游戏网站建设系统介绍,电子工程网怎么删除文章,为企业建网站,平台一直维护是不是要跑路了蚂蚁金服在过去十五年重塑支付改变生活#xff0c;为全球超过十二亿人提供服务#xff0c;这些背后离不开技术的支撑。在 2019 杭州云栖大会上#xff0c;蚂蚁金服将十五年来的技术沉淀#xff0c;以及面向未来的金融技术创新和参会者分享。我们将其中的优秀演讲整理成文并…蚂蚁金服在过去十五年重塑支付改变生活为全球超过十二亿人提供服务这些背后离不开技术的支撑。在 2019 杭州云栖大会上蚂蚁金服将十五年来的技术沉淀以及面向未来的金融技术创新和参会者分享。我们将其中的优秀演讲整理成文并将陆续发布在“ 蚂蚁金服科技”公众号上本文为其中一篇。
十几年来蚂蚁金服一直在解决用技术重塑金融服务的问题在解决这个问题的过程中涉及到两个方向的技术领域第一就是解决怎么把钱从一个帐户移到另一个帐户这个过程中出现海量、安全、可用性问题怎么解决我们的答案就是多地容灾、高可用的分布式架构第二新的数字金融时代到来如何更多更好的利用数据驱动业务发展也就是数据智能技术。本文将会分享蚂蚁在数据智能方面的一些进展以及我们的思考。
首先我们看一下金融数据智能有哪些需求和传统的大数据有什么不一样的地方
实时性要求高实时数据以两倍以上的速度增长在线决策越来越多不再是把数据离线做决策再部署到线上 计算场景复杂多样以前可能是一个简单的聚合逐渐进化到用规则做决策基于图、基于机器学习等决策整个计算的形式越来越多样化 数据链路长研发调试效率低当你要做全链路数据研发的时候从头到尾会经历十几个系统对整体的数据研发提出了很大的挑战 计算及存储高可用包括跨城市的容灾高可靠的计算服务 数据安全、监管合规、风险防控需要做严格的数据安全和隐私保护特别在监管层面要合规。
过去十几年计算技术不断演进从大规模数据仓库批计算到实时计算和流计算再到交互式分析一方面能解决一部分问题另一方面给我们带来了新的挑战。比如多种计算模式带来多次研发的效率问题多套系统带来多样存储需求的成本问题以及不同容灾和数据安全要求带来的复杂度问题等。
为了解决计算多样性带来的问题我们需要一个更为开放的计算架构。
蚂蚁金服开放计算架构
做一套系统解决一切问题是技术人员很自然的想法但难点是怎么定义这个系统的边界。我们认为计算和业务本身是紧密连接的业务的需求变化很有可能需要探索越来越多的计算模式。所以我们的实践是这样的开放计算架构它在不同层面上做了统一以兼容不同的计算模式。
首先是统一存储层将各个存储系统打通进行数据共享这样一来就可以根据计算需求做定制化的优化内部数据自动回流。
第二是统一数据安全规范在统一存储上实现统一元数据管理及接入并且数据血缘互通统一鉴权及数据访问权限体系统一数据安全等级和隐私保护体系。
第三是统一编程模型基于标准SQL和扩展做业务研发的时候面对的是下层抽象出来的数据真正做面向数据的编程不需要关注用交互式分析还是其它计算模式也不需要关注数据是如何存储的。这样做数据研发以及写业务逻辑的时候可以提升效率。这方面我们做了很多的探索目标就是当你在做SQL研发的时候可以降低两个数量级原来可能要写几万行代码现在只写几百行。 经过这些统一我们形成了如上的架构这个架构可以根据新的技术进一步扩展。
开放计算架构下的AI引擎
AI计算是开放架构下重要的能力我们需要打造更加灵活智能的AI引擎。 目前绝大多数公司的人工智能系统会遵循这样一个架构有一个数据仓库或集群进行数据清洗和预处理然后取出一个表和数据标注一起在一个模型平台上进行训练训练出来的模型最后再部署到线上去进行预测。这整个流程经过了多个系统所以这个数据事实上可能会有多份存储加上模型的传输也会花费比较多的时间你很难做到真正的实时性这里面用户也往往需要研发多个平台和组件才能满足需求。 开放架构下可以插入AI引擎我们在SQL层和深度学习引擎都做了一些工作。SQLFLow相当于用SQL描述你对应用的需求底层会直接针对SQL产生出机器学习的任务来训练模型。
ElasticDL我们刚刚在9月11日宣布开源它是基于TensorFlow的一个弹性调度的AI引擎。当你资源紧张或者发生错误时仍然可以进行高效的AI训练。同时它让AI的训练变得更加简单可以在命令行直接训练Keras模型。通过这些工具我们希望让AI的训练和整个使用过程更加的简洁。
关于SQLFlow和ElasticDL想了解更多可以可以查看他们的开源主页 sqlflow.org 和 elasticdl.org
在开放性的架构下事实上也不需要做引擎的改变一般的模式是当有一个新的引擎或工具可以直接拿过来使用使用完了觉得需要优化就在上面迭代提升。
开放计算架构下的金融级图计算
在金融领域里金融场景大量依赖于图数据我们需要强大的图计算能力那么开放计算架构如何支持图计算呢 上图是蚂蚁整个图计算发展的历程四年以前我们从做图数据产品开始到做离线全图的迭代计算引擎然后做流图融合的引擎然后是高速的图缓存以及到现在把图相关的所有东西聚合起来做成一站式的图平台。 首先第一个是金融级分布式图数据库GeaBase解决的问题是当你有海量的图数据数据之间有关系的时候提供强一致、高容量的存储。它和现有的一些图数据库最大的区别是很多现有的图数据库都是把所有数据收起来做一个计算这是最简单的做法但会导致性能瓶颈我们做的是把计算下发到worker以实现分布式的高性能。同时GeaBase可以根据用户的业务需求去选择需要什么样的一致性。 然后是大规模全图计算采用了自适应的分区策略来降低资源门槛因为很多图计算里面都是需要把全图加载到内存里面然后进行迭代这种情况一些超大图对内存的需求量非常高所以我们做了一些优化希望降低资源的使用率。同时我们也能够更灵活的支持更多的图算法以及能够做非常大规模高效图关系的挖掘这个也已经在内部的风控场景落地。
然后还有在线流图融合蚂蚁研发了业界首个实时多模融合计算框架。起因是我们发现在业务中有很多时候有数据进来同时要进行很多的图计算计算完结果以后再输出这在业界也是比较前沿的探索课题我们做到了在海量大图上同时能够做很多层的计算。 基于对图计算的强烈需求我们做了一个高性能的图缓存里面的关键技术是基于无冲突的Hash函数以及对于图数据结构的压缩。大家可以看下图中的效果我们最高可以压缩到原始数据的五分之一性能为业界优秀同类产品的2-5倍。 当有了这么多系统后我们遇到的问题是在一个场景下需要针对多个引擎做研发所以我们开发了一站式平台AntGraph为从开发调试到生产上线整个流程提供便利。我们把所有的访问统一到一个Graph SQL下面关于这个我们也在进行一些额外的探索因为到底SQL是不是最适合于Graph语言是有争议的但我们可以用SQL部分描述性的功能再加上一些扩展可以完成我们想要的功能。 经过前面针对图计算能力的研发后我们拥有多个图计算引擎同时为了优化客户体验在上层也用SQL语言进行统一。这样我们的开放计算架构就拥有了强大的图计算能力。
开放计算架构下的融合计算
经过前面的研发开放计算架构里有了大量的计算引擎虽然在上层进行了统一但这种情况往往不是最优的选择。当我们对已有的计算模式已经有把握了解的比较清楚的时候有没有可能对它们进行更多的优化很多情况下用户需要的是要多种模式融合起来的计算有时候需要流加上图有时候需要流加机器学习加其他的东西我们给出的答案就是融合计算引擎。 融合计算在底层基于RayRay是蚂蚁金服联合 UC Berkeley 大学推进的新一代计算引擎融合计算通过一套引擎解决复杂场景问题通过动态计算及状态共享提高效率实现研发、运行时、容灾一体化。
融合计算已经在蚂蚁若干场景中落地包括
动态图推导流图计算性能上可以1秒内完成6层迭代查询用于实时反套现、欺诈识别金融在线决策流分布式查询在线服务性能上数据生产到分布式查询一秒内用于金融网络监控、机构渠道路由等在线机器学习流分布式机器学习性能上实现秒级数据样本到模型更新用于智能营销、实时推荐、流控等。融合计算并不会取代其它的引擎而是作为补充用于部分合适的场景。通过上面的分享可以看到这套架构可以容纳各种不同种类和作用的计算引擎这也是开放二字的意义如果未来有一个新的引擎或者业务对数据有新的需求完全可以插入自己的引擎直接使用。 最后总结一下蚂蚁金服对数据智能未来的整体愿景我们希望未来的存储是可以打通的所有的引擎是可以插拔、融合的上层希望有标准的数据访问模式所有的这一套组合在一起我们把它叫做Big Data Base。我们认为大数据经过过去十多年的发展一定会进化到下一个阶段对数据的增删改查会像数据库一样简单。
另外一个层面Big Data Base还意味着可以在一个体系中很方便的使用包含机器学习、图计算以及未来各种各样的计算引擎。这套开放计算架构中的很多组件我们已经开源这个大的体系我们还在研发过程中未来会和大家分享更多的细节希望大家能够一起参与进来把金融的数据智能领域推到下一个阶段。
原文链接 本文为云栖社区原创内容未经允许不得转载。
