科研大数据平台项目

科研大数据平台项目科研大数据平台项目 技术建议书技术建议书 目目 录录 1. 1. 概述概述 1 1 1.1. 项目背景 .1 1.2. 需求分析 .1 1.3. 方案简述 .1 1.4. 方案价值 .2 2. 2. 设计方案设计方案 4 4 2.1. 设计原则 .4 2.2. 系统架构 .5 2.3. 分布式数据库系统 .5 2.3.1. MPP + Share Nothing 架构 5 2.3.2. 核心组件. 5 2.3.3. 高可用. 6 2.3.4. 高性能在线扩展. 7 2.3.5. 高性能数据加载. 8 2.3.6. OLAP 函数 8 2.4.HADOOP集群 .9 2.4.1. Hadoop 企业版 9 2.4.2. HIVE 分布式内存分析引擎 9 2.4.3. HBASE 分布式实时在线数据处理引擎 10 2.4.4. Stream 流处理引擎.11 2.5. 服务器虚拟化 . 11 2.5.1. 设计理念11 2.5.2. 系统结构. 13 2.5.3. 服务器虚拟化系统组成 . 14 2.6. 云管理平台 .14 2.6.1. 浪潮云海 OS 架构图 15 2.6.2. 浪潮云海 OS 实现的功能 15 2.7. 爬虫软件 .18 2.7.1. 建设网络爬虫私有云 18 2.7.2. 高效的分布式、协同化数据采集模式 19 2.7.3. 爬虫路线规划能力 20 2.7.4. 爬虫调度和负荷规划能力 20 2.7.5. 极致的开放兼容平台 21 2.7.5.1. 为什么需要开放的可集成的网页抓取软件 21 2.7.5.2. 集搜客网络爬虫的开放接口 21 3. 3. 方案优势方案优势 22 22 3.1. 浪潮 MPP 数据库优势 .22 3.1.1. 高性能. 22 3.1.2. 高性价比. 22 3.1.3. 高易用性. 22 3.2. 浪潮 HADOOP优势 .22 3.3. 浪潮云计算优势 .22 3.3.1. 运营效率提升. 22 3.3.2. 服务水平提高. 23 3.3.3. 实现数据中心的绿色节能 . 23 3.3.4. 分工细化使得终端用户只需专注自身业务 23 3.3.5. 降低总体拥有成本(TCO) 23 3.3.6. 可靠性提高. 24 3.3.7. 性能强大. 24 3.3.8. 扩展性好. 24 3.3.9. 可管理性. 24 4. 4. 推荐配置推荐配置 25 25 1. 1. 概述概述 1.1.1.1. 项目背景项目背景 通过本项目的实施与建设，在以服务科研工作为主导的原则下，基于高性能大数 据软硬件设施，构建多样化、专业化、柔性化的科研数据服务应用平台。利用大数据 技术，满足不同层级用户的需求，达到改善我校的科学研究环境与学科建设、提升我 校的科研管理水平、提升我校针对物流行业的科研服务能力等目标。 本项目分阶段实施，初期重点在于建立一个能满足业务需求的基于大数据的计 算、存储以及通讯的硬件环境平台和数据管理架构。 1.2.1.2. 需求分析需求分析 要构建多样化、专业化、柔性化的科研数据服务应用平台，现有架构很难承担日 益增长的数据分析需求。 迫切需要寻求一种全新的系统架构帮助我校满足日常业务及 数据分析。并有效利用数据的价值，提高系统安全、系统高可用等。需求分析如下： 寻求新的系统架构，从物理架构、数据架构、业务模型架构及应用架构等几 方面满足业务需求。 从全局及用户长远利益考虑，规划先进的大数据平台底层架构，满足大数据 时代的业务需求。 保护用户现有资源，考虑系统现状以及现有资源利用等，在系统建设中，充 分考虑现有资源利旧。 系统多平台整合，建设统一的底层平台，提高系统安全等保级别，规避系统 单点风险。 1.3.1.3. 方案简述方案简述 根据对背景及需求的分析， 为了帮助我校能够更好地在大数据时代支撑大规模数 据的应用，分别从物理架构及数据架构建设科研大数据平台系统。 物理架构：采用虚拟化技术，为客户打造 IaaS 底层系统架构。 数据架构：采用与客户习惯使用的 SQL 这种更易于理解的、交互性更好的访 问接口， 架构需要以 MPP 数据库及计算框架为核心， 将 MPP 运算调度引擎完全融入 非关系型运算调度框架，实现可以同时调度关系运算和非关系运算的调度引擎，构建 统一的结构化信息提取和数据类型转换框架，将非结构化数据映射为关系模型，实现 面向关系模型的全数据统一视图，从而平滑的实现 MPP 数据库和 Hadoop 的统一调 度和处理，为新型的基础软件平台和上层应用提供数据服务。 1.4.1.4. 方案价值方案价值 弹性扩展 采用虚拟化技术做为底层资源抽象技术，为科研大数据平台动态提供基础计算、 存储、 网络资源， 同时运用云平台计算技术为云数据中心提供统一的管理和运维平台， 实现资源弹性服务、流转和管理。 动态资源分配 云计算被认为是分布式处理、并行处理以及网络计算的进一步发展，其使用虚拟 机力度方式，根据应用的动态对资源进行增删。 快速响应 以并行计算为核心,按需调度计算任务分配和计算资源，并提供从数据导入整合 处理、 计算模型设定到计算结果输出、 多形式展现、 应用 API 等完整的数据处理服务。 高可用 采用分布式存储系统，数据互备，快速备份和恢复。支持各种数据处理、计算模 型，满足不同领域、不同特点的计算需求。多副本容错，数据安全无忧。 数据分析 构建大数据存储应用平台， 围绕大数据应用构建大数据处理基础软件平台的关键 问题是如何解决结构化和非结构化不同类型的数据融合， 以及实现不同类型数据处理 模式的整合。单一的 MPP 数据库或 Hadoop 产品已经很难满足研究所对结构化和非 结构化数据融合的业务需求。 应用云 云计算并不是一个突兀全新的理念，云计算的快速发展，是需求驱动、技术进步 和商业模式转变共同发展和促进的结果。 随着我校大规模计算和海量数据存储需求的 出现，使得科研大数据平台对 IT 基础设施的需求也随之增长。云计算技术的应用能 够给我校在节约投资、节省空间、简化管理、数据高度共享和系统高度可靠等方面提 供帮助。 因此，本方案的核心价值在于将这两种方式的界限在实际应用部署中打破，形成 以全数据处理为核心，垂直整合操作系统、MPP 数据库、Hadoop、统一数据服务的 基础软件平台解决方案。 2. 2. 设计方案设计方案 2.1.2.1. 设计原则设计原则 为保证科研大数据平台项目建设的成功， 在技术方案中我们主要遵循了以下几个 原则： 先进性与成熟技术的集合： 在设备选型设计中，我们要考虑采用当今业界的主流技术，同时要选用在众多关 键领域中已经得到充分验证的产品，以保证系统的更高的可靠性和可用性； 高效的可管理性： 对于日益复杂的 IT 系统架构，对系统的管理要求越来越重，浪潮所推荐的解决 方案整体的设计思想是利于以后的管理； 性能价格比： 保证充分满足用户的性能的同时，考虑最优的性价比；坚持系统建设投资经济合 理性的原则； 高可靠性： 全冗余设计，避免任何的单点故障，以保证系统的可靠性，同时便于维护，减少 计划内停机次数； 高安全性： 保证系统数据的安全，做到重要数据冗余存储，提供备份、容灾及应