数据平台领域发展20年，逐渐成为每个企业的基础设施。作为一个进入“普惠期”的领域，当下的架构已经完美了吗，主要问题和挑战是什么？在2023年AI跃变式爆发的大背景下，数据平台又该如何演进，以适应未来的数据使用场景？

本文将从上述问题的出发，盘点和整理技术演进的趋势，并提出一体化架构将是下一代技术趋势的方向。新架构通过创新的“增量计算”范式来统一数据分析中流、批、交互不同的计算形式，通过“湖仓一体”统一存储形态，真正实现一体化Kappa架构。同时，新架构以湖仓存储为基础，具备开放性和扩展性，能够对接支撑AI，具备进一步迭代和扩展能力。

大数据发展20年发展历史概述

大数据是从 2003 年开始发展的，其标志性的开端是《MapReduce: Simplified Data Processing on Large Clusters》、《The Google File System》、《Bigtable: A Distributed Storage System for Structured Data》三篇论文的发表，作为大数据发展的起点，发展至今恰好20年。这20年我们可以将其概括为3 个阶段：孕育期、发展期和普惠期。

第一阶段-孕育期：2003 年～ 2010 年，谷歌为支持搜索业务奠基大数据领域，以论文的形式公开架构和技术细节；Yahoo开源其搜索后端的数据处理技术，并命名为Hadoop。

第二阶段-发展期：2010年～2020 年，两个关键事项有力地推动了大数据的发展：1）以 Hadoop 为核心的开源技术，即开源分布式大数据平台的繁荣发展；2）是云计算技术，极大程度上降低了大数据平台的建设门槛。当下主流的大数据平台大都在 2012 年前后开始发展，比如 AWS Redshift 是云上数仓的典型代表；包括Snowflake的成立，阿里云与飞天大数据平台起步等；

第三阶段-普惠期：从2020年至未来的10年，我们认为是大数据的普惠期。为什么这样讲，普惠期有两个特点，其一是业务进入收获期：我们能看到千帆竞发后，大部分企业被淘汰，少数企业通过竞争最终占领市场，并逐步形成规模，例如Snowflake 2020年上市；其二从技术角度来看，部分成熟场景下技术开始迭代式发展，如“批计算”、“流计算”和部分“交互分析”技术成熟后不断被后来者挑战；同时，场景继续外延不断引入的技术，如 AI 相关的技术由此外延衍生出来，呈现出对其他领域的辐射作用。目前我们能看到这几个特征同时具备。

当下数据平台的典型架构和主要痛点

当前典型的数据平台架构是计算部分采用Lamdba架构，存储层由数据湖或者数据仓库构建。AI等基础设施尚在发展成熟中。

以下通过三个不同场景数据架构的实例，总结当前数据平台的典型架构：

我们将当前数据平台简化为如下典型架构图，其中“不变”的部分用黑底来表示，“变”的部分用灰底来表示，如图下可见。

图4: 当前数据平台典型架构图（简化版）

数据源

 不变的部分（标准场景）：

 关系型数据库：通过 CDC 等方式采集结构化数据。

 操作类日志：通过 APP 或是 Webservice 采集的海量日志。

 变化发展中的两类（新场景）：

 IoT、智能设备数据：在物联网普及之前，大多数据都是用人的行为数据。随IoT类技术发展，设备的数据会逐步成为另外一个主要的数据来源。

 半结构化和非结构化数据：随着 AI 能力的增强，这部分数据开始被加速地采集上来。

数据处理

 不变的部分（标准场景）：

 数据分析引擎分为“批处理”、“流计算”、“实时分析”，也都有各自比较固定的数据处理和分析的场景，通过组合的方式满足不同业务需求，这个架构通常称之为Lambda架构。

 数据存储架构分为“数据仓库”与“数据湖”，二者都不算新概念，使用场景也比较固定，大多数企业选择其一。例如hadoop体系就是一种典型的数据湖架构。

 变化发展中的部分（新场景）：

 AI相关的场景和架构还在发展中，场景差异大，尚未标准化。而最近火热发展的LLM又带来额外的变化：部分企业会选择，由一个特征工程开始到 Training 到 Serving 的端到端的 Pipeline；另一部分企业不再做特别多的 AI 训练，而是在 Huggingface 上下载一些已有模型 ，只做基础的 AI 处理。

“典型的/不变的”结构化数据架构（Lambda）仍然过于复杂

综合上述，总结市面上大部分数据平台通常会选用组装式的Lambda架构，而其需要多个API接口与多种数据组件，数据冗余度高，开发维护复杂度高。面向未来，我们认为结构化数据处理分析的趋势会是，由一个一体化的引擎，统一“流”、“批”和“交互分析”，进而提供统一接口、统一处理逻辑，提供多种优化指标的高覆盖度和灵活调整的能力。

图5: 数据分析架构图，一种典型的Lamdba架构

Lambda组装式架构普遍存在的三点问题：

1. 引擎数据语义均不统一，带来极高的开发和维护人力成本。三种引擎各自独立，查询语言、数据语义均不统一，数据在三种引擎间流转，开发和维护成本高。有统计数据表明用于运维这些系统的人力成本与资源成本相当。

2. 异构存储，多套元数据，带来大量的计算和存储冗余和管理成本。三种引擎各自独立但又相互关联，为了做到局部语义统一，带来大量的显性、隐形的计算冗余。同时三种引擎通常配置各自独立的存储，带来大量的数据冗余和数据同步的成本。湖和仓采用外表关联，缺乏统一管理。统计这些计算和存储冗余带来数倍的成本负担。

3. 缺乏满足业务变化的灵活性。三种引擎开发运维独立，且系统设计的优化方向不同。当用户业务需要调整三个引擎间的配置（重新调整数据新鲜度、性能和成本的平衡点），就需要复杂的修改和重复开发。通常统计当前数据架构一旦固定下来调整的周期在 3 个月以上，难以适应灵活多变的业务发展。

但要解决这些问题，统一成一体化架构，并非数据架构师们不想，而是确有几处难点，后文有详细论述。

发展中的/变化的” AI 新计算范式，传统数仓架构不能满足，需要新架构的支持

AI给数据平台带来新的挑战：AI需要更丰富的数据，数据需要更多样的BI+AI应用。Data与AI的关系不再是Data+AI，而是Data*AI ——数据平台不再是一对一的计算和存储架构，而是 m 对 n 关系的架构，这样的架构改变变化下，我们应该思考的问题是，由单点优化思路建设起来的lambda架构，能否迎接AI的挑战，如果不能，改变的方向是什么？

图6: 从1对1的数仓架构，到M对N的多元异构开放架构

关系型数据库自 1970 年诞生，到 2010 年的 40 年时间里，都是采用传统的数仓架构（如上图左侧）面对结构化的数据处理和分析，所以存储系统的优化都是基于结构化数据的存储来进行的，最终迭代出来的标准化SQL引擎，也是为了做结构化数据的分析。

而最近十年，特别是随着深度学习技术的发展，ML/AI 拓宽了数据平台需处理的数据类型，底层引擎模式随之改变：

 改变一，引擎以往只能处理结构化数据二维表，现在可以通过 AI 处理包括 test 、json 在内的半结构化数据，以及处理非结构化数据（音视图数据）；

 改变二，引擎模式的顶层计算架构也在改变，类似生成式AI对文本和数据的直接理解和解读，类似code interpreter通过理解数据语意做大模型的插件式、多语言融合式查询分析，是除SQL的二维关系表达和分析引擎外，将AI的计算能力纳入到引擎。

未来已来，面对AI带来的改变，我们认为数据平台的架构更应有兼具一体化与开放性的设计。开放式湖仓一体架构，是面向Data+AI融合场景的新趋势。

一种面向未来的新数据平台架构概述

如上所述，我们认为能够面向未来的下一代数据平台，是一体化的、开放、支持Data+AI的湖仓平台，架构设计上：

 数据存储部分，由湖仓一体架构承接Data+AI的统一数据底盘；

 数据引擎部分，打破Lambda架构限制，一个引擎完成多个场景；

 面向AI部分，在湖仓一体底盘之上向上迭代，同时与下层存储及数据分析引擎，做融合计算。比如我们可以有SQL和Python的融合计算，通过这种方式实现一个面向未来的存储架构。

图7：新一代数据平台架构，基于统一分析引擎，统一湖仓一体存储

从组装式（Lambda）架构到一体化引擎难点在哪里？

组装式 Lambda 架构存在的问题是业界普遍有深刻体感的，也有很多技术/产品试图解决Lamdba架构的问题，但都不是很成功，为什么实现“一体化”的架构那么难？这主要有两个原因：批、流、交互计算的计算形态不同，优化方向也不同。

图8: 批、流、交互三种计算形态的差异

一、有不同的计算形态

将数据状态分静态数据与动态数据两类。所谓静态数据就是当 Query 下发的一瞬间，计算是在数据的一个版本（称为 snapshot）上进行；而动态数据是指在持续变化中的数据，由数据主动驱动计算。数据 Query 也可分成静态 Query 和动态 Query 两类。所谓静态 Query 的意思是像天报表或者小时报表一样，我们知道它在某一个时间点上会发生。动态Query是指，用户动态下发的，很难被预测。

由以上两个维度，可以划分出四个象限区间，可以看出批处理、流计算、交互式分析分属不同象限：批处理是典型的静态数据加静态 Query 的流程，通常是一个 Pipeline 过程；交互分析是静态数据加动态Query，高并发低延迟；批处理和交互分析，通常是计算向数据去，是主动计算处理被动数据的过程。流计算是动态数据加静态计算的过程，当 Plan 发起之后，就一直等待数据进入，是一个主动数据驱动被动计算的过程。

二、有不同的优化方向

上图三角为数据平台不可能三角，即一个平台不可能同时实现数据新鲜度、低成本和高性能三个目标。如流计算优化的是数据的新鲜度，引擎等数据，为了使得下一条数据进来时计算的足够快，引擎是一直拉起的状态，Reserve了大量资源。实时数仓系统是面向性能的，也需要等待数据，需要一个非常快的数据。批处理计算面向的是 Throughput ，即 Latency 延迟，能够提供很高的 Throughput，带来很低的 Cost。不同的优化方向使得三个引擎也不同。

Lambda架构流行的核心原因是，流、批和交互计算，刚好覆盖了此三角，三个不同的引擎，每一个引擎的优化方向刚好是在一个角上。通过组合的方式满足不同业务的需求。下图更细节地比较批处理、流计算、交互式的异同。

表1: 批、流、交互三种计算形态的差异

上图从6个不同角度对比，在此仅选两个例子具体展开：

对比流计算和批计算的存储系统：

批处理的存储是通用存储，采用数仓分层建模的方式，数据的中间表格可以被共享，可以被其他查询优化。

而流计算是单独的内置存储，不可被共享，仅面向该计算模式优化；其中流计算两个作业之间的存储也不同，通常用Kafka做，是纯粹增量化的存储，且仅支持某一段时间的查询，不能做全量数据Query。

所以存储模式的不同和计算模式的不同，使得流和批都很难统一彼此。

对比批处理和交互计算的调度模型和资源模型：

批处理通常选择Bulk Synchronous Parallel（BSP）调度模型，是一种逐层调度模式。批处理通常作业下发后，动态向Yarn/Kubernetes申请资源，具有极佳的资源使用效率，能够降低成本。缺点是会造成资源排队。

而交互分析为了更好的性能，通常采用Massive Parallel Processing（MPP）调度模型，资源需要保持预置，数据被静态划分好，面向低延迟和高性能优化，但有很高的成本。

调度/资源模型的不同使得批处理和实时分析引擎也很难统一。

综上可以看出由于流、批、交互三种计算引擎的计算模型、数据驱动方式、存储系统设计、调度系统设计、资源模型等均不相同，都很难覆盖另外两个的场景，他们三者本身难以完成统一计算模式。

“增量计算”统一批、流、交互三种计算模式

鉴于流、批、交互三种计算模式都不能完成模式的统一，我们提出第四种计算模式：增量计算。

增量计算定义：指的是将所有计算抽象成增量的形态，实现数据的一次计算、累次使用，节省计算资源，同时能提供灵活调整的“增量时间间隔”，达成批处理或者流处理效果。因增量方式显著降低资源使用，也能大幅提升交互分析的性能并降低延迟。

图9：通过增量计算的方式，实现批、流、交互三种计算模式的统一

增量计算的原理：

如左图所示，x轴时间轴代表T0、T1和T2，当Query下发时，T0动态生成Plan，基于当前最优数据和计算情况，在T0数据里得到结果集ResultSet T0；当在T1时间下发同一个Query时，该Query的计算不再从0开始，而是在T0结果集的基础上，结合T0到T1这一阶段的数据，融合起来做增量计算，得到ResultSet T1，同时在为T2计算做状态准备。

针对批处理，可以将其作为当T0为0，从T0到T1的增量计算模式的特例，是一种从头开始的增量计算。在最佳实践里，用户通常不再保持按天的批处理，而是降低调度间隔来达成更好的近实时性。

针对流计算，流计算是天然的增量计算模型，可以通过缩短T0与T1中间间隔的时间来达成。

针对交互分析，与批处理类似，交互分析也可以抽象为增量化形态，并且更简单，因为没有后续，所以不需要再为下一阶段计算做准备。同时，因为部分交互分析的数据是持续写入的，部分之前的计算结果也可以被后来的作业利用，大幅降低计算量。

调度增量计算的时间间隔，是由用户根据需要调整设定的。当把调度时间间隔调整的很短，例如调整为分钟或者秒级，整个计算模式就愈接近流计算，而如果把间隔调整天，计算模式就等同于批处理。也就是说，计算模式的改变，只需要调整调度就能实现！

总结，增量计算模式有几点优势：

第一，统一计算模式，进而能够统一引擎，从根本上解决Lambda的痛点。

第二，每次Query在下发的时候，可以根据T0、T1中间的时间间隔做动态Plan，找到其中最优Plan的调节流程。能够实现数据平台不可能三角的平衡点，基于数据新鲜度、性能、成本的动态平衡，灵活地在三者之间找到多种多样的平衡。

第三，结果集ResultSet均公开可用，能够支持所有其他引擎或者平台使用，更符合数仓建模设计逻辑，也更具开放性。

基于“增量计算”实现一体化Lakehouse数据平台

增量计算可以解决计算模式的统一，即流、批、交互为一体；但对于数据平台整体架构而言，还需要统一存储和面向AI的能力，因此云器科技以增量计算为基础，提出Single-Engine的数据平台设计理念。

图10：基于增量计算实现一体化Lakehouse数据平台

基于增量计算数据计算新范式，云器科技实现了Single-Engine一体化平台，包含如下三部分：

1. 用增量计算模式统一流、批和交互三种计算形态。

2. 用通用增量存储的统一存储形态。在湖仓存储架构的基础上增加了通用增量存储，使得在湖仓之上能够做增量的表达，该存储需要做到以下三点：

• 实现大通用的存储，是可以适应面向写入Throughput和查询高性能的两个维度进行优化。

• 数据存储支撑两种更新模型（Copy-on-write 与 Merge-on-read 两种模式），通过 Compaction 达到效率和成本的平衡。

• 实现数据的开放性，最终把数据的表达变成标准化的开源Iceberg存储格式，使得其它的引擎或者平台可以很方便地对接起来。

3. Share Everything架构。在ShareData架构基础上增加了新维度，把数据、计算和资源三方拆开，使得批处理和交互分析在资源上可以做灵活调度。

至此，通过统一的计算模式、统一的增量存储，并将数据、计算和资源Share Everything化，最终构成了云器Lakehouse的Single-Engine一体化架构。

云器Lakehouse具备以下关键能力：

1. 统一的接口，统一的语法/语义，统一且开放的数据表达（使得可以被其他引擎/工具消费）。数据与计算隔离，一套存储支撑多种运算模式。

2. 提供面向数据新鲜度、查询性能和资源成本三方面的多种平衡点（而不是面向三个顶点的极致优化）。具备多点优化能力，同时能支持三者之间的灵活调整。

3. 支持在平衡点之间做简单灵活的调节。调整应该是简单的，不需要修改大量代码，不需要重新构建Pipeline。

4. 多种指标达到/超过当前主流产品的水平。通过Single-Engine在流、批、交互这三个场景上都有不逊于现在主流系统和架构的性能，甚至超越它们。

性能指标与能力衡量

云器Lakehouse作为一体化数据平台，横跨实时、离线、交互分析等多个场景，为了客观地衡量数据集在不同场景下的表现，我们用业界标准的测试集在对应场景上，进行性能评估。特别的，云器Lakehouse由于采用了存算分离share-everything的系统架构，会通过限制virtual cluster（虚拟计算集群 abbr. VC）计算资源的规格来保证测试数据与其他产品的规格一致。尽管这样的限制不利于发挥计算资源弹性伸缩的优势，云器Lakehouse仍然在多个场景下同时表现出优异的性能，如图11所示：

图11:云器Lakehouse离线和实时分析场景性能指标

 图11-左1：大数据分析场景，TPC-DS 10TB是TPC发布的针对大数据系统的标准测试数据集，适合用于评估大数据处理及ETL处理过程，测试集包含对大数据集的统计、报表生成、联机查询、数据挖掘等复杂应用。以相同规格配置的处理时间评估，云器Lakehouse处理速度比Snowflake快30%，是Spark处理的9倍；

 图11-左2: 即时分析场景，TPC-H 100GB是由面向业务的临时查询和并发数据修改组成，适合用于对Ad-hoc临时查询评估。云器Lakehouse不仅在处理速度上达到了Spark 的7倍，且比Snowflake还要快4倍。

 图11-右1: 在实时分析场景，SSB-FLAT 100GB是以星型数据结构为主的数据测试集，适用于评估实时查询性能，我们对比了Spark和Clickhouse，Snowflake。由于Spark是对批处理做优化的，实时分析会比较慢。而Clickhouse是专向实时分析优化的，它会更有优势。测试结果显示，云器Lakehouse比Clickhouse的快20%，是Snowflake的3倍。

在流计算领域，我们选取了4个典型场景做性能对比：

 Process场景：是单表下，单行的数据处理json展开的场景；

 单流join场景：是双表下，左表是一个固定的维表，Join右表是流动的实时表数据，这是一个标准的维表扩展场景；

 单表聚合场景：是单表做aggregation，流动数据的聚合分析场景；

 双流join场景：是双表流动数据的join场景。

图12:流计算细分场景的资源消耗对比

在每个场景以Apache Flink做参照对比分析，由于Flink是一个“主动数据被动计算”的过程，会有占用资源和实际使用资源的区别。如图12所示，每张图的前两个数据柱状图指标是flink，第一个柱子代表flink的资源占用，第二个代表flink的实际资源使用。而云器使用增量计算的模式，没有资源占用和使用差异。6个深蓝色柱子代表云器Lakehouse在不同的时间间隔的资源使用情况。

在Process场景和单流join场景（图12-左1左2）属于“无状态计算”，云器基于自研的向量化引擎实现，比Flink以行式处理引擎的方式快至少10倍以上，此外可以看到无论调度间隔是10秒或间隔8小时，云器流计算资源消耗差异不大。

单表聚合场景和双流join场景，由于要考虑历史数据/状态，属于“带历史状态计算”，调度间隔时间的调整会很大程度上影响计算资源的消耗，从图12右1右2两张图可见，云器Lakehouse在10秒调度间隔下做到和Flink持平，在30秒或调至1小时的准实时调度间隔，性能的节省可以达到百倍甚至千倍。

上述测试表明，云器Lakehouse在流处理场景上，比Flink有10x-1000x的资源消耗节省。并且，基于增量计算在“流”和“批”两个极端场景中间，让数据新鲜度和处理成本可以被精益平衡；让用户既可以获得“流”的实时性，又可以得到“批”的低成本。

总结

针对当前主流数据架构的痛点和挑战，云器科技提出通过增量计算的方式，统一流、批、交互三种计算模式，实现了Single-Engine的架构，覆盖数据不可能三角，给用户提供灵活的多种性能成本平衡点，并超越当前主流引擎的性能。此外，云器Lakehouse在湖仓架构上做到开放并实现All data技术理念，一体化的湖仓平台能够同时支持BI和AI的Workload。基于一体化架构，云器提出AI4D的新方向，通过AI的方式更好地优化平台效率。（注：AI4D领域另有专题技术白皮书论述）

图13: 总结，云器科技基于增量计算打造一体化平台的最佳实践