智能安全分析平台部署方式？
2013年5月，我们收到一个电话线索，客户需要支持几十亿数据量的实时查询与分析，包括数据抓取和存储，我们经过一番努力提出一个解决方案，客户觉得有些不妥，决定自己招聘Hadoop团队，实施该系统……
半个月后，客户打来第二个电话，明确表示Hadoop未能满足实时大数据分析的需求，决定接受我们的方案，但是客户要求我们不仅出产品，还要负责实施……
于是乎，开工！
项目价值
CMNET网间流量分析与监控系统（简称流控系统），是中国移动分公司的一个项目。项目要求能基于时间、地区、运营商、业务、App、IP分组、域名等维度对全省的上网流量进行实时分析和报告。这些分析报告能给客户带来如下好处：
1. 实现对接入链路和基站的全程监控。例如，一旦来自某链路或基站的流量很低，可及时对链路和基站进行检修，这将大大降低故障率。
2. 由于具备了对链路和基站进行全程监控的能力，客户可以对链路和基站的带宽进行动态调整，基于需求进行合理的资源配置。
3. 覆盖全省的全量数据，能提供基于业务/地域/App/行业/域名等维度的数据分析报告，具备100%的可信度和极高的商业价值。
数据流向
上网数据从硬件设备中抓取出来，形成压缩的日志文件存储在服务器上，服务器每五分钟生成新的日志文件。该服务器提供FTP访问。
我们方案中承担的流控系统，将通过FTP每五分钟访问一次日志文件服务器，将新生成的压缩日志文件抽取出来。这是一个典型的、增量更新的ETL过程，如下：
1. Extract: 定期抽取的日志文件并解压缩。
2. Transform: 解析出上网信息，同MySQL的维度表进行关联，生成包括业务/地域/App/行业/域名等维度的宽表。
3. Load: 将数据装载入我们的分布式集市。
初期验证（POC）
中国移动的日志数据分G类和A类，各取几块样本日志文件，验证数据流向的可行性以及性能。
我们很快完成了ETL的整个过程，宽表数据被成功地装载入我们的分布式集市。
性能上，我们按照用户提出的每天数据量5000万条增量，计算出支持100天50亿数据量的分布式集群所需的磁盘空间、内存总量、和CPU总量。由于客户一再强调预算有限，于是配置了6台低配PC server：1cpu x 4core，32G内存，1T硬盘。
我们模拟了常用的用户场景，整个系统的响应能力基本满足需求。系统架构如下：
正式实施
中国移动分公司的上网数据在内网，一般不提供外网连接，需要严格申请之后才能在一定时间内提供外网连接。因而，我们先把整个系统的ETL工作开发完成之后，才正式申请了外网连接进行数据装载。
从开始进行上网数据的ETL工作，我们就发现数据量与预期严重不符。预期的上网数据是每天不超过5000万条，但实际上每天的上网数据在6亿条以上，100天保存的数据量将会达到惊人的六百亿条。6台低配PC server有点小马拉大车的感觉，完全达不到“海量数据、实时分析”的设计目标。我们赶紧联系客户，确定上网数据每天6亿条以上，而不是之前预估的每天5000万条左右。怎么办？
系统重构
经过与客户的详细沟通和理性分析，大家一致决定进行系统重构。
上网数据的日志文件是5分钟粒度的。我们将上网数据按照分析需求分为两类：
1. 细节数据：保留三天的细节数据（5分钟粒度），共约20亿条。这样，由于保留了细节数据，客户可以对近三天的上网数据进行任意的探索式BI分析。
2. 汇总数据：在认真研究了流控系统的分析报告需求之后，我们将五分钟的细节数据汇总为两小时的汇总数据。这样数据量可以降到约为原来的1/10，100天的数据总量大约60亿条。
重构之后的数据流如下：
后期，我们陆续进行了一些系统调优，包括JVM调优、存储调优、计算调优等等。客户打开一个Dashboard的响应时间基本控制在秒级，最极端的分析报告也能在一分钟之内生成。基本实现了“海量数据、实时分析”：
1. 系统定期推送日报、周报和月报。
2. 系统支持探索式BI分析。多数分析请求达到了秒级响应。
案例总结
1. 项目的数据量非常大，100天超过600亿条日志；
2. 项目的预算非常有限，采购了6台低端PC Server。硬件投入不大，软件性价比也很高；
3. ETL过程难度较高，随着降维的需求加入，BI层难度也相应提高；
4. 为达到秒级响应，以支持探索式BI的交互式分析，对系统进行了多个层面的优化。
结束语
有了大数据，还要从大数据中提取价值，离不开分析工具，通过丰富的分析功能，在繁杂的数据中找到其中的价值。而大数据给分析提供了一定的挑战，需要高性能计算做支撑，才能在大数据的金矿中挖到金子。
这些案例的成功实施和上线，完美诠释了我们的大数据之道：大数据，小投入。
