Linkedin 大数据生态系统

随着hadoop及其生态系统技术的应用，海量数据挖掘和机器学习算法在实际项目中的作用不断增加。Linkedin的大数据生态系统主要基于hadoop,hive,pig等，从而帮助数据科学家和机器学习研究人员从海量数据中抽取知识，构建新的数据产品特征。实际上，主要是为了解决最后一公里，提出一套丰富的开发生态系统。它包括从在线系统输出和输入数据，管理生产流程中的工作流。这种解决方案的主要特点是，对于研究人员来说，不用关心分布式系统的问题，它们被完全抽象出来。例如，部署数据回流到在线系统，数据科学家只需要一句简单的Pig命令就可以完成。

1相关工作

Twitter： 基于Pig搭建的机器学习平台

Facebook，hive数据分析，目前关于fb的生产环境的机器学习的资料还比较少

2Linkedin大数据生态系统

UGC数据从在线系统回流到离线系统，构建数据仓库。同时，对离线数据进行分析和挖掘，回流到在线系统。

3数据输入

数据加载到hadoop主要是两种形式：数据库和事件数据。数据库主要包括用户信息，公司信息，链接关系和其他网站数据。事件数据主要包括，实时活动数据流，譬如实时浏览，搜索等等。

3.1数据进化

数据来源较多，管理数据模式

在独立的模式注册表中，为每个主题topic维护一个数据模式

Linkedin采用apache avro作为序列化格式

3.2 hadoop加载

Kafka上的活动数据每10分钟通过hadoop map-only job回流到hadoop中。

Kafka中维护了超过100T压缩后的大约300个主题数据。每天处理15billion消息，峰值20万每秒。

3.3监控

参考K. Goodhope, J. Koshy, J. Kreps, N. Narkhede, R. Park, J. Rao,  and V.Y. Ye,   "Building LinkedIn's Real-time Activity Data Pipeline",  ;presented at IEEE Data Eng. Bull., 2012, pp.33-45.

4工作流

Azkaban工作流平台

Linkedin维护三种Azkaban实例，每个和hadoop环境相对应。Hadoop ETL对于用户来说完全隐藏。在开发环境和生产环境中，研究人员首先将工作流部署到开发者实例中，测试算法的输出。一旦在开发环境经过测试，每个工作流进入生产环境进行测试。通过测试后，工作流就可以被部署到生产环境实例中。数据集和工具在各个环境中进行同步处理。

5数据输出

工作流的结果数据需要回流到其他存储系统，用于服务线上应用。

根据实际应用，主要有三种主要机制：

（1）       kv存储

（2）       流数据

（3）       OLAP在线分析平台

5.1key-value

Linkedin主要使用voldemort进行kv数据存储

Kv存储是linkedin主要数据输出系统，即将模型算法结果数据存储到voldemort中。

5.2 流数据

Kafka处理实时数据

Sessions = foreach pageviews generate sessionize(*);

Store sessions into ‘kafka://kafka-url’ using

Streams(‘topic=pageviews’);

5.3 OLAP

多维数据处理，离线计算数据，主要是ETL构建物化视图，服务前台产品。

产品：avatara

6 应用

6.1 key-value

People you may know

协同过滤

技能推荐

相关搜索

6.2流数据

新闻实时更新

Email实时处理

关系强度计算

6.3OLAP

Who has viewed my profile

Who has viewed this job