數據，對一個企業的重要性不言而喻，如何利用好企業內部數據，發揮數據的更大價值，對於企業管理者而言尤爲重要。作爲最傳統的數據應用之一，數據倉庫在企業內部扮演着重要的角色，構建並正確配置好數據倉庫，對於數據分析工作至關重要。一個設計良好的數據倉庫，可以讓數據分析師們如魚得水；否則可能使企業陷入無休止的問題之中，並在未來的企業競爭中處於劣勢。
隨着越來越多的基礎設施往雲端遷移，數據倉庫是否也需要上雲？上雲後能解決常見的性能、成本、易用性、彈性等諸多問題嗎？如果考慮上雲，需要注意哪些方面？目前主流雲廠商產品又有何特點？面對上述問題，本文嘗試給出一些答案，供各位參考。本文部分內容參考了MIT大學教授David J.DeWitt的演講材料。
一、數據倉庫建設
數據倉庫(DW)的建設方式有很多種，企業可以根據自身需求進行選擇。下圖簡單羅列了主要的DW建設方案並做出擴展對比。
1.1 建設方案
1）商業方案
商業方案，是最爲傳統的一種，也是過去20~30年的主流方式。企業外購數倉，包括軟、硬件一體交付。其典型產品很多，多爲國際知名大廠，國產廠商也有部分。
2）自建+開源
這是很多互聯網公司通常採用的方案，通過自建底層基礎設施+部署開源軟件方式完成。整個方案對企業完全自主可控，但對自有人員技術要求較高。頗爲典型的產品就是GreenPlum。
3）雲+開源
這是上一種方案的變體，即Iaas層通過雲廠商提供，其他仍然是自建的。當企業業務已經上雲，爲更好地數據集成，方便數據遷移，往往會採用此方案。
4）DW雲
企業直接選用數據倉庫的雲服務，而不再獨立建設。下文將針對這種情況，重點說明。
1.2 方案對比
針對上述4種方案，從成本、運維、交付、擴展、性能等多角度進行對比。
- 成本：包括前期購買和後期運營的費用，這裏也包含人員投入的折算費用。
- 運維複雜度：主要針對企業自有技術人員的運維工作複雜度評估。
- 交付速度：方案的整體交付速度，包括基礎設施的購買、建設。
- 擴展性：包括數倉的容量擴展和性能擴展能力的綜合。
- 性能表現：數倉的整體性能表現。
1.3 重點對比 - 性價比
從上圖中可見：
方案1、2，成本、性能相對固定。其中方案1，成本較高，但性能突出；方案2（自建），則兩者均爲中等。
方案3、4，成本與性能都是一個區間，且範圍較大。方案3，主要取決於雲廠商提供的基礎設施的能力。方案4，則依靠雲廠商的數倉雲能力。這也對雲廠商產品的選擇，提出了更高的要求。下文將就此展開說明。
二、雲端數據倉庫
2.1 雲方案優勢
基於上面的說明，採用數據倉庫的雲服務，具有較多優勢，包括：
- 更好的性價比（無論是前期購買、還是後期運營）
- 更快的交付速度（最快在分鐘級）
- 更優的彈性能力（擴展或壓縮、計算或存儲）
- 更低的運維複雜度（無需專業人士）
- 更簡單地數據集成（如果已上同一雲）
- 更豐富的數據生態（取決於雲廠商產品）
2.2 數倉關鍵因素
數據倉庫不同於交易型數據庫，它的構建是爲了便於分析海量數據，而不是處理事務。這意味着數據倉庫往往比其相應的交易型數據庫大幾個數量級，同時對於交易型數據庫的某些關鍵特性（例如ACID、響應時間等）可能沒有那麼重要。相反，數據倉庫有自己的需求，亦可作爲上雲選擇因素。
1）多種數據集成方式
將數據放入倉庫並正確格式化通常是數據倉庫面臨的最大挑戰之一。傳統上，數據倉庫依賴於批處理提取轉換加載作業-ETL。ETL作業仍然很重要，但現在也有從流式攝取數據，甚至允許你直接對不在倉庫中的數據執行查詢的能力。
2）支持數據多元查詢
現有數據倉庫，除了要支持典型批量查詢外，還需要支持諸如adhoc類的查詢方式。傳統大數據技術棧hadoop的MapReduce不太適用於此類查詢。很多數據倉庫轉向大規模並行處理（MPP）數據庫，其原始是將數據打散後，通過並行技術在多臺服務器上執行。此外，還有類似Spark這種利用內存並行處理技術完成查詢。
3）標準數據訪問方式
數據倉庫支持什麼語言進行查詢。顯然，標準SQL是對用戶最爲友好的方式，可顯著降低用戶的使用門檻。此外，諸如Python、R等高級語言，也可爲用戶帶來更多訪問的方式。但有些是依賴於方言，這就需要進行仔細評估。畢竟，移植的成本是筆不小的開銷。
4）靈活資源彈性能力
數據倉庫都是爲了處理海量數據的，但其規模變化可能很大。此外，其計算資源的需求也是會隨着業務而不斷變化。因此對基於雲的數據倉庫的資源的彈性能力要求很高，這也是區別與傳統自建方式一個非常大的優勢。這裏的資源，不僅包括計算資源、也包括數據存儲資源。此外，還需要區分是否支持計算、存儲的單獨提供，而不是緊耦合在一起。
5）低廉運營維護成本
數據倉庫是複雜的系統，從底層的物理資源、操作系統、倉庫軟件，到上層的數據對象、訪問語句等。作爲雲上的數倉，是需要提供簡單、靈活、自動化、甚至智能化的運維能力，方便客戶使用進而節省用戶的綜合運營維護成本。
6）靈活使用方式
數據倉庫本身是資源密集型應用，如何減低用戶的使用成本，是雲廠商均需考慮的。例如支持暫停與恢復功能，支持計算與存儲的獨立擴展等。
2.3 是否上雲/如何選擇？
使用數據倉庫雲服務，好處多多。那是否都要上雲呢？這需要結合企業需求，考量以下因素來決定。
1）是否有足夠的技術積累？
數據倉庫本身具備較高的技術門檻，即使選擇開源也需要摸索積累的過程，除非是直接使用外部商業產品。
2）是否已經在使用雲？
如果已經是某雲的客戶，那麼從雲做數據集成將更加容易。否則，跨雲或從本地加載數據，將是一個大工程。
3）是否對可用性要求很高？
這方面各企業差異較大，如企業比較重視可用性，雲廠商/商業產品無疑具有優勢。
4）數據規模是否很大？
數據倉庫的一個核心難點，就是支撐的數據規模。如企業數據規模非常大，將對自建方式帶來很大挑戰。
5）擴展需求是否強烈？
如企業在快速發展期，其數據規模、使用複雜度等變化很大，這就要求數倉具有很好的可擴展性，可快速適應企業發展。雲方案相較於其他三種方案，無疑具有優勢。
6）使用特徵變化劇烈？
如企業的數據使用，非常具有不確定性，即要求數倉具有很好地彈性，可根據需要靈活擴縮容；乃至對查詢能力也同樣有此類要求。非雲的三種方案，都很難適應快速變化。
7）短期成本壓力較大？
企業有數倉需求，但短期通過自建、外採商業都一次性投入過大，亦可考慮雲方案。
三、數倉的兩種模式
數倉從技術實現上，有兩種大的分類。在下面說明廠商產品前，簡單普及下。
3.1 Shared-Nothing
- 節點間通過高速網絡互連，訪問本地資源不需要通過網絡。這種方式設計簡單，擴展性較好。在較好的模型設計下，數據無需移動，處理效率高。
- 節點本身具有計算和存儲資源，即兩者是需要耦合在一起的。這是此模式的硬傷，即存儲、計算無法分離，無法做到按需獨立彈性。
3.2 Shared Disk/Storage
- 節點間互相訪問或節點訪問存儲，都是需要通過高速網絡。數據本身都是存儲在”遠端存儲”中，而非本地。網絡可能成爲瓶頸，受到IO傳輸總量的限制。網絡除了承載節點間的數據交換流量外，更多的是要承擔大量數據訪問的流量。
- 這種方式彈性很好，計算、存儲可獨立擴展。
兩種方式的優劣，尚無統一定論，但較爲主流是採用shared disk/storage的共享方式。但這種方式下，遠端存儲的性能？如何利用本地存儲？網絡性能對整體影響？如何實現動態資源分配？擴縮容的實現？等問題均值得研究。
四、典型數倉雲服務
4.1 Amazon (AWS) Redshift
Redshift是典型的shared-nothing設計，本地掛載存儲。充分利用AWS的基礎服務，EC2作爲計算節點，S3作爲存儲及故障恢復使用。優勢在於通過調整和定製，性能表現突出；但其架構也決定了計算與存儲不能獨立縮放。
支持從多種數據源加載數據，也支持集成流式數據，但只支持結構化數據。支持直接對S3上的數據進行查詢，而無需ETL。其支持PostgreSQL的方言，對有些數據類型和函數不支持。Redshift本身監控組件性能並自動恢復，其他維護工作由用戶負責。日常運維工作，通過用戶手工在控制檯完成。
4.2 Snowflake
Snowflake是Shared-storage設計，存儲與計算分離。本身構建在AWS上，充分利用AWS的基礎服務能力，EC2作爲計算節點，本地支持緩存，數據表存儲在S3中。它提出一種“虛擬倉庫”的概念，每個查詢可分配到不同的虛擬倉庫中，針對不同的倉庫也分配不同的資源。倉庫間不會影響性能，且倉庫本身具有很高的彈性，可自動提供額外的計算資源。
支持結構化和半結構化數據，不需要ETL或預處理就可以攝取這些數據。雖然先不支持流式數據，但可連接到Spark以接收流數據。它使用標準SQL並做了適當擴展。其維護比較簡單，不需要維護索引、清理數據等工作。
4.3 Microsoft Azure SQL Data Warehouse
SDW是Shared-Storage設計。基於微軟的SQL Server PDW軟件，利用Azure存儲彈性能力。對T-SQL的全面兼容，可動態調整資源，可通過Ploybase支持非加載訪問。
4.4 Google BigQuery
BigQuery是存儲與計算分離設計，利用Google的基礎服務能力，存儲在Collosus FS。工作機制是將SQL查詢轉換爲低級指令，依次執行。其完全抽象了資源的提供、分配、維護、擴縮容等，所有都是Google自動處理。非常適合易用性作爲第一訴求的場景。存儲上根據處理規模、負載等情況，自動分配分片。計算上資源不專有，在內部和外部客戶複用。不能顯式控制單一查詢的資源使用。計費上使用按計算量收費方式（TB “processed”）
使用上支持標準SQL，也支持半結構化數據類型，支持外部表。支持從Google雲端加載或直接訪問，也可以導入數據流。其沒有索引，除了數據管理外，幾乎不需要維護。
作者：韓鋒
首發於作者個人公號《韓鋒頻道》。
來源：宜信技術學院