作者:張子良
版權所有,轉載請注明出處
引子:什麼才算大資料?
說一下自己的了解吧,大資料是指那些很大的資料集,大到傳統的資料庫軟體工具已經無法采集、存儲、管理和分析。大資料既有存儲規模方面的考慮,同時也涉及到分析計算規模的考慮。之是以選擇雙色球算獎平台作為大資料應用的案例,也正是考慮到這兩個方面的問題。其一,曆史投注明細資訊的存儲,如果采用傳統的關系型資料庫,肯定是不合适,無論是分區還是分表,都無法解決根本問題。其二、目前投注規模的情況下,進行快速算獎,所要進行的計算規模肯定也不是一個傳統方式能輕易解決的問題。
當然關于具體多大規模的資料才算大資料,目前為止尚未有一個官方的界定門檻值的存在,規定超過多少算大資料,低于多少不算大資料的說法。既然沒有标準,也就無所謂是與不是,見仁見智,不一而足。
一、概述 業務規則
雙色球獎項設定和兌獎規則如下所示:
“雙色球”彩票以投注者所選單注投注号碼(複式投注按所覆寫的單注計)與當期開出中獎号碼相符的球色和個數确定中獎等級:
一等獎:7個号碼相符(6個紅色球号碼和1個藍色球号碼)(紅色球号碼順序不限,下同)
二等獎:6個紅色球号碼相符;
三等獎:5個紅色球号碼和1個藍色球号碼相符;
四等獎:5個紅色球号碼或4個紅色球号碼和1個藍色球号碼相符;
五等獎:4個紅色球号碼或3個紅色球号碼和1個藍色球号碼相符;
六等獎:1個藍色球号碼相符(有無紅色球号碼相符均可)。
二、資料對象分析
既然是資料規模的評估,我們要解決的首先就是資料對象的确認。針對雙色球算獎平台,我們需要關注那些資料對象呢?按照沖突論的觀點,事物的沖突分為主要沖突和次要沖突,其中主要沖突起決定性作用。是以在這裡我們隻考慮雙色球算獎平台涉及的最主要的資料對象,而不考慮其他細節問題。
資料對象主要包括以下幾個方面:
(1)銷量統計:包括全國、分省市、銷售網點的銷量彙總統計資料。
(2)中獎統計:包括全國、分省市、銷售網點的各獎項的中獎注數彙總統計資料。
(3)開獎号碼:包括每一期開獎号碼資訊。
(4)獎金資訊:包括每一期次各獎項獎金多少的統計資料。
(5)選注明細:目前期次選注明細資料。
(6)選注曆史明細:曆史期次選注明細資料。
(7)中獎選注明細:目前期中獎選注明細資料。
(8)中獎選注曆史明細:曆史中獎選注明細資料。
如果從存儲規模和計算規模兩個次元分别考慮,針對銷量統計、中獎統計和獎金資訊,我們需要關注的是計算規模;針對選注明細、選注曆史我們要關注的則是存儲規模。
三、存儲規模評估
3.1 資料結構
針對雙色球算獎平台而言,所有需要存儲的資料中,選注曆史明細資訊的存儲是規模最大的,根據目前雙色球每一期次的平均銷量來看,需要存儲的每一期次選注明細資訊約為2億條記錄。每一選注需要存儲的資訊包括:站号、操作員、流水号、銷售期、有效期、銷售時間、金額、投注明細(多條)、開獎時間和附加碼。具體如下圖所示:
為簡化我們的分析,我們将複式投注和膽拖投注明細拆分成單式投注進行存儲,具體資料結構如下:
序号
字段名稱
類型
長度
1
期次
char
7(yyyymmn)
2
站号
8(全國唯一)
3
流水号
6(右側補零)
4
red1
2(左側補零)
5
red2
6
red3
7
red4
8
red5
9
red6
10
blue
按照簡化後的資料存儲,單注明細需要的存儲空間=35位元組,每一期次需要存儲的絕對資料規模=200000000*35/1024/1024=6675.7m。如果單從這個角度來看,資料存儲規模還真的不算大。但是考慮到rdms表的存儲和通路,無論是采用分區,還是分表,能夠實作的其實隻是把資料塞進去,至于,讀出來,如何讀出來則将會是一個悲劇。不要告訴我用索引,用索引需要付出的代價是什麼,我想有更多的人比我清楚。
3.2 測試環境
項
值
備注
作業系統
windows xp
資料庫
sybase15.7
cpu
t5550
雙核1.83
記憶體
2g
硬碟
200g
3.3 測試結果-無索引插入
輪次
插入記錄數
耗時
第一輪
200w
15分03秒
第二輪
18分05秒
第三輪
19分04秒
3.4 資料庫空間-1000w記錄資料庫空間
四、計算規模評估
這部分設計到具體采用的算法,但是無論采用何種算法,2億次規模的資料周遊是必須的,之前園友提到的方法其實很好,根據開獎号碼,設計中獎選注表,利用待兌獎資料進行組合id比較,然後得出目标選注。然後進行獎項層次的細分,思路很好,可是有沒有想到過2億次乘以目标中獎選注表項個數的計算規模有是多少次呢。如果采用sql的方式,時間呢,又需要多少的時間?有資料有真相,正在跑相關的測試案例。至少目前看到的結果,很不理想。
正在跑測試資料,持續更新中,有圖有真相,有資料才有說服力!敬請關注、支援!求推薦!