內容簡介
大數據是當前最為流行的熱點概念之一，其已由技術名詞衍生到對很多行業產生顛覆性影響的社會現象，作為最明確的技術發展趨勢之一，基於大數據的各種新型產品必將會對每個人的日常生活產生日益重要的影響。 《大數據日知錄：架構與算法》從架構與算法角度全面梳理了大數據存儲與處理的相關技術。大數據技術具有涉及的知識點異常眾多且正處於快速演進發展過程中等特點，其技術點包括底層的硬體體系結構、相關的基礎理論、大規模數據存儲系統、分散式架構設計、各種不同套用場景下的差異化系統設計思路、機器學習與數據挖掘並行算法以及層出不窮的新架構、新系統等。《大數據日知錄：架構與算法》對眾多紛繁蕪雜的相關技術文獻和系統進行了擇優汰劣並系統性地對相關知識分門別類地進行整理和介紹，將大數據相關技術分為大數據基礎理論、大數據系統體系結構、大數據存儲，以及包含批處理、流式計算、互動式數據分析、圖資料庫、並行機器學習的架構與算法以及增量計算等技術分支在內的大數據處理等幾個大的方向。通過這種體系化的知識梳理與講解，相信對於讀者整體和系統地了解、吸收和掌握相關的優秀技術有極大的幫助與促進作用。
《大數據日知錄：架構與算法》的讀者對象包括對NoSQL 系統及大數據處理感興趣的所有技術人員，以及有志於投身到大數據處理方向從事架構師、算法工程師、數據科學家等相關職業的在校本科生及研究生。
作者簡介
張俊林是技術書籍《這就是搜尋引擎：核心技術詳解》（該書榮獲全國第十二屆輸出版優秀圖書獎）的作者，目前擔任暢捷通智慧型平台總監。在此之前，張俊林曾經在阿里巴巴搜尋技術中心、百度商務搜尋部鳳巢廣告平台以及新浪微博搜尋部及數據系統部擔任資深技術專家，新浪微博技術委員會成員，負責算法策略方向。他還曾是智慧型信息聚合網站“玩聚網”的聯合創始人之一。他的研發興趣集中在：搜尋技術、推薦系統、社交挖掘、自然語言處理與大數據算法架構等方面，並在以上領域有多年工業界實踐經驗。
張俊林本科畢業於天津大學管理學院，1999年至2004年在中科院軟體所直接攻讀博士學位，研究方向是信息檢索理論與自然語言處理，就學期間曾在ACL/COLING/IJCNLP等國際頂級會議發表多篇學術論文，另外，他在此期間領導設計的搜尋系統曾在美國國防部DARPA主持的TREC第二屆高精度檢索系統評測中在17支國際高水平研究團隊激烈競爭中勝出，並取得綜合排名第一名的優異成績。
目錄
第0 章 當談論大數據時我們在談什麼................ 1
0.1 大數據是什麼.......................... 2
0.2 大數據之翼：技術范型轉換......................................... 4
0.3 大數據商業鍊金術................................ 6
0.4 “大數據”在路上................................................... 7
第1 章 數據分片與路由.............................................. 9
1.1 抽象模型.......................................................10
1.2 哈希分片（Hash Partition） ..............................11
1.2.1 Round Robin....................................11
1.2.2 虛擬桶（Virtual Buckets） ..........................12
1.2.3 一致性哈希（Consistent Hashing） ...........................13
1.3 範圍分片（Range Partition） ......................................18
參考文獻......................................19
第2 章 數據複製與一致性................................................20
2.1 基本原則與設計理念............................21
2.1.1 原教旨CAP 主義..............................................21
2.1.2 CAP 重裝上陣（CAP Reloaded）.............................23
2.1.3 ACID 原則...............................................24
2.1.4 BASE 原則.................................................24
2.1.5 CAP/ACID/BASE 三者的關係...........................25
2.1.6 冪等性（Idempotent）........................................26
2.2 一致性模型分類.................................................26
2.2.1 強一致性............................................27
2.2.2 最終一致性........................................28
2.2.3 因果一致性.............................28
2.2.4 “讀你所寫”一致性....................................29
2.2.5 會話一致性....................................29
2.2.6 單調讀一致性..............................................30
2.2.7 單調寫一致性.....................................................30
2.3 副本更新策略...........................30
2.3.1 同時更新..........................................30
2.3.2 主從式更新.....................................31
2.3.3 任意節點更新......................................32
2.4 一致性協定...........................................................32
2.4.1 兩階段提交協定（Two-Phrase Commit，2PC）..........................33
2.4.2 向量時鐘（Vector Clock） ..............................38
2.4.3 RWN 協定.................................................40
2.4.4 Paxos 協定.............................................42
2.4.5 Raft 協定.............................................45
參考文獻................................................49
第3 章 大數據常用的算法與數據結構....................................51
3.1 布隆過濾器（Bloom Filter） ............................51
3.1.1 基本原理.............................................52
3.1.2 誤判率及相關計算..........................................52
3.1.3 改進：計數Bloom Filter....................................53
3.1.4 套用............................................54
3.2 SkipList............................................55
3.3 LSM 樹........................................58
3.4 Merkle 哈希樹（Merkle Hash Tree） .............................62
3.4.1 Merkle 樹基本原理..................................................62
3.4.2 Dynamo 中的套用.........................................63
3.4.3 比特幣中的套用..................................................63
3.5 Snappy 與LZSS 算法..........................................65
3.5.1 LZSS 算法.............................................65
3.5.2 Snappy..........................................67
3.6 Cuckoo 哈希（Cuckoo Hashing） ..................................67
3.6.1 基本原理...............................................68
3.6.2 套用：SILT 存儲系統.........................................68
參考文獻...................................................70
第4 章 集群資源管理與調度.......................................71
4.1 資源管理抽象模型...................................72
4.1.1 概念模型....................................72
4.1.2 通用架構...............................................73
4.2 調度系統設計的基本問題.....................................74
4.2.1 資源異質性與工作負載異質性............................74
4.2.2 數據局部性（Data Locality） ........................................75
4.2.3 搶占式調度與非搶占式調度...................................75
4.2.4 資源分配粒度（Allocation Granularity） .............76
4.2.5 餓死（Starvation）與死鎖（Dead Lock）問題...........................76
4.2.6 資源隔離方法........................................77
4.3 資源管理與調度系統范型.............................77
4.3.1 集中式調度器（Monolithic Scheduler）.......................78
4.3.2 兩級調度器（Two-Level Scheduler） .........................79
4.3.3 狀態共享調度器（Shared-State Scheduler） ....................79
4.4 資源調度策略...............................................81
4.4.1 FIFO 調度策略..........................................81
4.4.2 公平調度器（Fair Scheduler）......................81
4.4.3 能力調度器（Capacity Scheduler） ..........................82
4.4.4 延遲調度策略（Delay Scheduling）............................82
4.4.5 主資源公平調度策略（Dominant Resource Fair Scheduling）.............82
4.5 Mesos .................................84
4.6 YARN......................................87
參考文獻..............................................90
第5 章 分散式協調系統...................................91
5.1 Chubby 鎖服務...............................92
5.1.1 系統架構........................................93
5.1.2 數據模型..................................94
5.1.3 會話與KeepAlive 機制...............................95
5.1.4 客戶端快取.......................................95
5.2 ZooKeeper ................................96
5.2.1 體系結構...........................................96
5.2.2 數據模型（Data Model） .............................97
5.2.3 API ...............................98
5.2.4 ZooKeeper 的典型套用場景..................................98
5.2.5 ZooKeeper 的實際套用.......................................103
參考文獻...................................104
第6 章 分散式通信..............................106
6.1 序列化與遠程過程調用框架..................................107
6.1.1 Protocol Buffer 與Thrift .....................108
6.1.2 Avro...............................109
6.2 訊息佇列.....................................110
6.2.1 常見的訊息佇列系統......................................110
6.2.2 Kafka .......................111
6.3 套用層多播通信（Application-Level Multi-Broadcast）........114
6.3.1 概述...............................114
6.3.2 Gossip 協定...........................115
參考文獻..........................118
第7 章 數據通道.........................................120
7.1 Log 數據收集.................................120
7.1.1 Chukwa........................121
7.1.2 Scribe......................122
7.2 數據匯流排......................................123
7.2.1 Databus............................125
7.2.2 Wormhole .......................127
7.3 數據導入/導出...........................................128
參考文獻.............................129
第8 章 分散式檔案系統....................................131
8.1 Google 檔案系統（GFS） .................................132
8.1.1 GFS 設計原則...........................................132
8.1.2 GFS 整體架構..............................133
8.1.3 GFS 主控伺服器..................................134
8.1.4 系統互動行為.................................136
8.1.5 Colossus ........................137
8.2 HDFS ..........................138
8.2.1 HDFS 整體架構.................................139
8.2.2 HA 方案..............................140
8.2.3 NameNode 聯盟........................143
8.3 HayStack 存儲系統....................................145
8.3.1 HayStack 整體架構.................................146
8.3.2 目錄服務..................................147
8.3.3 HayStack 快取...........................................148
8.3.4 HayStack 存儲系統的實現...............................148
8.4 檔案存儲布局.........................................150
8.4.1 行式存儲........................................151
8.4.2 列式存儲...........................................151
8.4.3 混合式存儲........................................156
8.5 糾刪碼（Erasure Code）.............................158
8.5.1 Reed-Solomon 編碼...............................159
8.5.2 LRC 編碼.....................................164
8.5.3 HDFS-RAID 架構.........................166
參考文獻.....................................166
第9 章 記憶體KV 資料庫...................................168
9.1 RAMCloud ..............................169
9.1.1 RAMCloud 整體架構................................169
9.1.2 數據副本管理與數據恢復................................170
9.2 Redis....................................172
9.3 MemBase ...............................173
參考文獻................................................175
第10 章 列式資料庫...........................................176
10.1 BigTable....................................177
10.1.1 BigTable 的數據模型..........................177
10.1.2 BigTable 的整體結構................................178
10.1.3 BigTable 的管理數據.............................179
10.1.4 主控伺服器（Master Server）......................181
10.1.5 子表伺服器（Tablet Server） ....................182
10.2 PNUTS 存儲系統........................................186
10.2.1 PNUTS 的整體架構..............................186
10.2.2 存儲單元...............................187
10.2.3 子表控制器與數據路由器..................................187
10.2.4 雅虎訊息代理.............................188
10.2.5 數據一致性.........................................189
10.3 MegaStore..................................................190
10.3.1 實體群組切分......................191
10.3.2 數據模型........................................192
10.3.3 數據讀/寫與備份.................................193
10.4 Spanner .........................................194
10.4.1 SpanServer 軟體棧.........................................195
10.4.2 數據模型.........................................196
10.4.3 TrueTime ...........................................196
參考文獻..............................................197
第11 章 大規模批處理系統...................................199
11.1 MapReduce 計算模型與架構................................200
11.1.1 計算模型.......................................201
11.1.2 系統架構......................................203
11.1.3 MapReduce 計算的特點及不足......................................206
11.2 MapReduce 計算模式...........................206
11.2.1 求和模式（Summarization Pattern）................207
11.2.2 過濾模式（Filtering Pattern） ................208
11.2.3 組織數據模式（Data Organization Pattern） .....................210
11.2.4 Join 模式（Join Pattern）......................212
11.3 DAG 計算模型..........................................214
11.3.1 DAG 計算系統的三層結構............................214
11.3.2 Dryad .......................................215
11.3.3 FlumeJava 和Tez ........................................217
參考文獻...........................................218
第12 章 流式計算........................................219
12.1 流式計算系統架構....................................222
12.1.1 主從架構............................................222
12.1.2 P2P 架構.....................................................223
12.1.3 Samza 架構..........................................224
12.2 DAG 拓撲結構..........................................224
12.2.1 計算節點.....................................................225
12.2.2 數據流..............................................226
12.2.3 拓撲結構..................................226
12.3 送達保證（Delivery Guarantees）..............................229
12.3.1 Storm 的送達保證機制.................................230
12.3.2 MillWheel 的“恰好送達一次”機制...........................233
12.4 狀態持久化...........................................234
12.4.1 容錯的三種模式....................................234
12.4.2 Storm 的狀態持久化.......................................236
12.4.3 MillWheel 和Samza 的狀態持久化......................237
參考文獻............................................238
第13 章 互動式數據分析...................................240
13.1 Hive 係數據倉庫.................................242
13.1.1 Hive .....................................242
13.1.2 StingerInitiative ................................250
13.2 Shark 係數據倉庫..................................251
13.2.1 Shark 架構.........................................252
13.2.2 部分DAG 執行引擎（PDE） ........................253
13.2.3 數據共同分片.........................................254
13.3 Dremel 係數據倉庫...................................254
13.3.1 Dremel...........................255
13.3.2 PowerDrill ..........................258
13.3.3 Impala.................................261
13.3.4 Presto...............................264
13.4 混合係數據倉庫......................................265
參考文獻.................................269
第14 章 圖資料庫：架構與算法................................271
14.1 線上查詢類圖資料庫...........................272
14.1.1 三層結構.........................272
14.1.2 TAO 圖資料庫.................................273
14.2 常見圖挖掘問題..........................................277
14.2.1 PageRank 計算.......................................278
14.2.2 單源最短路徑（Single Source Shortest Path） ..................278
14.2.3 二部圖最大匹配.............................279
14.3 離線挖掘數據分片..............................................279
14.3.1 切邊法（Edge-Cut）......................................280
14.3.2 切點法（Vertex-Cut）...............................282
14.4 離線挖掘計算模型...................................284
14.4.1 以節點為中心的編程模型..........................284
14.4.2 GAS 編程模型...........................................285
14.4.3 同步執行模型.....................................286
14.4.4 異步執行模型...................................290
14.5 離線挖掘圖資料庫.................................292
14.5.1 Pregel..........................292
14.5.2 Giraph...............................299
14.5.3 GraphChi ............................301
14.5.4 PowerGraph.......................307
參考文獻.......................................311
第15 章 機器學習：范型與架構.........................................313
15.1 分散式機器學習...........................................314
15.1.1 機器學習簡介.............................................314
15.1.2 數據並行VS.模型並行.....................................316
15.2 分散式機器學習范型.....................317
15.2.1 三種范型...................................318
15.2.2 MapReduce 疊代計算模型........................319
15.2.3 BSP 計算模型...................................321
15.2.4 SSP 模型............................323
15.3 分散式機器學習架構...................................324
15.3.1 MapReduce 系列..................................325
15.3.2 Spark 及MLBase ..........................................327
15.3.3 參數伺服器（Parameter Server）.............332
參考文獻................................................335
第16 章 機器學習：分散式算法...............................337
16.1 計算廣告：邏輯回歸.......................................338
16.1.1 邏輯回歸（Logistic Regression，LR）.............................338
16.1.2 並行隨機梯度下降（Parallel Stochastic Gradient Descent）............341
16.1.3 批學習並行邏輯回歸..................................341
16.2 推薦系統：矩陣分解................................................344
16.2.1 矩陣分解方法.......................................344
16.2.2 ALS-WR 算法............................................346
16.2.3 並行版ALS-WR 算法..............................347
16.3 搜尋引擎：機器學習排序................................347
16.3.1 機器學習排序簡介.................................348
16.3.2 LambdaMART.................................349
16.3.3 分散式LambdaMART........................................351
16.4 自然語言處理：文檔相似性計算.......................................352
16.5 社交挖掘：譜聚類.................................355
16.5.1 社交挖掘實例...............................355
16.5.2 譜聚類....................................356
16.5.3 並行版譜聚類..........................................358
16.6 深度學習：DistBelief .............................................358
16.6.1 深度學習簡介........................................359
16.6.2 DistBelief.....................360
參考文獻.........................................364
第17 章 增量計算..........................................366
17.1 增量計算模式...........................367
17.1.1 兩種計算模式...............................367
17.1.2 Hadoop 平台下增量計算的一般模式.............................368
17.2 Percolator................................370
17.2.1 事務支持..........................................371
17.2.2 “觀察/通知”體系結構...........................373
17.3 Kineograph ............................374
17.3.1 整體架構.........................................375
17.3.2 增量計算機制....................................375
17.4 DryadInc ....................................376
參考文獻..............................................................377
附錄A 硬體體系結構及常用性能指標......................................378
附錄B 大數據必讀文獻....................................380
書評
從覆蓋面上看，這本書還是涉及到很廣的知識點。但從編排和講解角度看，除了很多清單圖譜也都是直接抓現成的。當然也不能全怪作者，畢竟講邏輯的東西如果要畫圖細說那這本書估計再寫個幾年也完不成。
現在世面上十分流行這種筆記型的技術書。作者們把自己多年掌握的知識、技能、心得整理一下，總結寫下來就能出書了，然後找些名人寫個推薦序。其實這些書更像是集大成的部落格。如果以“能從書中找到自己需要的內容”這個角度看，那么無疑這些書都算對得起標題和價錢。但要說好不好，我覺得就得看這本書有沒有留下思考的痕跡，而我在這本書里似乎看到更多是各種內容的拼接。
我覺得如果就大數據思路進行深入的講解，可以把架構和算法分開細說，尤其是算法多介紹基礎即可。這本書對大部分人來說恐怕都直接用不上，比較適合深入提高時候作為目錄指引。
