王沛然，馬小寧，王 喆，鄒 丹，劉 敏

（中國鐵道科學(xué)研究院集團有限公司 鐵路大數(shù)據(jù)研究與應(yīng)用創(chuàng)新中心，北京 100081）

隨著中國高速鐵路的飛速發(fā)展和鐵路信息化建設(shè)逐步完善，中國鐵路積累了大量與鐵路相關(guān)的結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)[1]。對這些數(shù)據(jù)進行全面有效管理和深入分析挖掘，充分發(fā)揮數(shù)據(jù)的價值，對提高鐵路運輸生產(chǎn)效率、降低運輸成本、提升客貨運產(chǎn)品服務(wù)質(zhì)量、提高運營管理水平等具有重要意義[2]。

鐵路數(shù)據(jù)服務(wù)平臺是大數(shù)據(jù)應(yīng)用的基礎(chǔ)和技術(shù)支撐，為大數(shù)據(jù)應(yīng)用提供數(shù)據(jù)基礎(chǔ)、存儲、計算和分析等能力。鐵路數(shù)據(jù)服務(wù)平臺提供結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)的接入能力，同時支持PB級離線數(shù)據(jù)的分析；在實時數(shù)據(jù)分析端，支持TB級數(shù)據(jù)的實時分析[3]。

存儲作為大數(shù)據(jù)平臺的重要組成部分，只有在合理而高效的大數(shù)據(jù)存儲架構(gòu)支撐下，才能對鐵路行業(yè)的大數(shù)據(jù)進行快速存取、檢索并提高整個系統(tǒng)的吞吐量，大數(shù)據(jù)及數(shù)據(jù)挖掘應(yīng)用才可以開拓其核心價值。目前，Hadoop已成為大數(shù)據(jù)處理的標(biāo)準(zhǔn)，Hadoop處理數(shù)據(jù)的生態(tài)日漸豐富，它能夠滿足大數(shù)據(jù)的多種需求[4]。僅運用Hadoop作為數(shù)據(jù)存儲組件，將海量鐵路數(shù)據(jù)存入“數(shù)據(jù)湖”中，無法對這些數(shù)據(jù)進行管理監(jiān)控，很容易形成“數(shù)據(jù)沼澤”[5]，所以集合多種存儲方式的存儲架構(gòu)才能適應(yīng)當(dāng)前數(shù)據(jù)存儲的發(fā)展要求。如何將數(shù)據(jù)安全穩(wěn)定的存儲，如何對數(shù)據(jù)在存儲過程中進行全鏈路監(jiān)控管理，如何跨存儲組件無感共享，都是數(shù)據(jù)儲存架構(gòu)需要考慮的問題。本文將結(jié)合鐵路數(shù)據(jù)服務(wù)平臺的實際應(yīng)用，通過研究各個存儲組件的使用場景及利弊，探索使用何種存儲方式使得各種數(shù)據(jù)安全穩(wěn)定的存儲，從存儲組件分區(qū)管理，全鏈路存儲組件監(jiān)控模塊，無感存儲組件訪問中間件模塊3個部分對鐵路數(shù)據(jù)服務(wù)平臺存儲架構(gòu)進行全面闡述。

1 存儲架構(gòu)整體設(shè)計

對海量多源異構(gòu)數(shù)據(jù)進行高效處理是大數(shù)據(jù)平臺核心能力之一[6]。由于計算需求的多樣性，數(shù)據(jù)特征及計算性能要求差異性較大，鐵路數(shù)據(jù)服務(wù)平臺整合多種存儲計算技術(shù)以滿足需要。當(dāng)前鐵路數(shù)據(jù)服平臺集成了PostgreSQL、Hive、Hbase、Green plum、Elasticsearch、Redis和Ceph等存儲組件，不同業(yè)務(wù)、不同場景的數(shù)據(jù)采用不同的方式進行計算與存儲。采用多種存儲方式并存的形式，根據(jù)數(shù)據(jù)類型及數(shù)據(jù)處理的要求選擇不同的數(shù)據(jù)存儲方式。存儲架構(gòu)還包括全鏈路存儲監(jiān)控組件對平臺存儲組件進行監(jiān)控，無感存儲組件訪問中間件模塊提供數(shù)據(jù)訪問服務(wù)。

鐵路數(shù)據(jù)服務(wù)平臺的存儲架構(gòu)，如圖1所示。

圖1 鐵路數(shù)據(jù)服務(wù)平臺存儲架構(gòu)

2 平臺存儲組件分區(qū)管理

鐵路數(shù)據(jù)服務(wù)平臺要為鐵路各類應(yīng)用海量數(shù)據(jù)存儲提供基礎(chǔ)性支撐功能。根據(jù)不同業(yè)務(wù)不同場景的數(shù)據(jù)，提供多種數(shù)據(jù)存儲，支持結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)等存儲需求[7]。結(jié)合數(shù)據(jù)使用頻度，業(yè)務(wù)使用場景，存儲組件優(yōu)缺點等方面，對數(shù)據(jù)進行分區(qū)存儲。利用大數(shù)據(jù)的批量計算、內(nèi)存計算等技術(shù)，結(jié)合各類業(yè)務(wù)邏輯和算法，實現(xiàn)海量數(shù)據(jù)的離線分析與處理功能[8]。

2.1 結(jié)構(gòu)化數(shù)據(jù)存儲

結(jié)構(gòu)化數(shù)據(jù)通常采用傳統(tǒng)數(shù)據(jù)倉庫中關(guān)系型數(shù)據(jù)庫存儲，從數(shù)據(jù)處理維度看，對于業(yè)務(wù)處理層，鑒于其對事務(wù)完整性和高實時性的要求，可采用傳統(tǒng)的高性能關(guān)系型數(shù)據(jù)庫PostgreSQL作為數(shù)據(jù)服務(wù)平臺的貼源層接收結(jié)構(gòu)化數(shù)據(jù)。通過使用PostgreSQL作為貼源層，使得存儲架構(gòu)更加穩(wěn)定。

針對不同的業(yè)務(wù)場景，數(shù)據(jù)也可按實際情況直接接入其它存儲組件，鐵路數(shù)據(jù)服務(wù)平臺具備直接接入ES、Redis、Greenplum和Hbase等存儲組件的能力，可結(jié)合業(yè)務(wù)場景將這些數(shù)據(jù)及時共享出去。

鐵路數(shù)據(jù)服務(wù)平臺根據(jù)數(shù)據(jù)的訪問頻次將數(shù)據(jù)分為冷、熱數(shù)據(jù)存儲區(qū)。熱數(shù)據(jù)存儲區(qū)主要存放近期使用頻次較高的數(shù)據(jù)，冷數(shù)據(jù)存儲區(qū)主要存放訪問頻次較低的歷史數(shù)據(jù)。平臺既支持?jǐn)?shù)據(jù)在各自分區(qū)內(nèi)根據(jù)業(yè)務(wù)場景進行數(shù)據(jù)遷移，也支持?jǐn)?shù)據(jù)在冷熱分區(qū)間跨區(qū)遷移查詢。

由于某些業(yè)務(wù)場景的需要，平臺同樣適配數(shù)據(jù)直接接入Hadoop數(shù)據(jù)倉庫。

2.2 半結(jié)構(gòu)化數(shù)據(jù)存儲

半結(jié)構(gòu)化數(shù)據(jù)是結(jié)構(gòu)化數(shù)據(jù)的一種形式，常見的半結(jié)構(gòu)化數(shù)據(jù)有XML和JSON[9]。半結(jié)構(gòu)化數(shù)據(jù)一般是結(jié)構(gòu)化的數(shù)據(jù)，但它的結(jié)構(gòu)變化較為突出。所以鐵路數(shù)據(jù)服務(wù)平臺通常將半結(jié)構(gòu)化數(shù)據(jù)直接存儲在Hadoop數(shù)據(jù)倉庫中，利用Hadoop強大的文件處理能力靈活處理，發(fā)揮半結(jié)構(gòu)化數(shù)據(jù)的特點，高效地對XML、JSON等日志文件等半結(jié)構(gòu)化數(shù)據(jù)進行分析計算。

2.3 非結(jié)構(gòu)化數(shù)據(jù)存儲

非結(jié)構(gòu)化數(shù)據(jù)是數(shù)據(jù)結(jié)構(gòu)不規(guī)則或不完整，沒有預(yù)定義的數(shù)據(jù)模型，不方便用數(shù)據(jù)庫二維邏輯表來表現(xiàn)的數(shù)據(jù)[10]。鐵路數(shù)據(jù)服務(wù)平臺采用對象存儲Ceph來存儲非結(jié)構(gòu)化數(shù)據(jù)。對象存儲Ceph克服了讀寫速度慢、存儲空間不足等的劣勢，在海量存儲圖片、音視頻、日志等文件的存儲與內(nèi)容分發(fā)網(wǎng)絡(luò)和云端數(shù)據(jù)處理等方面展現(xiàn)出優(yōu)勢。數(shù)據(jù)服務(wù)平臺通過使用對象存儲Ceph，使其具有較強的橫向拓展、動態(tài)伸縮、冗余容災(zāi)、負載平衡的能力，并通過相關(guān)技術(shù)實現(xiàn)了對接Hadoop生態(tài)搭建的大數(shù)據(jù)存儲實現(xiàn)數(shù)據(jù)的無縫流轉(zhuǎn)，為大數(shù)據(jù)分析共享提供了良好的數(shù)據(jù)銜接。用戶可以通過頁面上傳或者接口上傳非結(jié)構(gòu)化數(shù)據(jù)。

3 全鏈路存儲監(jiān)控

3.1 存儲監(jiān)控原理

在大數(shù)據(jù)應(yīng)用場景中，結(jié)合業(yè)務(wù)場景，運用多種存儲組件的現(xiàn)象已經(jīng)較為普遍，如果不能梳理清楚存儲組件間數(shù)據(jù)流轉(zhuǎn)過程，將會使數(shù)據(jù)服務(wù)平臺數(shù)據(jù)雜亂無章，因此，建立全鏈路存儲組件監(jiān)控能夠使得這一問題得到解決。

鐵路數(shù)據(jù)服務(wù)平臺全鏈路存儲組件監(jiān)控模塊實現(xiàn)數(shù)據(jù)在平臺內(nèi)各存儲組件間數(shù)據(jù)流轉(zhuǎn)的監(jiān)控及管理。監(jiān)控模塊可以對各個組件內(nèi)的元數(shù)據(jù)自動化采集、探查、幫助繪制數(shù)據(jù)地圖，標(biāo)明數(shù)據(jù)關(guān)系，分析各存儲組件內(nèi)數(shù)據(jù)關(guān)系，管理模型變更。通過元數(shù)據(jù)管理，方便業(yè)務(wù)人員和技術(shù)人員快速定位數(shù)據(jù)來源，滿足內(nèi)部管理、審計或外部監(jiān)管的需求，追溯業(yè)務(wù)指標(biāo)、報表的數(shù)據(jù)來源和加工過程。

全鏈路存儲組件監(jiān)控模塊提供跨工具和應(yīng)用的企業(yè)級元數(shù)據(jù)統(tǒng)一視圖，給出了盤點數(shù)據(jù)資源現(xiàn)狀和分析跟蹤數(shù)據(jù)流轉(zhuǎn)的實際可行的解決方案。內(nèi)置多種采集適配器，包括Oracle、Mysql、PostgreSQL、Hive和Hbase等，可快速對接各類元數(shù)據(jù)，建立統(tǒng)一、集中的元數(shù)據(jù)資源庫，實現(xiàn)企業(yè)級元數(shù)據(jù)管理。

3.2 存儲監(jiān)控功能模塊

（1）數(shù)據(jù)地圖模塊。提供跨工具和應(yīng)用了解企業(yè)內(nèi)系統(tǒng)以及系統(tǒng)之間數(shù)據(jù)流向關(guān)系，并支持從系統(tǒng)到數(shù)據(jù)庫的鉆取及相關(guān)表、字段信息的展示。

（2）全鏈分析模塊。提供跨工具了解數(shù)據(jù)在系統(tǒng)中流動變化的全鏈分析，包括數(shù)據(jù)的上游鏈路來源情況和該數(shù)據(jù)影響的下游鏈路關(guān)聯(lián)情況。

（3）血統(tǒng)分析模塊。提供跨工具了解數(shù)據(jù)在系統(tǒng)中流動變化的。

（4）影響分析模塊。提供跨工具追蹤企業(yè)范圍的數(shù)據(jù)變化影響；表關(guān)聯(lián)程度分析，用于展現(xiàn)表在系統(tǒng)中的系統(tǒng)程度。

4 無感存儲訪問

4.1 無感存儲訪問組件原理

在一些實際業(yè)務(wù)場景中，包括存儲結(jié)構(gòu)化數(shù)據(jù)的PostgreSQL、GP、Hbase等，也包括存儲非結(jié)構(gòu)化數(shù)據(jù)的對象存儲組件，每個組件對于數(shù)據(jù)讀取方式不同、存儲和讀取的效率也存在很大差異，導(dǎo)致在進行數(shù)據(jù)訪問時，不但需要了解數(shù)據(jù)存在哪個組件中，編寫對應(yīng)語法的查詢語句，還需要考慮數(shù)據(jù)查詢的實時性。為解決這一問題，鐵路數(shù)據(jù)服務(wù)平臺存儲架構(gòu)設(shè)計了無感存儲組件訪問中間件。

無感存儲組件訪問中間件，提供跨存儲組件對數(shù)據(jù)進行查詢并提供查詢結(jié)果的能力，上層通過標(biāo)準(zhǔn)SQL進行封裝并建立數(shù)據(jù)反射將批量處理的數(shù)據(jù)預(yù)先處理后存儲到內(nèi)存數(shù)據(jù)庫中進行緩存，實現(xiàn)對大部分存儲組件的調(diào)用，1 000萬條數(shù)據(jù)查詢時間為0.15 s，實現(xiàn)對存儲組件的無感訪問。無感存儲訪問組件原理，如圖2所示。

圖2 無感存儲訪問組件原理

4.2 無感存儲訪問組件特性

（1）跨數(shù)據(jù)環(huán)境的統(tǒng)一架構(gòu)，支持多種數(shù)據(jù)源接入即用。

（2）數(shù)據(jù)虛擬化，用真實的數(shù)據(jù)，提供虛擬化視圖。

（3）各類業(yè)務(wù)使用最合適的技術(shù)在原來的位置上獨立處理數(shù)據(jù)，無論外部還是內(nèi)部數(shù)據(jù)源。

（4）通用的統(tǒng)一訪問接口，全量的數(shù)據(jù)檢索。

（5）不搬移數(shù)據(jù)，處理鏈路短，支持實時業(yè)務(wù)響應(yīng)。

鐵路數(shù)據(jù)服務(wù)平臺也支持直接連接存儲組件的查詢接口服務(wù)。提供多種方式的數(shù)據(jù)共享。

5 鐵路數(shù)據(jù)服務(wù)平臺應(yīng)用實例

5.1 某鐵路局集團公司安全大數(shù)據(jù)應(yīng)用場景

某鐵路局集團公司安全大數(shù)據(jù)基于結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)融合分析場景的實際應(yīng)用，數(shù)據(jù)傳輸流程如圖3所示。由于中國國家鐵路集團有限公司（簡稱：國鐵集團）安監(jiān)局和鐵路局集團公司安監(jiān)室每日交班分析會對當(dāng)日發(fā)生的事故進行匯總，而這些事故當(dāng)前只有事故概況情況，尚無調(diào)查處理信息，從而無法對事故原因進行科學(xué)分析。

圖3 結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)融合分析數(shù)據(jù)傳輸流程

該應(yīng)用運用大數(shù)據(jù)分析技術(shù)，通過對結(jié)構(gòu)化的事故概況信息數(shù)據(jù)進行智能匹配，精準(zhǔn)挖掘歷史同類事故案例，為事故調(diào)查處理提供輔助參考。利用文本分析技術(shù)，對非結(jié)構(gòu)化數(shù)據(jù)歷史事故的調(diào)查報告進行格式化處理，對同類事故的原因進行挖掘分析，結(jié)合結(jié)構(gòu)化的事故概況信息和非結(jié)構(gòu)化的事故調(diào)查報告綜合分析，從而精準(zhǔn)地指導(dǎo)事故原因分析。

5.2 某鐵路局集團公司安全大數(shù)據(jù)應(yīng)用存儲架構(gòu)

基于結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)融合分析場景，該場景下的數(shù)據(jù)鏈路圖，如圖4所示。

（1）該存儲架構(gòu)將結(jié)構(gòu)化數(shù)據(jù)通過接口方式抽取到前置機PostgreSQL數(shù)據(jù)庫中，并在PostgreSQL數(shù)據(jù)庫中對數(shù)據(jù)進行清洗加工，將完整可用的數(shù)據(jù)通過Python腳本抽取到Hive庫中，這樣可以將清洗后的歷史數(shù)據(jù)全部存入冷數(shù)據(jù)區(qū)中。

（2）對象存儲Ceph將非結(jié)構(gòu)化數(shù)據(jù)抽取存儲，AI平臺通過存儲訪問中間件，借助中間件調(diào)度工具，根據(jù)日期和實際業(yè)務(wù)邏輯，實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)增量訪問，從而保證數(shù)據(jù)的完整性。

（3）通過存儲訪問中間件從對象存儲Ceph中對非結(jié)構(gòu)化數(shù)據(jù)進行數(shù)據(jù)訪問，結(jié)合結(jié)構(gòu)化數(shù)據(jù)挖掘同類事故的原因。

（4）將分析結(jié)果數(shù)據(jù)同步到安全大數(shù)據(jù)平臺的Oracle數(shù)據(jù)庫中。

圖4 某鐵路局集團公司結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)融合分析數(shù)據(jù)鏈路

該場景鐵路數(shù)據(jù)服務(wù)平臺的存儲組件分區(qū)管理，為安全大數(shù)據(jù)應(yīng)用提供了多種存儲方式，并將數(shù)據(jù)安全、可靠存儲在各存儲組件中；存儲組件監(jiān)控模塊，實時監(jiān)控各存儲組件中的數(shù)據(jù)流轉(zhuǎn)過程；無感存儲組件訪問中間件，為AI平臺提供了跨結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)訪問，從而提升安全大數(shù)據(jù)平臺的分析能力。

6 結(jié)束語

鐵路數(shù)據(jù)服務(wù)平臺存儲架構(gòu)，通過豐富的存儲組件滿足各種存儲需求，建立數(shù)據(jù)存儲的冷熱分區(qū)，保障數(shù)據(jù)安全可靠存儲。該存儲架構(gòu)還設(shè)計了全鏈路數(shù)據(jù)存儲監(jiān)控組件和無感存儲組件訪問中間件，全鏈路數(shù)據(jù)存儲監(jiān)控組件，實時追蹤數(shù)據(jù)在各存儲組件間流轉(zhuǎn)過程，從而達到對存儲組件的監(jiān)控管理；無感存儲組件訪問中間件，解決了不同組件，不同版本數(shù)據(jù)訪問差異化的問題，為數(shù)據(jù)訪問提供便捷服務(wù)。該存儲架構(gòu)的優(yōu)勢在某鐵路局集團公司關(guān)于結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)融合的安全大數(shù)據(jù)應(yīng)用上得到充分展現(xiàn)。

當(dāng)前，數(shù)據(jù)服務(wù)平臺存儲架構(gòu)在數(shù)據(jù)存儲安全管理方面仍有待改進，隨著個人信息保護面臨新威脅與新風(fēng)險，在數(shù)據(jù)存儲安全管理方面，應(yīng)從存儲架構(gòu)層面設(shè)計相應(yīng)的模塊，對其進行管控，從而提高鐵路數(shù)據(jù)服務(wù)平臺的存儲安全管理能力。