這篇文章主要介紹了優(yōu)酷土豆在大數(shù)據(jù)方面的管理與運用,優(yōu)酷著手Hadoop集群應(yīng)用的起步較早,在相關(guān)大數(shù)據(jù)管理的方面也較有經(jīng)驗,需要的朋友可以參考下

姚鍵是優(yōu)酷土豆集團(tuán)CTO，據(jù)他介紹，優(yōu)酷新上線的首頁頁面上，光是導(dǎo)航欄上的視頻分類就有21個，21個不同類型的內(nèi)容，這意味著會有各種不同的用戶來優(yōu)酷看視頻，要想給不同的用戶推薦他們喜歡的視頻，這靠的是一個叫做“協(xié)同過濾推薦”的技術(shù)。

百度百科上這樣介紹協(xié)同過濾推薦（Collaborative Filtering recommendation）：“是在信息過濾和信息系統(tǒng)中正迅速成為一項很受歡迎的技術(shù)。與傳統(tǒng)的基于內(nèi)容過濾直接分析內(nèi)容進(jìn)行推薦不同，協(xié)同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統(tǒng)對該指定用戶對此信息的喜好程度預(yù)測?！?/P>

這是亞馬遜、谷歌等互聯(lián)網(wǎng)巨頭都在使用的技術(shù)。亞馬遜會告訴你“買了A商品的顧客也同時購買了B商品”，Youtube上，一個視頻播放結(jié)束，馬上就會出現(xiàn)相關(guān)推薦視頻。

看上去簡單的相關(guān)推薦，其實在優(yōu)酷的視頻推薦中涉及上百個參數(shù)，每次要調(diào)整參數(shù)，都要手動調(diào)整十幾甚至幾十個參數(shù)，每天推薦視頻的數(shù)據(jù)模型中要涉及的數(shù)據(jù)高達(dá)幾十億。

一次小小的參數(shù)調(diào)整，帶來的后果，可能是當(dāng)天視頻觀看帶來幾百萬的增長，也可能是在算法穩(wěn)定后的未來幾周，甚至幾個月帶來視頻觀看量的曲線變化。

當(dāng)然，數(shù)字證實，通過這種協(xié)同過濾推薦給用戶的視頻是靠譜的，因為在海量的視頻中尋找自己喜歡的視頻成本是很高的，推薦視頻的打開率也令人滿意。

優(yōu)酷土豆心中的“大數(shù)據(jù)”

數(shù)據(jù)的挖掘、分析，用在推薦視頻上，還只是個小意思。優(yōu)酷在2010年推出的“優(yōu)酷指數(shù)”把大數(shù)據(jù)精神進(jìn)一步強(qiáng)化，把視頻播放周期、用戶核心特征、用戶播放行為、視頻熱度排行等數(shù)據(jù)進(jìn)行展示。

姚鍵這樣介紹優(yōu)酷指數(shù)誕生的背景：“2010年的時候，優(yōu)酷在PC互聯(lián)網(wǎng)時代已經(jīng)成為最有影響力的視頻網(wǎng)站，優(yōu)酷希望能夠在行業(yè)內(nèi)樹立一個標(biāo)桿，在強(qiáng)化優(yōu)酷品牌的同時，也打造優(yōu)酷指數(shù)這樣一個概念?！?/P>

今年，優(yōu)酷指數(shù)進(jìn)而演變成“中國網(wǎng)絡(luò)視頻指數(shù)”，加入了土豆網(wǎng)以及移動客戶端的視頻數(shù)據(jù)，對數(shù)字感興趣的用戶，可以從這個指數(shù)里讀出很多內(nèi)容。

作為一款平臺化的產(chǎn)品，“中國網(wǎng)絡(luò)視頻指數(shù)”在優(yōu)酷土豆集團(tuán)中的參考價值無處不在，從廣告售賣，到版權(quán)購買，再到播放器產(chǎn)品的優(yōu)化，等等，處處都能夠作為指導(dǎo)依據(jù)。

據(jù)姚鍵透露，優(yōu)酷土豆集團(tuán)推出的數(shù)據(jù)報告給節(jié)目制作方、影視劇公司、第三方分析機(jī)構(gòu)等了解視頻節(jié)目的播放信息，以及觀眾人群的分析提供了依據(jù)；在廣告銷售方面，能夠為廣告主呈現(xiàn)出用戶行為特征，提供廣告投放價值的分析；在進(jìn)行版權(quán)購買的時候，可以根據(jù)指數(shù)的走向來幫助決策；公司內(nèi)部，哪怕是播放器產(chǎn)品的用戶體驗優(yōu)化，都可以查看數(shù)據(jù)分析結(jié)果，查看按鈕的擺放和使用頻率等。

這些價值都是顯而易見的，還有我們在表面看不到的，通過數(shù)據(jù)分析的結(jié)果來指導(dǎo)優(yōu)酷土豆集團(tuán)的自制內(nèi)容。

“比如說優(yōu)酷有很多自制的內(nèi)容，有很多的微電影、綜藝節(jié)目等等，這些播放數(shù)據(jù)可以顯示出哪些題材是用戶喜歡的，用戶看到哪里就看不下去了，在哪里是拖放觀看的，一系列的用戶行為可以清晰地告訴內(nèi)容制作人員，應(yīng)該怎么去剪輯視頻，怎么去選擇內(nèi)容題材?！币︽I說。

其實這個過程也是對視頻質(zhì)量進(jìn)行分析的過程，在優(yōu)酷土豆的搜索、推薦中按照視頻質(zhì)量進(jìn)行排序，反過來也提高了推薦成功率。

然而，大數(shù)據(jù)讀出的數(shù)據(jù)，其指導(dǎo)意義還遠(yuǎn)不止此。

每部電影、電視劇在播出后都會有對應(yīng)的數(shù)據(jù)，哪些演員受歡迎，哪些題材受追捧，通過分析數(shù)據(jù)就可以慢慢發(fā)現(xiàn)背后的原因，把這個受歡迎的故事講出來，這就是可見的未來。

敢為人先 優(yōu)酷土豆用Spark完善大數(shù)據(jù)分析

大數(shù)據(jù)，一個似乎已經(jīng)被媒體傳播的過于泛濫的詞匯，的的確確又在逐漸影響和改變著我們的生活。也許有人認(rèn)為大數(shù)據(jù)在中國仍然只是噱頭，但在當(dāng)前中國互聯(lián)網(wǎng)領(lǐng)域，大數(shù)據(jù)以及大數(shù)據(jù)所催生出來的生產(chǎn)力正在潛移默化地推動業(yè)務(wù)發(fā)展，并為廣大中國網(wǎng)民提供更加優(yōu)秀的服務(wù)。優(yōu)酷土豆作為國內(nèi)最大的視頻網(wǎng)站，和國內(nèi)其他互聯(lián)網(wǎng)巨頭一樣，率先看到大數(shù)據(jù)對公司業(yè)務(wù)的價值，早在2009年就開始使用Hadoop集群，隨著這些年業(yè)務(wù)迅猛發(fā)展，優(yōu)酷土豆又率先嘗試了仍處于大數(shù)據(jù)前沿領(lǐng)域的Spark/Shark 內(nèi)存計算框架，很好地解決了機(jī)器學(xué)習(xí)和圖計算多次迭代的瓶頸問題，使得公司大數(shù)據(jù)分析更加完善。

MapReduce之痛

提到大數(shù)據(jù)，自然不能不提Hadoop。HDFS已然成為大數(shù)據(jù)公認(rèn)的存儲，而MapReduce作為其搭配的數(shù)據(jù)處理框架在大數(shù)據(jù)發(fā)展的早期表現(xiàn)出了重大的價值?？捎捎谄湓O(shè)計上的約束MapReduce只適合處理離線計算，其在實時性上仍有較大的不足，隨著業(yè)務(wù)的發(fā)展，業(yè)界對實時性和準(zhǔn)確性有更多的需求，很明顯單純依靠MapReduce框架已經(jīng)不能滿足業(yè)務(wù)的需求了。

優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊技術(shù)總監(jiān)盧學(xué)裕就表示：“現(xiàn)在我們使用Hadoop處理一些問題諸如迭代式計算，每次對磁盤和網(wǎng)絡(luò)的開銷相當(dāng)大。尤其每一次迭代計算都將結(jié)果要寫到磁盤再讀回來，另外計算的中間結(jié)果還需要三個備份，這其實是浪費。”

據(jù)悉，優(yōu)酷土豆的Hadoop大數(shù)據(jù)平臺是從2009年開始采用，最初只有10多個節(jié)點，2012年集群節(jié)點達(dá)到150個，2013年更是達(dá)到300個，每天處理數(shù)據(jù)量達(dá)到200TB。優(yōu)酷土豆鑒于Hadoop集群已經(jīng)逐漸勝任不了一些應(yīng)用，于是決定引入Spark/Shark內(nèi)存計算框架，以此來滿足圖計算迭代等的需求。

Spark是一個通用的并行計算框架，由伯克利大學(xué)的AMP實驗室開發(fā)，Spark已經(jīng)成為繼Hadoop之后又一大熱門開源項目，目前已經(jīng)有英特爾等企業(yè)加入到該開源項目。

“我們大數(shù)據(jù)平臺對快速需求的響應(yīng)延時，尤其是在商業(yè)智能BI以及產(chǎn)品研究分析等需要多次對大數(shù)據(jù)做Drill Down與Drill Up時，等待成了效率殺手?！?優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊技術(shù)總監(jiān)盧學(xué)裕表示。

用Spark/Shark完善大數(shù)據(jù)分析

目前大數(shù)據(jù)在互聯(lián)網(wǎng)公司主要應(yīng)用在廣告、報表、推薦系統(tǒng)等業(yè)務(wù)上。在廣告業(yè)務(wù)方面需要大數(shù)據(jù)做應(yīng)用分析、效果分析、定向優(yōu)化等，在推薦系統(tǒng)方面則需要大數(shù)據(jù)優(yōu)化相關(guān)排名、個性化推薦以及熱點點擊分析等。優(yōu)酷土豆屬于典型的互聯(lián)網(wǎng)公司，目前運用大數(shù)據(jù)分析平臺的主要工作是運營分析、機(jī)器學(xué)習(xí)、廣告定向優(yōu)化、搜索優(yōu)化等方面。

優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊技術(shù)總監(jiān)盧學(xué)裕表示：“優(yōu)酷土豆的大數(shù)據(jù)平臺已經(jīng)用了很多年，突出問題主要包括：第一是商業(yè)智能BI方面，公司的分析師提交任務(wù)之后需要等待很久才得到結(jié)果；第二就是大數(shù)據(jù)量計算，比如進(jìn)行一些模擬廣告投放之時，計算量非常大的同時對效率要求也比較高，用Hadoop消耗資源非常大而且響應(yīng)比較慢；最后就是機(jī)器學(xué)習(xí)和圖計算的迭代運算也是需要耗費大量資源且速度很慢?！?/P>

因此，面對復(fù)雜任務(wù)、交互式查詢以及流在線處理時，Hadoop與MapReduce并不適用。Spark/Shark這種內(nèi)存型計算框架則比較適合各種迭代算法和交互式數(shù)據(jù)分析，可每次將彈性分布式數(shù)據(jù)集（RDD）操作之后的結(jié)果存入內(nèi)存中，下次操作可直接從內(nèi)存中讀取，省去了大量的磁盤IO，效率也隨之大幅提升。優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊大數(shù)據(jù)平臺架構(gòu)師傅杰表示：“一些應(yīng)用場景并不適合在MapReduce里面去處理。通過對比，我們發(fā)現(xiàn)Spark性能比MapReduce提升很多?！?/P>

“比如在圖計算方面，視頻與視頻之間存在的相似關(guān)系，這就構(gòu)成了一個圖譜，通過圖譜來做聚類，再給用戶做視頻推薦?！?優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊技術(shù)總監(jiān)盧學(xué)裕表示。

優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊技術(shù)總監(jiān)盧學(xué)裕表示：“我們進(jìn)行過圖計算方面的測試，在4臺節(jié)點的Spark集群上用時只有5.6分鐘，而同規(guī)模的數(shù)據(jù)量，單機(jī)實現(xiàn)需要80多分鐘，并且內(nèi)存吃滿，單機(jī)無法實現(xiàn)Scale-Out，不能計算更大規(guī)模數(shù)據(jù)。”

“在今天，數(shù)據(jù)處理要求非?？臁１热鐑?yōu)酷土豆的一些客戶、廣告商往往臨時就需要看一下投放效果。所以在前端應(yīng)用不變的情況下，如果能更快的響應(yīng)市場的需要就變得很有競爭力。市場是瞬息萬變的，有一些分析結(jié)果也需要快速響應(yīng)成一個產(chǎn)品，Spark集成到數(shù)據(jù)平臺正能發(fā)揮這樣的效果?！?優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊大數(shù)據(jù)平臺架構(gòu)師傅杰補充道。

據(jù)了解，優(yōu)酷土豆采用Spark/Shark大數(shù)據(jù)計算框架得到了英特爾公司的幫助，起初優(yōu)酷土豆并不熟悉Spark以及Scala語言，英特爾幫助優(yōu)酷土豆設(shè)計出具體符合業(yè)務(wù)需求的解決方案，并協(xié)助優(yōu)酷土豆實現(xiàn)了該方案。此外，英特爾還給優(yōu)酷土豆的大數(shù)據(jù)團(tuán)隊進(jìn)行了Scala語言、Spark的培訓(xùn)等。

“優(yōu)酷土豆作為國內(nèi)視頻行業(yè)第一家商用部署Spark/Shark方案的公司，從視頻行業(yè)的多樣化分析角度來看是個非常好的方案。未來，英特爾將會繼續(xù)與優(yōu)酷土豆在Spark/Shark進(jìn)行合作，包括硬件配置的優(yōu)化以及整體方案的優(yōu)化等”英特爾（中國）有限公司銷售市場部互聯(lián)網(wǎng)及媒體行業(yè)企業(yè)客戶經(jīng)理李志輝介紹道。

未來：將Spark/Shark融入到Hadoop 2.0

對于大數(shù)據(jù)而言，Hadoop已經(jīng)構(gòu)建完成了較為完善的生態(tài)系統(tǒng)，特別是Hadoop 2.0版本在推出之后，改善了諸多缺點。而Spark/Shark計算框架其實與Hadoop并不沖突，Spark現(xiàn)在已經(jīng)可以直接運行在Yarn的框架之上，成為Hadoop生態(tài)系統(tǒng)之中不可或缺的成員。

優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊大數(shù)據(jù)平臺架構(gòu)師傅杰表示：“目前Hadoop 2.0已經(jīng)發(fā)布了release版本，我們已經(jīng)啟動了對Hadoop 2.0的升級預(yù)演。這中間還涉及到我們在1.0版本上修改的一些特性需要遷移和驗證，我們希望做到在不影響業(yè)務(wù)的情況下實現(xiàn)平滑升級，預(yù)計在明年Q1完成升級。Hadoop 2.0將會是非常強(qiáng)大的，不再僅僅是MapReduce，還能融入Spark，能夠讓用戶可以根據(jù)數(shù)據(jù)處理應(yīng)用需求的不同來選擇合適的計算框架?！?/P>