软考：大数据架构设计

大数据总结

大数据处理系统的特征

1、鲁棒性和容错性
2、低延迟读取和更新能力
3、横向扩容
4、通用性
5、延展性
6、即席查询能力
7、最少维护能力
8、可调试性

Lambda架构

批处理层

存储数据集和生成Batch View
管理主数据集，原始的，不可变的，真实的

在大数据架构设计中，批处理层是Lambda架构的核心组成部分之一，其主要功能和特点如下：

存储管理主数据集：批处理层负责存储不可变的数据集和预先批处理计算好的视图。这意味着它处理的是历史数据，确保数据的完整性和准确性。
预先计算结果：批处理层使用分布式处理系统预先计算结果，通过处理所有的历史数据来实现数据的准确性。这通常涉及到大规模的数据集，需要强大的计算能力。
数据准确性：由于批处理层基于完整的数据集重新计算，它能够修复任何错误，并更新现有的数据视图。这保证了数据的准确性和可靠性。
输出存储：批处理层的输出通常存储在只读数据库中，更新则完全取代现有的预先计算好的视图。
使用技术：批处理层可以用Hadoop、Spark和Flink等框架进行计算。这些框架能够处理大规模数据集，并提供强大的数据处理能力。
与实时数据处理的结合：在Lambda架构中，批处理层与速度处理层（Speed Layer）相结合，以提供实时和历史数据的查询服务。速度层处理实时数据，而批处理层处理历史数据，两者的结合为用户提供了全面的数据视图。
数据冗余：虽然批处理层提供了数据的准确性，但也带来了数据冗余的问题，因为同样的数据可能在批处理层和速度层都被处理。

综上所述，批处理层在大数据架构中扮演着至关重要的角色，它通过处理历史数据来保证数据的完整性和准确性，同时与实时数据处理层相结合，为用户提供全面的数据分析服务。

加速层

建立索引，能快速查询，存储实时试图并处理传入的数据流，以便更新这些视图。
加速层相当于就是加速计算，只处理增量的数据集。

分层计算的特点：
1、容错性，就是在加速层可能出现的错误，可用在批处理层进行修正
2、复杂性隔离，将复杂的实时处理隔离出来，提高整个系统的鲁棒行和可靠性
3、横向扩容，支持线性可扩展

服务层

用来响应用户的查询请求。

具体实现

Hadoop用来存储主数据集
Spark构成加速层
Hbase作为服务层
Hive创建可查询的视图

Kappa架构

数据系统=数据+查询
数据的特性：When，What，也就是记录数据的版本
数据的存储：Lambda，数据是不可变的，不可变只需要在后面追加数据即可，

采用了重新处理事件的原则，有能力在业务逻辑更新的情况下重新处理以前处理过的历史数据

删除了Batch Layer的架构。数据通道已消息队列进行替代。

lambda和kappa架构的对比

Lambda架构和Kappa架构是两种不同的大数据架构，它们各自有不同的特点和适用场景。以下是它们的对比：

架构复杂性与维护：
- Lambda架构：包含批处理层和速度层，需要维护两套系统，这可能导致维护和管理上的复杂性增加。
- Kappa架构：通过消除批处理层，简化了架构，减少了维护的复杂性。
实时性与历史数据处理：
- Lambda架构：适合需要历史数据分析的场景，通过批处理层可以处理历史数据。
- Kappa架构：更侧重于实时数据处理，适合对实时性要求极高的应用。
容错性与一致性：
- Lambda架构：批处理层提供了强大的容错性和数据一致性保证，适合对数据准确性要求极高的场景。
- Kappa架构：依赖于流处理层的容错机制，可能在某些场景下需要额外的措施来确保数据一致性。
技术适应性：
- Lambda架构：由于其成熟的技术生态，可能更容易找到经验丰富的技术人员。
- Kappa架构：可能需要团队适应新的流处理技术。
数据冗余与存储成本：
- Lambda架构：为实现不可变的数据需要存储原始数据，数据的不断追加会带来很大的存储成本。
- Kappa架构：通过重新处理历史数据改进逻辑算法，可以减少数据冗余和存储成本。
开发和维护成本：
- Lambda架构：批处理层和速度层采用两套不同的技术方案，开发和维护成本都比较大。
- Kappa架构：只需要维护实时处理模块，可以降低开发和维护成本。
适用场景：
- Lambda架构：因其优秀的稳定性和容错性，仍被应用在众多场景中，适合需要稳健机器学习模型的场景。
- Kappa架构：适用于需要高实时性和灵活性的业务逻辑。