CNCC 2016 | 浙江大学陈纯：何为流式大数据？

原创李尊雷峰网

编者注：陈纯，计算机应用专家，浙江大学计算机科学与技术学院教授，中国工程院院士。是国家教委“跨世纪优秀人才培养计划”首批入选专家，第三届中国青年科技奖获得者。目前是国家列车智能化工程技术研究中心主任，国务院学位委员会学科评议组成员。陈纯教授长期从事计算机应用领域的前沿研究工作，在著名国际学术期刊和会议发表论文160多篇，曾获国家技术发明奖二等奖1项，国家科技进步奖二等奖2项，国家科技进步三等奖1项，省部级科学技术一等奖6项。

今天CNCC 2016在山西太原盛大开幕，开幕演讲中，CCF会士、中国工程院院士、浙江大学陈纯教授做了题为“流式大数据实时处理技术、平台及应用”的报告，以下为报告内容精编。

各位领导、各位嘉宾、各位同仁上午好，我今天所讲的题目是流式大数据实时处理技术、平台及应用。

● ● ●

流式大数据

流式大数据从这个角度看，可以把大数据分成两个：一个是批式大数据，另一个是流式大数据。

举个例子来说

我们把数据当成水库的话，水库里面存在的水就是批式大数据，进来的水是流式大数据。

10年前，从传统的三架马车开始到现在组成了60、70个相关庞大的生态圈。重点我们可以看到，从2012年开始，才关注了流式大数据，就是数据流的模式。在之前，所有的大数据算法和系统就是批式大数据，从12年开始才专门针对流式大数据的组建。

由于数据流的处理，应用场景主要是两类：

一类是互联网
另一类是移动互联网

移动互联网和互联网的个性服务，不断提升用户体验对实时要求也是非常高的。一般要样本性的相应，而互联网的传感数据，通过智能分析来经营决策的。这以前大数据的分享，我们可以把它分成事后的风险和追溯，而更重要的应用事中的分析、处理。

现有的解决方案主要是两种：

一种集群式、分布式的解决方案，但是其实时响应比较慢。
另一种是组建流式大数据，即内存计算，但它的实时相应数据规模受限。

但是大数据的处理技术，主要有四个难题。它们分别是：

基于分布式内存的运行计算

可能很多台计算机，每台计算机多CPU，你一个任务下去，在计算机上同时进行内存的计算，它都是可以做到分布存储。

海量历史数据高性能的分析

当你流进水库的实时，不仅仅是处理流的数据，而且还要把你存在数据库的数据一起建立起来。因为这个时间窗口，要重复计算问题，并且有海量数据的复杂增量要计算。

数据流进来后，怎么样把流式数据跟历史数据一起计算？

所谓大数据，流式是必须要算的，解决办法就可以从增量基础上入手。

要用模型解决实际应用的问题

张老师说像统计的模型，基于规则的模型，这些模型能够很好的结合。所以要把实施处理的分析模型分开，这样就能针对不同的问题进行可以计算。

这四个就是最重要的四大问题，我们现在的研究成果——流立方的实时计算，把数据时间窗口、计算指标加上最核心的增量计算，也就是解决分布的存储的性能，与基于内存的计算更好的结合在一起。

● ● ●

流立方

现在我们来介绍下流式大数据实时处理平台，我们知道这个平台不仅仅是流立方计算引擎。结合大数据，相当于流立方的计算引擎要从60多个组件里面，抽取部分构成这么一个平台，同时还要加上分布存储、数据库，包括大数据的云处理平台，还有其他地方来构成这个平台，实际上这个平台是非常强大的系统。

下面介绍有应用，这个是流立方应用的框架。

红线里面都是以流式大数据存在的计算指标、统计指标，左边是有一个分析处理模型，这个模型是可以基于数学模型指导。所以，当你把一个要解决的问题，比如说：

下围棋要学习，就可以把下棋的棋谱传进来。可以在这个平台上进行计算，这是外部应用系统。

它可以应用很多，流立方实时平台上在原有基础系统上，做一个并行系统实时检测，通过专业知识、模型来实时分析。

下面具体来看几个案例：

● ● ●

金融风控反欺诈

我们每个人刷卡、消费、支付的时候，实际上到了银联的风控系统，来判断你是不是骗子。

原来支付系统很简单，通过计算机、通过手机直接进入支付。但是你可能是受到诈骗，这个时候怎么办？

以前的系统到了晚上12点，银联把今天的数据重新统计下来，会发现有多少诈骗。后来在互联网上，每个人要发一个U盾来验证。当你支付的时候，要判别这个钱要不要付出去，在数据上做一个判别，就是风控引擎。

这个风控引擎就是抓互联网诈骗的工具，目前银联正在使用的这个系统

计算只有4台PC，可以每秒并发处理5万。而规则有几百万，是通过机器学习来实现的。

要特别强调，所谓大数据应用，离不开这么一个架构。因为首先，我们要知道数据最重要的是标识数据。用手机、还是电脑进行诈骗，以前的处理就简单——比对就好，不用的大数据规则。这种则需要去分析，所以要有标识。因为是大数据分析，所以要有技术、设备的指南以及结合规则。

现在电子支付上，除了蚂蚁金服和微信支付是自己做的风控以外，基本上所有的系统都是基于流立方来做的。

● ● ●

反爬虫系统

第二个例子，是用流立方系统做一个反爬虫系统。

现在所谓的大数据，最开始是爬别人的数据，把别人的数据爬来监听其商业模式。

15年、16年的时候网站大部分是在爬虫在爬，遍布各类网站，包括银行类、政府类、社交类等等。消耗我们资源、影响正常分访问、增加运营成本。

现在用的流立方这个系统，它可以把增加数据的服务，把数据的指南、人机的识别、爬虫的行为分析都考虑进去（用安全专家、网络专家规则的形式把它考虑进去）。这个就是非常好的实时爬虫修补了。

流立方平台能把控基础、风控引擎，针对爬感知到所有信息。当你做风控系统的话，先对风控模型进行观测，再启用风控。

● ● ●

铁路售票网12306

第三个案例，我想就是跟大家可能更紧密，就是铁路的售票网站2306。

我们知道原来12306订票的话，需要一个什么？图片验证码。为什么要有这个图片验证呢？就怕的什么？黄牛来扒票、欺诈。

但是，当我们真的去订票的时候，复杂的验证码可能很麻烦。现在对12306投诉最多的是我验证码辨别不出来，第一次验证不出来，第二次还给你更难的图片。因为你分辨不出来，它就认为你是黄牛了，把更难的给你了。

这个很复杂，我们觉得好像是把黄牛打完了。但是他做了爬虫，就众包给大爷、大妈，所以现在还是没办法，黄牛来倒你票的时候，是给退休大妈、大爷做的。这个最后很麻烦，投诉越来越多。

那么，我们有没有可能做出类似的人工智能，实时根据黄牛的行为分析，根据他的手机号、身份证，能定出几百条的规则来实时处理？

这个呢，相对难度比较大。我们刚才讲了，在0.1秒钟内通过对每位购票者的分析，也就是我们说的准确画像。但是精准识别票法，要远远高于我们现在的识别票法。

平时的访问量，我们做了统计，用户的访问量，在春节期间，每天是310万。但是最可怕是爬虫，跑虫的访问量每天是1500亿，峰值是每秒钟170万。

我们现在的流立方，现在尝试每秒40万亿，甚至能做到16台、24台均衡上升的。

为什么说爬虫？可能大家不是很了解，我跟大家讲一下，很多网站的票都是从12306买来的。用爬虫数据，把好的票留下来，通过爬虫购票，在10分钟以内，你没有付钱的话没关系，他也可以把票退回去。在网站上，我们没有订票，在9分多钟的时候，把票退回来。在10分钟以内有人在网站订票，真实身份证上传的时候，把这个票马上退回去给你交易，所以把12306购票网站把整个系统爆了。

● ● ●

应用前景