(2022年)CloudNativeIndustryAlliance，CNIA編制說明峰、楊哲、丁冉、張立群、前言促進數據基礎設施、關鍵技術、應用治理等方面的健康有序發展。伴隨著行業用戶對于數據價值的深入挖掘，數據平臺和產品正在發揮著不可替代的創新引領作用。本白皮書首先介紹了數據平臺發展的三個重要階段，通過對于發展歷程的總結，引出了行業用戶在進行數據分析和處理中面臨的瓶頸難題，并且重點從主要架構、關鍵技術、方案特征、應用價值等方面代表廠商和代表解決方案的分析，力求反應現階段國內湖倉生態現狀。最后，從銀行、保險、證券用戶單位的不同角度出發，開展了較為詳實的場景化應用分析，并進行了總結與展望。 (一)萌芽期：數據倉庫初探數據價值 1(二)上升期：大數據平臺挖掘數據價值 3(三)成熟期：湖倉一體全面展現數據價值 5 (一)行業用戶數據處理五大難題 7(二)解決數據處理瓶頸的最佳方案 11(三)云原生湖倉一體主要技術路線 23(四)云原生湖倉一體方案應用價值 25 (一)國內湖倉生態版圖 28(二)國際湖倉典型應用 29 34 在全球數據產業蓬勃發展的背景下，數據系統正在發揮關鍵的支撐賦能作用，對于數據價值挖掘和業務創新發展起到重要影響。為了應對各類用戶需求，衍生出了聚焦聯機事務處理、聯機分析計算、事務分析混合等不同場景的數據平臺。數據平臺作為企業數字化轉型的重要基礎設施，決定了企業對數據這一新興生產要素的應用能力，對企業數字化轉型的成敗起到了至關重要的作用，其發展經歷了三個時期。1.發展背景上世紀50-60年代，數據管理工具以“數據庫”的形式首次問世，先后基于網狀模型、層次模型、關系模型等不同的數據結構，出現了er具代表性的傳統關系型數據庫，本質上是通過結構化查詢語句，對數、查操作，以實現在OLTP聯機事務處理場景下對于關系型表結構數據的存儲和利用。業務數據庫產生負載，導致業務系統運行速度降低。在日益激烈的市場競爭中，企業需要對積累的數據進行分析，獲取更加準確的決策信息來完成市場推廣、運營管理等工作。由此，提出將歷史數據存儲到1OLAP系統數據庫性能的同時，可以更專注的提升數據分析效率，輔助企業決策。2.技術特性傳統關系型數據庫的技術架構，尤其是OLTP數據庫在海量數據的存儲、查閱以及分析方面出現了明顯的性能瓶頸。隨著分布式技術的產生和發展，出現了以Teradata為代表的MPP一體機數據庫，以及Greenplum和Vertica等軟硬件分離的MPP數據庫，采用無共享架構(Share-nothing)以支持數據倉庫的建設。這個階段的主要任務是數據分析和決策支持類系統的建設，如數據倉庫、ODS、數據集市、應用數據庫、歷史數據庫以及報表、分析報告、數據挖掘、客戶標簽畫像等。3.階段特點該階段早期，不少企業直接采用了共享存儲(share-disk)架構的Oracle和DB2，或是采用MPP無共享(Share-nothing)架構的Teradata等產品，通常基于軟硬一體的專有服務器和昂貴的存儲，后雖然引入2點體現為：數據以結構化為主，集群的擴展能力有限。開始呈現出海量、異構、多源等特點，傳統數據倉庫擴容困難、處理數據類型單一的缺點開始逐漸暴露出來，也無法支撐越來越豐富的業務分析需求。1.發展背景展，數據規模呈幾何倍數增長，數據種類也變得更加豐富。傳統數據倉庫側重結構化據處理時效性的需求，由此帶來了海量異構數據存儲和處理等的諸多3大數據平臺開始受到關注，尤其受互聯網行業迅速發展的影響，大數據平臺迎來快速發展期。2.技術特性Hadoop平臺使用HDFS實現數據的分布式存儲，有效解決海量數據的存儲問題。與傳統數據倉庫相比，HDFS在支持存儲結構化數據的同時還實現了非結構化數據的存儲。HDFS不是一個單機文件系數據將分布在多個節點上。讀取文件時，數據從多個節點讀取。duceSpark且可以對存儲的數據進行大規模并行處理。通過切片將大量復雜的任務分解成多個少量簡單的任務進行處理，再對處理完成后的任務結果進行匯總分類。3.階段特點apReduce量的不斷增大以及對于數據處理時效性的需求不斷升高。計算和存儲組件也在不斷的變化，以適應不同場景的數據存儲與處理需求。大數據平臺底層存儲經過了十余年發展，一直是HDFS一枝獨秀。大數據平臺在計算方面發展迅速，由于最初的MapReduce大規模批處理無法滿足海量數據處理的實時性，業界在計算方面設計了Spark快速批處理、Flink實時數據處理等計算框架。配合這些計算框4架的，還有像Sqoop這樣的數據流轉采集組件。在大數據分析和處理領域，Hadoop兼容體系已經成為一個非常成熟的生態圈。Hadoop的誕生改變了企業對數據的存儲、處理和分析的過程，加速了大數據的發展，受到廣泛的應用，給整個行業帶來了變革。隨著云計算時代的到來，企業開始對Hadoop的架構進行從基于物理集群到云原生化的改造。1.發展背景經過前兩個階段的嘗試，更多的企業發現獨立構建大數據平臺與數據倉庫平臺的技術架構，已經無法滿足某些場景下的業務需求。企ETL，完成湖倉獨立部署，這就是業內常說的“Hadoop+MPP”模式,我們稱之為湖倉分體模式。湖倉分體模式最大的問題就是數據孤島和業務實時數據分析能力不足，因此面臨著數據多集群冗余存儲、集群規模受5限、業務的實時性不足、業務應用開發敏捷需求不足等問題，這些需求和痛點促進了湖倉一體技術的發展。2．技術特性湖倉一體方案應該在數據和查詢層面形成一體化架構，徹底解決實時性和并發度，以及集群規模受限、非結構化數據無法整合、建模路徑冗長、數據一致性弱、性能瓶頸等問題，有效降低IT運維成本和數據管理的技術門檻。所以，新時代需求的湖倉一體方案應具備實時處理、數據共享、高并發、云原生等特性。3.階段特點云的普及讓業務上云成為趨勢，為了實現數據湖的靈活性和數倉的易用性、規范性、高性能結合起來的融合架構，并且保證存儲和計算可以獨立的彈性擴展和伸縮，數據平臺的設計出現了一個嶄新的架構，即存算分離架構。在此階段，Snowflake、Amazon、阿里云、偶數等企業相繼突破了傳統MPP和Hadoop的局限性，實現了存算分，優勢明顯，缺點也同樣突出，而更為先進的“湖倉原生一體”架構在未來將更加契合用戶對于數據價值挖掘的訴求。6融行業的運營管理人員每天都會采用報表數據來指導決策，由于業務的不斷增長，采集的數據復雜度越來越高，管理者希望能第一時間掌握市場動態，以便及時做出有利于業務發展的決策。為了滿足業務應用發展要求，數據處理通常會遇到各種挑戰。數據加工過程中，需要耗費大量時間，完成各種業務數據加工處故障，造成數據不一致，從而影響數據分析結果；數據應用過程中，都要通過各種條件限制，以控制查詢的數據規模；數據系統升級過程段數據處理瓶頸的五大難題。1.數據處理面臨數據孤島的難題很多企業的數據平臺都是經過多次系統迭代和技術升級后建設業的數據平臺往往存在多個數據庫集群，每個數據庫就是一個數據孤7島和煙囪，甚至因數據庫產品的擴展性，還可能導致MPP和Hadoop集群建設多套的情況，形成更多的孤島和煙囪。這些數據孤島和煙囪的出現在存儲、開發、運維、治理等多個方面帶來了影響。數據存儲方面，多個獨立數據庫集群中都放了同樣的的資源成本的浪費。數雜，不同集群之間的時序、數據同步流程多。這種情況會導致數據庫產品技術門檻多，對于技術人員的素質要求高；集群之間需要大量的據開發的總體工作量大約增加了1倍左右。從項目管理的角度看大約增加了1倍的成本；同時，作業的鏈路延長，大大降低了數據時效。比較多。數據治理方面，基于多份數據進行維護，可能會導致數據不一致，數據質量等問題，數據治理難度大，浪費的成本難以估量。82.數據處理面臨性能瓶頸的難題傳統數據平臺的計算性能不能滿足業務需求，大體上有兩種情況：一方面因數據平臺的數據處理、業務查詢時間長，性能慢，無法滿足業務需求，需要在業務流程和用戶端進行規避，導致用戶體驗很差。另一方面部分企業為了提高性能，在數據平臺之上架設一個或多個內存查詢引擎，這種方式犧牲了ACID和兼容性。性能不足的問題影響運營、決策效率、無法支撐業務運行對時延語法兼容性；部分計算引擎只支持簡單查詢，缺少復雜關聯分析能力。3.數據處理面臨高并發復雜查詢的難題隨著移動互聯網的發展，很多業務逐步開放至更多的人員參與，上市公司數據等各類場景。但是傳統數倉、Hadoop僅支持幾十并發，導致分庫、分表，限制業務部門使用，限制查詢，對很多新型的業務沒有很好的支撐。為了保證各類查詢同時進行，采用很多計算引擎分流的方式實現，如：實時計算、批處理、固定報表、即席查詢等廠家分別由不同計算撐多業務場景。4.數據處理面臨實時處理的難題9Gartner定義的實時數據處理的包括三個階段：第一階段，Real-TimeContinuousIntelligence：對事件做出實時處理響應，包括指標對比，告警，趨勢分析，自動決策；第二階段，Real-Time,On-DemandIntelligence：生成報告，支持即席查詢，延伸數據探索，記錄操作流程；查詢，實時決策，建模及長期決策；對應的在實時分析處理中按照事件的發生時間長短可以總結為：事件發生同時的實時流處理、事件發生短時間內的實時按需分析、事件發生后較長時間的離線分析。傳統數據處理平臺不能完全滿足實時數據分析需求，存在以下問題：實時數據與批量數據的關聯查詢，有實時數據與維表關聯查詢，有實時數據與事實數據關聯查詢，離線數據量大現有平臺難以支撐；多庫數據無法實時歸集，按需查詢需求無法滿足；交易型數據庫無法支持頻繁、復雜的查詢，為保證數據庫的穩定，只能限制查詢；現有基于Flink和Kafka的流處理平臺，不支持數據血緣，不能支持即席按需查詢分析等。5.數據處理面臨資源彈性伸縮的難題傳統數據平臺因技術架構的局限性，對敏捷彈性資源管理支持度捷管理難題基本可以分為敏捷應用響應難題、如何實現資源彈性合理調配使用。敏捷應用響應難題主要體現為：傳統MPP上線新應用的資源分配周期長，無法滿足業務端快速試錯、快速布局的訴求；超過集群規模上限時，性能不增反減，約減少50%以上；集群擴容耗時很長，停機維護影響業務等。要體現為：在非云環境，資源不能共享，資源以獨占的方式使用，利用率很低；資源不夠時無法彈性擴展，資源空閑時無法分配給需要的用戶，無法做到削峰填谷，提高資源利用率。通過對于現階段數據分析存在的瓶頸和難題進行深入分析，我們發現，為了解決數據孤島、性能不足、高并發、實時處理和資源彈性問題，可以嘗試以下的解決方案：要引入多主節點技術實現分析型數據平臺上的高并發，將并發，無法同時處理實時和數據規模比較大的歷史數據相結合的實時業務場景，需要引進支持海量數據下實現高性能高并發以及具備資源隔離的支持多租戶各自獨立擴展，同時，對于資源的使用無法實現根據業務需要同時考慮到以上計算存儲分離、彈性可擴展架構、ACID特性、SQL標準支持、高性能并行執行等方面的能力，基于云原生技術架構的云原生湖倉一體產品，可以通過云平臺構建、部署和交付的數據服務，提供可擴展的、高可靠的數據解決方案。1.云原生湖倉一體典型架構Gartner認為湖倉一體是將數據湖的靈活性和數倉的易用性、規范性、高性能結合起來的融合架構，無數據孤島。云原生湖倉一體就數據湖和數據倉庫兩個平臺合為一個平臺，并依托云原生的特性，支持基于數據湖的普通存儲硬件和存儲引擎以及數據倉庫的多功能高性能分析引擎，實現對海量原始數據(結構化、非結構化、流式數據、圖數據)以及潔凈數據(對原始數據進行治理和分析后的數據)統一存儲、分析、管理，集群可在線擴容到幾千節點。支持數據倉庫ETL及數據資產動化機器學習，支持無代碼/低代碼數2.云原生湖倉一體關鍵技術(1)存算分離技術在云原生數據庫出現之前，由于單機吞吐量和集群網絡帶寬限制等因素，數據庫集群部署都是存儲和計算在一起，讓計算靠近數據，而不是將數據傳輸到計算節點，這種方式可以產生更少的數據遷移，降低機器間、機柜間的網絡帶寬消耗。隨著數據量的增長，無論是計算還是存儲先達到瓶頸，都必須同時對計算和擴展進行擴展，因此就會存在不少浪費，并且擴展需要大量數據移動，非常不方便。計算與存儲的解耦，可以讓我們更加方便的管理計算與存儲資源。在大規模數據處理場景下，管理員可以快速的單獨擴展計算或存儲資了統一存儲，可以被多種計算引擎所共享。因此，存算分離是湖倉一體平臺必備的技術之一。算層與存儲層的映射關系，節點異常處理、如何保證讀寫一致等問題。通常是云原生數據庫的重要特性之一。(2)高性能計算引擎技術存算分離以后勢必帶來更多的網絡開銷，影響數據庫集群的整體性能。因而需要通過其他方面的增強來彌補這一損耗。其中一個重要的途徑就是通過優化計算引擎來增強性能。采用基于代價的優化器(CBO)，通過算法來動態選擇每個SQL的最優查詢計劃，彈性的執行引擎可以動態調整計算單元，使得資源使用更加合理和高效。在計算層通過使用向量化執行器可以大大提升SQL的執行速度，由于存算分離會帶來額外的網絡開銷，因此計算層采用分布式的緩存服務，采用基于LRU協議的緩存管理機制，用戶還可根據情況動態配置緩存空間的大小，緩存支持使用內存和計算節點的本地磁盤空間。節點之間的通訊協議，改為采用UDP的互聯協議，可以大大提升通訊效率。性能的提升意味著在單位時間內云原生湖倉一體平臺可以處理更多的數據。(3)多活主節點支持超高并發云原生湖倉一體平臺的主節點采用多活主節點集群部署，主節點采用無狀態設計，各主節點之間沒有相互依賴關系，不存儲任何元數據。用戶可以非常方便的對主節點集群進行擴展，以處理更多的連接請求(JDBC/ODBC)。主節點可以在線增減，實現資源的動態調度。例如當用戶請求越來越多時，用戶可以根據情況隨意增加一個或多個主節點，反之則可以減少一個或多個主節點。主節點的動態增減不會影響數據庫的服務。當主節點集群中某個節點出現故障時，也不會影響整個集群的可用性。支持用戶可視化的方式輕松完成擴容。(4)元數據集群高可用元數據集群架構采用P2P去中心化完全對等網絡架構，集群內無固定主節點，通過一致性協議算法實現節點的數據同步，當某一節點保了元數據的安全。各個主節點將同時并發連接每個元數據節點，因此，元數據集群內不存在單點瓶頸，實現了元數據讀寫的負載均衡。(5)多虛擬計算集群支持混合負載在存算分離基礎上，多虛擬計算集群支持對用戶訪問的CPU和內存資源的物理隔離。多虛擬計算集群(VirtualCluster)可以將一個超大規模計算節點根據負載情況劃分為多個虛擬計算子集群。數據庫管理員可通過配置，將用戶與某個VC進行綁定。當用戶發起執行請對應的VC資源來執行，當VC資源不速增加從其他VC中調度計算資源來給VC進行擴以大大提高資源利用率，從而減少硬件資源的投入。(6)可插拔存儲框架可插拔存儲框架實現計算資源可同時訪問不同類型的存儲，如：HDFS存儲、基于S3協議的對象存儲以及分布式表存儲。通過可插通過配置，新增一套或多套存儲系統，并且這種異構的存儲對于用戶訪問是透明的，即用戶無需知道數據存放在哪種存儲上，而是直接通過表名讀寫數據。可插拔存儲框架還可以支持二次開發，用戶可通過二次開發使得計算引擎對接未來新出現的存儲系統。平臺可以對接多套HDFS，并且對用戶無感。(7)多虛擬存儲集群實現磁盤IO的隔離上述的可插拔存儲框架實現了計算資源與存儲的對接，但是在實際使用中，依然存在著存儲中磁盤IO資源的競爭，因此多虛擬存儲的功能實現類似于HDFS的聯邦功能。多虛擬存儲集群支持用戶將多套HDFS集群或分布式表存儲集群劃分為一套虛擬存儲集群(VirtualStorageCluster)。開發人員在進行數據建模時，可以根據磁盤IO的負載情況，將不同負載的表建在不同的VSC中，就可實現負載的隔綁定關系，可以被任意的計算資源訪問，保證了數據的共享。同時，云原生湖倉一體平臺根據使用量自動將不同的表分布到統一VSC中的不同HDFS集群或分布式表存儲集群中，從而實現數據的均勻分布。基于這個特性，用戶在進行存儲擴容時就實現在線的秒級擴容而無須進行數據重分布。當某一VSC存儲空間不夠時，用戶可以新部署一套HDFS集群加入到VSC中，即實現了存儲空間的擴容，又無須進行人工干預。(8)高性能分布式表存儲支持實時數據讀寫在實時場景中，數據往往是逐條進行插入、更新或刪除，這種對HDFS或對象存儲僅適合對景的業務需求。因此，云原生湖倉一體平臺需要引入分布式表存儲支持高并發、事務以及提供索引，并且原生支持數據更新和刪除。在云湖倉一體平臺的架構中，分布式表存儲與HDFS、對象存儲平行，是能夠獨立運行的存儲系統，不依賴第三方組件。分布式表存儲的主要特性有：?采用完全點對點(P2P)無中心分布式存儲(相比主從架構更容易管理更容易擴展)?結構化數據定義存儲(不是簡單鍵值對形式存儲)?支持數據的增刪改查(提供真正的INSERTUPDATEDELETE?支持基于Raft協議數據復制實現數據存儲和訪問服務的高可用?支持基于多版本MVCC的分布式事務特性?目前提供針對分析型負載的高性能數據查詢能力(行列混合存儲格式)?支持數據索引功能(包括主鍵索引，非主鍵索引)?整合數據預處理技術提升數據查詢性能(非純粹的數據存儲實現，具有內建計算能力)?便捷的集群動態擴展?自動集群容錯和負載均衡能力從讀寫性能的角度比較，分布式表存儲的性能優于HDFS，HDFS的性能優于對象存儲。因此，在實際使用中通常會把T+0的實時數據寫入分布式表存儲，T+1的批量數據寫入HDFS，而對象存儲由于更據。從用戶視角看，開發人員需要基于不同使用場景把不同的表建立到不同的存儲中，在之后的使用中則不再感知異構的存儲，也就是說用戶直接通過表名即可查詢各種類型存儲中的數據，也可以把存儲在不同類型存儲中的數據進行關聯查詢、計算、比較等不同的操作。如下圖所示：(9)Hadoop生態兼容能力云原生湖倉一體平臺可以直接使用Hadoop生態普遍使用的HDFS來作為數據存儲，同時存儲格式使用開源社區比較通用的orc理的數據表也同樣可以被Hive訪問。程或結果數據，另一類是通過CDC工具采集的實時變化的數據。云原生湖倉一體平臺支持這兩類數據的同時讀寫。例如：Flink可直接使用SQL直接查詢。此外，云原生湖倉一體平臺支持使用Hudi、Iceberg開源數據湖格式，用戶也可以選擇將實時數據直接寫為Hudi或Iceberg格式，這樣可以將數據統一存儲到HDFS中，實現數據的物理統一。3.云原生湖倉一體六大特性對于上述云原生湖倉一體的關鍵技術，我們從用戶角度概括成六個代表字母的ANCHOR特性。A(AllDataTypes:支持多類型數據)、N(NativeonCloud:云原生)、C(Consistency:數據一致性)、H(HighConcurrency:超高并發)、O(OneCopyofData:一份數據)、R(Real-Time:實時T+0)。?支持多類型數據(AllDataTypes,Structured&Unstructured)：支持關系表、文本、圖像、視頻等結構化數據和非結構化數?云原生(NativeonCloud)：適合云環境，自由增減計算和存?數據一致性(Consistency)：通過完善的事務機制，保障不同用戶同時查詢和更新同一份數據時的一致性。?超高并發(HighConcurrency)：支持數十萬用戶使用復雜分析查詢并發訪問同一份數據。?一份數據(OneCopyofData)：所有用戶(BI用戶、數據科學家等)可以共享同一份數據，避免數據孤島。?實時T+0(Real-Time)：通過全量數據T+0的流處理和實時據的事前預測、事中判斷和事后分析。1.主要技術路線對比分析目前，常見的湖倉一體技術方案主要有兩大類型：基于傳統Hadoop架構的方案，以及基于云原生數據倉庫架構的方案。基于傳統Hadoop的方案主要從事務特性出發進行優化，基于HDFS或S3實現一個支持事務的存儲層，其他方面與Hadoop區別不大。而云原生數據倉庫，其存算分離特性更具有技術前瞻性，該架構將是未來的發展趨勢。傳統數據倉庫傳統數據湖平臺 進性離高中低高低低事務ACID事務ACID支持差模>1000001001000L非引擎儲：HDFSS/Magma儲FSS格式Hudi等否否一體ushuDB否否一份數據低低高度低低高2.云原生湖倉一體的建設路徑從云原生湖倉一體平臺的建設方式上，企業可以結合業務情況、已有數據平臺情況等方面出發進行建設路徑的規劃，主要有以下三種建設途徑：?從數據倉庫到云原生湖倉一體企業目前數據類應用主要集中在數據倉庫，而且總體數據量也不生的湖倉一體平臺建設。首先從數據倉庫開始進行技術平臺的升級，選擇云原生的數據庫產品進行數據倉庫的遷移替換，將底層“倉”的存儲和“湖”的存儲現數據打通，建立統一的數據模型。?從數據湖到云原生湖倉一體采用從數據湖到湖倉一體的建設方式，最終實現云原生湖倉一體平臺。在現有的數據湖上進行技術平臺升級，在湖上增加具備數據倉庫計算能力的組件并將新的業務應用部署到湖倉一體平臺上，逐步將原有的數據倉庫和集市的數據和應用都遷移到湖倉一體平臺上。?數據湖和數據倉庫融合建設倉融合為一個產品的解決方案，底層的數據產品均具備云原生特性、計算存儲分離彈性可擴展架構、強ACID特性、強SQL標準支持、高性能并行執行能力。使用一個入口，并保證強事務一致性。一的數據模型進行管理，并只保留一份。工序，數據存儲原則等。最終完成云原生湖倉一體平臺的建設。1.用戶體驗的提升云原生湖倉一體平臺能夠大大提升用戶的數據服務體驗：管理人員：一個湖倉一體的平臺可以統一運營企業內所有應用的數據，不需要單獨考慮不同數據平臺產品的部署、招標采購、擴容等問題，提升了管理決策的效率，降低了管理運營的成本。降低。而且湖倉一體平臺存算分離的架構，支持計算資源與存儲資源的單獨橫向擴容和縮容，給日常的升級維護帶來極大的便利。業務人員：湖倉一體平臺實現超高的并發，一個平臺支撐所有數據存儲、計算、分析的需求，并提供面向業務部門的自助數據分析服務，在實際工作中不需要切換平臺進行業務實現；數據底層共用一份數據，用戶之間可以很方便地共享數據。2.數據平臺運營成本下降云原生湖倉一體平臺支持資源物理隔離，按照業務需求分配資源，大大提升資源利用率、硬件資源池按需建設，采購規模下降、折舊減少。通過湖倉一體平臺可以有效降低數據平臺運營成本，主要體現在?湖倉一體平臺完成了數據倉庫、數據集市和數據湖的數據整省大約3倍-5倍存儲空間和資源成本。?平臺基于一份數據，避免了不同數據平臺間的數據傳輸和拷貝，一般在數據處理任務中數據同步作業占到總作業量50%左右。開發工作量可以節省1倍左右、平臺算力資源節省1?湖倉一體平臺基于云平臺進行部署，不再依賴底層單節點的計算和存儲資源，由云平臺統一進行合理的安排和管理。不同配置的服務器都可以通過云平臺提供算力資源和存儲資源。3.管理、開發和運維的效率提升和業務部門的協同工作效率，降低管理成本，具體體現在以下方面：?管理人員相比原來的平臺可以近乎實時的了解企業業務現狀，第一時間做出決策；?運維人員僅需維護和管理一個平臺，極大地減少了運維壓力?湖倉一體平臺能夠超高并發的處理多業務場景，不需要額外學習其他產品，有效地降低了技術開發門檻。?平臺基于一份數據，還降低了數據治理難度。降低了數據治理類項目成本投入；避免了數據同步作業開發，開發工作量節省1倍左右、減少1倍左右的項目成本；同時，作業的鏈?云原生湖倉一體平臺具備的實時特性支持業務創新，增強用戶體驗，可以讓用戶與金融行業的企業之間互動更加頻繁，帶來最佳用戶體驗，形成業務發展的新模式，帶來新價值。覆蓋銀行、券商、保險等細分領域，可以幫助企業應對數字化轉型過程中的創新難題。2020年，大數據DataBricks公司首次提出了湖倉一體(Data出就得到眾多廠商的推崇。湖倉一體技術依托硬件層提供的計算、存儲、網絡能力，實現數據采集、匯聚、計算、分析，是整個“湖倉一體”的生態基石。湖倉一體通過基礎軟件層的技術創新，打破了數據湖與數據倉庫在存儲、計算、網絡三個層面割裂的體系，并將數據湖的靈活性、生態豐富能力與數據倉庫的企業級部署能力進行融合，構建了數據湖和數據倉庫相融合的數據管理平臺。“湖倉一體”繼承了數據倉庫的數據處理和管理優勢，打通了數據湖和數據倉庫兩套體系，讓數據和計算在湖和倉之間自由流動，既能面向業務實現高并發、精準化、高性能的數據實時查詢服務，又能承載分析報表、批處理、數據挖掘等分析型業務。軟件層面，企業在數據接入、數據存儲、數據管理、數據分析等不同技術方向做出了新的嘗試。在服務層面，根據不同行業場景的具體應用需求，各大廠商紛紛為用戶提供行業定制化的解決方案，幫助企業解決數據孤島、實時數據分析、高性能處理、高并發查詢、資源彈性伸縮等難題。為企業提供安全可靠的“湖倉一體解決方案”，構建融合創新的新一代數據平1.Lambda數據框架Lambda數據處理框架由Storm的作者NathanMarz首次提出，目標是設計出一個能滿足實時大數據系統關鍵特性的架構，整合離線計算和實時計算，讀寫分離和復雜性隔離等，可集成Hadoop，Kafka，Storm，Spark，Hbase等各類大數據組件。Lambda架構通過把數據分解為服務層(ServingLayer)、速度層(SpeedLayer，亦即流處理層)、批處理層(BatchLayer)三層來解決不同數據集的數據需求。在批處理層主要對離線數據進行處理，將接進行完整的計算，最后以批視圖的形式提供給業務應用。由于服務層通常使用MySQL，HBase等實現，供業務應用查詢圖通常就是MySQL中的表信息，流處理作業在新數據到來后不停更戶需求把批處理層和流處理層產生的數據合并到一起得到最終的數2.Kappa數據框架Kappa架構在Lambda架構的基礎上移除了批處理層，利用流計a處理的對象是所有歷史數據和當前數據，其產生的結果我們稱之為實時批視圖(Realtime_Batch_View)。ka (StreamJob_Version_N+1),該作業會從Kafka中讀取所有歷史數據和新增數據，直到追上舊版本作業(StreamJob_Version_N)，舊的作業版本才會停止。Kappa架構通過這種方法升級流處理程序，架構的流處理系統通常使用SparkStreaming或者Flink等實現，服務層通常當前各行各業的云原生湖倉一體建設剛起步，本次白皮書重點介紹金融行業場景，選擇了中國建設銀行、中國人壽、中信建投等金融機構，分析最近3年在云原生湖倉一體技術上的研究成果和實踐探索。當前，金融行業普遍存在數據倉庫和大數據平臺兩套數據平臺各司其職的情況。在湖倉一體建設思路上，由于歷史包袱沉重，多數企業規劃將兩套數據平臺體系通過統一的云平臺以及軟件工具實現一定程度的資源共享和數據互訪。但是，數據平臺的五大難題依然存在。從云原生湖倉一體建設的六大特性來看，企業選擇轉型為云原生湖倉一體可以為企業帶來巨大的經濟效益和社會效益。因此，我們建議企業可以將云原生湖倉一體平臺的建設確定為企業數據平臺建設平臺的平穩過渡，可以考慮將業務部門的新業務、傳統領域中的創新業務，以及傳統業務中對性能要求高、對數據共享能力要求高的業務遷移到新建的云原生湖倉一體平臺上，以實現企業云原生湖倉一體平臺價值的最大化，并在后續的運營中形成符合企業獨有特色的云原生湖倉一體平臺。中國建設銀行在多年的數據平臺建設中，逐步匯聚了多種數據平臺的技術棧，積累了PB級的海量數據，同時也帶來了數據冗余、加工流程復雜、數據服務效率無法滿足業務需求等一些亟待解決的問題。建行于2019年提出了關于“數據供應鏈的時效性和可用性”的要求，確定了加快推進“數據湖建設”的決議。同年，啟動了數據湖建設技術路線的研究工作，并確定了云原生、高性能、穩定安全、自主可控的技術原則。開源的數據湖方案。經過多輪全面的測試和對比確定了以ApacheHAWQ作為建行未來湖倉一體建設的基礎技術方案，打造建行自主可控的云原生數據庫產品CHAWQ作為建行湖倉一體數據平臺建設的整體解決方案。2020年隨著CHAWQ產品在行內部署上線，建行啟動將多個業務應用遷移到湖倉一體平臺上，由此相比原來的業務運運營成本。由此，建行基于云原生數據庫產品CHAWQ走出了一條適合建行發展的湖倉一體技術發展之路。截至2022年底，建行湖倉一體平臺可供數據湖上數百個分析類應用場景使用，包括營銷、風險管理等，支撐了萬億級別的交易明細業數量減少了近十萬，大大降低了數據平臺運營成本。中國人壽作為國家大型金融保險企業，2018年集團公司合并營業收入7684億元，合并保費收入6463億元，合并總資產近4萬億圍全面涵蓋壽險、財險、企業和職業年金、銀行、基金、資產管理、財富管理、實業投資、海外業務等多個領域多家公司和機構。集團目前采用了SQLSERVER數據庫采集各個省級分公司的數據，并建立了數據倉庫平臺用于報表的匯總統計分析。業務創新的需求驅動下，國壽推出用戶權益視圖的數據服務，對數據平臺的實時采集能力、海量歷史數據的流批一體實時計算能力，以及高并發高性能的秒級響應查詢能力提出了更高的技術能力要求。經過充分的研究和必選，最終確定了云原生湖倉一體的技術方向，通過與相關廠商開展深入探索和測試，對未來云原生湖倉一體的平臺建設進行了架構規劃設計，并從業務角度進行創新設計，逐步發揮云原生湖倉一體平臺在業務領域的巨大價值。中信建投證券在“科技賦能、運營升級，以數字化轉型助推客戶服務體系建設”的戰略目標指引下，持續進行數據平臺的升級和建設，逐步建設了基于GP的數據倉庫、基于Hadoop的數據湖和基于Flink+kafka的實時數倉，支撐了公司從各業務線到管理的所有應用。，平臺內存在多個數據孤島，造成大量的數據冗余，從而不斷推升了運營成本。同時分散的數據也給數據管理帶來了巨大的挑戰，為了維護數據的質量通常需要花費大量的人力和物力成本，并且收效甚微，數據質量難以保障。進入2022年，中信建投緊跟國家信創戰略的發展方向，使用國產的云原生數據庫替換現有數據倉庫集群，實現數倉應用的平滑過渡，由于云原生數據庫可直接訪問并使用數據湖進行數據存儲，從而實現存儲，數據應用可根據業務需求選擇使用SQL引擎、機器學習引擎或流處理引擎來加工處理所需要的數據，各引擎之間可共享一份業務數據，數據不再需要跨集群流動，從而大大增加了數據處理的效率，同時也減少了數據冗余。下一步，中信建投證券將繼續探索數據倉庫供給效率，從而加速數據這一生產要素在企業內部的應用和流動。國公有云IaaS市場規模達1614.7億元，同比增長80.4%；PaaS市場比增