构建数据湖技术

数据
星环科技数据解决方案帮助企业对接各类业务系统,汇集各个数据源,实现数据的融通,并对数据进行分类分级、编目治理、安全设计以及质量控制等,实现入“”形成有效数据资源。

构建数据湖技术 更多内容

行业资讯
仓一体技术
流支持:仓一体技术实现了对流的支持,不再需要为实时数据服务构建专用的系统。数据平台架构发展趋势:仓一体架构融合了数仓和数据的优势,通过将数仓构建在数据湖上,在用于数据的低成本存储上实现与仓一体技术是一种融合了数据数据仓库优势的新型数据管理和分析架构。以下是仓一体技术的一些关键特点和实现方式:支持多种数据类型:仓一体技术能够支持包括结构化、半结构化和非结构化数据的存储和分析。数据可治理:在保证数据完整性的同时,仓一体技术具有健全的治理和审计机制,能够避免数据沼泽现象。事务支持:仓一体技术提供对事务ACID的支持,确保数据并发访问的一致性、正确性,尤其是在SQL的访问模式下。BI支持:仓一体技术能够支持直接在源数据上使用BI工具,加快分析效率,降低数据延迟。存算分离:仓一体技术采用存算分离架构,使系统能够扩展到更大规模的并发能力和数据容量。开放性:仓一体技术采用开放、标准化的存储格式,并提供丰富的API支持,使得各种工具和引擎可以高效地对数据进行直接访问。支持多种工作负载:仓一体技术可以支持包括数据科学、机器学习、SQL查询、分析等多种负载类型。端到端
行业资讯
仓一体技术
流支持:仓一体技术实现了对流的支持,不再需要为实时数据服务构建专用的系统。数据平台架构发展趋势:仓一体架构融合了数仓和数据的优势,通过将数仓构建在数据湖上,在用于数据的低成本存储上实现与仓一体技术是一种融合了数据数据仓库优势的新型数据管理和分析架构。以下是仓一体技术的一些关键特点和实现方式:支持多种数据类型:仓一体技术能够支持包括结构化、半结构化和非结构化数据的存储和分析。数据可治理:在保证数据完整性的同时,仓一体技术具有健全的治理和审计机制,能够避免数据沼泽现象。事务支持:仓一体技术提供对事务ACID的支持,确保数据并发访问的一致性、正确性,尤其是在SQL的访问模式下。BI支持:仓一体技术能够支持直接在源数据上使用BI工具,加快分析效率,降低数据延迟。存算分离:仓一体技术采用存算分离架构,使系统能够扩展到更大规模的并发能力和数据容量。开放性:仓一体技术采用开放、标准化的存储格式,并提供丰富的API支持,使得各种工具和引擎可以高效地对数据进行直接访问。支持多种工作负载:仓一体技术可以支持包括数据科学、机器学习、SQL查询、分析等多种负载类型。端到端
复杂性和成本开销。技术路线选择:选择技术路线,包括基于Hadoop体系的数据数据仓库能力扩展、基于自身云平台进行架构构建、独立数据库厂商推动的路径。湖上建仓:在数据基础上实现数仓的功能,代替传统数仓构建湖仓一体架构涉及多个步骤和技术选择,以下是构建湖仓一体架构的主要步骤和方法:数据源的准备:确定数据源,包括关系型数据库、非关系型数据库、文件系统等,并进行分类和整理,以确保可以顺利地获取数据格式。数据分析与可视化:利用BI工具直接在源数据上进行分析,无需复制和移动数据,提高分析效率并降低数据延时。监控与维护:实施监控和维护机制,确保数据的一致性和正确性,以及系统的稳定运行。技术架构设计:分离:实现存储和计算的完全分离,利用Serverless弹性算力技术,提供秒级扩缩容的能力。BI支持与成本优势:直接在源数据上使用BI工具进行分析,避免了在数据数据仓库中分别操作两个数据副本的仓一体架构由存储层和计算层组成,计算层的数据来源于存储层。存储层包括云存储、开放的文件格式和开放的表格式。元数据管理:实现异构数据的统一元数据管理,支持全链路血缘分析,一键式分析技术、业务、操作元数据
数据技术架构是一个复杂的系统,它涉及到数据的采集、存储、处理、分析和治理等多个方面。存储层:数据的存储层通常基于分布式文件系统,这些系统以块为单位存储数据,并将其分散到多个存储节点,提供高安全策略管理、审计和加密功能。分层架构设计:数据通常采用多层设计来处理数据的不同生命周期,包括原始数据层、清洗层、聚合层和访问层。微服务架构与数据结合:数据的架构设计可以采用微服务架构,构建专注于业务可用性和冗余。数据管理与元数据层:数据需要有效的元数据管理,它提供数据分类、元数据搜索和数据血缘分析的功能。数据治理与安全层:数据治理与安全是数据的重要组成部分,安全与访问控制框架,提供细粒度的功能并可独立部署的小型服务,以实现解耦、敏捷和可扩展性。云原生数据架构:云原生数据架构,如阿里云的数据解决方案,提供了统一存储各类数据的存储层、服务化的管控与优化的管控层、多元的计算与分析层,以及面向和仓完善的数据开发体系和数据治理平台。
行业资讯
仓一体技术
流支持:仓一体技术实现了对流的支持,不再需要为实时数据服务构建专用的系统。数据平台架构发展趋势:仓一体架构融合了数仓和数据的优势,通过将数仓构建在数据湖上,在用于数据的低成本存储上实现与仓一体技术是一种融合了数据数据仓库优势的新型数据管理和分析架构。以下是仓一体技术的一些关键特点和实现方式:支持多种数据类型:仓一体技术能够支持包括结构化、半结构化和非结构化数据的存储和分析。数据可治理:在保证数据完整性的同时,仓一体技术具有健全的治理和审计机制,能够避免数据沼泽现象。事务支持:仓一体技术提供对事务ACID的支持,确保数据并发访问的一致性、正确性,尤其是在SQL的访问模式下。BI支持:仓一体技术能够支持直接在源数据上使用BI工具,加快分析效率,降低数据延迟。存算分离:仓一体技术采用存算分离架构,使系统能够扩展到更大规模的并发能力和数据容量。开放性:仓一体技术采用开放、标准化的存储格式,并提供丰富的API支持,使得各种工具和引擎可以高效地对数据进行直接访问。支持多种工作负载:仓一体技术可以支持包括数据科学、机器学习、SQL查询、分析等多种负载类型。端到端
复杂性和成本开销。技术路线选择:选择技术路线,包括基于Hadoop体系的数据数据仓库能力扩展、基于自身云平台进行架构构建、独立数据库厂商推动的路径。湖上建仓:在数据基础上实现数仓的功能,代替传统数仓构建湖仓一体架构涉及多个步骤和技术选择,以下是构建湖仓一体架构的主要步骤和方法:数据源的准备:确定数据源,包括关系型数据库、非关系型数据库、文件系统等,并进行分类和整理,以确保可以顺利地获取数据格式。数据分析与可视化:利用BI工具直接在源数据上进行分析,无需复制和移动数据,提高分析效率并降低数据延时。监控与维护:实施监控和维护机制,确保数据的一致性和正确性,以及系统的稳定运行。技术架构设计:分离:实现存储和计算的完全分离,利用Serverless弹性算力技术,提供秒级扩缩容的能力。BI支持与成本优势:直接在源数据上使用BI工具进行分析,避免了在数据数据仓库中分别操作两个数据副本的仓一体架构由存储层和计算层组成,计算层的数据来源于存储层。存储层包括云存储、开放的文件格式和开放的表格式。元数据管理:实现异构数据的统一元数据管理,支持全链路血缘分析,一键式分析技术、业务、操作元数据
复杂性和成本开销。技术路线选择:选择技术路线,包括基于Hadoop体系的数据数据仓库能力扩展、基于自身云平台进行架构构建、独立数据库厂商推动的路径。湖上建仓:在数据基础上实现数仓的功能,代替传统数仓构建湖仓一体架构涉及多个步骤和技术选择,以下是构建湖仓一体架构的主要步骤和方法:数据源的准备:确定数据源,包括关系型数据库、非关系型数据库、文件系统等,并进行分类和整理,以确保可以顺利地获取数据格式。数据分析与可视化:利用BI工具直接在源数据上进行分析,无需复制和移动数据,提高分析效率并降低数据延时。监控与维护:实施监控和维护机制,确保数据的一致性和正确性,以及系统的稳定运行。技术架构设计:分离:实现存储和计算的完全分离,利用Serverless弹性算力技术,提供秒级扩缩容的能力。BI支持与成本优势:直接在源数据上使用BI工具进行分析,避免了在数据数据仓库中分别操作两个数据副本的仓一体架构由存储层和计算层组成,计算层的数据来源于存储层。存储层包括云存储、开放的文件格式和开放的表格式。元数据管理:实现异构数据的统一元数据管理,支持全链路血缘分析,一键式分析技术、业务、操作元数据
行业资讯
数据技术
数据技术是近年来出现的一种新兴的数据管理方式。传统的数据管理方式采用数据仓库来存储和管理结构化数据,但随着大数据时代的到来,传统的数据仓库模式已经不能满足面对海量、多样化和快速变化的数据的需求了。数据技术的出现填补数据管理的空白,提供了一种新的方式来管理和分析大数据数据技术的基本思想是将各种类型和各种源头的数据以原始形式存储在一个集中位置,而不需要提前预定义数据结构。这样所有的原始数据都可以存储在数据中,无论是结构化数据、半结构化数据还是非结构化数据。充分利用原始数据的所有信息,而不需要在存储之前对数据进行清洗和转换。数据技术的优势主要有以下几个面:数据多样性:数据技术可以容纳各种类型和各种源头的数据,包括结构化数据、半结构化数据和非结构化数据。这种多样性使得数据可以适应不同种类的数据分析需求。高扩展性:数据技术可以轻松地扩展数据存储和处理的能力,可以适应不断增长的数据量和计算需求。这种高扩展性使得数据可以应对各种规模的大数据项目。实时处理:数据技术支持实时数据处理,可以在数据到达时立即进行分析和处理。这种实时处理能力使得数据可以应用在需要快速反应的业务场景中
行业资讯
数据方案
数据解决方案是指一系列技术和工具的集合,它们共同工作以实现数据构建、管理和分析。业务需求分析数据来源与类型:明确企业内部和外部的各种数据源,包括结构化数据库、半结构化数据、非结构化数据等。业务场景:确定数据需要支持的业务场景,如数据分析、数据挖掘、机器学习、实时报表生成、历史数据回溯等,以满足不同部门的需求。技术选型存储层分布式文件系统:选择布式文件系统或类似的分布式存储解决方案,提供项目团队,明确各成员的职责和分工。环境搭建:按照技术选型和架构设计,搭建数据的基础环境,包括硬件服务器的配置、分布式系统的安装和配置、软件工具的部署等。数据迁移与集成:制定详细的数据迁移计划,将现有数据任务,如数据清洗、转换、聚合等操作。流处理:选择流处理框架,实现对实时数据的即时处理和分析,例如实时监控系统指标、实时推荐系统等场景。交互式查询:支持用户以SQL方式对数据中的数据进行快速交互式查询。消息队列:作为数据的缓冲和传输层,实现不同数据源与数据之间的异步数据传输,确保数据的可靠性和顺序性,同时支持高吞吐量的数据接入。元数据管理ApacheAtlas:建立元数据管理系统,用于存储和管理
产品文档
3.3 Cluster
OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...
产品文档
1 Introduction
OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...
产品文档
2 Quick Start
ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...
产品文档
5.10 任务相关
在Hippo中,比较耗时的操作如激活、加载向量索引实际上是一个分布式任务,用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果:{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...
产品文档
10 Hippo 运维
运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息,包括:Masterstatus:当前的ActiveMaster,MasterGroup,MasterAddress,Master的健康状态TabletServerStatus:TabletServerAddress,健康状态,逻辑机架和数据中心信息,容量使用以及Tablet个数TabletNum:当前集群表的个数Version:Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息:库名库创建时间库内各类表的信息:点击某个库,可以看到库下所有表的信息,主要包括:••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...
产品文档
5.3 写入类操作
本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数,如果出现行级错误(比如主键冲突),Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...
产品文档
5.18 全文检索
Hippo在1.2版本提供了全文索引能力,兼容ElasticSearch6.7.2语法,在底层架构上复用了公司产品TranswarpScope的一部分特性,支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求,通过该能力的支持,可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回,可以降低漏检和误检的概率,能够实现比单独使用向量或全文更高的精度。同时,一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外,均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。
产品文档
8 性能分析
本节测试主要描述了Hippo1.0在关键测试上的一些性能表现,该份测试同样也是Hippo的基准测试,后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq),所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集,不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理,使用SIFT算法得到的图片特征向量。...
查看Master节点通过以下命令,查看集群Master节点信息:curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果:epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址,支持以*通配,支持指定多个pattern,多个pattern以逗号分割返回结果:
产品文档
5.7 查询类操作
过滤条件表达式Hippo当前支持如下表达式,可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and,不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符,'%'表示匹配任意字符,'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离,返回最相似的结果集。通过指定标量过滤条件,用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...