共计 1698 个字符，预计需要花费 5 分钟才能阅读完成。
个推通明存储实际
列式存储（Column-oriented Storage）是大数据场景中面向剖析型数据的支流存储形式。与行式存储相比，列式存储只提取局部数据列、同列同质数据，具备更优的编码及压缩形式。目前，个推的外围数据正逐渐切换为 Parquet 等新型数据格式存储以取得更高的 I / O 性能和更低的存储老本。
个推数据部降本提效团队 资深数据研发工程师筱得围绕通明存储概念、文件读取流程、通明存储实现形式等，为大家具体解读了个推通明存储优化的全过程。
分享过程中的相干问答：
Q1：如何量化和评估通明存储的收益？
A：量化维度分两方面，首先是从提效方面来掂量，即应用效率是否晋升，比方用户（数据分析师）解决业务需要时的数据应用效率晋升状况。目前咱们联合多个类型的工作综合来看，通明存储可能使跑数工夫缩短 30%；其次是降本方面，即资源耗费是否有缩小，能够通过 CPU 核的应用时长以及内存应用时长进行量化评估。
Q2：通明存储如何实现历史工程对数据格式的兼容和切换？
A：在兼容方面，咱们是通过扩大 Hadoop 的读写 API，来减少存储格局自动识别和切换能力；在切换方面，咱们先对 Hadoop、Spark 的提交命令进行了扩大，减少 hook，并引入了切换数据格式的黑白名单，从而让工作启动时可能获取要变更的信息；通过以上形式，最终实现了对历史工程的数据格式无感知切换。
标签存算在每日治数平台的实际之路
个推依靠海量数据资源和弱小的建模能力，造成 3,000 余种数据标签，构建了丰盛、平面、多维的画像标签体系，从而为行业客户提供数据洞察相干服务，比方 APP 精细化经营、广告投放人群定向等。
因为业务方的标签组合简单多样，所以在对大规模数据进行计算和标签构建的过程中，如何减速标签计算，实现秒级人群圈选和洞察便成为咱们须要攻克的难题。
个推每日治数平台团队 高级数据研发工程师之昂基于每日治数平台 DIOS 的开发实际，深度分析了无效晋升标签存算以及人群圈选效率的外围技术手段。
分享过程中的相干问答：
Q1：Spark 的 shuffle 和 Hadoop 的 shuffle（MapReduce) 有什么区别？
A：MapReduce 的 shuffle 和 Spark 的 shuffle 在性能上是简直没有区别的，都是对 Map 端的数据进行分区（有聚合排序和不聚合排序两种形式），而后在 Reduce 端或者下一个调度阶段拉取数据，从而实现 Map 端到 Reduce 端的数据传输性能。
Q2：直播中讲到 ClickHouse 不反对高并发，起因是什么？对于集群的 ClickHouse 写入，有哪些须要留神的中央？
A： ClickHouse 之所以快是因为底层采纳了并行处理机制，默认单次查问应用的 CPU 核数是服务器核数的一半，所以对高并发的应用场景反对得不是很好。如果肯定要反对高并发，倡议在查问层减少限流。
晋升 IT 资源效率，显著升高 IT 总投入
升高企业 IT 老本的一个无效伎俩是大幅晋升 IT 资源的利用效率。麦肯锡的一份钻研报告显示，寰球服务器的均匀每日利用率通常低于 10%，Flexera 的一份报告也显示，企业上云后均匀节约了 30% 的云收入，云老本优化是企业在 2021 年最想做的事件。那么如何晋升 IT 资源效率，升高 IT 总投入？
来自贝联珠贯的杨少华博士为大家分享了大数据工作优化、在 / 离线混部等可能无效晋升 IT 资源效率的外围技术手段。
分享过程中的相干问答：
Q1：个别如何实现在 / 离线混部？
A： 不同公司的实现形式可能不一样。咱们是这样做的：Step1. 将离线工作通过 k8s 调度到在线机器上；Step2. 应用 Agent 动静调节在 / 离线资源的配额；Step3. 利用内核的一些隔离技术进行隔离，在必要时进行干涉，例如在紧急情况下限度离线工作的资源，这种形式会对机器内核版本有一些要求。
Q2：对于 Spark/Flink on k8s，是引入 YuniKorn/Volcano 等第三方调度插件，还是自研相似组件来解决计算资源分配和治理的问题呢？
A： 咱们的计划次要还是 Yarn on k8s，而后 Spark/Flink on Yarn。这里次要思考的是客户对接的侵入性问题，大部分状况下下层数据开发平台都还是接 Yarn。
