看到标题，可能有用户要问：OSS不是用来存图片、视频、及文件的吗，还可以在上面建表、数仓？计算效率和经济性表现怎么样？
本文先给出基本结论：
对象存储（Object Storage Service，简称OSS） 是基于阿里云飞天分布式系统的海量、安全和高可靠的云存储服务，是一种面向互联网的大规模、通用存储，提供RESTful API，具备容量和处理的弹性扩展能力。
既然可以把摄像头推流接到OSS，建表属于小Case了。并且2016年在亦龙大神的帮助下，Hadoop社区在官方版本中支持OSS，开启了阿里云存储与开源融合的新里程碑。
今天为了降低OSS上建表的门槛，日志服务（原SLS）LogHub可以支持OSS上表的实时写入（表类型包括TextFile，列存储Parquet），支持压缩及数据Partition配置。在计算引擎端，我们已经和阿里云（MaxCompute、E-MapReduce）和主流开源计算引擎（Presto等）打通，无缝使用多种计算引擎热插拔对接。
既然可以把数据表直接建在HDFS、MaxCompute（原ODPS）上，选择OSS来存储表数据又是为什么呢？
存储与计算分离的趋势
在2009年做大规模计算的核心词是“Locality”：让计算尽量靠近数据以提升效率。当时一个公认的模型是：构建一个足够大的资源池，把数据和计算融合在里面发挥规模效应。
但最近几年以来，生态和环境都悄然发生了一些变化：
- 计算模式：全量数据计算模式，逐步被Impala、Presto等更高效计算模式赶上
- 存储格式：ORC/Parquet/Kudu等列存、索引技术诞生，使得计算不需要Scan大块数据
- 网络架构：25G网络开始上线，FPGA等技术也加快了网络体验
- 存储介质：SSD、AliFlash、3D X-Point 大量混合技术使得存储可以“既快又猛”
- 计算平台：GPU、FGPA、甚至是未来的TPU等改变计算形态
从这些变化使得我们发现：
通过一款机型通吃存储+计算方案，已经演变成存储+计算各自服务化，通过高速网络进行连接的趋势
这种方式可以使得存储、计算不用再被”机型“，”机柜“，”电力“等方案束缚，在各自最擅长的领域进行创新。从业界对于”分层“的工作中，我们也看到了这类的尝试：
案例1：Netflix 基于S3解决方案
Netflix是AWS创新代表，特别是他们的大数据业务。根据2016 Re:Invent上Slides描述，Netflix每天新增500 Billion条日志（数据量500 TB）、存量数仓规模 60PB、每天会对其中3PB数据做计算。
在Slides中Netflix谈到：从2014年开始就决定开始摒弃各种系统隔阂，底层使用了统一存储S3，之上构建各种计算引擎系统。事实证明Netflix这一步走得正确，海量的存储与计算能力使得商业的创新得到了充分释放，成为AWS上令人引以为傲的学习榜样。
受Netflix启发，AWS 在2016 Re:Invent 上推出了一款新的计算产品Athena：该产品将Presto服务化提供基于各种存储类服务的 Ad-Hoc Query能力。
AWS Athena利用多个可用区(Availability Zones)中的计算资源执行查询，并将S3用作底层数据存储系统，由于数据冗余地存储在多个地点和每个地点的多个设备中，服务具备很高的可用性和可靠性。
案例2：Facebook RocksDB项目
Google开源了Level DB，而Facebook通过改造成RocksDB使它上升到新高度。RocksDB除了对LSM模型的多个优化外，另一个非常吸引人的地方在对存储介质、计算层适配得非常友好，可以充分发挥计算和存储的性能。底层的介质与存储对上层API透明热插拔，是在软件设计层面存储+计算分离的一个优美案例。
OSS上建立数仓的优势
优势1：不受限制的存储空间
对于数据仓库来说最重要一点是海量存储，能为计算分析提供大数据吞吐支持。在这个点上OSS是非常合适的。
结合OSS的目录设置，对大规模（百万级别以上）文件做合理划分，并与计算引擎配合拿到更高的计算效率。LogHub投递OSS存储支持Hive-style分区目录，将数据按照日期存储，可以设置多维分区。
举个例子，我们有一个应用叫my-app，为应用创建一个dw项目 my-dw，在项目中创建了一组表，以其中一个表my-table作为例子：表中的数据以时间（天）作为partition（例如date='20170330' 代表当天的数据目录)。
整个数仓的层级结构可以映射为OSS的一个访问路径：
- my-app 为 OSS 上bucket名称
- my-dw 之后则为数仓的项目名（namespace）
- my-table是表名
- date=20170330是一维分区
优势2：极低的存储成本
OSS 是提供实时数据读写“最便宜”存储产品之一，对于100GB日志数据：
- 使用列存储编码（以Parquet格式为例），通过snappy压缩后，存储数据量在8 GB左右
- 以OSS当前官网价格计算，使用OSS存储一个月费用为 8 * 0.148 = 1.184 元
- 除此之外，OSS有两种根据访问频率可任意转换形态：IA（低频）、Archive（冷备），最低可以降低60%成本。OSS 与 IA，Archive之间数据模型是一致的，数据形态可以非常便捷的转换。
优势3：一份数据，对接多种计算引擎
我们可以将数据以一种通用的协议存储（例如textfile，sequence file或parquet等），目前OSS上数据支持如下计算引擎：
- 开源：Spark、Presto、Druid，Pig，Hive等
- 阿里云：MaxCompute，E-MapReduce、RDS-PG、Batch Compute等
以上计算引擎和存储之间都是热插拔，可以方便地在不同大小的测试、生产数据集上进行切换组合。
对比与传统数仓方案，数据存储于OSS，计算实现了Schema on Read，使得数据分析的自由度得到了很大提升。
除了支持多种计算引擎外，OSS 本身还有Geo-Replication功能，可以在不同Region间准实时进行同步，不把鸡蛋放在一个篮子里，以进一步提升重要数据的安全性。
优势4：在计算效率上比肩HDFS类存储
OSS从API上看起来不像HDFS类存储这么细，性能并不一定好？
这里以一个Map-Reduce作业举例，在作业的执行过程中，OSS会在3个地方被用到：
- 调度：当查询提交时，需要根据计算数据范围 List OSS目录制定plan，确定多少文件目录参与计算
- 运行：每个Worker根据plan扫描指定目录下文件，读取并进行自定义计算
- 结果：当计算完成时，写入OSS（计算中间结果产生的Shuffle文件可以写在本机以优化性能，部分场景下也可以选择使用OSS）
可见，对于Ad-Hoc Query类场景，OSS在使用模式上都可以完全胜任。
开始在OSS分析数据
数据写入
直接将日志以准实时方式写入OSS，支持JSON、Parquet格式，投递规则配置如下：
数据在OSS存储如下：
通过LogHub写入优势：数据接入LogHub多种选择，全托管归档服务，准实时投递，支持异常重试，STS授权。了解OSS投递请参考文档。
使用OSS 各种SDK或API写入，完全自主的写入方式，参考文档。
计算引擎
- E-MapReduce/Spark/Hive 用户：参考社区文档。
- MaxCompute 用户（ODPS）：功能内测中。
- PG用户：请联系 铁庵。
- Presto用户：Local File模式，参考社区文档。
- 其它：随时一个Get，数据全部拿走。
|
