了解 ，它是 IBM 大數(shù)據(jù)平臺的一部分。 解決了針對能夠?qū)崟r處理生成的海量流數(shù)據(jù)的平臺和架構(gòu)的一種迫切需求。了解該產(chǎn)品的設(shè)計目標(biāo)，它適用于哪些時機，其工作原理，以及它如何為 InfoSphere BigInsights 提供補充來執(zhí)行高度復(fù)雜的分析。

來自多個來源的信息正在以難以置信的速度增長。互聯(lián)網(wǎng)用戶數(shù)量在 2015 年已經(jīng)達(dá)到 22.7 億。每一天，Twitter 都會生成超過 12 TB 的 tweet，F(xiàn)acebook 生成超過 25 TB 日志數(shù)據(jù)，紐約證券交易所采集 1 TB 交易信息。每天會創(chuàng)建大約 300 億個射頻識別 (RFID) 標(biāo)記。此外，每年銷售的數(shù)億臺 GPS 設(shè)備，目前正在使用的超過 3000 萬個連網(wǎng)的傳感器（而且每年在以高于 30% 的速度增長），都在產(chǎn)生數(shù)據(jù)。這些數(shù)據(jù)量預(yù)計在未來 10 年中每 2 年就會翻一番。

一家公司在一年時間內(nèi)可生成高達(dá)數(shù) PB 的信息：網(wǎng)頁、博客、單擊流、搜索索引、社交媒體論壇、即時消息、文本消息、電子郵件、文檔、用戶人口統(tǒng)計數(shù)據(jù)、來自主動和被動系統(tǒng)的傳感器數(shù)據(jù)，等等。許多人估計，這些數(shù)據(jù)中高達(dá) 80% 都是半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)。公司一直在尋求更加敏捷地經(jīng)營業(yè)務(wù)，以更加創(chuàng)新的方式執(zhí)行數(shù)據(jù)分析和決策流程。而且他們認(rèn)識到，這些流程中損失的時間可能導(dǎo)致錯失業(yè)務(wù)機會。挑戰(zhàn)的核心是，公司掌握輕松地分析和理解互聯(lián)網(wǎng)級信息的能力，就像他們現(xiàn)在可分析和理解較少量結(jié)構(gòu)化信息一樣。

IBM 正在幫助公司應(yīng)對大數(shù)據(jù)挑戰(zhàn)，為他們提供工具來集成和管理海量、高速產(chǎn)生的數(shù)據(jù)，應(yīng)用原生格式的分析，可視化可用數(shù)據(jù)以進行專門分析，等等。本文將介紹 InfoSphere Streams，該技術(shù)支持您同時分析許多數(shù)據(jù)類型并實時執(zhí)行復(fù)雜計算。您將了解 InfoSphere Streams 的工作原理，它的用途，以及如何結(jié)合使用它與另一個用于的 IBM 產(chǎn)品（IBM InfoSphere BigInsights）來執(zhí)行高度復(fù)雜的分析。

InfoSphere BigInsights：概述

理解 InfoSphere BigInsights 將會使您能夠更全面地理解 InfoSphere Streams 的用途和價值。

BigInsights 是一個分析平臺，可幫助公司將復(fù)雜的互聯(lián)網(wǎng)級信息集轉(zhuǎn)換為洞察。它包含一個套裝的 Apache Hadoop 發(fā)行版（具有高度簡化的安裝流程）和用于應(yīng)用程序開發(fā)、數(shù)據(jù)移動和集群管理的關(guān)聯(lián)工具。得益于簡單性和可伸縮性，Hadoop（MapReduce 框架的一種開源實現(xiàn)）在行業(yè)和學(xué)術(shù)界獲得的巨大的成功。除了 Hadoop 之外，BigInsights 中的其他開源技術(shù)（除 Jaql 外的所有技術(shù)都屬于 Apache Software Foundation 項目）包括：

• Pig：該平臺提供了一種高級語言來表達(dá)分析大數(shù)據(jù)集的程序。Pig 配備了一個編譯器，可將 Pig 程序轉(zhuǎn)換為 Hadoop 框架執(zhí)行的 MapReduce 作業(yè)序列。
• Hive：一個構(gòu)建于 Hadoop 環(huán)境之上的數(shù)據(jù)倉庫解決方案。它為 Hadoop 的非結(jié)構(gòu)化世界帶來了人們熟悉的關(guān)系數(shù)據(jù)庫概念，比如表、列和分區(qū)，以及 SQL 的一個子集 (HiveQL)。Hive 查詢被編譯為使用 Hadoop 執(zhí)行的 MapReduce 作業(yè)。
• Jaql：IBM 專為 JSON（JavaScript Object Notation，JavaScript 對象表示法）開發(fā)的一種查詢語言，提供了一種類似 SQL 的接口。Jaql 適度地處理嵌套，高度面向函數(shù)，而且非常靈活。它適用于松散的結(jié)構(gòu)化數(shù)據(jù)，是 HBase 列存儲和文本分析的接口。
• HBase：一個面向列的 NoSQL 數(shù)據(jù)存儲環(huán)境，旨在支持 Hadoop 中大型、稀疏填充的表。
• Flume：一種分布式、可靠且可用的服務(wù)，用于高效地移動生成的大量數(shù)據(jù)。Flume 非常適合從多個系統(tǒng)中收集生成的日志，在它們插入 HDFS（Hadoop Distributed File System，Hadoop 分布式文件系統(tǒng)）。
• Lucene：一個搜索引擎庫，提供了高性能的、全功能的文本搜索。
• Avro：一種數(shù)據(jù)序列化技術(shù)，使用 JSON 來定義數(shù)據(jù)類型和協(xié)議，以一種緊湊的二進制格式對數(shù)據(jù)執(zhí)行序列化。
• ZooKeeper：一種維護配置信息和命名，提供分布式同步和分組服務(wù)的集中化服務(wù)。
• Oozie：一個工作流調(diào)度程序系統(tǒng)，用于管理和編排 Apache Hadoop 作業(yè)的執(zhí)行過程。

此外，BigInsights 發(fā)行版還包含以下 IBM 獨有的技術(shù)：

• BigSheets：一種基于瀏覽器、類似電子表格的查詢和探索接口，使業(yè)務(wù)用戶能夠輕松地收集和分析數(shù)據(jù)，利用 Hadoop 的強大功能。它提供了內(nèi)置的閱讀器，可處理多種常見格式的數(shù)據(jù)，包括 JSON、逗號分隔值 (CSV) 和制表符分隔值 (TSV)。
• Text analytics：常見業(yè)務(wù)實體的文本注釋符的一個預(yù)先構(gòu)建的庫。它提供了豐富的語言和工具來構(gòu)建自定義位置注釋符。
• Adaptive MapReduce：一個 IBM Research 解決方案，通過更改 MapReduce 任務(wù)的處理方式來加速小型 MapReduce 作業(yè)的執(zhí)行。

InfoSphere 平臺

是一個綜合性的信息集成平臺，包含數(shù)據(jù)倉庫和分析、信息集成、主數(shù)據(jù)管理、生命周期管理，以及數(shù)據(jù)安全和隱私。該平臺改進了應(yīng)用程序開發(fā)流程，所以組織可以加快價值實現(xiàn)速度，減少集成成本，并提高信息質(zhì)量。

一般來講，BigInsights 的設(shè)計并不是為了取代一種傳統(tǒng)的關(guān)系數(shù)據(jù)庫管理系統(tǒng) (DBMS) 或傳統(tǒng)的數(shù)據(jù)倉庫。具體來講，它沒有針對對表列數(shù)據(jù)結(jié)構(gòu)的交互式查詢、在線分析處理 (OLAP) 或在線事務(wù)處理 (OLTP) 應(yīng)用程序而優(yōu)化。但是，作為 IBM 大數(shù)據(jù)平臺的組成部分，BigInsights 提供了與該平臺的其他組件（包括數(shù)據(jù)倉庫、數(shù)據(jù)集成和治理引擎）和第三方數(shù)據(jù)分析工具的潛在集成點。在本文后面將會看到，它還可與 InfoSphere Streams 集成。

流計算：一種新的計算模式

流計算是新的數(shù)據(jù)聲場場景所不可或缺的一種新計算模式，比如無處不在的移動設(shè)備、位置服務(wù)和遍布各處的傳感器。人們需要可伸縮的計算平臺和并行架構(gòu)來處理生成的海量流數(shù)據(jù)。

BigInsights 技術(shù)不足以支持實時流處理任務(wù)，因為它們主要面向?qū)o態(tài)數(shù)據(jù)的批處理的支持。在處理靜態(tài)數(shù)據(jù)的過程中，列出所有已連網(wǎng)的用戶這樣的查詢會得到單一的結(jié)果集。借助對流數(shù)據(jù)的實時處理，您可執(zhí)行一種持續(xù)查詢，比如列出在過去 10 分鐘內(nèi)連網(wǎng)的所有用戶。此查詢將返回持續(xù)更新的結(jié)果。在靜態(tài)數(shù)據(jù)領(lǐng)域中，用戶猶如在干草堆中撈針；在流數(shù)據(jù)領(lǐng)域中，用戶可輕松地找到這顆針，因為干草已被吹走。

InfoSphere Streams 平臺支持流數(shù)據(jù)的實時處理，支持不斷更新持續(xù)查詢的結(jié)果，可在仍在移動的數(shù)據(jù)流中檢測洞察。

InfoSphere Streams 概述

InfoSphere Streams 旨在從一個幾分鐘到幾小時的窗口中的移動信息（數(shù)據(jù)流）中揭示有意義的模式。該平臺能夠獲取低延遲洞察，并為注重時效的應(yīng)用程序（比如欺詐檢測或網(wǎng)絡(luò)管理）獲取更好的成果，從而提供業(yè)務(wù)價值。InfoSphere Streams 還可合并多個流，使您能夠從多個流中獲取新洞察，如圖 3 所示。

圖 3. 合并的流處理

InfoSphere Streams 的主要設(shè)計目的是：

• 快速響應(yīng)事件和不斷變化的業(yè)務(wù)條件與需求。
• 支持以比現(xiàn)有系統(tǒng)快幾個數(shù)量級的速度對數(shù)據(jù)執(zhí)行持續(xù)分析。
• 快速適應(yīng)不斷變化的數(shù)據(jù)形式和類型。
• 管理新的流模式的高可用性、異構(gòu)性和分布。
• 為共享的信息提供安全性和信息機密性。

InfoSphere Streams 提供了一種編程模型和 IDE 來定義數(shù)據(jù)來源，還提供了已融合到處理執(zhí)行單元中的稱為運算符的軟件分析模塊。它還提供了基礎(chǔ)架構(gòu)來支持從這些組件合成可擴展的流處理應(yīng)用程序。主要平臺組件包括：

• 運行時環(huán)境：這包括平臺服務(wù)，以及一個用于在單個主機或一組集成的主機上部署和監(jiān)視 Streams 應(yīng)用程序的調(diào)度程序。
• 編程模型：您可使用 SPL（Streams Processing Language，流處理語言，一種聲明性語言）來編寫 Streams 應(yīng)用程序。可使用該語言陳述您的需求，運行時環(huán)境會承擔(dān)確定如何最佳地服務(wù)該請求的責(zé)任。在此模型中，一個 Streams 應(yīng)用程序表示為一個由運算符和連接它們的流組成的圖表。
• 監(jiān)視工具和管理接口：Streams 應(yīng)用程序處理數(shù)據(jù)的速度比普通的操作系統(tǒng)監(jiān)視實用程序快得多。InfoSphere Streams 提供了可處理此環(huán)境的工具。

流處理語言

SPL，InfoSphere Streams 的編程語言，是一種分布式數(shù)據(jù)流合成語言。它是一種類似 C++ 或 Java™ 的可擴展且全功能的語言，支持用戶定義的數(shù)據(jù)類型。您可以使用 SPL 或原生語言（C++ 或 Java）編寫自定義函數(shù)。也可以使用 C++ 或 Java 編寫用戶定義的運算符。

InfoSphere Streams 持續(xù)應(yīng)用程序會描述一個導(dǎo)向圖，該圖由各個互聯(lián)且處理多個數(shù)據(jù)流的運算符組成。數(shù)據(jù)流可來自系統(tǒng)外部，或者在應(yīng)用程序內(nèi)部生成。SPL 程序的基本構(gòu)建塊包括：

• 流：一個無限的結(jié)構(gòu)化元組序列。它可逐個元組地由運算符使用或通過一個窗口的定義來使用。
• 元組：屬性及其類型的一個結(jié)構(gòu)化列表。流上的每個元組擁有由其流類型指定的形式。
• 流類型：指定元組中每個屬性的名稱和數(shù)據(jù)類型。
• 窗口：一個有限、有序的元組分組。它可以基于計數(shù)、時間、屬性值或標(biāo)點符號。
• 運算符：SPL 的基礎(chǔ)構(gòu)建塊，它的運算符會處理來自流的數(shù)據(jù)并可生成新流。
• 處理元素 (PE)：基礎(chǔ)執(zhí)行單元。一個 PE 可封裝單個運算符或多個合并的運算符。
• 作業(yè)：一個已部署好的用來執(zhí)行的 Streams 應(yīng)用程序。它由一個或多個 PE 組成。除了一組 PE 之外，SPL 編譯器還會生成一個 ADL（Application Description Language，應(yīng)用程序描述語言）文件來描述應(yīng)用程序的結(jié)構(gòu)。該 ADL 文件包含每個 PE 的詳細(xì)信息，比如要加載和執(zhí)行哪個二進制文件，調(diào)度限制、流格式和一個內(nèi)部運算符數(shù)據(jù)流圖。

圖 4 演示了 SPL 程序的 InfoSphere Streams 運行時視圖：

圖 4. InfoSphere 運行時執(zhí)行

一個運算符表示一個可重用的流轉(zhuǎn)換器，將一些輸入流轉(zhuǎn)換為輸出流。在 SPL 程序中，運算符調(diào)用可實現(xiàn)預(yù)算法的特定用途，使用分配的特定的輸入和輸出流，以及在本地指定的參數(shù)和邏輯。每次運算符調(diào)用都會對輸入和輸出流命名。各種內(nèi)置的 InfoSphere Streams 運算符提供了許多強大的功能：

• Source：讀取流格式的輸入數(shù)據(jù)。
• Sink：將輸出流的數(shù)據(jù)寫入外部存儲或系統(tǒng)中。
• Functor：過濾、轉(zhuǎn)換和對輸入流的數(shù)據(jù)執(zhí)行各種功能。
• Sort：對定義的鍵上的流數(shù)據(jù)排序。
• Split：將輸入流數(shù)據(jù)拆分為多個輸出流。
• Join：合并定義的鍵上的輸入流數(shù)據(jù)。
• Aggregate：聚合定義的鍵上的流數(shù)據(jù)。
• Barrier：組合和匹配流數(shù)據(jù)。
• Delay：演示一個流數(shù)據(jù)流。
• Punctor：識別應(yīng)一起處理的數(shù)據(jù)分組。

一個流連接到一個運算符的位置稱為端口。許多運算符（例如 Functor）有一個輸入端口和一個輸出端口，但運算符也可以沒有輸入端口（比如 Source）和沒有輸出端口（比如 Sink），或者擁有多個輸入或輸出端口（比如 Split 和 Join）。清單 1 給出了 Sink 的一個 SPL 示例，它有一個輸入端口并將輸出元組寫入到一個磁盤文件中。

清單 1. Sink 示例

() as Sink = FileSink(StreamIn) {
    param
    file : "/tmp/people.dat";
    format : csv;
    flush : 20u;
}

在 清單 1 中，file 是一個強制性參數(shù)，提供了輸出文件的路徑。flush 參數(shù)用于清除給定數(shù)量的元組后的輸出。format 參數(shù)指定了輸出文件的格式。

組合運算符是一個運算符集合。它表示對原始（非組合）運算符或組合（嵌套）運算符的一個子圖的一種封裝。它類似于過程語言中的宏。

一個應(yīng)用程序由一個沒有輸入或輸出端口的主要組合運算符表示。數(shù)據(jù)可流入和流出，但不會流到一個圖表內(nèi)的流上，而且流可導(dǎo)出到在同一個實例中運行的其他應(yīng)用程序和從這些應(yīng)用程序?qū)搿Ｇ鍐?2 中的代碼給出了主要組合運算符的框架。

清單 2. 主要組合運算符的結(jié)構(gòu)

composite Main {
    graph
    stream ... {
    }
    stream ... {
    }
    ...
}

作為一個示例，我們來看一個簡單的流應(yīng)用程序 WordCount，它統(tǒng)計一個文件中的行數(shù)和字?jǐn)?shù)。該程序由以下流圖組成：

• 一個 Source 預(yù)算法調(diào)用，讀取一個文件并將各行發(fā)送給數(shù)據(jù)流。
• 一個 Functor 運算符調(diào)用，統(tǒng)計行數(shù)和每個數(shù)據(jù)行的字?jǐn)?shù)，將統(tǒng)計數(shù)據(jù)發(fā)送給它的輸出流。
• 一個 Counter 運算符調(diào)用，聚合文件中所有行的統(tǒng)計數(shù)據(jù)并打印在末尾。

在介紹 WordCount 的主要組合運算符之前，我將定義一些幫助器。我將為一行的統(tǒng)計數(shù)據(jù)使用 LineStat 類型。此外，我需要構(gòu)建一個 countWords(rstring line) 函數(shù)來統(tǒng)計一行中的字?jǐn)?shù)，需要使用一個 addM(mutable LineStat x, LineStat y) 函數(shù)來添加兩個 LineStat 值并存儲結(jié)果。清單 3 定義了這些幫助器。

清單 3. WordCount 幫助器定義

type LineStat = tuple<int32 lines, int32 words>; 

    int32 countWords(rstring line) {
        return size(tokenize(line, " \t", false));
    } 

    void addM(mutable LineStat x, LineStat y) {
        x.lines += y.lines;
        x.words += y.words;
    }

現(xiàn)在可以定義主要組合運算符了，如清單 4 所示。

清單 4. WordCount 的主要組合運算符

composite WordCount { 

    graph
    stream<rstring line> Data = FileSource() {
        param file : getSubmissionTimeValue("file");
        format : line;
    } 
    stream<LineStat> OneLine = Functor(Data) {

        output OneLine : lines = 1, words = countWords(line);
    } 

    () as Counter = Custom(OneLine) { 

        logic state : mutable LineStat sum = { lines = 0, words = 0 };
        onTuple OneLine : addM(sum, OneLine);
        onPunct OneLine : if (currentPunct() == Sys.FinalMarker) 

        println(sum); 

        } 

}

開發(fā)環(huán)境

InfoSphere Streams 提供了一個敏捷開發(fā)環(huán)境，該環(huán)境由 Eclipse IDE、Streams Live Graph 視圖和一個流調(diào)試器組成。該平臺還包含用于加速和簡化特定功能或行業(yè)的解決方案開發(fā)的工具包：

• 標(biāo)準(zhǔn)工具包：包含隨產(chǎn)品發(fā)布的默認(rèn)運算符：
  • 關(guān)系運算符，比如 Filter、Sort、Functor、Join、Punctor 和 Aggregate
  • 適配器 運算符，比如 FileSource、FileSink、DirectoryScan 和 Export
  • 實用程序運算符，比如 Custom Split、DeDuplicate、Throttle、Union、Delay、ThreadedSplit、Barrier 和 DynamicFilter
• 互聯(lián)網(wǎng)工具包：包括 HTTP、FTP、HTTPS、FTPS 和 RSS 等運算符。
• 數(shù)據(jù)庫工具包：支持 DBMS，包括 DB2®、Netezza、Oracle Database、SQL Server 和 MySQL。
• 其他內(nèi)置工具包：金融、數(shù)據(jù)挖掘、大數(shù)據(jù)和文本工具包。

此外，您可定義您自己的工具包，提供可重用的運算符和函數(shù)集，并創(chuàng)建跨領(lǐng)域和特定于領(lǐng)域的加速器。它們可包含原始和組合運算符，也可同時使用原生和 SPL 函數(shù)。

BigInsights 和 InfoSphere Streams 之間的集成和交互

不斷從系統(tǒng)中生成大量寶貴數(shù)據(jù)的公司正面臨為以下兩個重要用途而分析數(shù)據(jù)的問題困擾：及時感知和響應(yīng)當(dāng)前事件，根據(jù)歷史知識進行預(yù)測，從而指導(dǎo)響應(yīng)。這一情形產(chǎn)生了無縫運行移動數(shù)據(jù)（當(dāng)前數(shù)據(jù)）和靜止數(shù)據(jù)（歷史數(shù)據(jù)）分析、處理海量、多樣性、高速產(chǎn)生的數(shù)據(jù)的需求。IBM 的移動數(shù)據(jù) (InfoSphere Streams) 與靜止數(shù)據(jù) (BigInsights) 平臺的集成解決了 3 個主要應(yīng)用場景的需求：

• 可伸縮的數(shù)據(jù)獲取：通過 Streams 持續(xù)將數(shù)據(jù)獲取到 BigInsights 中。例如，通常需要獲取來自社交媒體來源（比如 Twitter 和 Facebook）的非結(jié)構(gòu)化文本數(shù)據(jù)，以提取各種類型的態(tài)度和線索。在這種情況下，如果文本提取在獲取數(shù)據(jù)時執(zhí)行，那么盡早消除垃圾郵件等無關(guān)數(shù)據(jù)會讓效率高很多。這種集成使公司能夠避免巨額的非必要存儲成本。
• 加速和充實：從 BigInsights 生辰歷史上下文來加速分析和充實傳入的 Streams 數(shù)據(jù)。BigInsights 可用于分析在較長的時間窗口內(nèi)從各種連續(xù)和靜態(tài)的數(shù)據(jù)來源吸收和集成的數(shù)據(jù)。此分析的結(jié)果為各種在線分析提供了上下文，可用于將它們引導(dǎo)至一種已知狀態(tài)。回到社交媒體應(yīng)用程序的場景，一條傳入的 Twitter 消息僅擁有發(fā)布該消息的人的 ID。但是，歷史數(shù)據(jù)可通過屬性（比如影響者）充實該信息，為執(zhí)行下游分析以適當(dāng)應(yīng)對此用戶所表達(dá)的態(tài)度提供機會。
• 自適應(yīng)分析模型：BigInsights 上的分析操作（比如數(shù)據(jù)挖掘、機器學(xué)習(xí)或統(tǒng)計建模）所生成的模型。這些可用作分析 Streams 上的傳入數(shù)據(jù)的基礎(chǔ)，基于實時觀察結(jié)果而更新。

IBM 大數(shù)據(jù)平臺的移動數(shù)據(jù)和靜止數(shù)據(jù)部分可通過 3 種主要的組件類型來集成：

• 通用分析：相同的分析功能可用在 Streams 和 BigInsights 上。
• 通用數(shù)據(jù)格式：Streams 格式運算符可在 Streams 元組格式和 BigInsights 使用的數(shù)據(jù)格式之間轉(zhuǎn)換數(shù)據(jù)。
• 數(shù)據(jù)交換適配器：Streams Source 和 Sink 適配器可用于與 BigInsights 交換數(shù)據(jù)。

結(jié)束語

幫助公司管理、分析和利用大數(shù)據(jù)是 IBM 大數(shù)據(jù)平臺的主要關(guān)注領(lǐng)域。本文介紹了 InfoSphere Streams，它是 IBM 用來存儲和分析移動數(shù)據(jù)（流數(shù)據(jù)）的軟件平臺。本文還概述了如何集成 InfoSphere Streams 與 BigInsights，它們是 IBM 用來存儲和分析靜止數(shù)據(jù)的軟件平臺，以便充實實現(xiàn)更復(fù)雜分析的能力。許多公司認(rèn)識到，充分利用大數(shù)據(jù)是提供獨特的業(yè)務(wù)價值和優(yōu)勢的一個重要的信息管理手段。如果您已準(zhǔn)備好使用 InfoSphere streams，請參見 參考資料，獲取免費的培訓(xùn)材料和軟件。

詳情請咨詢！

客服熱線：023-66090381