作者：李欣 诺亚财富数据总监， 卢帅  诺亚财富高级数据开发

客户简介

诺亚控股有限公司以“诺亚财富”为品牌，源起于中国，是首家在港美两地上市的中国独立财富管理机构，首家开创了财富管理和资产管理的双轮驱动业务模式，同时也是国内首家获得标准普尔“投资级”评级的财富管理公司，公司业务涵盖财富管理、资产管理和其他业务。诺亚数据智能部门负责公司大数据体系框架建设，主要工作是支撑日常的 BI 分析，数据看板，人群画像，自助分析等场景。

在公司数字化转型的背景下，业务增长带来了数据量的激增，不同的数据需求衍生出各种数据服务，不同的数据服务选择不同的数据库和数仓技术，比如 MySQL，Impala, Greenplum，ElasticSearch 等。为了最大化的降低运维成本，提供高性能的数据服务，做到真正的极速统一，从 2021 年上半年开始，诺亚数据智能部门开始上云，将自建 CDH 替换成阿里云统一大数据平台，同时正式引入 Hologres，替换核心的 Impala OLAP 分析部分，提升数据查询效率，全面打造金融数字化分析平台。因此在本文中，我们将会详细介绍诺亚从 CDH 迁移阿里云大数据平台的前因后果，以帮助更多的业务更加方便快捷的建设实时数仓。

业务挑战：自建 CDH 组件多运维难、交易指标多元查询慢

为了支持业务，诺亚原大数据架构采用 Impala 和 CDH 构架构建，架构图如下：

诺亚00.png

在最初的架构中，我们从 Cloudera 购买了 License 基于 CDH 搭建了一套数据服务平台：上游的源数据库主要是 MySQL，Oracle，Mongo 等 ，业务相关的数据和部分日志数据都记录在里面。我们通过 DataX 和 Sqoop 将数据库中的数据导入到 HDFS，通过 Hive 的元数据映射生成 Schema，并接入 Impala 实现数据的即席查询。数据仓库的分层和建模全部都在 Hive 中完成，借助 LDAP 和 Sentry 进行用户权限管理，分析师在 HUE 中进行查询。

对于实时指标，我们通过 Debezium 采集 MySQL 的 Binlog 日志，解析到 Flink 中对数据进行处理建模，并关联 Kafka 中的埋点日志数据，生成实时指标写入到 MySQL 中。该流程适用于大部分的报表需求，但是由于 MySQL 对于 OLAP 的任务执行效率较低，在单日报表超过 50 万记录的情况下，一些多维分析结果可能需要 8+秒以上才能返回，非常影响报表查看体验。同时我们也提供了相应的数据服务，分析师通过 JDBC 的连接方式对数仓数据进行查询，数仓数据通过数据 API 直接应用于一线业务，相应的 BI 报表展示也基于 Impala 计算实现。

随着业务的增长，此架构面临如下挑战：

1、业务方面：

• 数据分析性能不足：因为我们的用户可能多年的存量和交易指标特别多，数据需要复杂关联查询才能得到数据指标，还有高并发查询时间周期比较长的数据，返回时间太长，业务方体验很差。

• 实时分析场景不足：历史的数据架构导致数据延迟频繁，无法满足业务方及时做出决策。

• 查询引擎不统一 ：系统可能有多种查询引擎组成，每一种查询引擎都有自己的 DSL，增加了用户的学习成本，同时需要跨多数据源查询也是一种不方便的的事，异构查询引擎也容易形成数据孤岛。

• 用数据难 ：由于数据分布在各个系统中，用户无法在一个系统满足所有的数据需求。特别是一线的运营和分析同学，需要通过各个系统导出大量的 excel 表格的方式做数据分析，费时费力，同时也存在一定的数据隐患。

2、技术方面：

• 使用的组件过多：实现不同的需求需要不同的组件，例如批处理采用的 Hive , 即席查询使用的 Greenplum 和 Impala ，这对于数仓内部的管理提出了较高的要求，对于分析师和报表同学不够友好。

• 运维难度大：CDH 虽然是商业软件平台，提供了界面化操作，但是大多数组件依然需要自己去探索维护，并且官方文档严重缺失。由于 CDH 已经不在中国市场提供更新，暴露出来的漏洞也越来越多，并且未来的不确定性也在增加，缺乏稳定性。

• 大数据量查询较慢：我们使用 Impala 进行加速查询，但是数据文件没有有效的索引，对于数据量的扫描过大的查询，有时候需要几十秒才能返回结果。并且自身的 SQL 优化器比较粗糙，SQL 稍微写的不够规范，就会产生不必要的资源开销，导致查询卡死。

• Impala 的自身的缺陷：在表数据或者表结构更新的情况下，需要手动的刷新元数据才能查询到最新的数据，极其不方便。

• 成本高：业务发展快，产生数据快速膨胀，Impala 的线性扩容成本比较高。

技术选项多维对比

为了解决上面的痛点，我们想要对架构进行升级，在寻求解决方案的过程中，OLAP 分析是我们非常看重的一个部分，因此我们根据业务需求评估了四个维度：

解决方案：自建 CDH 迁移上云，Hologres 助力统一 OLAP 分析

经过 4 个维度的充分考虑和论证，我们决定将自建 CDH 迁移成阿里云大数据平台。迁移后诺亚基于阿里云大数据平台架构图如下：

诺亚00.png

诺亚数据智能中心在 2021 年进行了上云的计划，全面实现数据中台的云原生，抛弃掉原来的 CDH 那套数据架构，我们花了一年的时间进行了整个数据中台的改造和迁移，原来的数仓基于 impala 的表大概有 1w+ 张，烟囱式开发，老架构的数仓是 DL 层 + DH 层，没有对于数据进行分层和沉淀 ，导致数据冗余严重，任务之间互相依赖严重，没有很好的进行对于业务模块的划分。

整个数据中台依托于 DataWorks，离线部分在 MaxCompute 中进行，通过 DataWorks 的数据同步模块把离线部分同步到 MaxCompute 和实时部分同步到 Hologres,然后利用 Flink 的把神策埋点的 Kafka 数据清洗同步到 Hologres 中，同时也通过 Hologres 的外表把 MaxCompute 的数据迁移到 Hologres 中，保证统一 OLAP 分析引擎。

在迁移的过程中，我们是两套中台并行，新的业务我们直接依赖阿里云进行开发，老的任务，我们根据业务线对于数仓进行了重构和分层，ODS , CDM (DIM,DWD,DWS) ,ADS 层，对于表进行了梳理和整合，计算资源和任务减少了一半，任务之间的依赖关系通过 DAG 图清晰明了，不要再为了改一个脚本，进行俄罗斯套娃式的改造脚本，大大节省了人力成本。

业务价值：更简的架构，更快的查询，更低的成本，全面金融数字化分析

通过将将技术架构从自建 CDH 全面上云后，对我们以及业务来说，都带来了非常多的好处，主要有以下几点：

• 原来的 IDC 的 CDH ,每年花费在机房的费用也很高，现在上云也满足了公司降本增效的整体方针，自动上云之后，我们在大数据运维层面的投入变少，让一些基础设施基础服务交给阿里云去做 ，更多的时间专注于业务，缩短了需求的交付时间，同时也保证了交付的质量 ；其次，阿里云的云原生的拓展性，弹性计算，可以随时的扩容缩容，能够满足业务膨胀带来的紧急需求，高效稳定。阿里云的平台能力很强，对于开发，分析师都很友好，上手能力很快，操作简单便捷，学习成本较低。

• 实时的广告投放多维分析，帮助市场部门及时提供数据支撑，及时调整投放策略，提高投资回报率。原来的神策埋点数据是通过 Kafka 直接进入到 HBase,然后通过挂载 hive 的外表的方式来做各种维度的聚合，指标类的计算，然后再借助 Impala 的加速查询，这样的方式整个数据链路太长，经常出现数据丢失的情况，无法满足业务方的真正的实时数据需求，后续我们把 kafka 的数据直接 sink 到 Hologres 中，借助于 Hologres+ Flink 的实时数仓的能力，满足业务部门的实时需求。

• 作为用户指标的载体，完成用户画像等的精细化分析需求，为公司数字化赋能。精确的数据去重，Hologres 兼容 PostgreSQL 生态，原生支持 Roaring Bitmap 函数。通过对标签表构建索引，将用户 ID 编码后以 Bitmap 格式保存，将关系运算转化 Bitmap 的交并差运算，进而加速实时计算性能。在超大规模用户属性洞察分析的场景中，使用 RoaringBitmap 组件能够实现亚秒级的查询响应。

• 以 Hologres 作为业务部门访问数据仓库的入口和核心，完善交互式查询体验。使用 Hologres，在性能上明显明显，之前千万级的表的查询在 5s+ , 当前在查询在 300ms 左右，查询平均性能提升 90%以上，目前整体已经迁移了全部的报表 800 张+。 Hologres 可以根据业务场景做行列存储的优化，既减少了运维压力，又对于查询性能提升明显。

• 作为数据部门提供 OneSevice 的数据服务平台的底座，稳定性和高性能的支撑业务系统，提高了客户的体验感。原来提供的 API 是查询 MySQL，但是面临一个问题就是数据量大和并发数大时，接口相应速度很慢，影响到客户的体验，后面我们借助于 DataWorks 的数据服务模块，把这块的接口的底层查询引擎全部切换到 Hologres，接口又原来的平均 800+ms 缩减到 300+ms ,同时也减少了数同步，借助于 Hologres 和 MaxCompute 的生态完整性，直接刷成 Hologres 的外表，加速查询。

写在最后

孙甜 诺亚财富数据智能中心总经理 寄语 ：

阿里云 Hologress 团队和技术支持团队真正做到了以客户为中心，不以销售额为导向，而是一路陪伴客户成长，并主动帮助我们实现降本增效。诺亚面向高净值客户提供复杂资产配置服务，高端金融服务的业务属性天然带有“行少列多”的数据特点。大多数数据厂商偏爱服务数据量大且结构化程度高的互联网客户--算力消耗大且场景较为标准化；而高端金融服务的“行少列多”则是数据服务的深水区，算力消耗有限但客户需求又极为复杂，如果不是抱着用数据改变行业的决心和过硬的技术，是很难服务好金融行业客户的。Hologres 支持同学不仅亲自来诺亚为我们提供了高水平的数据培训，还不厌其烦地在钉钉群里解答我们的各类问题。甚至我们深夜提问，也会有 Hologres 的伙伴迅速响应并积极解决。更让我感动的是，我们上云以来在 Hologres 团队的支持下做了大量计算优化，在提高了数据计算速度的同时也降低了一半以上的成本。Hologres 团队从来没有因为我们消费降低而抱怨，把我们当做战友一样全力支持。Holo 团队对我们来说亦师亦友，陪伴我们一路成长，也希望将来能够一同打造金融大数据的最佳实践！