简介：在日前的 2021 阿里云金融数据智能峰会——《云原生驱动数智化经营的“增长黑马”》专场上，阿里云数据库资深技术专家魏闯先 从数据价值链路角度切入，为大家解读云原生数据仓库如何撑持数据化经营、全链路营销和阿里团体双 11 业务，并展现金融客户最佳实际案例和利用场景。本文内容依据演讲录音及 PPT 整顿而成。

在日前的 2021 阿里云金融数据智能峰会——《云原生驱动数智化经营的“增长黑马”》专场上，阿里云数据库资深技术专家魏闯先 从数据价值链路角度切入，为大家解读云原生数据仓库如何撑持数据化经营、全链路营销和阿里团体双 11 业务，并展现金融客户最佳实际案例和利用场景。本文内容依据演讲录音及 PPT 整顿而成。

阿里云数据库资深技术专家魏闯先

一、背景与趋势

（一）阿里巴巴 15 年云计算实际

回顾阿里巴巴十五年来云原生倒退的路线，大抵分为三个阶段。

第一个阶段是 2006 年～2015 年的 利用架构互联网化阶段，是云原生从 0 到 1 的过程。最早的时候，阿里巴巴在淘宝上做中间件，那是最早的云的雏形。过后咱们钻研的是 Oracle 数据库和 IBM 的小型机。但阿里巴巴发现一个问题，就是随着淘宝流量越来越大，Oracle 的机器无奈持续满足业务需要，三个月之后，咱们的数据将存不下也算不了。这是十分重大的问题，所以过后阿里巴巴启动了去 IOE 的打算。

这个时候，阿里巴巴发现咱们的业务做得十分好，但技术上有很多挑战。因而，阿里巴巴在 2009 年成立了阿里云，自研飞天操作系统，开启云化时代，淘宝和天猫合并建设业务中台，届时三大中间件外围零碎上线。

飞天操作系统基于 Apsara，是一个分布式的操作系统。在根底公共模块之上有两个最外围的服务：盘古和伏羲。盘古是存储管理服务，伏羲是资源调度服务，飞天内核之上利用的存储和资源的调配都是由盘古和伏羲治理。飞天外围服务分为：计算、存储、数据库、网络。

为了帮忙开发者便捷地构建云上利用，飞天提供了丰盛的连贯、编排服务，将这些外围服务不便地连贯和组织起来，包含：告诉、队列、资源编排、分布式事务管理等等。

飞天最顶层是阿里云打造的软件交易与交付第一平台 —- 云市场。它如同云计算的“App Store”，用户可在阿里云官网一键开明“软件 + 云计算资源”。云市场上架在售商品几千个，反对镜像、容器、编排、API、SaaS、服务、下载等类型的软件与服务接入。

这就是最早的云的根底框架，也是一个云原生的架构。

从 2011 年开始，咱们开始做容器调度，在团体外面开始做在线业务，在线的业务开始走容器化。到了 2013 年，自研飞天操作系统全面撑持团体业务。

2015 年，阿里云的云原生技术不单是给阿里巴巴的外部业务应用，也开始对外做商业化，以上就是第一阶段。

第二阶段是 2016 年～2019 年的 外围零碎全面云原生化阶段。

从 2017 年开始，咱们不只做在线了，离线也全副采纳了云原生的技术。双 11 购物节有大量的交易数据，这些数据的后盾剖析和前期解决都是交给离线实现。咱们基于云原生把在线和离线的底层资源池对立，撑持百万级规模电商交易。

到了 2019 年，阿里巴巴外围零碎 100% 上云，这其实十分难，因为阿里巴巴的业务量十分微小，任何一般的零碎都无奈撑持。

第三阶段是 2020 年至今，是 全面降级下一代云原生技术的阶段。阿里巴巴成立云原生技术委员会，云原生降级为阿里技术新策略。阿里巴巴外围零碎全面应用云原生产品撑持大促。阿里云云原生技术全面降级，Serverless 时代开启。

（二）阿里云对于云计算的断言

阿里巴巴是怎么对待云计算的？云计算和传统技术的差异到底是什么？

举个例子，在一个家家户户都须要挖井的村庄里，每家依据自家人口数量、大略须要的出水量、是否会有客人来等等因素，决定挖多宽的井。如果遇上家里客人比拟多或者干旱了等情况，水可能就不够用了。除了挖井的老本外，日常保护这口井，也须要很高的老本。

上述场景映射到企业中，就是企业基于本人的 IT 根底，还要到运营商那里买个机房，买几台服务器来撑持本人的服务。如果后续这些机器闲置的话，企业依然须要领取一大笔费用，老本十分高。

云解决的问题就是通过虚拟化的技术实现资源池化，用上方挖井例子来形容就是建一个自来水厂。自来水厂和井的差异在于，第一，供水量很大，即便来 100 个客人，供水量也能满足需要。第二，后期不须要投入大量老本去挖井，而是依据用水需要按量计费。即便接通自来水管道，如果不必，那么永远也不须要为它付费。

这为企业带来了两大益处，第一个是企业须要做疾速决策的时候，不必花大量工夫去“挖井”，而是开箱即用。第二是后期投入老本很低。

这就是云带来的益处，那么什么是云原生呢？

云原生是个规范服务，很多货色咱们不须要提前布局。比方我要做数字化转型，需要很简略。我须要有人给我提供这个服务，我要多少，他给我调配多少，不须要我去做提前的筹备。随着我业务的增长，它底下的基础设施可能随之一起增长，具备十分好的弹性。这也大大地缩小企业老本与精力，能够更加专一地去做最善于的事件，大幅晋升效率。

通过以上的例子，上面这几点就十分好了解了。

首先，咱们认为容器 +K8s 会成为云计算的新界面，这是将来的一个趋势。

其次，整个软件生命周期也会发生变化。原来软件的生命周期很长，当初通过云原生的技术能够做到迭代速度越来越快，向下延长软硬一体化、向上延长架构现代化等都能够去做。

最初，减速企业数字化降级。原来做企业数字化转型非常复杂，可能要买机器、买数据库、买利用，须要三年五载的工夫来实现。而现在的企业数字化转型，只花短短数月的工夫，便可实现齐全转型。

（三）业界趋势：数据生产 / 解决正在产生量变

从业界趋势上看，将来数据会产生什么变动，给利用带来什么变动？

首先，咱们认为将来数据肯定会规模爆炸性增长。2020 年寰球数据规模约为 40 ZB。40 ZB 是什么概念？举个例子，假如每部电影是 1GB，假如全世界每个人都去看一部电影，那么这些数据量加起来大略就是 40ZB。

除此之外，咱们预计 2025 年的寰球数据规模将会是 2020 年的 430%，寰球数据规模每年都在增长。

第二个是数据生产 / 解决实时化。原先咱们可能一个月看一次报表，通过大数据，咱们能够每天看一次昨天的数据。数据越来越实时化，可能实现秒级响应。以营销场景为例，在双十一购物节场景，当商家发现店铺的某个流动不能产生成果，那么能够在一分钟或者数分钟之内调整广告或投放策略，从而达到更好的营销成果。如果数据是按天反馈，在 11 月 12 日看到数据的时候，做流动带来的成果曾经大大降低了。因而，数据实时化在这样相似的场景中，扮演着非常重要的角色，数据的实时也会带来利用的实时。

第三是数据生产 / 解决智能化。目前在所有数据中，非结构化数据占比 80%，次要包含文本、图形、图像、音频、视频等，尤其是在当下热门的直播畛域，对非结构化数据进行智能化解决，可能晓得观众的爱好与其余信息，不便业务更好地发展。除此之外，非结构化数据以每年减少 55% 的速度持续增长，将来将成为数据分析十分重要的一个起源。

第四个是数据减速上云。咱们认为数据上云势不可挡，正如汽油车终将被电车代替一样。预计到 2025 年的时候，数据存储云上规模为 49%，2023 年数据库上云规模 75%。

（四）业界趋势：云计算减速数据库系统演进

另一个业界趋势不容疏忽：云计算减速数据库系统演进。

首先咱们看一下数据库倒退历程。早在八九十年代数据库就曾经诞生，那时候次要是商业数据库，如 Oracle、IBM DB2 等，这外面有些数据库还占据这现在的市场。

到 90 年代，开源数据库开始涌现，如 PostgreSQL、MySQL 等。国内用 MySQL 比拟多，国外用 PostgreSQL 比拟多。到 90 年代当前，数据量越来越大，原来数量小的时候可能用 PostgreSQL 或 MySQL，单机就能够解决问题，随着数据量爆炸性增长，就须要像分布式或小型机的形式去解决大量数据和剖析问题。

数据分析的重要性体现在哪里？

举个例子，有个数据仓库 Snowflake 的公司在刚上市的时候就达到 1000 亿美金的市值，现在也有 700 亿美金，对于一个只做一款产品的公司来说，这是一个十分高的市值。为什么它的市值这么高？

前段时间和一位老师交换，他说对于当初的企业，尤其是电商或直播等互联网企业，新近他们企业最大的老本是人力，员工工资占据次要收入。但现在最大的收入是信息和数据，为了公司将来的倒退布局，须要领有大量的数据来剖析以后客户最想要什么，最须要什么，业界的倒退是什么。因而，公司须要大量购买数据、做大量的数据分析，这方面的老本曾经超过了人员老本。这也是为什么一个只做数据仓库的公司，市值可能达到 700 亿美金。

2000 年当前大家开始用 Hadoop、Spark，2010 年开始呈现云原生、一体化分布式等产品，例如 AWS、AnalyticDB 等。

（五）业界趋势：数据仓库减速从 Big Data 向 Cloud-Native + Fast Data 演进

上方是数据仓库的演进历史，计算形式从离线到在线，再到离在线一体化，而后到分布式。性能从统计到 AI，数据类型也从结构化到结构化与非结构化多模交融，负载从 OLAP 到 HTAP，硬件也降级为软硬件一体化，交付从 On-Premise 到 Cloud – Native + Serverless。

在演进的不同过程中，有着各式各样的产品做撑持。

（六）数据库系统架构演进

上图为数据库系统架构演进，简略的逻辑能够了解为，原来是一个厂房一个人干活，起初变成一个厂房十个人干活，而后再倒退成多个厂房多集体干活，这就是整个数据仓库的倒退历史，由原来的单机变成分布式，并且一份数据多集体应用。

数据库的倒退也跟人类工作一样，原来有的店夫妻二人就能够维持，一个人负责生产，另一个人负责销售。随着倒退，店里的顾客越来越多，店还是一个店，但员工可能有十个人了。再起初，业务倒退更多大了，一下招 10 万个员工，而后在 10 个场地去干，这就是分布式云原生数据仓库。

（七）业界趋势：云原生数据库关键技术

上方是云原生数据库的关键技术。

这里简略说两个技术，首先是云原生，云原生是什么意思呢？如果某位用户买了个数据库，当业务量少的时候，或者在法定节假日不应用的时候，免费就少，而在业务量大的时候，免费就多一些。按需按量免费，这是咱们对数据仓库的一个要求。

另外一个是平安可信，举个例子，阿里巴巴有一个投资部，如果给 A 公司投了 500 万，给 B 公司投了 100 万，这些信息都是高度私密，不可对外泄露的。如果这些信息是由员工进行治理，员工存在到职的可能，而一旦到职后产生泄密行为，这在法律层面也很难追责。如何让这种高度私密的信息齐全加密，使得就算是领有最高权限的 DBA 也无奈查看这类信息，做到平安可信。后文将对此做具体开展。

二、云原生与大数据利用

（一）业务面临的挑战

业务面临着许多挑战，次要有四个方面。

首先是数据散乱、不统一，也有十分多的数据源，把数据收集起来是一个很大挑战。

其次是零碎极其简单，零碎或组件有 40+ 个。原来可能基于 Hadoop，当初须要十分多的零碎或组件，底下可能是 HDFS，下面是 YARN、HBase，再往上还有 Hive、Flink 等许多货色，非常复杂。

除此之外还有剖析不实时，它的数据只能做 T +1，是传统大数据架构。

最初是高学习老本，不同技术的版本迭代速度很快，学习老本很高。

（二）云原生数据仓库 + 云原生数据湖构建新一代数据存储、解决计划

阿里云过后采纳的是从一个最简略的架构，通过一个或两个产品就能解决整套产品的架构，可能让用户用得更简略，用 SQL 就能够解决各种各样的问题。比如原来的 OSS 数据，各个生产解决的数据大集中剖析等。

（三）云原生数据仓库：云原生

云原生数据仓库的云原生个性次要体现在，如果就一条数据，那么只会调配一条数据的存储，如果数据量增长，它会主动调配更多的存储。

同样的，计算也是这样，如果没有计算需要或者剖析需要，它不会分配资源，只有来了需要，才会分配资源进行计算或剖析，整个做到按需按量付费，加上资源的弹性。

（四）云原生数据仓库: 数据库与大数据一体化

下面是云原生数据仓库中的关键技术，例如行列混存，可能反对高吞吐写入和高并发查问。

其次是混合负载，就是下面既能够跑 ETL，又能够做查问。

此外还有智能索引。数据库外面很重要的一个点是须要了解业务，了解 Index，要晓得什么对查问有影响，什么对写入有影响，所以咱们心愿这个货色可能做得更智能，让用户不必治理这些货色。

（五）新一代数据仓库解决方案

上方为新一代数据仓库解决方案架构图。最底层是数仓，下面是数仓模型，阿里在淘宝指数，数据洞察等方面做了十分多的模型，包含通过一个 ID 把所有的信息关联起来。这些信息汇聚成模型。模型上有数据构建治理引擎，能够做数仓布局，代码研发，数据资产治理，数据服务等。

最下面是业务赋能，有许多的利用，包含监管报送类，经营决策类，危险预警类和营销与经营类。

（六）云上数据安全

对于云上数据安全的问题，咱们开展来讲。每个公司都有绝密的数据，这些数据面临着许多平安问题，例如管理员 / 用户越权操作，窃取数据备份，歹意批改数据等。除此之外，还有数据在存储、查问、共享过程中全程加密，任何人 (包含管理员) 无奈获取明文数据。保障日志在不可信环境中的完整性，任何人 (包含管理员) 无奈篡改日志文件。保障查问后果在不可信环境中的正确性，任何人 (包含管理员) 无奈篡改查问后果。

以前的解法很简略，就是写到数据库的时候就把数据加密了，例如写进去叫 123，通过加密就变成了乱序，如 213,312 等。这个看似是一个很好的办法，但它有什么问题呢？它没有方法做查问，比如咱们要查超过 50 块钱的交易，然而因为 50 通过加密当前就不是 50 了，可能就变成了 500，而原来 500 加密完就是 50，因而这个查问无奈进行，相当于它变成了一个存储，无奈做剖析查问。

（七）云端全程加密数据永不泄露

有没有一种办法能让咱们做数据分析，同时既能窃密，原来的 SQL 也都能去做？

这外面外围的事件就是咱们采纳的硬件，通过 ApsaraDB RDS（PostgreSQL 版）+ 神龙裸金属服务器（平安芯片 TEE 技术），能够提前把 Key 存到外面去，而后所有的计算和逻辑都在加密硬件中进行。因为整个过程受加密硬件爱护，即便有人把零碎的内存全副复制进去，复制进去的数据也全是加密过的，这就保障运维人员就算拿到绝密数据也没有泄露的危险。

三、最佳实际

上面咱们看一下几个最佳实际：

DMP：全链路营销

DMP(Data Management Platform)示意数据管理平台，也叫数据营销平台。

营销最外围的事件是什么？营销最外围的事件是找人，找到最关怀的一群人，业余词称为圈人。

举个例子，什么场景须要圈人？比方明天咱们想找一下对云原生感兴趣的人来一起探讨云原生。把对云原生感兴趣的人找到，这个过程就叫圈人。

还有一种是相似于天猫淘宝报告，例如在双十一前的一段时间，商家认为某位客户往年可能要买个衣服或买一个包，是潜在客户，于是就去给 TA 推一些生产券等。

这外面最要害的就是精准人群的定位，可能精准地把人群辨别进去。中国大略有电商生产人群大略有 8 亿人，给对某样物品感兴趣的人群推送音讯，这外面最外围的就是圈人的事件。

阿里巴巴基于数仓去做圈人的事件，首先去找一些种子人群，这些种子人群数量大略为几百万人，是咱们认为的高优质客户，比方每个月在淘宝上花 5000 块以上或 1 万块以上的人。把人群全进去后，第二步是将群体进行聚类。

聚类的意思是把几百万人再分成几个小类，每一类外面可能喜爱一个类别，比如这一类喜爱买化妆品，另一类喜爱数码产品，还有一类喜爱买书。划分完小类当前，比方爱买化妆品的可能有 10 万人，但这 10 万人可能大部分之前曾经买过化妆品了，这次大概率不买了。

因而，咱们须要在在 8 亿生产人群中找到真正可能买化妆品的人，该怎么做呢？

咱们须要把每个客户的消费行为和历史购买记录转成 AI 模型的一个向量，如果有两位客户的购买行为是相似的，那么他们的向量间隔就会十分小，这样的话咱们的做法就很简略。例如，咱们对数码产品感兴趣的人作为种子放到 8 亿外面去找，跟这些人种子向量间隔最近的如果有 1000 万人，而后对这 1000 万人去发数码产品的广告或优惠券等，用这种形式去做业务营销。

这个过程最外围的有几个方面。

第一个是将人群进行聚类，把人群划分，晓得 TA 的历史交易，数据必须要可能反对任意维度多维分析。

第二个是可能对整个数仓外面的数据做具体的剖析。

第三个是聚类后的向量近似度检索，找出与每个类向量相近的人群进行音讯推送。

这就是咱们领有的能力，目前是基于 AnalyticDB 实现。

还有一个事件是要做 Ad-hoc 查问。例如，咱们要找到对数码感兴趣的人群，，且去年没有买过比方 iPhone 12 的人，这样他往年才可能买 iPhone12。或者说去年买了 iPhone12，同时又买了 AirPods 的人，那咱们认为大概率他可能会买苹果的键盘，或者是苹果的电脑等。咱们须要对这些人做各种各样的交易查问，从而精准地找到咱们的指标人群。

广告精细化治理

业务挑战：

1）投放关键词搜寻事件须要高并发实时入库；

2）所有用户通过仪表板同时查问转化率，简单查问 QPS 高；

3）响应工夫要求高，防止错过调价黄金时段。

业务价值：

1）多个站点、多个店铺的关键词对立治理；

2）解决上万 TPS 并发写；

3）海量数据实时剖析，按时段智能调价；

4）键词疾速辨认剖析，最大化收益。

在线电商

业务挑战：

1）传统 MySQL 数据库剖析满，千万级 / 亿级简单报表无奈返回；

2）简单报表秒级返回；

3）兼容 MySQL 生态；

4）业务倒退迅速，对计算存储有不同要求。

业务价值：

1）RDS + AnalyticDB 实现 HTAP 联结计划，业务和剖析隔离；

2）2-10 倍剖析性能晋升；

3）分布式架构，横向扩大，灵便变配，反对数据量和访问量的不同需要

这就是 2020 年至今，全面降级下一代云原生技术的阶段 —-Serverless 时代。阿里巴巴成立云原生技术委员会，云原生降级为阿里技术新策略，将来云原生数据仓库还会有更多新性能，为行业解决更外围的痛点，敬请期待。

相干浏览：

云原生数据仓库 AnalyticDB MySQL 版

云原生数据仓库 AnalyticDB PostgreSQL 版

版权申明：本文内容由阿里云实名注册用户自发奉献，版权归原作者所有，阿里云开发者社区不领有其著作权，亦不承当相应法律责任。具体规定请查看《阿里云开发者社区用户服务协定》和《阿里云开发者社区知识产权爱护指引》。如果您发现本社区中有涉嫌剽窃的内容，填写侵权投诉表单进行举报，一经查实，本社区将立即删除涉嫌侵权内容。