Cloud:董老師開講了：系列一之大數據入門

?獨立、敏捷的中美科技觀察，硅發布微信號Guifabucom

作者董飛

在硅谷，大家非常熱情地談創業談機會，我也通過自己觀察和積累，看到不少最近幾年涌現的熱門創業公司。我先給大家一個列表，這是華爾街網站全世界創業公司融資規模的一個評選，它本來標題是“十億美金俱樂部”，可以看出不到一年時間，截至今年1月17日，排名和規模已經發生很大變化。

首先，估值在十億美金的公司達到7家，而一年前都沒有；第二，第一名是中國的小米；第三，前20名中，絕大多數比如Uber、Airbnb、Dropbox、Pinterest；第四，里面也有不少相似模式成功的，比如Flipkart就是印度市場的淘寶，Uber與Airbnb都是共享經濟的范疇。

所以，大家還是可以在移動、大數據、消費級互聯網、通訊、支付及O2OApp里尋找大機會。這里面，很多公司我都曾面試和感受過他們環境，下面有機會我也會給大家一一詳細介紹。

第二，在Linkedin，每年會評選一個最有需求的創業公司名單，基本是結合Linkedin用戶訪問量和申請數做出的挖掘。下面，我列出最近3年數據，大家可以做個判別和趨勢分析。

里面還是很靠譜的，比如不少上榜名單已成功IPO，里面有很多大數據領域公司，而除了之前看到的一些互聯網項目，在一些醫療健康、智能硬件、在線教育也吸引很大注意力。

第三，看了那么多高估值公司，很多人都覺得非常瘋狂，是不是很大泡沫了，泡沫是不是要破了，這是很多人的疑問。在硅谷這個充滿夢想的地方，投資人鼓勵創業者大膽去發展同樣也助長泡沫，很多項目在幾個月時間估值就會翻2、3倍，例如在Uber、Snapchat上，我也驚訝他們的巨額融資規模和顛覆速度。

下面這張圖，就是講新事物的發展規律，這是硅谷孵化器YCombinator公開課Howtostartastartup提到的。一個新Idea加上一點點原型，就會迅速吸引眼球，然后先驅者引發潮流，在大眾爆發把泡沫吹到極致，接下來就是各種負面質疑，名聲一落千丈，而這時離Peak也許才過去幾個月。

但這東西本質沒有變，從“看山不是山”到“看山還是山”，這段重心回歸到產品上重新積累用戶，然后就到了可持續增長的健康軌道上。從Quora網站流量、Tesla股票到比特幣，你都發現它們驚人的匹配這張圖的某個節點。背后不變的是人性，舉例在牛市，大家都很容易掙錢，但只有熬過最痛苦的時代，才能體會事物發展本質和踏實的意義。

第四，未來趨勢是什么？大家都很關心。我先提最近看的一部電影《ImitationGame》，它講的是計算機邏輯奠基者艾倫圖靈艱難的一生，當年為破譯德軍密碼制作了圖靈機為二戰勝利作出卓越貢獻，挽回幾千萬人的生命，可在那個時代因為同性戀被判化學閹割，自殺結束了短暫的42歲生命。

韓國加密資管公司Sandbank已暫停新的存款和投資功能:6月20日消息，韓國加密資產管理和投資服務公司Sandbank發文表示，在市場穩定之前，已暫停新的存款和投資功能，正在進行中的投資項目到期后可以取款，提現和資產管理功能可以正常使用。[2023/6/20 21:48:46]

他的一個偉大貢獻就是在人工智能的開拓，他提出圖靈測試，測試某機器是否能表現出與人等價或無法區分的智能。我們現在回到今天，人工智能已有很大進步，從專家系統到基于統計的學習，從支持向量機到神經網絡深度學習，每一步都帶領機器智能走向下一個階梯。

谷歌資深科學家吳軍博士提出當前技術發展的三個趨勢：第一，云計算和和移動互聯網，這是正在進行時；第二，機器智能，現在開始發生，但對社會的影響很多人還沒意識到；第三，大數據和機器智能結合，這是未來時，一定會發生，有公司在做，但還沒太形成規模。

他認為未來機器會控制98%的人，而現在我們就要做個選擇，怎么成為剩下的2％？李開復在2015年新年展望也提出未來五年物聯網帶來龐大創業機會。

大數據入門

接下來，我講一講大數據入門。先來做個思考，以前有個國王很闊綽也很愛排場，有天，他很高興想獎賞他的寵臣，然后說，讓他來提任何獎勵。

這個大臣給國王看下面這個棋盤，是個8＊8的方格，如果我在每個標號的格子內放米粒，第一個格子放1粒米，后面格子總是前面格子的兩倍。那么問題來了，如果我把整個棋盤放滿，需要多少米粒？

我們學過級數的話，可以快速做個演算，它的推演是1+2+4…+2^63＝2^64–1。這個數字多大很多人沒印象，反正如果真要兌現的話，這個國家肯定是破產了。

其實我把這個棋盤分成上下兩半，在上一半總共需要的米粒是2^32，這并不是個很大的數，其實前幾年計算機的32位就是那么大，但下半場就完全不一樣了，這是個平方級別的規模，我下面會給大家一個交代。現在大家也經常聽到什么手機64位處理器，并無實際意義。

我們接著看看這張曲線圖是信息時代的增長，其實工業革命前，世界人均GDP在1800年前的兩三千年里基本沒變化，而從1820年到2001年180年里，世界人均GDP從原來667美元增長到6049美元。

由此足見，工業革命帶來的收入增長的確翻天覆地。這里面發生了什么？大家可以思考一下。但人類的進步，并沒停止或者說穩步增長，在發明了電力、電腦、互聯網、移動互聯網，全球年GDP增長從萬分之5到2％，信息也是在急劇增長。根據計算，最近兩年信息量是之前30年總和，最近10年是遠超人類所有之前累計信息量之和。

價值約3906萬美元的ETH轉入Coinbase:金色財經報道，2.7萬枚ETH于今日08:56從未知錢包轉入Coinbase，價值約3906萬美元，交易哈希為0x925e62c5dbc45f085706d084773348559a5f210b0575dc5111ac0a571d71ff0e。[2023/3/12 12:57:50]

在計算機時代，有個著名摩爾定律，就是說同樣成本每隔18個月晶體管數量會翻倍，反過來，同樣數量晶體管成本會減半。這個規律已經很好匹配了最近30年的發展，并且可以衍生到很多類似領域：存儲、功耗、帶寬、像素。

而最下面這個頭像是馮諾伊曼，20世紀最重要數學家之一，在現代計算機、博弈論和核武器等諸多領域有杰出建樹的最偉大科學全才之一。他提出技術會逼近人類歷史上某種本質的奇點，在那后，全部人類行為都不可能以我們熟悉的面貌繼續存在。

這就是著名的“奇點理論”，目前會呈越來越快的指數性增長，美國未來學家RayKurzweil稱：人類能在2045年實現數字化永生，他自己也創辦奇點大學，相信隨信息技術、無線網、生物、物理等領域的指數級增長，將在2029年實現人工智能，人的壽命也將會在未來15年得到大幅延長。

我們再回到現在，地球上至今的數據量從GB、TB、PB、EB到達ZB，我們之前提出的2^64就相當于16EB的大小。

大數據有什么用？

所謂“學以致用”，大數據領域在各行業都可以應用，這里舉幾個有趣的例子。在Linkedin時，CEO提出“經濟圖譜”的概念，希望整合用戶、公司、工作機會、技能、學校和帖子變成一個復雜而有蘊含無限可能的數字化社會。

比如說找對象，有個國外極客，他抓取約會網站的數據，根據一些指標如地理、年齡、興趣，建立下面的3D模型找到真愛；又如阿里巴巴通過數據魔方，提煉出消費跟女生胸部成正比的結論。

在移動App上，今日頭條通過你的個人社會化信息，建起興趣圖譜推薦文章并隨你的使用會越來越聰明；在線教育領域：MOOC中的M就是大規模的意思；其他如互聯網金融人人貸，通過大數據積累信用，釋放一些傳統金融體系下未被滿足而又廣泛存在的巨大需求，最近也是拿到1.3億美金融資。硅谷有家Wealthfront做大數據理財，23andMe提供個人基因組的“大數據”等等。

下面是2014年別人總結的大數據公司列表，我們大致可以分成基礎架構和應用，而底層都是會用到一些通用技術，如Hadoop、Mahout、HBase和Cassandra，我在下面也會涵蓋。

我可以舉幾個例子，在分析這塊，Cloudera、hortonworks、mapr作為Hadoop三劍客，一些運維領域，mangodb、couchbase都是nosql代表，作為服務領域AWS和GoogleBigQuery劍拔弩張，在傳統數據庫，甲骨文收購了MySQL、DB2老牌銀行專用，Teradata做了多年數據倉庫。

韓國金融監管機構正調查該國加密交易所的質押服務:2月24日消息，韓國金融當局最近要求該國以韓元為基礎的加密交易所證明其質押服務的驅動原理和商品性相關的證明。該國提供質押服務的以韓元為基礎的加密交易所中有四分之三最近承認，他們收到了該國金融監督院對其質押服務進行調查的要求。

對于本次檢查，當局的立場是，它只是對整體服務的審查階段，而不是立即將質押服務作為證券進行判斷和規范。 對于向各交易所索取數據的背景，相關負責人表示，“我們索取數據并不是為了無條件規范質押。”

報道稱，該國金融當局之所以開始關注交易所的質押服務，是因為最近美國SEC對Kraken的質押服務提出異議，認為其違反了證券法。據分析，雖然美國和韓國的法律體系不同，但當局已經開始檢查該國的質押服務以及加密行業中值得關注的案例。業內人士擔心質押也可能被納入該國監管范圍。[2023/2/24 12:26:55]

上面的Apps更多，比如社交消費領域的谷歌、亞馬遜、Netflix、Twitter、商業智能：SAP、GoodData，一些在廣告媒體領域：TURN、Rocketfuel，做智能運維sumologic等等。最后還有個去年的新星Databricks伴隨著Spark的浪潮震撼Hadoop的生態系統。

大數據之中國公司

對迅速成長的中國市場，大公司也意味大數據，BAT三家都是對大數據投入不惜余力，我4年前在百度時，百度就提出框計算的東東，最近兩年成立硅谷研究院，挖來AndrewNg做首席科學家，研究項目就是百度大腦，在語音、圖片識別大幅提高精確度和召回率，最近還做了個無人自行車非常有趣。

騰訊作為最大社交應用對大數據也情有獨鐘，自己研發C++平臺的海量存儲系統。淘寶去年雙十一主戰場，2分鐘突破10億，交易額突破571億，背后是有很多故事，當年在百度做Pyramid有志之士，繼續在OceanBase創造神話。

而阿里云當年備受爭議，馬云也在懷疑是不是被王堅忽悠，最后經歷了雙十一洗禮證明OceanBase和阿里云的靠譜。小米的雷軍對大數據也是寄托厚望，一方面，這么多數據幾何級數增長；另一方面存儲帶寬都是巨大成本，沒價值就真破產。

大數據相關技術，最緊密的就是云計算，我列出主要是AmazonWebService和GoogleCloudPlatform，在國內還有阿里云、金山云、百度云、騰訊云、小米云、360云、七牛……每個里面都是大量技術文檔和標準，從計算到存儲，從數據庫到消息，從監控到部署管理，從虛擬網絡到CDN，把所有一切用軟件重新定義了一遍。

先來講亞馬遜的云。我本人在亞馬遜云計算部門工作過，所有還是比較了解AWS，總體上成熟度很高，有大量創業公司都是基于上面開發，比如有名的Netflix、Pinterest、Coursera。

Hugo Boss將與Imaginary Ones合作推出NFT:金色財經報道，奢侈品牌Hugo Boss旗下品牌Hugo與NFT項目Imaginary Ones合作，將其服裝帶入元宇宙。Hugo周二宣布，它將推出一個“全面的、360度的元宇宙體驗”。合作的NFT系列將于11月初推出，由1001個三維動畫組成，并將其命名為“Embrace Your Emotions”（EYE）。

據悉，收入將捐贈給慈善機構Youth Aware of Mental Health（YAM）。（The Block）[2022/10/4 18:39:13]

亞馬遜還是不斷創新，每年召開reInvent大會推廣新的云產品和分享成功案例，在這里面我隨便說幾個，像S3是簡單面向對象的存儲，DynamoDB是對關系型數據庫的補充，Glacier對冷數據做歸檔處理，ElasticMapReduce直接對MapReduce做打包提供計算服務，EC2就是基礎的虛擬主機，DataPipeline會提供圖形化界面直接串聯工作任務。

這邊還可以說一下Redshift，它是一種架構，是非常方便的數據倉庫解決方案，就是SQL接口，跟各個云服務無縫連接，最大特點就是快，在TB到PB級別非常好的性能，我在工作中也直接使用，它還支持不同硬件平臺，如果想速度更快，可以使用SSD的，當然支持容量就小些。

在數據庫領域，我就列出三種代表，一類是關系型數據庫管理系統，它的特點是A(Atomic)、C(consistent)、I(isolation)、D(duration)，連起來就是ACID。簡單說，就是支持事務回滾和外鍵關聯，而NoSQL是與之對應的Base，所謂Basic可用，為了擴大Scale，犧牲一些一致性和事務。而谷歌提出F1，希望解決在大規模數據同時還要做到事務強一致性。在這里面都是非常常見的NoSQL,這些公司可能你都沒聽過，但它們都是融資過億，估值都非常高，在幾個Billion以上。

我會花一些篇幅介紹Hadoop，首先看Hadoop從哪里開始的，不得不提谷歌的先進性，在10多年前，谷歌出了3篇論文論述分布式系統的做法，分別是GFS、MapReduce、BigTable，非常牛逼的系統，但沒人見過，在工業界很多人癢癢的，就想按其思想去仿作。

當時，ApacheNutchLucene作者DougCutting也是其中之一，后來他們被雅虎收購，專門成立團隊去投入做，就是Hadoop的開始和大規模發展的地方，之后隨著雅虎衰落，牛人去了Facebook、谷歌，也有成立Cloudera、Hortonworks等大數據公司，把Hadoop的實踐帶到各個硅谷公司。

加拿大監管機構與美國一起調查Celsius破產后的影響:金色財經報道，加拿大監管機構正在與美國同行合作，調查總部位于新澤西州的加密貨幣貸款機構Celsius Network倒閉后的數十億美元影響。

盡管Celsius從未在加拿大省級證券監管機構注冊，但該國當局正在與美國證券交易委員會合作，調查這一跨境問題。監管機構已經在美國和加拿大的各個司法管轄區展開調查，以調查這家破產的貸款公司的災后行動。

安大略省證券委員會（OSC）也在調查Celsius的倒閉和隨后的破產如何影響該平臺的加拿大用戶。（coindesk）[2022/8/10 12:14:10]

而谷歌還沒停止，又出了新的三輛馬車：Pregel、Caffeine和Dremel，后來又有很多步入后塵，開始新一輪開源大戰。

那么為啥Hadoop就比較適合做大數據呢？首先擴展很好，直接通過加節點就可以把系統能力提高，它有個重要思想是：移動計算而不是移動數據，因為數據移動是很大的成本需要網絡帶寬。

其次，它提出的目標就是利用廉價普通計算機，這樣雖然可能不穩定，但通過系統級別上的容錯和冗余達到高可靠性。并且非常靈活，可以使用各種data，二進制、文檔型、記錄型。使用各種形式，在按需計算上也是個技巧。

另一個問題，我們提到Hadoop一般不會說某個東西，而是指生態系統，在這里面太多交互的組件了，涉及到IO、處理、應用、配置、工作流。在真正的工作中，當幾個組件互相影響，你的頭疼的維護才剛剛開始。

我也簡單說幾個：HadoopCore就三個HDFS、MapReduce、Common，在外圍有NoSQL:Cassandra、HBase，有Facebook開發的數據倉庫Hive，有雅虎主力研發的Pig工作流語言，有機器學習算法庫Mahout，工作流管理軟件Oozie，在很多分布式系統選擇Master中扮演重要角色的Zookeeper。

下面是Hortonworks提出的數據平臺，這個公司比較強勢，它有最多的HadoopCommittee成員，是真正的標準制定者，而2.0就是由它們提出。

在Hadoop1.0前，是0.16到0.19、0.20，還有一只是0.23進化成現在的2.0，應該說，現在大致都被2.0取代了，主要區別是1.0只能支持MapReduce框架、資源和數據處理限制在一起。

而2.0首先抽象出Yarn這個資源管理器，然后上層可以支持各種插件機制，便于擴展，Hortonworks還研發了Tez作為加速引擎把一些相關任務合并共享或者并行來優化。

下面這個是英特爾給出的HadoopStack，英特爾也是個對技術前沿由追求的公司，雖然它主業是處理器，但在互聯網的時代，為抓住一些軟件機會，它們也在積極融合，為生態系統做貢獻。

另外，Cloudera是老牌Hadoop公司，成立7、8年了，當年Hadoop之父就是在那做首席架構，它提出的CDH版本是很多公司的穩定Hadoop版本，一般公司也不會自己去搭Hadoop最新版，否則出了Bug會很痛苦，它提供了一個打包方便部署。

涉及技術細節甚至源代碼

下面內容涉及技術細節甚至源代碼，可能有些枯燥，我也盡量深入淺出。我們先說HDFS，所謂Hadoop的分布式文件系統，它是能真正做到高強度容錯。并且根據locality原理，對連續存儲做了優化。

簡單說，就是分配大的數據塊，每次連續讀整數個。如果讓你自己來設計分布式文件系統，在某機器掛掉還能正常訪問該怎么做？首先需要有個master作為目錄查找，那么數據節點是作為分割好一塊塊的，同一塊數據為了做備份不能放到同一個機器上，否則這臺機器掛了，你備份也同樣沒辦法找到。

HDFS用一種機架位感知的辦法，先把一份拷貝放入同機架上的機器，然后在拷貝一份到其他服務器，也許是不同數據中心的，這樣如果某個數據點壞了，就從另一個機架上調用，而同一個機架它們內網連接是非常快的，如果那個機器也壞了，只能從遠程去獲取。這是一種辦法，現在還有基于erasurecode本來是用在通信容錯領域的辦法，可以節約空間又達到容錯的目的，大家感興趣可以去查詢。

接著說MapReduce，首先是個編程范式，它的思想是對批量處理的任務，分成兩個階段，所謂的Map階段就是把數據生成key、valuepair再排序，中間有一步叫shuffle，把同樣的key運輸到同一個reducer上面去，而在reducer上，因為同樣key已經確保在同一個上，就直接可以做聚合，算出一些sum，最后把結果輸出到HDFS上。對應開發者來說，你需要做的就是編寫Map和reduce函數，像中間的排序和shuffle網絡傳輸，容錯處理，框架已經幫你做好了。但據說，谷歌內部早不用這種，又有新的強大工具出現了。

HBase就是對應的BigTable的克隆版，它是基于列的存儲，可以很好的擴展型，這里面出現了Zookeeper作為它高可靠性的來源，我們在分布式系統中經常怕SinglePointofFailure，它能保證在少于一半節點損害情況下，還是可以工作的。

這里的regionserver是說把數據的key做范圍劃分，比如regionserver1負責key從1到1w的，regionserver2負責1w到2w的，這樣劃分之后，就可以利用分布式機器的存儲和運算能力了。

雖然MapReduce強大，但編寫很麻煩，在一般工作中，大家不會直接寫MapReduce程序。有人又開動大腦，簡化開發。Hive的簡單介紹，它主要是Facebook開發，確實很容易上手，如果做datascientist，經常也要用到這個工具。

我們想MapReduce模型有什么問題？第一：需要寫很多底層的代碼不夠高效，第二：所有事情必須要轉化成兩個操作，這本身就很奇怪，也不能解決所有的情況。那么下面就看看有什么可以做的更好的。

Spark介紹

我還是介紹一些Spark的起源。BerkeleyAMPLab，發表在hotcloud是一個從學術界到工業界的成功典范，也吸引了頂級VC：AndreessenHorowitz的注資。

AMPLab這個實驗室非常厲害，做大數據、云計算，跟工業界結合很緊密，之前就是他們做mesos、hadooponline，在2013年，這些大牛從BerkeleyAMPLab出去成立了Databricks，引無數Hadoop大佬盡折腰，其實也不見得是它們內心這么想，比如Cloudera也有自家的impala，支持Spark肯定會讓它自家很難受，但如果你的客戶強烈要求你支持，你是沒有選擇的

另外起名字也很重要，Spark就占了先機，它們CTO說WhereThere’sSparkThere’sFire，它是用函數式語言Scala編寫，Spark簡單說就是內存計算框架，之前MapReduce因效率低下大家經常嘲笑，而Spark的出現讓大家很清新。Reynod作為Spark核心開發者,介紹Spark性能超Hadoop百倍，算法實現僅有其1/10或1/100。

那為啥用Spark呢？最直接就是快啊，你用Hadoop跑大規模數據幾個小時跑完，這邊才幾十秒，這種變化不僅是數量級的，并且是對你的開發方式翻天覆地的變化，比如你想驗證一個算法，你也不知道到底效果如何，但如果能在秒級就給你反饋，你可以立馬去調節。

其他的如比MapReduce靈活啊，支持迭代的算法，ad-hocquery，不需你費很多力氣花在軟件搭建上。如果說你用Hadoop組建集群、測試、部署一個簡單任務要1周時間，Spark可能只要一天。在去年的Sortbenchmark上，Spark用了23分鐘跑完100TB的排序，刷新之前Hadoop保持的世界紀錄。

下面這個圖，是Hadoop跟Spark在回歸算法上比較，在Hadoop世界里，做迭代計算是非常耗資源，它每次的IO序列畫代價很大，所以每次迭代需要差不多的等待。而Spark第一次啟動需要載入到內存，之后迭代直接在內存利用中間結果做不落地的運算，所以后期迭代速度快到可以忽略不計。

此外，Spark也是一個生態系統，除核心組建Spark，它也可以跑在Hadoop上，還提供了很多方便的庫，比如做流式計算，SparkStreaming，比如GraphX做圖的運算，MLBase做機器學習，Shark類似Hive，BinkDB也很有意思，為達到高效，它允許你提供一個誤差概率，如果你要求精確度越低，它運算速度就越快，在做一些模糊計算時像Twitter的Follower數目，可以提高效率。

所以總體說，Spark是一個非常精煉的API，提供常用的集合操作，然后本身可以獨立運行，或在HadoopYarn上面，或者Mesos，而存儲也可以用HDFS，做到了兼容并包，敏捷高效。是不是會取代Hadoop或成為Hadoop的下一代核心，我們拭目以待！

如何學習大數據

那同學們如果問如何開始學習大數據，我也有一些建議，首先還是打好基礎，Hadoop雖然火熱，但它的基礎原理，都是書本上很多年的積累，像Unix設計哲學、數據庫的原理；

其次是選擇目標，如果你想做數據科學家，我可以推薦Coursera的數據科學課程，通俗易懂，學習Hive、Pig這些基本工具；如果做應用層，主要是把Hadoop的一些工作流要熟悉，包括一些基本調優；如果是想做架構，除能搭建集群，對各基礎軟件服務很了解，還要理解計算機的瓶頸和負載管理，Linux的一些性能工具。

最后，還是要多加練習，大數據本身就是靠實踐，你可以先按API寫書上的例子，能夠先調試成功，在下面就是多積累，當遇到相似問題能找到對應的經典模式，再進一步就是實際問題，也許周邊誰也沒遇到，你需要些靈感和網上問問題的技巧，然后根據實際情況作出最佳選擇。

本文版權歸作者所有，轉載未經作者授權，任何組織、機構或個人不得對作品實施轉載。

Tags：CloudHDFSHDFCloud幣是什么幣HDFS幣是什么幣HDF價格HDF幣

中幣交易所