Hadoop 技术在电信运营商上网日志处理中的应用架构

sdfsdnfslk

　　一、电信运营商上网日志处理的现状
　　在移动互联网如此普及的今天，每天会产生大量的上网日志，这些上网日志由于数据量巨大，产生后只能被保留3 天，就因为存储空间等原因被丢弃。目前，电信运营商只能基于CDR（详细通话记录）为主的客户行为分析可能缺失了大量的客户行为有效信息。例如，两个通话行为相似的人可能是完全不同类型的客户，如果将之同等对待，客户的接受度必然很差，浪费大量资源，并且无法取得良好的效果。这种分析，由于无法知晓通话内容，两个通话行为模式类似（例如夜间长时间的长途电话），实际通话目的及生活方式（其中一个是晚上与朋友聊天，另一个是加班需要的工作电话）完全不同的两个人往往在分析中被误归为一类，从而导致对客户的理解有较大偏差，营销效果不佳。
　　用户的上网行为中蕴含着大量的客户特征和客户需求信息，这些信息至关重要，而又是传统的CDR 话单分析所不能提供的。因此，这就要求用户的上网日志记录必须被保存，而且还需要进行数据分析挖掘处理，然后根据处理结果定义用户的行为习惯，为电信运营商实现精细化Hadoop 技术在电信运营商上网日志处理中的应用架构运营提供重要的营销依据。
　　随着Hadoop 技术平台系统的出现，可以实现上网日志的存储，同时提供数据挖掘处理功能。
　　二、上网日志数据处理方法的流程
　　上网日志数据处理方法的流程如下：
　　1．对上网日志数据的URL 地址进行提取。
　　2．对已知的URL 数据，按照基准URL 分类准则进行分类。
　　3．对未知的URL 地址，首先爬取网页数据，然后对爬取的网页数据按照网页分类模型，进行网页分类，不断优化模型，提高网页分类的准确性。
　　4．根据每个人访问网址和对应网址的网页分类，利用模型统计出每个手机号码的个人喜好，为精准营销提供依据。
　　具体流程如下图所示。

　　三、上网日志系统的技术架构方案
　　基于上述处理流程，上网日志处理系统的逻辑架构方案如下图所示。
　　针对每一部分的具体功能介绍如下。
　　数据源
　　从电信运营商系统服务器定时获取用户基本信息和上网日志信息，输入到集群HDFS 文件系统和HBase 数据库中。

　　接口层
　　接口层负责与外部系统的数据进行交换，包括用户数据、上网日志数据的采集，互联网网页内容的爬取和对外围系统提供访问接口。
　　数据接口可实现对关系型数据库，如Oracle、DB2 等的数据交换，包括采集和加载过程，同时也支持文件类型的数据，可以通过FTP 等方Hadoop 技术在电信运营商上网日志处理中的应用架构式进行采集。系统对外提供统一访问接口，具有开放性、高性能、可监控管理和安全性等特征。
　　数据层
　　数据层是分布式大数据处理平台，从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据模型，将数据加载到分布式存储中去。通过分布式计算框架可以实现数据的清洗、转换、校验和装载等过程。
　　资源层
　　由于分布式架构带来的硬件部署的复杂度，需要对物理资源层和系统平台层提供进一步的抽象，以提供自动化部署和弹性的运维能力，因此资源层实现了对物理资源的自动部署和动态扩展，对分布式集群中不同角色进行灵活部署。
　　功能层
　　功能层实现了数据处理流程模块的模块化处理，提供集群的访问控制，并负责Hadoop 集群的运行管理和系统报警日志管理。数据处理能够进行任意串并联的流程调度，并且能够控制节点的优先级、超时时间、重试次数，同时具备路由判断能力，能够在多分支的情况下通过条件进行不同的流程流转。采用异步调度策略，能够支持大并发量的调度。
　　应用层
　　负责应用功能的具体算法实现。实现了网页分类索引，通过互联网注册URL 及其类别的爬取，对数据进行统一管理，并置于持久化存储中。将其中的类别进行模块化重组，划分至对应的层次结构，如（社交-社区）大数据时代的IT 架构设计或（社交-微博），对类别进行索引。实现了词库分类管理，通过对网络热门词汇及常用词汇的爬取，根据所属类别构建分词词库。词库定期更新，不断完善。实现了用户行为统一分析，基于客户的访问行为，识别其偏好特征，根据内容偏好特征进行客户细分，并支持目标客户群提取，以便支撑营销活动，实现了URL 地址统一管理。
　　展示层
　　负责将应用功能处理结果通过Web 页面展示，并且提供交互页面，熟练使用各种应用处理功能，并对处理结果进行动态展示。
　　网络爬虫
　　负责从互联网系统中爬取网页的具体内容信息。具体处理流程是一种按照一定的规则，自动抓取万维网信息的程序或者脚本。程序从日志文件中提取URL 地址，并进行过滤、去重操作。其中过滤操作去除图片、视频、软件等内容的URL 地址；去重会把重复的URL、已经抓取的URL、已经分类的URL 地址去掉。剩下的URL 地址送入爬虫的地址库中，爬虫会根据一定的规则产生要抓取的URL 地址，然后通过MapReduce的方式并发抓取产生的URL 地址，最终把抓取到的URL 地址的内容存储到HDFS 文件系统中。
　　由于网络爬取流程需要互联网资源支持，数据处理Hadoop 集群是和电信运营商内部网络互联，而且Hadoop 集群的安全处理措施不够完善，因此，它们之间的访问需要严格控制，以保证网络部署安全。
　　在物理架构设计上，需要设计两个完整的内部集群网络，集群网络之间需要用防火墙进行访问控制。上网日志处理系统的物理网络部署拓扑如下图所示。

　　四、上网日志系统方案的优势
　　上网日志系统采用Hadoop 技术解决方案的优势有如下几点。
　　1、  Hadoop 技术方案是基于分布式基础架构，充分利用分布式两大核心技术——分布式文件系统与分布式计算框架，构建了一整套完整的分布式存储和分布式计算系统。分布式系统有着高容错性的特点，并且设计用来运行在采用X86 架构的普通PC服务器上，大大降低了服务器和存储的成本，以及数据库License 的成本，有效缓解了系统扩容带来的高成本压力。
　　2、  Hadoop 技术方案采用并行处理大数据集的软件框架。在处理大数据的时候，通过分布式计算将其任务分解并在运行的多个节点中处理。当集群中的服务器出现错误时，整个计算过程并不会终止，同时分布式大数据时代的IT 架构设计系统可保障在整个集群中发生故障错误时的数据冗余。这种设计方案可以使网络爬虫、网页分类和上网行为等模型快速、高效运行。
　　目前在国内，像天云大数据、华为、亚信等多家知名的大企业都针对上网日志处理系统按照上述架构，提出了完整的解决方案。尤其是天云大数据公司，他们依托自主研发的BDP 平台软件（包含Hadoop 平台的完整解决方案）和公司强大的算法支持团队，已经成功地在某省级运营商运行平台上部署了上网日志处理系统，为该公司的用户精准营销提供了强有力的支撑。
　　本文摘自《大数据时代的IT架构设计》