在2017云栖大会·深圳峰会大数据专场，阿里云高级专家云郎分享了《大数据计算服务MaxCompute产品最新动态》。他首先介绍了MaxCompute的发展历程和技术架构，然后对MaxCompute 2.0版本新特性和新技术进行了详细介绍。最后，分享了基于MaxCompute平台构建完整大数据应用架构、构建新型数据仓库、实现个性化推荐的实践。
本文根据直播视频整理而成。
首先看三个简单的问题。在阿里内部已经有了30多个业务单元，是一个典型的数据驱动公司。数据在整个业务创新、业务变更的过程中起了非常重要的作用。所以，是什么技术支撑了阿里巴巴集团内部的数据计算要求？经历了很多次双十一，双11背后的大数据平台是什么？在阿里云，第1个运行在阿里云飞天平台上的云服务是什么？答案非常简单，就是阿里云大数据平台MaxCompute。
MaxCompute
MaxCompute是阿里云提供的从GB到EB级的、免运维的、安全可靠的数据仓库平台。作为云服务，MaxCompute具有几个显著的特点：开通即用，这是所有云服务的特点，非常便利；在云上，借助于大规模的规模效应带来的高性能、低成本；数据安全、可靠；支持多种分布式计算模型，计算架构发展到今天，没有一种架构能够满足所有的场景，MaxCompute可以做离线计算、批量计算，学习能力强；兼容生态开放，提供了众多接口和生态的工具。
发展历程
上图是MaxCompute的发展历程，阿里云是2009年成立的，当时的愿景是要做运算和分享数据的第一平台。2010年，自主研发的MaxCompute作为数据仓库平台正式上线。2012年，开始搭建集团统一的数据平台，提供统一的数据存储、计算、分享。2013年，整个数据的规模指数级的增长，推出了具备5K集群能力的飞天平台。2014-2015年，“双十一”交易过程中，逐渐成为了共享仓库的数据平台。2016年，推出了MaxCompute 2.0，带来了新的特性。
技术架构
上图是MaxCompute的技术架构。最下面一层是物理机器，MaxCompute有自己的物理集群，在集群之上有非常重要的能力：它把一个集群组织成了1万台计算机，MaxCompute 2.0很大的特性是集群能力得到了扩展，从5千变成了1万。黑色部分是飞天操作系统，提供整个分布式系统任务协同、资源管理、集群调度等功能，为上层云产品提供统一的操作系统服务。其上是MaxCompute统一的计算引擎，支持SQL、MR、迭代计算、图计算、流计算。
MaxCompute的特性
MaxCompute的特性如上图所示。
从上图可以看出，截止到目前，MaxCompute获得了广泛应用。在阿里巴巴内部，其支持了所有的BU，所有的数据仓库、数据平台都是共享在MaxCompute之上的。在开发者社区，吸引了超过8000+的开发者。众多的应用和数据也在MaxCompute上。并且，有众多的内外客户都在使用MaxCompute。
MaxCompute 2.0
最新推出的MaxCompute 2.0的新性能如上图所示。高性能方面主要依托于全新的SQL 2.0计算引擎。在新功能方面提供了非结构化的处理，在云上开始使用OSS（开放的对象存储）、OTS（开放的表格存储），MaxCompute对其进一步分析和计算提供了连接性。机器学习在新版本中提出了CPU和GPU统一的架构，在富生态中也提出了新的能力。
全新的SQL 2.0引擎
在编译器方面，基于AST的编译器模型，Visitor模型（Antlrv4），IDE IntelliSense，Warning支持完整的存储过程，LOOP/IFELSE判断等；在优化器方面，CBO基于代价的优化器，Volcano模型，展开各种可能等价的执行计划，然后依赖统计信息，计算这些等价执行计划的“代价”，最后最低的执行计划；在运行时方面，利用LLVM技术，在运行时生成较优的机器码，采用列式执行框架，提高CPU流水线的执行效率，并提高缓存命中率，使用SIMD。
上图是全球公认的Sort Benchmark测试结果。2015年，MaxCompute打破世界纪录，获得“速度最快计算引擎”称号。2016年，逐渐降低计算成本，并打破世界纪录。
非结构化数据处理框架
在云上，OSS、OTS存储非结构化数据情况变多，比如在OSS上存储视频、音频、图像，在OTS上存储文本、标签等。我们希望在这个过程中能够进行进一步的计算，比如希望OSS存储的CSB文本文件能够在MaxCompute上直接对其进行计算。再比如，在OSS上存储的大量音频文件按照表的方式对其进行处理，对音轨进行分析，进而把分析结果结构化写到MaxCompute里，这样就完成了非结构化数据到结构化数据的转换。MaxCompute 2.0提供了外部表的方式，可以将OSS上的bucket映射成一个外部表来进行表式的处理。OTS也类似。
社区兼容与生态连接
对数据做了基本的加工处理之后，更多的处理要依赖生态工具。阿里云MaxCompute从三个层面提供开放方案。
MaxCompute多租户机制
数据安全是上云前需要慎重考虑的事情。MaxCompute从刚开始就面对多个BU、多个项目要安全共享数据的天然诉求，沉淀了一整套更细粒度的授权体系。基于项目的方式，让更多的安全得到控制的一个非常重要的原则是最小化原则：仅仅授权给最小需要数据的人，在企业里做到权责分离。上图中，中间的project可以认为是MaxCompute拥有的数据库，下面可以有多个部门去使用，但是通过不同的授权方式让不同的部门得到合理的授权，确保数据安全的权限下发到最小的部门。右下角的共享数据是所有部门都可以看到的。
高性能带来了低成本的优势，上图展示了MaxCompute和一款EMR产品的对比。
MaxCompute应用
构建完整的大数据应用架构
整个架构分为五个部分，包括数据采集、数据集成、数据开发、数据运维、数据应用的工具。基于阿里云数加平台，怎么构建完整的大数据应用架构呢？首先得支持各种数据源，得有统一的、一站式的大数据开发工具来为我们提供数据开发、数据运维、治理等。此外，基于云服务有插件管理工具、大数据计算服务为我们提供计算引擎、数仓共享平台，实现数仓应用。
上图详细介绍了五部分中阿里云提供的产品所属的位置。MaxCompute处于整个计算平台的核心位置。其前面提供了基于云上数据、云下数据通过各种开放的方式集成到阿里云中、进行统一管理。Data IDE也为我们提供三个方面的能力支持。最后是推荐、BI报表分析、个性化展现的部分。
构建新型数据仓库
数据来源是基于阿里云的ECS、RDS、OSS，通过VPC和现有的数据中心打通，通过Data IDE的数据管理功能同步上来做数据仓库，进一步来做开发。MaxCompute区别于其他大数据平台，其SQL功能是内置的。
实现个性化推荐
在各种手机APP上，都有推荐功能。借助于机器学习，加上MaxCompute和推荐引擎就能一起构建个性化推荐方案。
使用效果
在阿里云上，已经有众多的客户使用MaxCompute，并且获益。
总结
新型的数据仓库平台发展到今天已经不是一个新的话题。在今天，我们更多的关注生产环节的事情、开发效率的问题。从这两个方面，选择MaxCompute的理由可以总结为：高性能带来的高性价比，整个运行和生产环节的稳定性，数据共享和安全的平衡，应用开发的复杂度，基于数加平台构建应用的方便。