Hadoop教程：Hadoop和大数据在电信业里的典型应用

---

2013年11月22-23日，作为国内唯一专注于Hadoop技术与应用分享的大规模行业盛会，2013 Hadoop中国技术峰会(China Hadoop Summit 2013)于北京福朋喜来登集团酒店隆重举行。来自国内外各行业领域的近千名CIO、CTO、架构师、IT经理、咨询顾问、工程师、Hadoop技术爱好者，以及从事Hadoop研究与推广的IT厂商和技术专家将共襄盛举。

大会现场来自联通研究院移动互联网产品开发事业部主任王志军，为大家介绍了Hadoop和大数据在行业里的典型应用。

王主任主要从四个方面介绍了大数据的应用：第一方面源起，第二、电信运营商有哪些大数据，第三、中国联通建成的正在投入使用的大数据业务系统，第四、大数据应用的展望举几个简单的例子。

一、源起

我们进入到移动互联网的时代，几乎每个人都有手机，现在在用手机的时候，更多的是个人的电脑，所做的工作除了做一些基本语音和短信的功能之外，绝大部分在手机上的工作是使用数据的流量，移动通讯从语音的时代跨越到数据的时代，运营商有很大的机会，同时运营商遇到了很多流量消费争议的问题。

目前流量消费争议已经跃升成为用户通讯服务投诉的首位。首先的问题是数据流量消费远不如语音消费清晰透明。语音消费的时候拨打一个电话，对方是谁，打了多长时间，这个时间是可以感知到的。运营商也可以语音通话的详单，如果是发短信，发了多少条短信大体是心中有数的。

流量消费首先是计费单位是KB，流量消费有一定的不确定性。刚才用手机刷了一下微博、用了一会儿微信，到底用了多少流量，他不知道到底如何进行计费。所以说很多用户基于这种了解，可能很多时候主观认为自己根本没有使用流量，或者是使用了比较小的流量，为什么有的时候会产生比较高额的流量的花费，这时用户运营商来告诉我，这个流量用到哪去了?上了什么网址、用了什么应用产生了什么流量，而不是简单说这个月用了1G或者是700兆的流量，传统的方式已经不满足现在用户的需要了。

现在3G客户数据流量争议占3G业务投诉是10%，现在整个比例是在逐渐的上升。个别的省份已经达到了20%的比例。目前中国联通每月打到10010客服流量上的投诉是近万起。同时很多用户也基于运营商无法提供上网记录的详单，提出了法律的诉讼。例如某iphone合约计划的用户，他是晚上凌晨到四点睡觉期间发生了巨额的流量，智能手机可能语音的应用、有很多自动更新的应用，这些应用并不是使用了才产生流量，这种情况下用户难以理解。运营商的计量设备无法提供了详单就提出了诉讼。运营商的计量设备就相当于家里的水表，现在是区分不出来做饭、冲马桶、洗衣服用了多少水。如果是给用户提供详单，我们就需要做准确的计量设备做流量的区分。

原来运营商如何提供详单的，主要是产生于网页设备，GGSN，之前产生话单的方式流量累计到一定的限度，或者是达到一定的时长，或者是现在已经把网络关闭掉了，这时候才是产生流量的话单，这主要是运营商做计费用的，不是给用户来去说明情况的。里面包含的信息可能有手机号码、上页流量是多少，下页流量是多少，或有话单的持续时长，但是不包含网址的信息和访问记录的信息。

这种情况下，中国联通的移动业务，此前有个客服部门的统计数据，每万元应收收入中因无法提供上网记录详单的数据，造成的投诉和退费赔付是60块钱。GGSN不光是中国联通在用，来自爱立信、华为、中兴、诺基亚都在使用，这种成熟的设备，出现偏差的概率是很小了，绝大部分的赔付是运营商说不清楚，用户有投诉，为了避免争议扩大化，运营商是采用了赔付与和解的方式来处理。

由此可见提供用户上网记录详单，成为了互联网透明健康环境的关键的因素，这是运营商希望能够做到的事情。

上网记录是典型的大数据

例如，每个用户，可能每月的通话记录是几百、几千条，上网的记录绝对不是这个数量级，可能是几万，用的量大可能是几十万条上网数据。例如用手机访问新浪网的彩票走势图大致是产生20多条记录，包括手机发起，DS的查询，包括网页中每个元素的下载，其实对网络来说都是独立的请求这样都会产生一条记录。如果用IPAD，新浪网的彩票走势图会产生40条记录，如果看了IPAD里的新闻，过来会产生180条记录。

例如说访问淘宝的触摸平板也会产生6条记录，此外还有大量后台推送的消息，相当于是苹果的手机有很多通知的服务，例如说微信，很多的通知的服务业在悄悄的进行。

经过统计，中国联通用户上网记录每个月是超过了两万亿条，并且还在增长。数据量是全国目前运营商所有类型的计费话单的30倍以上，包括语音详单、短信详单、采信详单以及包括此前运营商给的流量记录详单，所有的数据量的30倍以上。

移动互联网是快速的发展期，大约每8个月流量会翻一番，今年年底4G的牌照会发放，在LTE的时代，用户的流量的消费会越来越大，现在是两万亿，明年这个时候是五万亿条，之后也许是八万亿条，数据很巨大。

上网数据是个典型的大数据

采用什么方式进行存储和检索呢是个大问题，此前运营商采用的架构方式是IUE的架构，用IBM小型机，用商用的关系型数据库，用高可靠性的EMC的存储，构建无论是计费系统还是帐户系统，很多的系统都是这样方式构建的这个很昂贵，但是它解决不了我们的问题。存储这么大规模量的数据，以后超越了可管理容量的上线。在做查询的时候，关系型数据库对大规模操作的时候性能是严重下降的。

数据量达到500G延时可能是三千秒，意味着两万亿条记录的数据，分期、分表存下来，达到500G用户有个查询的请求意味着一个小时才能给用户响应，即使做过优化查询的速度也是半个小时以上，审核公司也做过实验，经常一个查询是几个小时才能查询到用户的详单。

我们面临的问题是数据快速的写入，每月有两万亿条记录，每天有超过七百亿条记录，这么大的数据量如何快速的存储下来，那面记录在源源不断的生成，我们必须保持足够的速度记录下来，第二我们的数据如何快速检索提供给用户，在什么时候上了什么网址用了多少流量。上网记录的数据本身是个高价值的数据，它是目前为止可能是用户在移动互联网行为上的一个最基础、最原始的数据，这个数据如何进行高效的分析和挖掘。这么大的数据量，如何来进行低成本的存储，都是当时面临的问题。

Hadoop可以帮助我们解决这些问题

Hadoop采用开源的方式，构架了普通的PC服务器之上，抛弃了高端的存储，也可以保证高可靠性，适合数据快速的写入，以及有快速检索的方式，这样相当于有十亿的业务需求解决不了问题，Hadoop帮我们解决了，这是我们跟Hadoop脱离了实验室的概念，是真正的商用系统上第一次亲密接触。