大数据中台开发与应用实践

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

通常是其核心功能之一，但可能更侧重于技术层面的数据管理和优化。应用开发与发布：数据中台：强调自助的、多租户的数据应用开发及发布，使得业务人员可以根据自己的需求快速开发和部署数据应用。大数据平台：通常要求使用者具备一定的编程能力，更多地服务于技术层面的数据开发和分析。服务与业务距离：数据中台：距离业务更近，能够更快速地响应业务和应用开发需求，为业务提供速度更快的服务。大数据平台：作为底层通用技术能力数据中台与大数据平台在核心能力、功能定位、应用场景等方面存在明显的区别，数据中台更侧重于业务服务和数据的直接利用，而大数据平台则更侧重于技术实现和数据处理能力。数据中台与大数据平台的主要区别可以从性能优化，处理各种不同格式、不同领域的数据，支持实时和批处理的大数据应用。数据治理：数据中台：强调全局的数据治理机制，允许各个业务部门自主迭代，但前提是要有全局一致的标准。大数据平台：数据治理系统，服务于数据的存储、处理和分析，但可能距离直接的业务需求较远。数据共享与复用：数据中台：在实现数据能力的共享和复用的过程中，需要协调复用和效率的矛盾，通过工具体系让企业各部门方便地共享抽象出的数据能力。大数据平台：虽然也支持数据共享，但可能更侧重于技术层面的数据集成和共享，而不是业务层面的直接服务。

、数据探索平台，面向管理层、业务运营层和一线油站提供KPI指标预警、多项专题类应用和数据类报表服务，充分发挥大数据对内运营的支撑作用，全面提升A企业精细化运营能力和效益分析能力。数据中台在A企业内部的计算结构复杂，需要整合企业内部和外部的数据，统一存储避免差异，并从业务视角重新组织。解决方案为解决业务技术痛点，A企业与星环科技达成合作，旨在打造平台、管理、应用并重的数据中台。数据中台建设并非搭建，进行数据资产管理运营，融合各系统数据，并以迫切、价值高的业务应用为出发点，在数据中台探索如何实现，并形成数据敏捷开发机制。第二阶段：内部赋能。将第一阶段探索的成果推广到企业内部的其他业务部门和管理部门，促进数据与业务的进一步融合，初步形成大数据应用生态。第三阶段：生态合作。通过持续运营数据中心服务能力，形成生态化数字平台方案产品，建立健全业务需求识别机制，实现应用生态百花齐放，让数据产生价值。根据三步走的建设规划，数据中台的目标是搭建三大平台，推动数业融合，将原有“数据孤岛”、“烟囱式”的数据存储和开发工作，纳入到规范化、标准化、资产化的轨道上，做到统一入口、统一出口、集中管理、高效服务

、数据探索平台，面向管理层、业务运营层和一线油站提供KPI指标预警、多项专题类应用和数据类报表服务，充分发挥大数据对内运营的支撑作用，全面提升A企业精细化运营能力和效益分析能力。数据中台在A企业内部的计算结构复杂，需要整合企业内部和外部的数据，统一存储避免差异，并从业务视角重新组织。解决方案为解决业务技术痛点，A企业与星环科技达成合作，旨在打造平台、管理、应用并重的数据中台。数据中台建设并非搭建，进行数据资产管理运营，融合各系统数据，并以迫切、价值高的业务应用为出发点，在数据中台探索如何实现，并形成数据敏捷开发机制。第二阶段：内部赋能。将第一阶段探索的成果推广到企业内部的其他业务部门和管理部门，促进数据与业务的进一步融合，初步形成大数据应用生态。第三阶段：生态合作。通过持续运营数据中心服务能力，形成生态化数字平台方案产品，建立健全业务需求识别机制，实现应用生态百花齐放，让数据产生价值。根据三步走的建设规划，数据中台的目标是搭建三大平台，推动数业融合，将原有“数据孤岛”、“烟囱式”的数据存储和开发工作，纳入到规范化、标准化、资产化的轨道上，做到统一入口、统一出口、集中管理、高效服务

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•...

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。

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

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：

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...

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"}...

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。...

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":...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...