大数据仓库—增量更新

现在是国内凌晨3点，为了抵挡睡意，还是写写技术博客。今天和大家讨论下大数据仓库中的更新技术。

当前很多大数据技术，如HDFS最早设定的是数据不更新，只增量叠加。传统数据仓库（Greenplum,treadata,oracle RAC）通常碰到两个问题：

1、 更新的throughput不高。主要影响原因有两点，锁的原因，还有更新通常是随机IO，很难充分利用硬盘高吞吐的优势。

2、 更新影响查询。更新把IO占住，查询的体验急剧下降。

为了解决这个问题，Google的Mesa系统设计了一个MVCC的数据模型，通过增量更新和合并技术。将离散的更新IO转变成批量IO，平衡了查询和更新的冲突，提高了更新的吞吐量。

Mesa设计了一个多版本管理技术来解决更新的问题：

1、 使用二维表来管理数据，每个表要制定schma，类似传统数据库。

2、 每个字段用KeyValue来管理。Schema就是是key的集合，指向value的集合。

3、 每个字段指定一个聚合函数F。（最常见的是SUM）

4、 数据更新进来的时候，按照MVCC增量更新，并给增量更新指定一个版本号N，和谓词P。

5、 查询进来的时候，自动识别聚合函数，把所有版本的更新按照聚合函数自动计算出来。

6、 多版本如果永远不合并，存储的代价会非常大，而且因为每次查询需要遍历所有版本号，所以版本过多会影响查询，因此定期的合并是自然而然的。

7、 Mesa采用两段更新的策略。更新数据按版本号实时写入，每十个版本自动合并，每天又全量合并一遍，合并成一个基础版本。

好了，今天主要就介绍Mesa的数据模型。Mesa的论文中举了一个例子更方便理解，大家去看看吧。