LinkedIn工程经理眼中的数据世界格局
http://www.infoq.com/cn/news/2015/07/linkedin-bigdata
数据就是21世纪的原油，需要加工才能产生价值。我们用数据做什么？怎样带来价值？目前常见的大概有【五个方向：预测，推荐，问题识别，个性化，以及参考】。
预测，尤其是近期预测，以Google Flu Trends为代表，结合历史数据推断近期是否会爆发流感。
内容推荐，以Netflix为代表，他们当时为电影评分推荐引擎专门设置了一个奖项。问题识别，如城市堵车问题，有一家叫做Inrix的公司在37个国家提供实时交通信息。
个性化，以LinkedIn的Economic Graph为代表。
公共参考这一块，我很欣赏的一个非盈利组织DataKind做得很不错，他们在全球很多国家都提供数据点，涉及饥饿问题、气候问题等。另外美国政府在数据这方面也有很大投入，他们聘请了DJ Patil作为首席数据科学家，也建立了data.gov网站公布很多政务信息。
本报道根据LinkedIn工程经理Hien Luu在ArchSummit深圳2015的主题演讲内容整理而成。该主题演讲《大数据趋势》从三个层面分享了Hien对于大数据行业发展的观察与理解，分别是：
数据技术在业务需求——无论是生活还是商政方面——在近年来的巨大变化
现代数据技术的重要里程碑
数据技术以及它们在解决业务需求的时候正在面临的挑战，以及未来的一些可能出现的趋势
嘉宾简介
Hien Luu，目前在LinkedIn领导团队构建大数据应用及基础设施，负责细分与定位平台、工作流与调度系统。有20余年工作经验，Apache Pig项目贡献者。在大数据应用与基于Web的可扩展应用领域拥有丰富的设计与构建经验。在大数据、Web应用框架、云计算、RESTful Web服务和加密等领域都有很丰富的经验。作为软件工程师和技术领导交付了很多成功的软件。热爱构建可伸缩、高可用的系统。
世界对数据技术的需求
当前，全球每日产生的数据量大约为1.5 EB。目前全球所有的数据里，有90%都是在过去两年内生成的；而且在未来，预计每两年的数据量都会翻倍增长。
1.5 EB是个什么概念？10 TB大约是国会图书馆内所有3700万藏书的信息量；1 PB是1000 TB，50 PB大约是全人类有史以来所有书写内容的信息量；1 EB是1000 PB，5 EB大约是全人类有史以来所有说过的话语的信息量。现在整个互联网的信息量大约是YB级，就是EB之上的ZB之上的一个数量级，现在像是NSA那种规模的数据中心能够容纳这个数量级的数据。
这些数据都是哪儿来的？Facebook现在是300 PB的量级，Amazon大约是EB级，Google大约是10 EB级，而这些数据都是来自我们每一个人的贡献。而现在所被频繁讨论的物联网，则每一个物品都有一个独特的识别，它们将会数量庞大，以更快的速度制造更多的数据。比如，Google自动驾驶汽车不间断的从激光感应器、雷达、方位感应器等传感器收集数据并进行实时处理，每辆车收集的数据量达到每秒1GB。GE的飞机引擎，每一个引擎平均在一次飞行中就会产生1TB的数据，而一个引擎每年能消耗价值2000亿美金的燃油。而对于GE这样庞大的企业，即使是1%的燃油节省、1%的效率提升，都意味着巨大的节省。
数据就是21世纪的原油，需要加工才能产生价值。我们用数据做什么？怎样带来价值？目前常见的大概有五个方向：预测，推荐，问题识别，个性化，以及参考。预测，尤其是近期预测，以Google Flu Trends为代表，结合历史数据推断近期是否会爆发流感。内容推荐，以Netflix为代表，他们当时为电影评分推荐引擎专门设置了一个奖项。问题识别，如城市堵车问题，有一家叫做Inrix的公司在37个国家提供实时交通信息。个性化，以LinkedIn的Economic Graph为代表。公共参考这一块，我很欣赏的一个非盈利组织DataKind做得很不错，他们在全球很多国家都提供数据点，涉及饥饿问题、气候问题等。另外美国政府在数据这方面也有很大投入，他们聘请了DJ Patil作为首席数据科学家，也建立了data.gov网站公布很多政务信息。
现代数据技术的重要里程碑
大数据时代可以说是从2003年Google两篇论文的公布开始的，一篇是Google File System，另一篇则是MapReduce。这两个方面的研究都是为了解决Google在搜索和索引当中遇到的数据问题，后来促生了2006年Hadoop的诞生。
Hadoop最大的特点就是数据处理的民主化（分布决策），对于部分系统失效的情况能够较好的处理。喜欢上Hadoop的开发者们很快就在Hadoop的基础上创建了新的抽象层，如Hive和Cascading等，不过Hadoop 1.0仍然有很多局限性，最大的两个局限性就是扩展性问题和资源配置的效率问题。这两个问题到了Hadoop 2.0就好了很多。
Hadoop只是一个框架，提供了数据处理能力，而用户需要的是解决方案。在用户需求的推动下，又促生了诸如Hortonworks这样的公司。
2010年，AMPlab推出的Spark又带来了重大的改变。其有三个特点最令人兴奋，一是速度（内存计算），二是通用性（是一个支持各种数据类型的通用引擎），三是易用性（API容易上手且提供多个流行语言的版本）。
对于Spark的性能，2014年有一次基准测试的数据，100TB的数据在23分钟内完成处理，比Hadoop要快数倍。而且在资源使用方面，更是只有Hadoop的十分之一（206 vs 2100）。
将这些框架和能力做成解决方案，如何做得灵活又能够容错，就是一个系统架构的问题了。现在一个架构模式是Lambda架构，其中有三个设计原则，一个就是能够对人类的错误进行容错（因为是人总会犯错），让人类的错误不会造成数据破坏、数据丢失，第二个是数据的不变性，三是保留原始的数据，以后可以再进行其他的处理计算。
Lambda架构包括三部分。数据来的时候会送到Speed Layer，下面是Batch Layer，再往下是Service Layer用于服务Batch Layer。
数据技术正在面临的挑战以及未来可能的趋势
一个挑战是把不同来源的数据进行更高效的整合。一个挑战是缺乏分析的技能，因为这个领域目前还缺乏人才，预计到2018年数据科学家的缺口会达到150万，但是越来越多的大学已经在提供这方面的硕士课程。另一个是数据在刚刚被制造出来的时候是更有价值的，即实时数据的价值高于历史数据，所以快速处理数据的能力也是一个挑战，不仅要快、要高效率，还要支持大规模。
其他的挑战还有文化方面的，要在公司内部建立数据驱动的文化，存储、收集、分析数据的文化。
还有一个趋势是数据科学即服务。其实现在已经有一些，比如Amazon Maching Learning Service，Google Prediction API等等，但能做的事情还很有限，这里的难度还是很高的。
下一个大数据的创新是Prediction Phase，机器学习将无所不在。数据越来越多，机器学习的效果就越好，会逐渐的提升。
【完】
