Azure上CDW提供經濟高效且可擴展的分析

Azure上CDW提供經濟高效且可擴展的分析

Cloudera數據倉庫（CDW）服務是一種托管數據倉庫，可在容器化體系結構上運行Cloudera的強大引擎。它是新Cloudera數據平臺或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。今天，我們很高興宣布CDW在Microsoft Azure上已全面上市。該服務可通過Azure市場作為CDP的一部分使用。

與我們的客戶討論數據倉庫時，經常會出現三種情況。企業永遠無法盡快獲得所需的東西。通常會錯過SLA，尤其是隨著用戶數量和用例的增長。而且，即使不是完全強制性的命令，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。這篇文章描述了我們的客戶所面對的代表示例，并解釋了CDW如何解決這些問題。它還著眼于該解決方案中幾個Azure服務（例如Azure Kubernetes服務和ADLS Gen2）所起的關鍵作用。

我們將檢查一家制造用于飛機的設備的公司。像許多企業一樣，有大量的分析師在研究精選的數據，業務線（LOB）經理專注于卓越的運營，而數據科學家則在新數據集中尋找競爭優勢。但是，與我們的許多客戶一樣，也存在挑戰，如以下四個主角所示：

1.Ramesh的業務分析人員團隊可生成運行業務的報告。但是隨著團隊的成長，倉庫滿足SLA和保持預算的能力下降了。

a)CDW為Ramesh提供了經濟高效、可擴展的報告和儀表板，因此它們的SLA不會被錯過。

2.Kelly是一位數據架構師，需要運行臨時探索工作負載以進行活動分析。但是，由于存在與SLA綁定的工作負載引起爭用的風險，因此不允許她使用倉庫。

a)CDW使Kelly可以處理倉庫中的數據，而不會影響其他工作負載。

3.數據科學家奧利維亞（Olivia）無法在倉庫中獲得探索新供應鏈數據的能力。因此，錯過了進行優化的機會。

a)CDW為Olivia提供了無限的計算資源，可以在幾分鐘之內將對象存儲中的任何數據扔掉。

4.Mariana是一位運營經理，需要實時查看大容量傳感器數據以及將其與客戶體驗數據結合在一起的能力。當前的倉庫無法處理這種數量或多樣性，因此Mariana必須使用寶貴的預算來建造另一個筒倉。

a)CDW為Mariana提供了一個單一平臺，該平臺可以執行傳統的數據倉庫以及需要不同技術的新用例……同時保留每個數據集的一個副本并利用共享的元數據和安全性。

在下面的部分中，我們將進一步解釋CDW和Azure如何提供這些功能。

能力1–高效、可伸縮的報表和儀表板數據管理

Ramesh和他的業務分析團隊全天不間斷地發布報告。該業務基于他的團隊提供的洞察力，尤其是與客戶情緒有關的洞察力，鑒于最近的差旅支出下降，這一點至關重要。因此，他們不能錯過SLA，否則企業會盲目發展。無論數據量和分析師人數在增長，即使預算在縮減，也必須交付報告。

每當沒有查詢時，CDW虛擬倉庫（VW）中的計算資源將保持暫停狀態，不會產生任何成本。Ramesh上班后的第一個查詢在早上到達時，大眾會自動啟動。如果由于Ramesh的許多同事都在早上晚些時候上線而導致查詢負載稍后增加到飽和點，則VW將檢測到此情況并提供更多計算資源來處理負載，同時保持性能。這稱為自動縮放。一旦負載下降到較低的水平（他的同事們都在沒有他的情況下共進午餐），那么這些額外的計算資源就被釋放了，因此不再產生成本。最后，在Ramesh最終離開工作并且查詢全部結束的一天結束時，大眾汽車自動暫停自身，再次下降為免費狀態。

CDW可以使用Azure Kubernetes服務（AKS）快速提供計算Pod，并在不再需要時釋放它們，從而提供此按需付費的功能。這些Pod使用StandardE16v3計算實例大小（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。

一旦Ramesh的團隊運行了查詢，他們就可以通過服務中內置的三個緩存級別在很大程度上滿足其SLA：

數據緩存–首次從ADLS讀取數據時，會將其緩存在使用該數據的計算節點上。隨后需要相同數據的查詢從本地緩存（而不是ADLS）獲取數據。Hive LLAP和Impala VW均支持此緩存類型。

結果集緩存–將結果發快遞回客戶端后，結果集也將緩存在HiveServer2節點上的存儲中。如果再次到達完全相同的查詢（這在儀表板和BI用例中很常見），則直接從HS2緩存中提供結果。當前，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）的結構和內容，Hive將從基表中選擇數據填充其中。對于后續訪問基表的查詢，如果Hive檢測到可以從MV中提供數據，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，聯接數據，對其進行匯總的需求等等。目前僅Hive LLAP大眾汽車支持此功能。

通過這種級別的智能和性能優化，Ramesh和團隊可以隨著數據量和業務需求的增長而增長，而僅需支付實際工作所需的資源。

能力2–臨時探索以補充SLA約束的工作負載

首席營銷官要求數據架構師Kelly提供量化近期營銷活動影響的指標。倉庫具有所需的數據，但也正在滿負荷運行。凱利（Kelly）將需要使用多種查詢類型來探索數據，并且不確定需要多長時間或她需要多少CPU和內存。在這樣模糊的要求下，由于存在影響SLA約束的操作工作負載的風險，IT不允許她在數據倉庫上執行此工作。她的查詢可能會耗盡CPU資源，并從緩存中逐出所有熱數據。因此，CMO沒有度量標準來幫助理解其營銷投資的影響。

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

SDX的關鍵啟用功能是能夠將元數據和安全規則可靠地存儲在持久數據庫中。為此，我們使用Gen5 4 vCore，內存優化選項將Azure數據庫用于PostgreSQL。這種托管的Postgres服務易于集成，高度可用且管理起來很簡單。使用此作為元數據和其他持久狀態的單一事實來源，CDW可以安全地并行運行您的工作負載所需的多個計算環境。

當在這種情況下需要計算資源時，CDW提供的另一種方法是將您的工作負載從本地CDH或HDP群集擴展到在公共云中運行的CDP。在這種情況下，工作負載管理器工具用于分析您的內部工作負載，確定適合突發的候選工作負載（在這種情況下，臨時探索查詢會干擾SLA綁定查詢），然后將數據和元數據復制到CDP。現在可以在您的云環境中安全地運行工作負載。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據移動延遲。

功能3–快速配置以跟上業務速度

數據科學家奧利維亞（Olivia）偶爾需要使用尚未在倉庫中的新數據文件來檢驗供應鏈優化的假設。但是中央IT部門從來沒有計劃過這樣的突發性工作負載，也沒有資源去做一個新的ETL項目，以將這些新數據（其價值尚未得到驗證）整合到倉庫中。這導致錯過了降低供應鏈成本并降低其風險的機會。

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，然后在數據文件上創建一個外部表定義，以便她可以開始查詢它們。使用Hive，您可以本地查詢半結構化文本文件和定界文件（例如CSV或TSV）。有標準的開源庫可查詢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SerializerDeserializer（SerDe）。即使使用這些基本文件格式，Hive仍將數據轉換為其列式內存格式，以從緩存和IO效率優化中受益。

快速提供對對象存儲中任意數據的查詢功能的這種功能可提供極大的靈活性和靈活性。您可以快速探索新數據和使用新用例，以跟上業務發展的速度。但是，由于可擴展的高性能ADLS Gen2服務，這才有可能。在Hadoop的ABFS連接器提供了這個關鍵的結合點，橋接已存儲在ADLS與第二代在Cloudera公司提供分析功能的生態系統中的企業數據。

功能4–利用共享資源的新用例的多模式分析

制造LOB運營經理Mariana受其首席運營官的委托，通過避免計劃外的設備停機時間來提高產量。她估計，這將需要每秒存儲100萬個傳感器讀數，保留15個月的數據以適應歷史趨勢分析，對數據運行任意SQL的能力以及訪問原始數據和聚合的需求。簡而言之，她需要一個高度可擴展的實時數據倉庫，該倉庫可提供時間序列功能而又不會造成資金損失。

當前的數據倉庫團隊無法接近這些性能要求，并且他們的團隊之一使用的傳統時間序列數據庫無法處理如此長的歷史記錄或執行任意SQL。借助CDP平臺，Mariana可以在一小時內站起來支撐該應用程序的基礎架構，在這種情況下，將使用具有標準本地冗余SSD存儲的Azure Compute VM。Cloudera的時間序列產品主要依賴于Apache Kudu存儲引擎和Apache Impala進行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據。強大的Cloudera引擎與強大的Azure基礎架構的結合意味著可以滿足Mariana的雄心勃勃的要求。

她為自己的首席運營官做得非常出色，以至于首席執行官注意到了這一點，并要求她現在通過制造更可靠的飛機發動機來提高客戶（即飛機乘客）的滿意度。但是倉庫無法實時了解工廠車間中運行的機器，因此沒有簡單的方法可以將數據與客戶體驗數據集成在一起并進行關聯。因此，她不知道在工廠要進行哪些調整以提高質量。

借助Cloudera，Mariana可以運行將時間序列應用程序中的數據與倉庫中的其他數據結合起來的查詢，以得出制造過程與客戶體驗之間的關聯（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，由于沒有允許Mariana查看客戶數據中的個人身份信息（PII），因此存在更高的安全級別。因為CDP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強制實施復雜的基于角色或基于屬性的訪問控制，以在Mariana訪問數據時動態屏蔽所有PII數據。她現在可以安全地完成自己的工作，并通過盡自己的職責來提高客戶滿意度而使CEO高興。

使用CDW for Azure改變您的數據倉庫體驗

借助在Azure上運行的Cloudera Data Warehouse，您可以經濟高效地擴展已整理數據的報告和儀表板，而無需等待傳統上較長的配置周期。您可以在與SLA綁定的工作負載之上啟用即席探索，而不會引起資源爭用而丟失那些協議的風險。您可以根據需要快速配置資源，因此您總是對任何需要進行任何形式分析的業務請求都說“是”，并且可以利用共享資源充分利用針對新用例的更廣泛的多模式分析范圍。

特別聲明：以上文章內容僅代表作者本人觀點，不代表ESG跨境電商觀點或立場。如有關于作品內容、版權或其它問題請于作品發表后的30日內與ESG跨境電商聯系。