下载湖屋参考体系结构

项目
10/07/2024

本文从数据源、引入、转换、查询和处理、服务提供、分析/输出和存储等方面提供了针对湖屋的体系结构指导。

每个参考体系结构都有一个 11 x 17 (A3) 格式的可下载 PDF。

通用参考体系结构

湖屋的通用参考体系结构

下载：适用于 Databricks 的通用湖屋参考体系结构 (PDF)

参考体系结构的组织

参考体系结构是沿以下“泳道”构造的：数据源、引入、转换、查询和处理、服务提供、分析，以及存储：

Source

该体系结构区分了半结构化和非结构化数据（传感器和物联网、媒体、文件/日志）以及结构化数据（RDBMS、业务应用程序）。 SQL 源 (RDBMS) 还可以通过湖屋联合集成到湖屋和 Unity Catalog 中，无需进行 ETL。此外，还可能会从其他云提供商加载数据。
引入

可以通过批处理或流式处理将数据引入到湖屋中：
- 可以使用 Databricks 自动加载程序直接加载传送到云存储的文件。
- 为了将数据从企业应用中批量导入 Delta Lake，Databricks lakehouse 依赖于合作伙伴引入工具，这些工具为这些记录系统提供了特定的适配器。
- 可以使用 Databricks 结构化流式处理直接从事件流式处理系统（例如 Kafka）引入流式处理事件。流式处理源可以是传感器、物联网或变更数据捕获流程。
存储

数据通常存储在云存储系统中，其中的 ETL 管道使用奖章体系结构以精心策划的方式将数据存储为 Delta 文件/表。
转换与查询和处理

Databricks 湖屋使用其引擎 Apache Spark 和 Photon 执行所有转换和查询。

由于其简单性，声明性框架 DLT (Delta Live Tables) 是用于构建可靠、可维护和可测试的数据处理管道的良好选择。

Databricks Data Intelligence Platform 由 Apache Spark 和 Photon 提供支持，支持两种类型的工作负载：通过 SQL 仓库的 SQL 查询，以及通过工作区群集的 SQL、Python 和 Scala 工作负载。

对于数据科学（ML 建模和生成式 AI），Databricks AI 和机器学习平台提供了专门用于 AutoML 和为 ML 作业编写代码的 ML 运行时。所有数据科学和 MLOps 工作流都得到 MLflow 的最佳支持。
服务提供

对于 DWH 和 BI 用例，Databricks lakehouse 提供 Databricks SQL，这是由 SQL 仓库提供支持的数据仓库。

对于机器学习，模型服务是一种可缩放的实时企业级模型服务功能，托管在 Databricks 控制平面中。

操作数据库：外部系统（例如操作数据库）可用于存储最终数据产品并将其交付给用户应用程序。

协作：业务合作伙伴通过 Delta Sharing 安全地访问所需的数据。
分析

Data Intelligence Platform 还提供了仪表板来构建数据可视化效果并共享见解。

针对工作负载的功能

此外，Databricks 湖屋还提供了支持所有工作负载的管理功能：

数据和 AI 治理

Databricks Data Intelligence Platform 中的中央数据和 AI 治理系统是 Unity Catalog。 Unity Catalog 提供了单一位置来管理适用于所有工作空间的数据访问策略，并支持在湖屋中创建或使用的所有资产，例如表、卷、功能（功能存储）和模型（模型注册表）。 Unity Catalog 还可以用来为 Databricks 上运行的查询捕获运行时数据世系。

业务流程

Databricks 作业可协调 Databricks Data Intelligence 平台中的数据处理、机器学习和分析管道。使用增量实时表，可以使用声明性语法生成可靠且可维护的 ETL 管道。

Azure 上的 Data Intelligence Platform 参考体系结构

Azure Databricks 参考体系结构派生自通用参考体系结构，在其基础上添加了针对数据源、引入、服务提供、分析/输出以及存储元素的 Azure 特定服务。

Azure Databricks 湖屋的参考体系结构

下载：适用于 Azure 上的 Databricks 湖屋的参考体系结构

Azure 参考体系结构显示了针对引入、存储、服务提供以及分析/输出的以下 Azure 特定服务：

Azure Synapse 和 SQL Server，用作 Lakehouse Federation 的源系统
Azure IoT 中心和 Azure 事件中心，用于流式处理引入
Azure 数据工厂，用于批量引入
Azure Data Lake Storage Gen 2 (ADLS)，用作对象存储
Azure SQL DB 和 Azure Cosmos DB，用作操作数据库
Azure Purview，用作企业目录，UC 会将架构和世系信息导出到该目录中
Power BI，用作 BI 工具

注意

参考体系结构的此视图仅侧重于 Azure 服务和 Databricks 湖屋。 Databricks 上的湖屋是一个开放平台，集成了一个大型的合作伙伴工具生态系统。
此处显示的云提供商服务不是详尽名单。选择它们是为了解释此概念。

用例：批量 ETL

Azure Databricks 上批处理 ETL 的参考体系结构

下载：适用于 Azure Databricks 的批量 ETL 参考体系结构

引入工具使用特定于源的适配器从源读取数据，然后将其存储在云存储中（自动加载程序可以从中读取数据），或直接调用 Databricks（例如，通过集成到 Databricks 湖屋中的合作伙伴引入工具）。为了加载数据，Databricks ETL 和处理引擎将通过 DLT 运行查询。单任务或多任务工作流可以由 Databricks 作业编排，并由 Unity Catalog 进行治理（访问控制、审计、世系，等等）。如果低延迟操作系统需要访问特定的黄金表，则可以在 ETL 管道的末尾将这些表导出到某个操作数据库，例如 RDBMS 或键-值存储。

用例：流式处理和变更数据捕获 (CDC)

Azure Databricks 上的 Spark 结构化流式处理体系结构

下载：适用于 Azure Databricks 的 Spark 结构化流式处理体系结构

Databricks ETL 引擎使用 Spark 结构化流式处理从事件队列（例如 Apache Kafka 或 Azure 事件中心）读取数据。下游步骤遵循上面的“批量”用例的方法。

实时变更数据捕获 (CDC) 通常使用事件队列来存储提取的事件。在那里，此用例遵循流式处理用例。

如果 CDC 是批量完成的，在这种情况下提取的记录首先存储在云存储中，然后 Databricks 自动加载程序可以读取它们，并且此用例遵循批量 ETL。

用例：机器学习和 AI

适用于 Azure Databricks 的机器学习和 AI 参考体系结构

下载：适用于 Azure Databricks 的机器学习和 AI 参考体系结构

对于机器学习，Databricks Data Intelligence Platform 提供了 Mosaic AI，后者配备了最先进的机器和深度学习库。它提供下述功能：“特征存储”和模型注册表（两者都已集成到 Unity Catalog 中）、采用 AutoML 的低代码功能，以及集成到数据科学生命周期的 MLflow。

所有与数据科学相关的资产（表、特征和模型）都由 Unity Catalog 治理，数据科学家可以使用 Databricks 作业来协调其作业。

为了以可缩放的企业级方式部署模型，请使用 MLOps 功能在模型服务中发布模型。