時過境遷，曾經如日中天的數(shù)據倉庫現(xiàn)在怎么樣了?是大勢不減還是已經奄奄一息、茍延殘喘?如果你對這個問題感到困惑，那也是情有可原的。一方面，數(shù)據倉庫的發(fā)展勢頭強勁。作為一個行業(yè)的長期觀察者，我目睹了這個行業(yè)不斷涌現(xiàn)的創(chuàng)新活動。

這種趨勢是從 10 年前“Applicance Form Factor”成為數(shù)據倉庫主流開始。幾年前，隨著市場轉向新一代的云數(shù)據倉庫，這種勢頭進一步獲得了新的動力。在過去幾年，云數(shù)據倉庫供應商 Snowflake 在市場上備受矚目。

數(shù)據倉庫黯然失色

另一方面，數(shù)據倉庫的市場份額被其他技術蠶食，比如大數(shù)據、機器學習和人工智能。這種趨勢給我們造成了一種印象，即數(shù)據倉庫在企業(yè) IT 中的優(yōu)先級地位正在下降。但實際上，大多數(shù)企業(yè)現(xiàn)在仍然至少需要一個(甚至多個)數(shù)據倉庫來為下游的應用程序提供服務。

數(shù)據倉庫是企業(yè)的核心工作負載，這也就是為什么幾年前我就開始思考為什么數(shù)據倉庫離“死”還很遙遠。或許，這也解釋了為什么其他觀察者認為他們必須重新定義數(shù)據倉庫的概念，讓它能夠在數(shù)據湖和云計算時代繼續(xù)存在下去。

實際上，數(shù)據倉庫不僅在蓬勃發(fā)展，而且被認為是云計算時代的一個核心的增長前沿。如果你的眼球只盯著像 Snowflake 這樣的平臺，可能會錯過很多東西。

數(shù)據湖的崛起

人們所說的“數(shù)據湖”正在迅速演變成為下一代數(shù)據倉庫。數(shù)據湖是指一種包含多結構數(shù)據的系統(tǒng)或倉庫，這些數(shù)據按照各自的格式和模式進行保存，比如大對象、文件等。

數(shù)據湖通常被作為整個企業(yè)的存儲中心，包括原數(shù)據系統(tǒng)的原始數(shù)據和轉化過的用于報表、可視化、分析和機器學習的數(shù)據。它們包含了分布式文件或對象存儲、機器學習模型庫、高度并行化處理集群和存儲資源。數(shù)據庫不強制使用通用的 schema 和語義，而是在讀取數(shù)據時使用 schema 和統(tǒng)計模型來抽取有意義的模式。

所有這些都不違背 Inmon 和 Kimball 有關數(shù)據倉庫的核心概念。從根本上說，數(shù)據倉庫的存在是為了聚合、保留和管理“單一版本的事實來源”數(shù)據。這個概念與使用數(shù)據的特定應用程序或用例無關。

如果你對這個說法存有疑惑，可以看一下有關 Bill Inmon 對數(shù)據倉庫定義的討論( http://www.b-eye-network.com/view/16066 )，以及 Inmon 和 Ralph Kimball 兩個框架之間的比較( https://www.computerweekly.com/tip/Inmon-or-Kimball-Which-approach-is-suitable-for-your-data-warehouse )。數(shù)據倉庫是關于基于數(shù)據驅動的決策支持，可以擴展到基于人工智能的推理。

下一代數(shù)據倉庫

在過去的一年里，行業(yè)里出現(xiàn)的一些東西表明數(shù)據倉庫的角色已經發(fā)生了轉變。盡管決策支持仍然是大多數(shù)數(shù)據倉庫的核心應用場景，但我們也看到了決策自動化正在發(fā)生穩(wěn)步的轉變。換句話說，數(shù)據倉庫現(xiàn)在正在為構建基于數(shù)據驅動的推理的機器學習應用程序提供支持。

新一代數(shù)據倉庫實際上就是數(shù)據湖，其首要設計目標是用來管理用于構建和訓練機器學習模型的數(shù)據。例如，在去年秋季的亞馬遜 re:Invent 大會上，AWS 發(fā)布了 AWS Lake Formation。這個服務旨在簡化和加快數(shù)據湖的構建過程。AWS Lake Formation 具備了云數(shù)據倉庫的所有特征，盡管 AWS 沒有把它叫做數(shù)據倉庫。實際上，該服務提供了一個經典的數(shù)據倉庫亞馬遜 Redshift，主要面向決策支持應用程序。

AWS Lake Formation 的行為看起來很像是數(shù)據倉庫。事實上，AWS 對它的描述很容易讓我們將其與數(shù)據倉庫做對比：“數(shù)據湖是一個集中式的安全數(shù)據庫，它存儲所有數(shù)據，包括原始數(shù)據和轉換過的數(shù)據。數(shù)據湖可以幫你打破數(shù)據孤島，將不同類型的分析結合起來，從中獲得洞見和更好的商業(yè)決策指導。

事實上，AWS 將 AWS Lake Formation 描述為一種用于決策支持和人工智能決策自動化的超級數(shù)據倉庫。AWS 還特別強調，該服務旨在管理數(shù)據，“然后用戶就可以選擇他們的分析和機器學習服務，如 Amazon EMR for Spark、Amazon Redshift、Amazon Athena、Amazon SageMaker 和 Amazon QuickSight”。

值得一提的是，Databricks 最近發(fā)布了 Delta Lake 開源項目。Delta Lake 的目標與 AWS Lake Formation 類似：聚合、清理和管理數(shù)據湖中的數(shù)據集，以便更好地為機器學習提供支持。

Delta Lake 位于數(shù)據中心或云平臺的數(shù)據存儲平臺之上，比如 HDFS、Amazon S3 或微軟 Azure 大對象存儲，這些數(shù)據存儲都可以被 Spark 訪問。Delta Lake 使用 Parquet 格式來存儲數(shù)據，Databricks 將其稱為“事務存儲層”。Parquet 是一種開源的列式存儲格式，Hadoop 生態(tài)系統(tǒng)中的每一個項目都支持這種格式，不管使用的是哪一種處理框架。它通過樂觀并發(fā)序列化、快照隔離、數(shù)據版本、回滾和強制 schema 來支持 ACID 事務。

Delta Lake 和 AWS Lake Formation 之間的一個關鍵區(qū)別是 Delta Lake 可以支持批次數(shù)據和流式數(shù)據。另外，Delta Lake 支持 ACID 事務，可以支持數(shù)百個應用程序的并發(fā)寫入和讀取。開發(fā)者還可以訪問早期版本的數(shù)據湖，進行審計和回滾，或者重現(xiàn) MLFlow 機器學習的結果。

從廣泛的層面來看，Delta Lake 似乎要與已經被廣泛采用的 Hive 展開競爭。Hive 極度依賴基于 HDFS 的存儲，而且直到最近才開始支持 ACID 事務。一年前，Hive 3 將 ACID 事務支持帶到了基于 Hadoop 的數(shù)據倉庫上。Hive 3 可以為 CRUD 操作提供原子性和快照隔離。

基于人工智能驅動的決策自動化基石

行業(yè)最近發(fā)布的這些東西——AWS Lake Formation、Delta Lake 和 Hive 3——預示著數(shù)據湖將成為所有決策支持和決策自動化應用程序和所有事務數(shù)據應用程序的治理中心。要加快這種趨勢，Hive 3 和 Delta Lake 等開源項目需要進一步吸引供應商和用戶的眼球。

“數(shù)據倉庫”一詞的定義可能會發(fā)生變化，主要指用于管理商業(yè)智能多結構數(shù)據的數(shù)據存儲。不過，底層的數(shù)據平臺會繼續(xù)演化，為基于云的人工智能管道提供數(shù)據管理基礎。

人工智能，而不是商業(yè)智能，正在推動著企業(yè)數(shù)據倉庫的演變。

作者：James Kobielus

譯者：阿拉丁

英文原文： https://www.infoworld.com/article/3405443/the-data-lake-is-becoming-the-new-data-warehouse.html

標簽： 數(shù)據湖 數(shù)據倉 

版權申明：本站文章部分自網絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。