Data Lakehouse：你的下一个数据仓库

news2024/11/16 19:52:31

作者：张友东 StarRocks TSC member/镜舟科技 CTO

数据分析是现代企业和组织决策过程中不可或缺的一部分，数据分析技术经过数十年的发展，需求场景从 BI 报表到数据探寻、实时预测、用户画像等不断丰富，技术架构经历从数据仓库、数据湖、到数据湖仓的演进，并走向数据湖仓一体架构，通过一套架构服务多样化的分析场景。

数据仓库

数据仓库的发展可以追溯到 1980 年，关系型数据库、日志文件等数据源的数据经过 ETL 处理，统一存储到数据仓库，用于服务 BI 报表、数据挖掘等分析场景。数据仓库在数据质量、事务处理、查询性能、数据治理等方面有明显的优势，但随着数据分析的需求越来越大，数据仓库的方案也面临一些挑战。

数据多样化：除了结构化的数据，半结构化、非结构化的数据越来越多。
数据孤岛问题：数据仓库面向主题管理，导致数据分散形成孤岛，难以形成全局统一的数据分析。
成本与扩展性：大数据量增长带来数据存储成本与横向扩展的问题。
高级数据分析支持：数据仓库能很好的支持 BI 相关应用，但随着 AI 的发展，AI 应用与数据仓库的数据交互效率不高，制约了 AI 应用的发展。

数据湖

数据湖的概念在 2010 年首次提出，如果把数据仓库/集市类比为瓶装水，数据湖则是以更加原生态方式存储数据的大池子。数据湖的核心优势是统一与开放，数据基于对象存储、HDFS 等系统实现低成本、可扩展的数据存储，并作为企业数据的 Single Source of Truth；同时数据的数据格式是开放的，便于不同的应用灵活访问。

数据湖解决了数据成本与扩展性、数据多样性、数据孤岛等问题，并同时满足 BI 与 AI 应用对数据分析的诉求；但数据湖在数据分析性能、数据管理与治理方面仍然存在较大的挑战。

湖仓分层架构

数据仓库与数据湖各有长处，业界持续在探索两者如何更好地融合，在过去几年湖仓分层的架构得到广泛的应用。企业数据统一写到数据湖，作为统一存储，湖上开放的数据可以服务 AI、ML 等应用场景；数据湖上部分数据经过 ETL 处理导入到数据仓库服务 BI 等 OLAP 分析场景。

湖仓分层架构融合了数据湖与数据仓库的优势，但面临一些问题与挑战。部分数据从数据湖导入到数据仓库，数据链路的增长影响数据分析的时效性，两份数据也会带来冗余存储、数据口径不一致的问题；另外，对于数据仓库里加工产生的数据，仍然很难高效的服务 AI 场景。

数据湖仓

湖仓分层架构在过去几年被广泛应用，并且不断地加深融合。新兴的数据仓库如 Snowflake、Redshift、BigQuery 均采用云原生存算分离架构演进，并且支持直接查询开放数据湖的能力。数据湖在事务支持、查询性能等方面的能力不如数据仓库，近年来随着新兴数据湖格式如 Iceberg、Hudi、Delta Lake 等的发展，事务支持能力得到提升；另外，在查询性能上，通过不断优化数据湖上的数据分布以及增加缓存机制等技术的演进，数据湖上的数据分析性能已经大幅提升，达到接近数据仓库的水平。

从数据湖和数据仓库的演进来看，两者在不断的融合，并逐步往数据湖仓的方向演进，兼具数据湖与数据仓库的优势。数据湖仓作为一种新的数据分析架构，用户采用湖仓就能方便将数据源和数据应用连接在一起。数据湖仓兼具数据仓库与数据湖的优势，湖仓具备开放统一的数据存储能力，并基于统一存储直接服务批处理、流处理、交互式分析等多种分析场景，实现湖仓 One data，all analytics 的业务价值。

StarRocks 3.0：Evolution to Lakehouse

StarRocks 2.0 版本凭借其优异的查询性能在业界得到广泛应用，很多用户采用湖仓分层架构，并将 Hive、Iceberg 等数据湖里的数据部分导入到 StarRocks 服务 OLAP 分析场景。StarRocks 3.0 通过存算分离架构升级、极速的湖仓分析性能、物化视图等关键能力，帮助用户构建数据湖仓，简化数据分析架构。

存算分离架构

StarRocks 存算分离 2023 年 4 月正式发布，目前已有上百家用户上线存算分离架构。与存算一体架构相比，保持了原有简洁的架构；同时极大的降低数据存储成本，提升计算的弹性能力。

访问远端对象存储的延时相比本地存储有数量级的提升，StarRocks 通过 Data Cache 机制提升数据访问性能，确保热数据与存算一体架构接近。根据实际测试，存算分离缓存命中的情况与存算一体架构相比性能完全相同；在完全冷查询时，性能大概是存算一体的 30-50%。

在存算分离架构下，StarRocks 可以方便的支持 Multi-warehouse 的能力；多个 Warehouse 共享一份数据，不同 Warehouse 应用在不同的 Workload，计算资源可以进行物理隔离，并且可以按需独立弹性伸缩。

极速湖仓分析

StarRocks 3.0 提供统一 Catalog 管理的能力，用户不仅能高效分析导入到 StarRocks 的数据，同时也支持直接分析开放数据湖 Apache Hive、Apache Iceberg、Apache Hudi、Apache Paimon 的数据，分析性能相比业界同类产品快 3-5 倍。

StarRocks 在查询层 CBO、向量化、Runtime filter 等技术可以无缝应用到开放数据湖分析，但湖上数据分析还面临一些其他挑战。湖上数据一般以原始格式存储，数据组织上没有针对查询优化，同时访问远端对象存储/HDFS 的延时相比本地盘更高。StarRocks 通过 I/O 合并、延迟物化、Data cache 等一系列关键技术加速湖上数据分析。另外，为了让用户平滑的获得 StarRocks 极速湖仓分析性能，StarRocks 实现了 Trino 方言的兼容，用户可以采用 StarRocks 无缝直替 Trino。

物化视图

StarRocks 物化视图提供了一种从预建模到后建模的方法，大大缩短业务建模以及上线时间。业务可以直接查询原始数据，借助 StarRocks 极致的查询性能，已经能满足绝大部分场景的需求；如果直接查询性能不满足，则可以按需构建物化视图来加速查询，StarRocks 支持物化视图的透明查询改写，实现业务无感的情况下实现查询加速。

基于 StarRocks 构建 Lakehouse

基于 StarRocks，用户可以高效的构建 Lakehouse 数据分析架构，用户可以选择 StarRocks 内表或开放数据湖 Apache Iceberg、Apache Hudi、Apache Paimon 作为统一的数据存储，基于 StarRocks 服务 BI 报表、Ad-hoc 等多样化的分析场景，对于业务性能要求高的查询，通过物化视图技术实现按需透明加速。