亞馬遜：大數(shù)據(jù)和云計算是天作之合

AWS首席數(shù)據(jù)科學家Matt Wood

亞馬遜云計算AWS首席數(shù)據(jù)科學家Matt Wood認為，大數(shù)據(jù)和云計算是天作之合，云計算平臺的海量低成本的數(shù)據(jù)存儲與處理資源為大數(shù)據(jù)分享提供了可能。

Matt Wood一天的工作不僅僅是幫亞馬遜員工完成數(shù)據(jù)淘金工作，他還需要設法取悅亞馬遜的客戶。Wood幫助AWS的用戶利用亞馬遜云計算資源搭建大數(shù)據(jù)架構(gòu)，然后根據(jù)客戶需求設計產(chǎn)品，例如數(shù)據(jù)管道服務（Data Pipeline Service）和本周發(fā)布的Redshift數(shù)據(jù)倉庫服務。

關(guān)于基于云計算的大數(shù)據(jù)服務的發(fā)展趨勢，GigaOM的記者采訪了Matt Wood，會談的亮點摘錄如下：

從資源優(yōu)先到業(yè)務優(yōu)先

不久前，計算機科學家已經(jīng)掌握了今日之所謂數(shù)據(jù)科學的理論和概念，但當時的資源有限，能夠進行的數(shù)據(jù)分析類型也很有限。
如今，數(shù)據(jù)存儲和處理資源已經(jīng)極大豐富和廉價，這使得大數(shù)據(jù)的概念成為可能。而云計算則進一步降低了數(shù)據(jù)存儲和處理資源的成本，容量也更大。這意味著數(shù)據(jù)分析的觀念正在經(jīng)歷一次重大的范型轉(zhuǎn)移，從過去資源優(yōu)先轉(zhuǎn)向以企業(yè)需求為先。

如果他們能夠突破傳統(tǒng)的數(shù)據(jù)采樣和處理模式，一個人就能專注于要做的事情，因為資源太多了。例如，點評網(wǎng)站Yelp允許開發(fā)者無限制使用Elastic MapReduce，這樣開發(fā)者就不必為了測試某個瘋狂想法而走繁瑣的資源申請流程。Yelp能夠在一年前發(fā)現(xiàn)網(wǎng)站流量的移動化趨勢并及時開展移動業(yè)務都得益于此。

數(shù)據(jù)的問題不都是規(guī)模

總的來說，客戶的數(shù)據(jù)問題并不都是如何更低的成本存儲更多的數(shù)據(jù)，你不一定需要1PB的數(shù)據(jù)才能分析出誰是你社交游戲的用戶。

實際上，能夠無限制的存儲和處理數(shù)據(jù)本身會產(chǎn)生新的問題。公司希望能夠保存所有產(chǎn)生的數(shù)據(jù)，這會導致復雜性增加。從亞馬遜的S3和DynamoDB服務到企業(yè)數(shù)據(jù)中心的物理服務器，當數(shù)據(jù)在所有的庫中都堆積如山時，數(shù)據(jù)轉(zhuǎn)移和復用的難度也會變得很大。
AWS新推出的數(shù)據(jù)管道服務（Data Pipeline Service）就是為了解決這個問題。管道非常復雜，從運行一個簡單的數(shù)據(jù)業(yè)務邏輯到在Elastic MapReduce上運行所有的批任務，數(shù)據(jù)管道服務的目的就是將數(shù)據(jù)的移動和處理自動化，用戶無需自己建立這些工作流程并手動運行。

AWS數(shù)據(jù)管道服務控制臺

把大數(shù)據(jù)快遞給云計算

人們有時候會質(zhì)疑云計算與大數(shù)據(jù)任務之間的相關(guān)度，因為如果將企業(yè)內(nèi)部系統(tǒng)產(chǎn)生的數(shù)據(jù)都上傳到云端，由于受到網(wǎng)速限制，數(shù)據(jù)規(guī)模越大，上傳的時間就越長。為了解決這個問題，亞馬遜想盡各種辦法，包括與Aspera合作，甚至與那些研究在互聯(lián)網(wǎng)上快速轉(zhuǎn)移大文件（Wood說見過700MB/秒的技術(shù)）的開源項目合作。此外，亞馬遜還取消了傳入數(shù)據(jù)的收費，并開啟了并行上傳功能。此外亞馬遜還與數(shù)據(jù)中心運營者合作啟動了直連項目（Direct Connect Program），為亞馬遜AWS設施提供專線連接。

最后，如果客戶的數(shù)據(jù)量實在太大，網(wǎng)速又不夠快，還可以直接將存有數(shù)據(jù)的硬盤快遞給亞馬遜。

協(xié)作是未來趨勢

當數(shù)據(jù)遷移到云端后，就開啟了一種全興的協(xié)作方式，研究人員，乃至整個行業(yè)都能訪問和分享這些過去因體量太大而無法移動的數(shù)據(jù)。一些產(chǎn)生海量數(shù)據(jù)的行業(yè)已經(jīng)開始在云端分享數(shù)據(jù)，例如AWS上已經(jīng)托管的1000個基因組項目。

DNAnexus的云架構(gòu)

遺傳學項目從云計算中受益匪淺，雖然AWS上的1000個基因組項目的數(shù)據(jù)庫只有200TB，但是單個項目很少有足夠的預算存儲這么多數(shù)據(jù)并與同事分享。即使在資金充裕的醫(yī)藥領(lǐng)域，亞馬遜CTO Werner Vogels曾說過，醫(yī)藥企業(yè)正在使用云計算分享數(shù)據(jù)，企業(yè)們也無需花費時間和金錢"重新發(fā)明車輪"。

不再需要超級計算機？

Wood對亞馬遜高性能計算客戶在AWS平臺上的工作印象深刻——這些工作過去必須依賴超級計算機才能完成。這要感謝AWS的合作伙伴Cycle Computing，維斯康辛大學如今在AWS上能夠一周內(nèi)完成過去需要116年的計算任務。AWS正在不斷增加實例的配置和性能，從最大的250GB內(nèi)存到GPU集群計算實例，AWS都將提供。出于成本的考慮，AWS目前僅在一部分市場提供集群計算實例和Elastic MapReduce。

如今很多運行數(shù)據(jù)密集型工作負載的企業(yè)都開始將目光投向云計算。大數(shù)據(jù)（尤其是Hadoop）和云計算年紀相仿，相輔相成，可謂天作之合。