Cloudera Data Warehouse（CDW）是一種托管數(shù)據(jù)倉庫，可在容器化體系結(jié)構(gòu)上運(yùn)行 Cloudera的強(qiáng)大引擎。它是新Cloudera數(shù)據(jù)平臺或CDP的一部分，該平臺已于今年年初在Microsoft Azure上啟用。CDW服務(wù)可讓您滿足SLA，在零摩擦的情況下使用新的用例并最大程度地降低成本。在11日，CDW在Microsoft Azure上已全面上市，該服務(wù)可通過Azure市場作為CDP的一部分使用。

與客戶討論數(shù)據(jù)倉庫時，經(jīng)常會出現(xiàn)三種情況。企業(yè)永遠(yuǎn)無法盡快獲得所需的東西。通常會錯過SLA，尤其是隨著用戶數(shù)量和用例的增長。而且，即使不是完全強(qiáng)制性的命令，也存在向公共云遷移的壓力。

盡管有許多因素導(dǎo)致了這些情況，但是對于如何處理它只有一個答案：CDW。 這篇文章描述了Cloudera客戶所面臨的代表性示例，并說明了CDW如何解決這些問題。它還著眼于該解決方案中幾種Azure服務(wù)（例如Azure Kubernetes服務(wù)和ADLS Gen2）所起的關(guān)鍵作用。

以一家制造用于飛機(jī)的設(shè)備的公司為例。像許多企業(yè)一樣，有大量的分析師在研究精選的數(shù)據(jù)，業(yè)務(wù)線（LOB）經(jīng)理專注于卓越的運(yùn)營，而數(shù)據(jù)科學(xué)家則在新數(shù)據(jù)集中尋找競爭優(yōu)勢。但是，也存在挑戰(zhàn)，如以下4個例子所示：

• CDW為業(yè)務(wù)分析人員Ramesh提供了經(jīng)濟(jì)高效，可擴(kuò)展的報(bào)表和儀表板，因此它們的SLA不會被錯過。

• CDW使數(shù)據(jù)架構(gòu)師Kelly可以處理倉庫中的數(shù)據(jù)，而不會影響其他工作負(fù)載。

• CDW為數(shù)據(jù)科學(xué)家Olivia提供了無限的計(jì)算資源，可以在幾分鐘之內(nèi)將對象存儲中的任何數(shù)據(jù)扔掉。

• CDW為運(yùn)營經(jīng)理Mariana提供了一個單一平臺，該平臺可以執(zhí)行傳統(tǒng)的數(shù)據(jù)倉庫以及需要不同技術(shù)的新用例。同時保留每個數(shù)據(jù)集的單個副本并利用共享的元數(shù)據(jù)和安全性。

在下面的部分中，我們將進(jìn)一步解釋CDW和Azure如何提供這些功能。

高效，可伸縮的報(bào)表和儀表板數(shù)據(jù)管理

Ramesh和他的業(yè)務(wù)分析師團(tuán)隊(duì)全天不間斷地發(fā)布報(bào)告。業(yè)務(wù)依靠他的團(tuán)隊(duì)提供的洞察力來運(yùn)行，尤其是與客戶情緒有關(guān)的洞察力，而老綠道近期旅行支出的下降，這一點(diǎn)就更加至關(guān)重要。因此，他們不能錯過SLA，否則業(yè)務(wù)就會向著其他方向發(fā)展。

每當(dāng)沒有查詢時，CDW虛擬倉庫（VW）中的計(jì)算資源將保持暫停狀態(tài)，不會產(chǎn)生任何成本。Ramesh上班后的第一個查詢一到，他就會自動啟動。如果由于Ramesh的許多同事都在早上晚些時候上線而導(dǎo)致查詢負(fù)載稍后增加到飽和點(diǎn)，則VW將檢測到這一點(diǎn)并提供更多計(jì)算資源來處理負(fù)載，同時保持高性能——這稱為自動縮放。一旦負(fù)載下降到較低的水平，那么這些額外的計(jì)算資源就被釋放了，因此不再產(chǎn)生成本。最后，在Ramesh最終離開工作并且查詢?nèi)拷Y(jié)束的一天結(jié)束時，將自動暫停自身，再次下降為免費(fèi)狀態(tài)。

CDW可以使用Azure Kubernetes服務(wù)（AKS）快速配置計(jì)算Pod，并在不再需要時釋放它們，從而提供這種按需付費(fèi)的功能。這些Pod使用Standard_E16_v3計(jì)算實(shí)例大小（16 vCPU，128 GiB RAM，400 GiB本地SSD） AKS最終在后臺使用VM縮放集來啟用和控制自動縮放。

Ramesh的團(tuán)隊(duì)運(yùn)行查詢后，就可以通過服務(wù)中內(nèi)置的三個緩存級別在很大程度上滿足其SLA：

• 數(shù)據(jù)緩存–首次從ADLS讀取數(shù)據(jù)時，會將其緩存在使用該數(shù)據(jù)的計(jì)算節(jié)點(diǎn)上。隨后需要相同數(shù)據(jù)的查詢從本地緩存（而不是ADLS）獲取數(shù)據(jù)。Hive LLAP和Impala VW均支持此緩存類型。

• 結(jié)果集緩存–將結(jié)果發(fā)送回客戶端后，結(jié)果集也將緩存在HiveServer2節(jié)點(diǎn)上的存儲中。如果再次到達(dá)完全相同的查詢（這在儀表板和BI用例中很常見），則直接從HS2緩存中提供結(jié)果。當(dāng)前，只有Hive LLAP VW支持此緩存類型。

• 物化視圖–您可以定義物化視圖（MV）的結(jié)構(gòu)和內(nèi)容，Hive將從基表中選擇數(shù)據(jù)填充其中。對于后續(xù)訪問基表的查詢，如果Hive檢測到可以從MV中提供數(shù)據(jù)，則它將透明地重寫查詢以使用該查詢，從而避免了再次掃描基表，聯(lián)接數(shù)據(jù)，對其進(jìn)行匯總的需求等等。目前只有Hive LLAP大眾汽車支持此功能。

憑借這種智能和性能優(yōu)化水平，Ramesh和團(tuán)隊(duì)可以隨著數(shù)據(jù)量和業(yè)務(wù)需求的增長而增長，而僅需支付實(shí)際工作所需的資源。

臨時探索以補(bǔ)充SLA約束的工作量

CMO要求數(shù)據(jù)架構(gòu)師Kelly提供量化近期營銷活動影響的指標(biāo)。倉庫具有所需的數(shù)據(jù)，但也正在滿負(fù)荷運(yùn)行。凱利（Kelly）將需要使用各種查詢類型來探索數(shù)據(jù)，并且不確定需要多長時間或她需要多少CPU和內(nèi)存。在這樣模糊的要求下，由于存在影響SLA約束的操作工作負(fù)載的風(fēng)險(xiǎn)，IT不允許她在數(shù)據(jù)倉庫上執(zhí)行此工作。她的查詢可能會耗盡CPU資源，并從緩存中逐出所有熱數(shù)據(jù)。因此，CMO沒有度量標(biāo)準(zhǔn)來幫助理解其營銷投資的影響。

借助CDW，Kelly可以擁有自己的計(jì)算環(huán)境，該環(huán)境可以查詢倉庫數(shù)據(jù)，但與其他受SLA約束的工作負(fù)載完全隔離。CDW可以通過與存儲和計(jì)算層分開管理數(shù)據(jù)上下文（表定義，授權(quán)策略，元數(shù)據(jù)）來做到這一點(diǎn)。這樣，多個計(jì)算環(huán)境都可以共享同一數(shù)據(jù)上下文。 Cloudera共享數(shù)據(jù)體驗(yàn)（SDX）是為此托管上下文提供的術(shù)語。

SDX的關(guān)鍵啟用功能是能夠在持久數(shù)據(jù)庫中可靠地存儲元數(shù)據(jù)和安全規(guī)則的功能。為此，使用Gen5 4 vCore，內(nèi)存優(yōu)化選項(xiàng)將Azure數(shù)據(jù)庫用于PostgreSQL。托管的Postgres服務(wù)易于集成，高度可用且管理起來很簡單。將其用作元數(shù)據(jù)和其他持久狀態(tài)的單一事實(shí)來源，CDW可以安全地并行運(yùn)行您的工作負(fù)載需求的多個計(jì)算環(huán)境。

當(dāng)在這種情況下需要計(jì)算資源時，CDW提供的另一種方法是將您的工作負(fù)載從本地CDH或HDP群集擴(kuò)展到在公共云中運(yùn)行的CDP。在這種情況下，Workload Manager工具用于分析您的內(nèi)部工作負(fù)載，確定適合突發(fā)的候選工作負(fù)載（在這種情況下，臨時探索查詢會干擾SLA綁定查詢），然后將數(shù)據(jù)和元數(shù)據(jù)復(fù)制到CDP。現(xiàn)在可以在您的云環(huán)境中安全地運(yùn)行工作負(fù)載。如果這樣做，您可能希望使用Microsoft ExpressRoute來確保良好的性能和一致的數(shù)據(jù)移動延遲。

快速配置以跟上業(yè)務(wù)速度

數(shù)據(jù)科學(xué)家奧利維亞（Olivia）有時需要使用尚未在倉庫中的新數(shù)據(jù)文件來檢驗(yàn)供應(yīng)鏈優(yōu)化的假設(shè)。但是中央IT部門從來沒有計(jì)劃過這樣的突發(fā)性工作負(fù)載，也沒有資源去做一個新的ETL項(xiàng)目，以將這些新數(shù)據(jù)（其價值尚未得到證實(shí)）整合到倉庫中。這導(dǎo)致錯過了降低供應(yīng)鏈成本并降低其內(nèi)部風(fēng)險(xiǎn)的機(jī)會。

如果使用CDW，Olivia將能夠簡單地啟動一個新的Hive LLAP VW，該過程只需幾分鐘，然后在數(shù)據(jù)文件上創(chuàng)建一個外部表定義，以便她可以開始查詢它們。使用Hive，您可以本地查詢半結(jié)構(gòu)化文本文件和帶分隔符的文件（例如CSV或TSV）。有標(biāo)準(zhǔn)的開源庫可查詢JSON以及其他文件格式。而且，您始終可以為自定義格式定義自己的Serializer-Deserializer（SerDe）。即使使用這些基本文件格式，Hive仍將數(shù)據(jù)轉(zhuǎn)換為其列式內(nèi)存格式，以從緩存和IO效率優(yōu)化中受益。

這種快速提供對對象存儲中任意數(shù)據(jù)查詢功能的功能可帶來極大的靈活性和靈活性。您可以快速瀏覽新數(shù)據(jù)和使用新用例，以跟上業(yè)務(wù)發(fā)展的速度。但是，需要可擴(kuò)展的高性能ADLS Gen2服務(wù)。Hadoop ABFS連接器提供了此關(guān)鍵集成點(diǎn)，將您存儲在ADLS Gen2中的企業(yè)數(shù)據(jù)與Cloudera中可用的分析功能的生態(tài)系統(tǒng)聯(lián)系起來。

利用共享資源的新用例的多模式分析

制造LOB運(yùn)營經(jīng)理Mariana受其首席運(yùn)營官的委托，通過避免計(jì)劃外的設(shè)備停機(jī)來提高產(chǎn)量。她估計(jì)，這將需要每秒存儲100萬個傳感器讀數(shù)，保留15個月的數(shù)據(jù)以適應(yīng)歷史趨勢分析，對數(shù)據(jù)運(yùn)行任意SQL的能力以及訪問原始數(shù)據(jù)和聚合的需求。簡而言之，她需要一個高度可擴(kuò)展的實(shí)時數(shù)據(jù)倉庫，該倉庫可提供時間序列功能而又不會造成資金損失。

當(dāng)前的數(shù)據(jù)倉庫團(tuán)隊(duì)無法接近這些性能要求，并且他們的團(tuán)隊(duì)之一使用的傳統(tǒng)時間序列數(shù)據(jù)庫無法處理如此長的歷史記錄或執(zhí)行任意SQL。借助CDP平臺，Mariana可以在一小時內(nèi)站起基礎(chǔ)架構(gòu)來托管此類應(yīng)用程序，在這種情況下，將使用具有標(biāo)準(zhǔn)本地冗余SSD存儲的Azure Compute VM。 Cloudera的時間序列產(chǎn)品主要依賴于Apache Kudu存儲引擎和Apache Impala進(jìn)行SQL查詢。可以使用Apache NiFi從Azure Event Hub或Kafka或許多其他受支持的源之一中提取數(shù)據(jù)。強(qiáng)大的Cloudera引擎與強(qiáng)大的Azure基礎(chǔ)架構(gòu)的結(jié)合意味著可以滿足Mariana的雄心勃勃的要求。

而之后當(dāng)接到通過制造更可靠的飛機(jī)發(fā)動機(jī)來提高客戶滿意度的要求時，即便她不知道在工廠要進(jìn)行哪些調(diào)整以提高質(zhì)量。但是借助Cloudera，Mariana可以運(yùn)行將時間序列應(yīng)用程序中的數(shù)據(jù)與倉庫中的其他數(shù)據(jù)結(jié)合起來的查詢，以得出制造過程與客戶體驗(yàn)之間的相關(guān)性（如航班延誤所示）。

如上所述，這是通過SDX啟用的，但是在這種情況下，由于不允許Mariana查看客戶數(shù)據(jù)中的個人身份信息（PII），因此存在更高的安全級別。因?yàn)镃DP與Azure Active Directory集成在一起以獲取用戶的身份和組成員身份，所以它可以使用Apache Ranger強(qiáng)制實(shí)施復(fù)雜的基于角色或基于屬性的訪問控制，以在Mariana訪問數(shù)據(jù)時動態(tài)屏蔽所有PII數(shù)據(jù)。她現(xiàn)在可以安全地完成自己的工作，并通過盡自己的職責(zé)來提高客戶滿意度。

關(guān)于Cloudera

在 Cloudera，我們相信數(shù)據(jù)可以使今天的不可能，在明天成為可能。我們使人們能夠?qū)?fù)雜的數(shù)據(jù)轉(zhuǎn)換為清晰而可行的洞察力。Cloudera 為任何地方的任何數(shù)據(jù)從邊緣到人工智能提供企業(yè)數(shù)據(jù)云平臺服務(wù)。在開源社區(qū)不懈創(chuàng)新的支持下，Cloudera推動了全球最大型企業(yè)的數(shù)字化轉(zhuǎn)型歷程。

慧都大數(shù)據(jù)專業(yè)團(tuán)隊(duì)為企業(yè)提供Cloudera大數(shù)據(jù)平臺搭建，免費(fèi)業(yè)務(wù)咨詢，定制開發(fā)等完整服務(wù)，快速、輕松、低成本將任何Hadoop集群從試用階段轉(zhuǎn)移到生產(chǎn)階段。

歡迎撥打慧都熱線023-68661681或咨詢慧都在線客服，我們有專業(yè)的大數(shù)據(jù)團(tuán)隊(duì)，為您提供免費(fèi)大數(shù)據(jù)相關(guān)業(yè)務(wù)咨詢！