基于海量數(shù)據(jù)的實(shí)時(shí)查詢處理.pdf

1、過去幾年間，互聯(lián)網(wǎng)存儲(chǔ)的信息量增長(zhǎng)了成千上萬(wàn)倍，數(shù)據(jù)環(huán)境千變?nèi)f化，數(shù)據(jù)量爆炸式增長(zhǎng)，用戶需求的個(gè)性化，交互的增加和實(shí)時(shí)性，導(dǎo)致傳統(tǒng)的數(shù)據(jù)庫(kù)和數(shù)據(jù)處理系統(tǒng)已經(jīng)無法處理。傳統(tǒng)的數(shù)據(jù)庫(kù)系統(tǒng)側(cè)重于數(shù)據(jù)的一致性和可用性，性能、可擴(kuò)展性上都比較差，無法滿足可擴(kuò)展性和實(shí)時(shí)性的要求。谷歌和雅虎等公司，采用NOSQL數(shù)據(jù)庫(kù)(如HDFS數(shù)據(jù)庫(kù))，利用平常的計(jì)算機(jī)組成族群，開發(fā)了一些可擴(kuò)展的、靈活的、容錯(cuò)性強(qiáng)的海量數(shù)據(jù)框架(如Hadoop)來處理日常海量業(yè)務(wù)

2、數(shù)據(jù)。
　　 數(shù)據(jù)流和數(shù)據(jù)框架組合在一起，形成數(shù)據(jù)流管理系統(tǒng)，在不存儲(chǔ)信息的情況下，能夠?qū)崟r(shí)、持續(xù)不斷的處理海量數(shù)據(jù)，目前很多公司已經(jīng)具備自己的數(shù)據(jù)流管理系統(tǒng)，如yahoo S4系統(tǒng)、facebook puma、twitter strom、阿里iprocess等等。一個(gè)成功的數(shù)據(jù)流系統(tǒng)必須能夠根據(jù)數(shù)據(jù)流達(dá)到情況而彈性的分配節(jié)點(diǎn)任務(wù)量，而且具備安全檢查機(jī)制，當(dāng)系統(tǒng)崩潰后可以從安全檢查點(diǎn)進(jìn)行恢復(fù)，最后一個(gè)特性是數(shù)據(jù)流系統(tǒng)的可用性，用

3、戶可以方便的使用該平臺(tái)。
　　 雅虎S4系統(tǒng)作為一個(gè)海量數(shù)據(jù)流處理系統(tǒng)，受到各個(gè)公司的熱捧，然而這個(gè)系統(tǒng)依然存在不足。本論文在S4系統(tǒng)的基礎(chǔ)上，探討通過引進(jìn)查詢特征和處理數(shù)據(jù)節(jié)點(diǎn)的機(jī)制來進(jìn)行java庫(kù)的開發(fā)，增加S4系統(tǒng)的可用性，論文中將改進(jìn)后的系統(tǒng)稱為S4_S。S4_S代替原來系統(tǒng)的代碼擴(kuò)展機(jī)制，用戶通過書寫連續(xù)的聲明語(yǔ)句就可以創(chuàng)建新的流應(yīng)用。在論文后面會(huì)證明改進(jìn)系統(tǒng)處理數(shù)據(jù)的能力，以及用網(wǎng)絡(luò)服務(wù)監(jiān)控器和預(yù)測(cè)新浪微博話題兩個(gè)應(yīng)