转载

Hadoop Summit 2016会场回顾（最终篇）

2016年4月13日，都柏林的Liffey河畔，Hadoop Summit 2016在Convention会展中心盛大开幕。大会主要议程历时2天，有100多场演讲，与会者超过1400人。本文就Apache Kylin在大会上的内容做一个简单回顾。

The Evolution of Apache Kylin: Realtime and Plugin Architecture

Kylin是目前唯一的由国人主创的Apache顶级开源项目。前身来自eBay中国卓越实验中心，后来开源并在2014年11月成为Apache顶级项目。Kylin定位在超大数据的高速OLAP，提供友善的SQL、JDBC、ODBC、Rest API接口，能在千亿数据集上稳定地完成秒级别查询。Kylin在eBay和中国移动都有上千亿规模的用例，由eBay提供的数据显示，Kylin秒级查询不只是针对个别SQL，而是对上万种不同SQL的平均表现，生产环境下90%ile查询在3秒内返回。Kylin优异的性能主要来自其独特的Cube预计算技术，在离线时预计算复杂的连接和聚合，从而大大减少在线查询的计算量，达到提速的效果。这是Kylin与其他大数据分析技术的关键区别。

Hadoop Summit 2016会场回顾（最终篇）

Kylin的最新版本1.5有不少让人期待的新功能。可扩展架构将Kylin的三大依赖(数据源、Cube引擎、存储)彻底解耦，开发者和用户可以进行深度定制，比如用Kafka代替Hive作数据源，用Spark代替MapReduce作计算引擎，用Cassandra代替HBase做存储，都将变得更为简单。这也保证了Kylin可以随平台技术一起演进，紧跟技术潮流。

Kylin 1.5引入了新一代MapReduce计算引擎。其中加入了Fast Cubing算法，利用Mapper端计算先完成大部分聚合，再将聚合后的结果交给Reducer，从而降低对网络瓶颈的压力。对500多个Cube任务的实验显示，引入了Fast Cubing后，总体的Cube构建提速1.5倍。另外还对HBase存储结构进行调整，将大的Cuboid分片存储，将线性扫描改良为并行扫描。对上万查询进行测试对比，分片的存储结构能够极大提速原本较慢的查询5-10倍，但对原本较快的查询提速不明显，综合起来平均提速为2倍左右。

流式Cube也是备受期待的功能。延续增量构建的思路，把时间间隔缩小到5分钟级别，从Kafka实时读取数据，这样Kylin上的数据延迟就可以缩短到分钟级别，实现准实时大数据分析。因为会产生非常多的小Cube Segment，自动合并也需要加强。Kylin会自动按定义好的时间间隔合并Cube Segment，保证Cube不会过度碎片化，影响性能。流式Cube还在实验阶段，希望听取社区的反馈并持续改善。

Kylin新版本还提供了自定义聚合函数的接口。在原本HyperLogLog Count Distinct的基础上新增了TopN、BitMap Precise Count Distinct、Raw Records三种特殊聚合函数，用户也可以自行扩展。这里有很大的想象空间，比如在时间线上聚合用户事件归纳访问模式，比如聚合用户画像，再比如数据点的簇分析，亦或数据柱状分布等等，都可以很容易的添加到Kylin上。

Hadoop Summit 2016会场回顾（最终篇）

Kylin的演讲在大会上颇引人注目。虽然时间靠后接近大会尾声，但会场几乎座无虚席，听众提问也相当踊跃，让人感受到社区的壮大和能量的汇集。相信Kylin在新的一年里一定会有更长足的发展。

作者介绍：李扬，Kyligence联合创始人兼CTO，Apache Kylin联合创建者及项目管理委员会成员(PMC), 主创团队架构师和技术负责人，专注于大数据分析，并行计算，数据索引，关系数学，近似算法，压缩算法等前沿技术。曾任eBay全球分析基础架构部大数据资深架构师、IBM InfoSphere BigInsights的技术负责人，负责Hadoop开源产品架构，“杰出技术贡献奖”的获奖者、摩根士丹利副总裁，负责全球监管报表基础架构。

原文 http://www.infoq.com/cn/news/2016/04/Hadoop-Summit-2016-part4

正文到此结束