【大数据架构（3）】Lambda vs. Kappa Architecture-选择你需要的架构

比较总览

• Lambda architecture uses separate batch and stream processing systems, making it scalable and fault-tolerant but complex to set up and maintain (as it duplicates processing logic).
• Kappa architecture simplifies the pipeline with a single stream processing system as it treats all data as streams, providing flexibility and ease of maintenance, but requires experience in stream processing and distributed systems.

Lambda architecture is well-suited when companies have mixed requirements for stream and batch processing, e.g., for real-time analytics and multiple batch processing tasks or data lakes, while Kappa architecture is ideal for continuous data pipelines, real-time data processing, and IoT systems.

一. Data Processing Architectures

数据处理架构被设计为处理数据摄入、处理、以及存储大数据量。这使得组织可以从数据中分析、抽取出有价值的洞察，这帮助他们提高决策，优化操作以及驱动生长。

如下有lamba和kappa架构，都可用于处理不同类型的数据。企业需要考虑他们的数据处理需求，以便找到合适的架构来实现他们的目标和需求。

 

1. Lambda Architecture

1.1. 架构说明

lambda架构提供了一个用于处理大数据的可拓展、容错和灵活的系统，这是Nathan Marz在2011提出的，主要用于解决处理实时需求。

lamba架构使用两个处理系统来处理实时和离线任务。离线系统处理批数据，并存储在例如数据仓库，或分布式文件系统中。实时系统用于处理实时数据，并存储在分布式数据层。

 

lamba架构中，有四层，用于处理和存储大数据，如下：

a. Data Ingestion Layer

这层用于收集和存储数据，比如log日志，传感器、消息队列和API等。数据通常是实时摄取的，并同时被送入批处理层和速度层。

 

b. Batch Layer (Batch processing)

批处理层用于处理大数据并存储到数据仓库、或分布式文件系统中。此层可以使用hadoop或spark来处理数据。批处理层用于处理大数据，并提供所有数据的完整视图。

 

c. Speed Layer (Real-Time Data Processing)

速度层用于处理实时数据，并存储到例如消息队列或者NoSQL数据库中。此层可以使用FLink或storm。流数据层用于处理大数据流，并提供最新的数据视图。

d. Serving Layer

服务层是 Lambda 架构的一个组件，负责实时向用户提供查询结果。通常作为批处理层和流处理层之上的一层实现。它通过查询层访问，该层允许用户使用查询语言（例如 SQL 或 Apache Hive 的 HiveQL）查询数