郭 濤，李宗南，姚延棟，黃 平，王 思※，翁巖青

（1. 四川省農(nóng)業(yè)科學院遙感與數(shù)字農(nóng)業(yè)研究所，成都 610066；2. 四川省農(nóng)業(yè)科學院智慧農(nóng)業(yè)科學技術(shù)中心，成都 610066；3. 北京四維縱橫數(shù)據(jù)技術(shù)有限公司，北京 101399）

0 引言

大規(guī)模使用數(shù)據(jù)驅(qū)動農(nóng)業(yè)生產(chǎn)管理實現(xiàn)智能化，依賴于快速高效的數(shù)據(jù)存儲。隨著數(shù)字農(nóng)業(yè)研究及應用的深入，農(nóng)業(yè)數(shù)據(jù)的生產(chǎn)及存儲、管理所使用的數(shù)據(jù)庫構(gòu)建得到更多的關注和研究測試。果園產(chǎn)生的數(shù)據(jù)主要來自五個方面：①果園單株樹木整個生命周期產(chǎn)生的數(shù)據(jù)形成的數(shù)字果樹數(shù)字化體系［1-3］；②無人機、衛(wèi)星遙感和GPS導航裝置產(chǎn)生的時空數(shù)據(jù)和遙感數(shù)據(jù)［4-5］；③物聯(lián)網(wǎng)、傳感器、攝像頭和智能農(nóng)機（機器人）對果樹環(huán)境、果樹生長過程和果樹表型監(jiān)測獲取的數(shù)據(jù)［6］；④果園農(nóng)事、種植、管理和水肥等設施產(chǎn)生的數(shù)據(jù)［7］；⑤專家知識、經(jīng)驗和以圖數(shù)據(jù)組成的結(jié)構(gòu)數(shù)據(jù)［8-10］。以上各類數(shù)據(jù)來源多樣，結(jié)構(gòu)包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化，對數(shù)據(jù)存儲和管理提出了巨大挑戰(zhàn)。數(shù)字農(nóng)業(yè)項目在實際工程中采用不同的數(shù)據(jù)庫方案。Daniel Perondi 等［11］開發(fā)的柑橘病蟲害預警系統(tǒng)，采用MongoDB 作為數(shù)據(jù)存儲系統(tǒng)。凌諾娟等［12］設計的云農(nóng)場智慧服務大數(shù)據(jù)平臺，以HDFS 文件系統(tǒng)作為高可靠的底層存儲系統(tǒng)，為HBase數(shù)據(jù)庫及Hive數(shù)據(jù)倉庫提供存儲支撐。趙晴等［13］設計的大田作物智慧生產(chǎn)綜合服務平臺，采用Microsoft SQL Server2008 數(shù)據(jù)庫實現(xiàn)物聯(lián)網(wǎng)數(shù)據(jù)的統(tǒng)一管理，基于ArcGIS Server 實現(xiàn)空間數(shù)據(jù)的整合管理，基于HBase實現(xiàn)大田作物智慧生產(chǎn)相關數(shù)據(jù)的存儲與分析。吳才聰?shù)龋?4］構(gòu)建的基于北斗的農(nóng)機作業(yè)大數(shù)據(jù)系統(tǒng)，以HDFS作為數(shù)據(jù)的存儲，采用關系型數(shù)據(jù)RAID進行備份。王新等［15］基于異構(gòu)數(shù)據(jù)集開發(fā)的農(nóng)業(yè)信息綜合管理網(wǎng)絡平臺，采用MySQL數(shù)據(jù)庫。余萬民等［16］基于云計算的農(nóng)業(yè)大數(shù)據(jù)共享服務平臺，采用關系型數(shù)據(jù)庫如 Oracle、MySQL、SQL Server 等管理結(jié)構(gòu)化數(shù)據(jù)，采用 Hbase和Redis管理非結(jié)構(gòu)化數(shù)據(jù)，采用HDFS管理分布式文件系統(tǒng)，采用FastDFS管理磁盤文件系統(tǒng)，采用Lucene管理異構(gòu)索引庫。此外，基于HDFS存儲時空數(shù)據(jù)，發(fā)展了GeoSpark、Spatial Hadoop和ST-Hadoop，可支持大規(guī)模的時空數(shù)據(jù)存儲、空間查詢和分析［17-18］。綜上，諸多數(shù)字農(nóng)業(yè)的數(shù)據(jù)存儲主要采用混合存儲方案，不利于跨域數(shù)據(jù)共享、多源異構(gòu)數(shù)據(jù)融合和多模型知識圖譜抽取和推理。

文章圍繞果園大數(shù)據(jù)高效存儲及管理需求，針對數(shù)據(jù)多源異構(gòu)、時序和多模態(tài)數(shù)據(jù)等特點，分析數(shù)字果園場景需求，構(gòu)建超融合時序數(shù)據(jù)庫解決方案，以實現(xiàn)在一個數(shù)據(jù)庫內(nèi)存儲各類數(shù)據(jù)，解決時序的全場景問題。該文搭建基于YMatrix 集群，采用Kettle ETL（Extract-Transform-Load）工具構(gòu)建可視化建模，以都市龍泉驛現(xiàn)代農(nóng)業(yè)園區(qū)采集的無人機遙感圖像，傳感器等多源數(shù)據(jù)作為數(shù)據(jù)集，進行批量入庫、ETL、作業(yè)統(tǒng)計和轉(zhuǎn)換以及數(shù)據(jù)同步等方面測試，分析多級數(shù)據(jù)局部存儲策略、冷熱數(shù)據(jù)存儲策略的數(shù)據(jù)存儲效率。為果園的數(shù)據(jù)存儲和智能高效管理提供技術(shù)參考，對賦能農(nóng)業(yè)數(shù)字化、農(nóng)業(yè)數(shù)字孿生基礎設施提供建設依據(jù)和經(jīng)驗。

1 研究數(shù)據(jù)與方法

1.1 研究數(shù)據(jù)

該文設計的數(shù)字果園場景中，數(shù)據(jù)來源主要包括無人機、物聯(lián)網(wǎng)、移動App、農(nóng)機全球定位系統(tǒng)和傳感器以及果園環(huán)境、果園監(jiān)測和農(nóng)事活動等數(shù)字化手段產(chǎn)生的數(shù)據(jù)，見圖1 中果園數(shù)字化部分。數(shù)據(jù)包括圖像、文本、表等，隨果園果樹管理過程不斷產(chǎn)生，形成時序排列的數(shù)據(jù)內(nèi)容。

圖 1 果園大數(shù)據(jù)存儲和應用場景邏輯設計Fig.1 Orchard big data storage and application scenario logic

對此類時序的多源異構(gòu)數(shù)據(jù)，該文設計使用分布式發(fā)布訂閱消息系統(tǒng)Kafka響應各類設備、傳感器，以動態(tài)流式數(shù)據(jù)方式動態(tài)存入時序數(shù)據(jù)庫中，實現(xiàn)各類定時、不定時產(chǎn)生的數(shù)據(jù)存儲。Kafka 具有高吞吐量、分布式等優(yōu)點，能滿足果園流批數(shù)據(jù)存儲場景需求。

1.2 應用邏輯

將多源異構(gòu)數(shù)據(jù)按照數(shù)據(jù)模型、業(yè)務場景和數(shù)據(jù)庫概念模型，統(tǒng)一規(guī)劃和設計，存儲在超融合數(shù)據(jù)庫YMatrix，同時YMatrix 作為數(shù)據(jù)倉庫，通過數(shù)據(jù)倉庫技術(shù)ETL 抽?。‥xtract）、 轉(zhuǎn)換（Transform）、加載（Load）至目標端；根據(jù)知識圖譜業(yè)務場景需求，從YMatrix和數(shù)據(jù)倉庫中抽取和多模型融合數(shù)據(jù)，構(gòu)建RDF圖數(shù)據(jù)結(jié)構(gòu)和知識庫，存儲的原生圖數(shù)據(jù)庫gStore中［19-20］。

將以數(shù)據(jù)服務方式，向數(shù)據(jù)算法層和數(shù)據(jù)應用層提供服務，滿足綜合管理和共享服務、數(shù)字化生產(chǎn)監(jiān)測、生產(chǎn)水、肥、藥等智能決策等數(shù)字果園應用場景業(yè)務。

1.3 YMatrix解決方案

該文采用YMatrix超融合時序數(shù)據(jù)庫，提供多源異構(gòu)數(shù)據(jù)的一站式存儲。一個數(shù)據(jù)庫滿足多個業(yè)務場景，大大降低了數(shù)據(jù)管理和運營成本和時間。在數(shù)據(jù)需求和場景需求中邏輯設計圖1所示。以下從分布式架構(gòu)、存儲引擎、計算引擎和資源管理四個方面來介紹YMatrix設計思想，工作原理以及資源優(yōu)化策略。

（1）超融合數(shù)據(jù)庫架構(gòu)

YMatrix 采用超融合數(shù)據(jù)庫技術(shù)架構(gòu)理念，是一款MPP （Massively Parallel Processing）架構(gòu)的分布式時序數(shù)據(jù)庫，分布式架構(gòu)思想起源于Greenplum［21-22］，基于PostgreSQL 擴展機制，是典型Master-Slave 架構(gòu)，一個YMatrix 集群通常由一個Master 節(jié)點、一個Standby Master 節(jié)點、MatrixGate 以及多個Segment 節(jié)點組成，節(jié)點之間網(wǎng)絡通信互連通過Interconnect，其中，每個節(jié)點均是一個完整的PostgreSQL數(shù)據(jù)庫實例（如圖2所示）。Matrix Master 節(jié)點是數(shù)據(jù)庫的入口，接收客戶端提交的SQL，主要負責客戶端（Client）進行訪問控制和存儲表分布邏輯的元信息管理，接收客戶端請求，生成查詢解析和查詢計劃。Standby Master 為Master 提供高可用支持。MatrixGate 組件主要用于時序場景下流式數(shù)據(jù)通過HTTP 接口并行加載，接收來自客戶端同時并發(fā)寫入，這樣可以保證數(shù)據(jù)加載過程事務保持一致性，同時滿足了實時接入需求。Segment 節(jié)點是工作節(jié)點，主要負責數(shù)據(jù)的分布式存儲和查詢執(zhí)行，mirror Segment 為Segment 提供高可用支持。當Client 提交SQL 語句，通過MatrixGate 的HTTP 接口同時并發(fā)寫入，Master 節(jié)點對查詢語句進行查詢編譯、查詢優(yōu)化等操作，生成并行查詢計劃，并把任務分發(fā)給Segment 節(jié)點執(zhí)行。當任務出現(xiàn)錯誤或者執(zhí)行完畢，會將結(jié)果返回Master 節(jié)點，最終呈現(xiàn)給客戶端。

（2）存儲引擎

分布式環(huán)境下，為了解決單機存儲空間和資源限制，確保時間維度上更細粒度數(shù)據(jù)分區(qū)以及多態(tài)存儲等方面問題，通過引入不同策略和機制來進行解決時序數(shù)據(jù)存儲問題（圖3）。

圖 2 YMatrix架構(gòu)Fig.2 Architecture of YMatrix

圖 3 YMatrix存儲引擎Fig.3 The storage engine of YMatrix

（3）計算引擎

YMatrix優(yōu)化器是基于代價模型［23］，主要是由優(yōu)化器和執(zhí)行器組成。實現(xiàn)思想是先在Matrix Master節(jié)點生成分布式查詢計劃，將計劃任務以哈希分布、隨機分布、復制分布方式分發(fā)任務，所有的Segment對其任務進行并行執(zhí)行。分布式查詢計劃首先在Master節(jié)點將任務進行最大粒度的劃分，每個劃分的查詢計劃片段在Segment節(jié)點上作為一個獨立的執(zhí)行進程（Query Executor），各個節(jié)點查詢計劃任務主要通過網(wǎng)絡進行數(shù)據(jù)傳輸，并將各個Segment 節(jié)點上的任務匯總到Master，最終反饋在客戶端（圖4）。YMatrix 基于MPP查詢引擎采用最大切分查詢策略基礎上，充分利用資源并進行任務的自動優(yōu)化分發(fā)，達到最佳的查詢性能。

圖 4 YMatrix計算引擎Fig.4 The calculation engine of YMatrix

在果園大數(shù)據(jù)平臺建設過程，存在不同設備的傳感器、物聯(lián)網(wǎng)和機器人等感知設備產(chǎn)生時序數(shù)據(jù)，往往會造成資源開銷大、數(shù)據(jù)索引空間大，對相同類似任務進行反復查詢，造成了資源浪費。借助YMatrix查詢優(yōu)化器的感知能力，對接入數(shù)據(jù)分布特征和數(shù)據(jù)局部性進行感知，對熱數(shù)據(jù)采用的MARS存儲引擎分區(qū)表，實行聚集優(yōu)化。具體實現(xiàn)邏輯為：在符合時間過濾條件的子分區(qū)表，對其構(gòu)建MARS稀疏索引快速定位查詢，對塊內(nèi)元素進行分塊并進行預聚集，通過二分查詢確定查詢條件邊界，完成分組掃描工作，這樣可以優(yōu)化了CPU、I/O和內(nèi)存資源。

此外，果園大數(shù)據(jù)還涉及很多地理空間數(shù)據(jù)存儲和處理，YMatrix 提供了功能和組件。對于GIS數(shù)據(jù)，集成了PostGIS 插件，可以實現(xiàn)空間數(shù)據(jù)從存儲和管理。

（4）資源管理

針對果園大數(shù)據(jù)中復雜場景，該文充分利用YMatrix 的存儲引擎和計算引擎設計思想，提供了一站式解決方案。對資源管理全方位粒度控制和優(yōu)化，可以滿足擴展性和并發(fā)能力之外，還可以滿足應用層的OLTP場景。具體優(yōu)化策略如下。

①存儲資源方面，可對時序數(shù)據(jù)進行編碼壓縮，使得輕量級機器學習在邊緣計算設備實現(xiàn)提供了支撐。此外，還可以將歷史時序數(shù)據(jù)遷移到更廉價的存儲設備HDFS 等，在不影響查詢業(yè)務情況下降低了存儲要求。

②內(nèi)存資源方面，YMatrix可以通過自動計算查詢計劃，自動給每個算子分配需要的資源，避免時序數(shù)據(jù)庫High Cardinality難題。

③CPU和I/O資源方面，避免重復性計算，將聚集下推，降低查詢時I/O開銷。

④網(wǎng)絡資源方面，在數(shù)據(jù)加載過程中，對數(shù)據(jù)進行壓縮傳輸，提升了網(wǎng)絡資源利用率。

2 研究結(jié)果與分析

2.1 集群環(huán)境

該文YMatrix 集群環(huán)境搭建在戴爾塔式服務器VMware虛擬機上，1個Master節(jié)點，6個Segment節(jié)點，具體配置信息見表1。每個節(jié)點內(nèi)存8G，存儲80G，每個節(jié)點4個實例。本環(huán)境采用是YMatrix數(shù)據(jù)庫企業(yè)版5.0。

表1 服務器配置參數(shù)Table 1 The configuration parameter of server

2.2 應用示范

以Kettle 作為客戶端，通過可視化建模，進行海量空間數(shù)據(jù)、流式數(shù)據(jù)、圖像數(shù)據(jù)實時和批量入庫（圖5）、ETL抽取轉(zhuǎn)換加載、作業(yè)統(tǒng)計和轉(zhuǎn)換以及數(shù)據(jù)同步等操作［24］。

圖 5 Kettle自動化建模Fig.5 Automated modeling

通過采用YMatrix分布式時序數(shù)據(jù)庫，結(jié)合果園大數(shù)據(jù)建設復雜場景，開展果園大數(shù)據(jù)管理平臺建設工作（圖6），實現(xiàn)了園區(qū)信息、精準作業(yè)、園區(qū)智能感知、園區(qū)管理和智能管控等功能。對果園大數(shù)據(jù)提供智能管理和精準生產(chǎn)服務指導［8］。

圖 6 果園大數(shù)據(jù)管理系統(tǒng)Fig.6 The management system of orchard bid data

2.3 存儲策略

（1）多級數(shù)據(jù)局部存儲策略

果園時序數(shù)據(jù)涉及到多個農(nóng)機設備傳感器、物聯(lián)網(wǎng)和攝像頭等實時處理的復雜場景，具有多模態(tài)數(shù)據(jù)融合和全場景查詢分析需求。針對這些問題，在數(shù)據(jù)湖基礎上設計了多級別存儲策略，具體是：①采用YMatrix分布式存儲引擎數(shù)據(jù)分片策略，讓同一設備連續(xù)時間存儲在同一節(jié)點、同一數(shù)據(jù)庫表且表內(nèi)連續(xù)存儲。其中分片策略可采用哈希分布、隨機分布、復制分布等策略。②在時序場景中，通常按照設備標識號對時序表做哈希分布，主要目的是把同一設備（例如tag001）數(shù)據(jù)存儲到同一個Segment節(jié)點中，這樣確保了節(jié)點級別數(shù)據(jù)局部性。③在分片的基礎上，YMatrix在數(shù)據(jù)分片策略的基礎上，對時序表做了更細粒度的數(shù)據(jù)分區(qū)，這樣做不僅可以在查詢中進行分區(qū)裁剪，降低掃描的數(shù)據(jù)量，還可以達到多級分區(qū)以提供更極致的數(shù)據(jù)局部性。其中數(shù)據(jù)分區(qū)策略包括范圍分區(qū)、列表分區(qū)、哈希分區(qū)。

此外，在確定了數(shù)據(jù)分區(qū)和分區(qū)策略，還需要考慮每個分區(qū)子表的存儲策略，采取列存儲、行存儲和列行混存。存儲格式采用面向行存HEAP 和面向列存儲ORC，索引采用BTREE索引、倒排索引或自定義索引。

（2）時序場景的冷熱數(shù)據(jù)存儲策略

在智慧果園精準管理和科學決策過程中，涉及復雜多樣統(tǒng)計與分析熱數(shù)據(jù)。這類數(shù)據(jù)具有價值密度大、高效訪問等特點。針對這類問題，需要時間范圍查詢或設備聚合查詢［25-26］。具體是：①對熱數(shù)據(jù)用行存HEAP表加BTREE索引策略。②采用時序微內(nèi)核配置向量化執(zhí)行引擎，將查詢延遲進一步縮短，提升整體執(zhí)行效率。

針對時序歷史冷數(shù)據(jù)，這類數(shù)據(jù)具有持續(xù)增長和存儲空間需求大特點。針對這類問題，采用了MARS2（YMatrix Append-optimized Version 2）存儲引擎策略，具體是：①采用行列混存存儲方式，每一行列分組單元是一個RowGroup，RowGroup內(nèi)設備采集數(shù)據(jù)按列組織，這樣一個列就形成了一個Chunk。這樣RowGroup確保在分區(qū)表基礎上每個設備時序數(shù)據(jù)的物理局部性，而Chuck確保分組內(nèi)具有相同類型數(shù)據(jù)的單列數(shù)據(jù)得到了局部性。②YMatrix 采用了自動分區(qū)管理策略，可自動創(chuàng)建熱數(shù)據(jù)分區(qū)、自動冷熱分區(qū)轉(zhuǎn)換，歷史數(shù)據(jù)過期清除等操作。

實行以上存儲策略具有三方面的優(yōu)點：①Chunk 列存儲策略可結(jié)合編碼壓縮策略。根據(jù)時序類型可選擇Delta編碼、Gorilla編碼方式，以及ZATD、LZ等壓縮方式。②充分利用了設備數(shù)據(jù)局部性這一存儲策略，提前計算好RowGroup 內(nèi)每個列的常見聚集信息，可以智能的獲取每個查詢條件結(jié)果的聚集結(jié)果，這樣可以避免直接遍歷所有數(shù)據(jù)點，大大提升了數(shù)據(jù)查詢性能。③預聚集信息中的Min/Max 還可以作為稀疏索引，對其RowsGroup進行過濾，降低了I/O開銷。

（4）空間數(shù)據(jù)存儲策略

針對海量遙感數(shù)據(jù)和瓦片數(shù)據(jù)等存儲問題［27-28］，采用實時數(shù)據(jù)寫入工具MatrixGate和構(gòu)建時空索引。同時，該文以都市龍泉驛現(xiàn)代農(nóng)業(yè)園區(qū)無人機遙感數(shù)、地圖瓦片數(shù)據(jù)等數(shù)據(jù)作為數(shù)據(jù)集，對比了INSERT直接插入和YMatrix，發(fā)現(xiàn)YMatrix空間數(shù)據(jù)查詢與分析比直接INSERT方式快5-10倍左右，充分發(fā)揮MatrixGate優(yōu)勢。此外，可以構(gòu)建GIST、BRIN和SP-GiST等索引［29-31］。

3 結(jié)論與討論

通過采用YMatrix 分布式時序數(shù)據(jù)庫，結(jié)合果園大數(shù)據(jù)建設復雜場景，采用YMatrix超融合數(shù)據(jù)庫架構(gòu)設計思想，并從存儲引擎、計算引擎以及存儲管理等方面對果園大數(shù)據(jù)產(chǎn)生的多源異構(gòu)數(shù)據(jù)存儲策略進行了探索，有效解決了傳統(tǒng)的“煙囪式”“孤島式”數(shù)據(jù)架構(gòu)不足，提出果園大數(shù)據(jù)存儲和管理一站式高效解決方案，為數(shù)字農(nóng)業(yè)和數(shù)字農(nóng)業(yè)孿生建設提供了強有力支撐。方案經(jīng)測試后，項目組在成都市龍泉驛現(xiàn)代農(nóng)業(yè)園區(qū)開展的果園大數(shù)據(jù)管理平臺建設中，構(gòu)建果園大數(shù)據(jù)超融合時序數(shù)據(jù)庫，實際的果園多源異構(gòu)、多模態(tài)數(shù)據(jù)存儲和管理有待進一步研究分析。

目前，YMatrix分布式時序數(shù)據(jù)庫在數(shù)字化果園建設過程中還存在一定的差距，尤其對于不同傳感器、物聯(lián)網(wǎng)和智能機器人產(chǎn)生多源異構(gòu)數(shù)據(jù)的清洗、抽取和融合還有不足，需要全方位挖掘果園大數(shù)據(jù)建設過程中需求，進一步充分利用YMatrix實時數(shù)據(jù)倉庫、實時數(shù)據(jù)實時決策等能力，最終實現(xiàn)數(shù)據(jù)匯聚、治理、融合與服務，為構(gòu)建數(shù)字果園數(shù)字化奠定基礎。