下圍繞、增強(qiáng)和現(xiàn)代化其現(xiàn)有的數(shù)據(jù)湖和數(shù)據(jù)倉庫。它支持開放式的多云與混合云，可以在客戶管理的基礎(chǔ)設(shè)施（本地或者私有云）和公有云上運(yùn)行。它建立在湖倉一體架構(gòu)之上，并嵌入了一整套解決方案（以及通用軟件堆棧），適用于所有形態(tài)。

與市場上的競品相比，IBM的方法基于開源堆棧和架構(gòu)。這些組件并不是新的，而是業(yè)界已經(jīng)廣泛使用的成熟組件。IBM關(guān)注它們的互操作性、共存性和元數(shù)據(jù)交換。用戶可以快速入門，從而大大降低了入門和使用的成本，因?yàn)槠渖蠈蛹軜?gòu)和基礎(chǔ)概念是大家熟悉且直觀的：

通過對象存儲實(shí)現(xiàn)開放的數(shù)據(jù)（和表格格式）

通過S3進(jìn)行數(shù)據(jù)訪問

使用Presto和Spark進(jìn)行查詢計(jì)算（SQL、數(shù)據(jù)科學(xué)、轉(zhuǎn)換和流處理）

通過Hive和兼容結(jié)構(gòu)實(shí)現(xiàn)開放的元數(shù)據(jù)共享

Watsonx.data為企業(yè)提供了一種保護(hù)他們在數(shù)據(jù)湖和數(shù)據(jù)倉庫數(shù)十年投資的方式，使企業(yè)可立即擴(kuò)展并逐步現(xiàn)代化其安裝，將每個(gè)組件專注于對企業(yè)最重要的使用場景。

一個(gè)關(guān)鍵的差異化因素是多引擎策略，允許用戶在統(tǒng)一的數(shù)據(jù)平臺上根據(jù)實(shí)際情況選擇適合的技術(shù)。watsonx.data使客戶能夠?qū)崿F(xiàn)完全動(dòng)態(tài)的分層存儲（以及相關(guān)的計(jì)算）。隨著時(shí)間的推移，這可以帶來非常顯著的數(shù)據(jù)管理和處理的成本節(jié)省。

如果最終企業(yè)的目標(biāo)是通過湖倉一體架構(gòu)來現(xiàn)代化現(xiàn)有的數(shù)據(jù)湖部署，那么watsonx.data則通過選擇計(jì)算方式來最小化數(shù)據(jù)遷移和應(yīng)用遷移，從而簡化了任務(wù)。

接下來可以做什么？

在過去的幾年里，數(shù)據(jù)湖在大多數(shù)企業(yè)的數(shù)據(jù)管理策略中發(fā)揮了重要作用。如果企業(yè)的目標(biāo)是對其數(shù)據(jù)管理策略進(jìn)行演進(jìn)并現(xiàn)代化為真正的混合分析云架構(gòu)，那么IBM基于湖倉一體架構(gòu)構(gòu)建的新型數(shù)據(jù)存儲watsonx.data，則是值得企業(yè)考慮的技術(shù)選擇。

審核編輯 黃宇