数据中心是什么？其系统结构和工作原理是怎样的呢？

建好了。中信银行数据中心已经建成，并于2022年12月正式开始运行，该数据中心作为中信银行最大的IT数据中心，可以满足多个分行、支行和个人客户的数据存储、处理和传输需求。大数据中心统筹整合全行数据架构、数据平台、数据工具等技术资源，组建形成大数据支撑团队近千人，打造全行级数字化能力中心。

IT基础架构是以局域网为中心，数据中心基础是以大数据为中心。

企业内网IT模型包括应用层：公司业务的技术化体现，指应用系统，比如企业的ERP，OA，CRM。基础系统层：文件、邮件、windows桌面管理、虚拟化。网络层：路由器、交换机、防火墙组成的互联网络。机房层：狭义上可以理解就是咱服务器、交换机存放的机房，广义上包括IT所有物理层面相关的设备。

数据中心是一整套复杂的设施，它不仅包括计算机系统和其它与之配套的设备（例如通信和存储系统），还包含冗余的数据通信连接、环境控制设备、监控设备以及各种安全装置。计算机设备作为整个数据中心的核心部分，其发展历程决定了数据中心的发展历程；同时未来的应用需求理念，也引导了数据中心的发展方向。

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。

先大概列一下互联网行业数据仓库、数据平台的用途：

整合公司所有业务数据，建立统一的数据中心；

提供各种报表，有给高层的，有给各个业务的；

为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

开发数据产品，直接或间接为公司盈利；

建设开放数据平台，开放公司数据；

。。。。。。

上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；

其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；

建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。

整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：

逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。

我们从下往上看：

数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。

数据源的种类比较多：

网站日志：

作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，

一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；

业务数据库：

业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。

当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS。

来自于Ftp/>

有可能一些合作伙伴提供的数据，需要通过Ftp/也可以满足该需求；

其他数据源：

比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成；

数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。

离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；

当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》

实时计算部分，后面单独说。

数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；

前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据； 和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。

另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。

数据应用

业务产品

业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；

报表

同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；

即席查询

即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；

这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。

即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。

当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。

OLAP

目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；

这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；

比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。

其它数据接口

这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。

实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。

 我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。

做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。

任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；

这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始； 这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。

前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。

总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

IDC全称为Internet Data Center，互联网数据中心。只提供场地和机柜的数据中心，一般称为DC(Data Center)，而同时提供带宽服务的，一般称IDC(互联网数据中心，Internet Data Center)，两者有时不作严格区分。IDC是指一种拥有完善的设备(包括高速互联网接入带宽、高性能局域网络、安全可靠的机房环境等)、专业化的管理、完善的应用级服务的服务平台。在IDC平台基础上，IDC服务商为企业和ISP、ICP、ASP等客户提供互联网基础平台服务以及各种增值服务。

全球IDC行业投资现状：投资规模呈快速增长趋势

云计算、大数据、物联网、人工智能等新一代信息技术快速发展，数据呈现爆炸式增长，互联网数据中心建设成为大势所趋。2020年在疫情的影响下，全球数据中心IT投资规模下降，但世界主要国家和企业纷纷开启数字化转型之路，在这一热潮推动下，全球数据中心IT投资正在逐步回复，呈现快速增长趋势。根据Gartner的数据显示，2021年全球数据中心IT投资规模达到2073亿美元，同比增长67%，预计2022年投资规模将达2186亿美元。

全球IDC行业建设现状：向着大型化、集约化发展

2010年以来全球数据中心平稳增长，从2017年开始，伴随着大型化、集约化的发展，全球数据中心数量开始缩减。据Gartner统计，截至2020年数据中心共计422万个，初步核算2021年全球数据中心数量进一步下降，在41万个左右。

以超大规模运营商的大型数据中心数量角度来看，随着行业集中度的逐步提升，全球超大型数据中心数量总体增长。据Synergy Research Group的最新数据，截至2021年超大规模提供商运营的大型数据中心总数增加到700个左右，较2020年同比增长1725%。根据Synergy Research Group最新预测，凭借目前已知的314个未来新超大规模数据中心的规划，运营数据中心的安装基数将在三年内突破1000个大关，并在此后继续快速增长。

注：2021年数据截止2021Q3。

全球IDC行业市场规模体量：数据量的爆发增长带动市场规模发展

随着物联网、电子政务、智慧城市等领域的发展以及云计算的发展也将进一步推动IDC领域的发展。依据IDC发布的《数据时代2025》报告，随着5G、物联网的发展，2010-2021年数据呈现爆发式增长状态，2020年全球数据量为60ZB，初步统计2021年达到70ZB;预计2025年全球数据量将达到175ZB。

数据量的爆发式增长使得市场对IDC行业愈发青睐，据中国信通院的数据显示，2017-2021年间，全球IDC市场规模均保持正增长，且年均增速在10%左右。2021年全球IDC行业市场规模为6793亿美元，同比增长99%。

全球IDC行业市场前景预测：即将迎来其新一轮的发展机遇

可以预见，在未来几年，IDC产业将迎来其新一轮的发展机遇。此外，随着网络系统日趋复杂，伴随网络的带宽逐步提高，用于网络维护的成本投资逐步增加，网络管理难度也在日益加大，在这种情况下，以资源外包的网络服务方式逐渐受到企业重视，并取得长足的发展。另外，各国政府加大了对电信宽带的投资力度，促进电信和互联网的融合。根据中国信通院预测，2022年全球ID行业市场收入将达7465亿美元，增速总体保持平稳，2022-2027年年复合增长率在10%左右，到2027年行业规模将超过1200亿美元。

—— 更多本行业研究分析详见前瞻产业研究院《中国IDC（互联网数据中心）市场前瞻与投资战略规划分析报告》

以上就是关于中信银行数据中心还没建好吗全部的内容，包括:中信银行数据中心还没建好吗、IT基础架构和数据中心基础的区别、数据中心是什么其系统结构和工作原理是怎样的呢等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！