數據源：原始數據，支持各種類型的數據，如結構化數據，RDBMS、NOSQL、MQ中的數據，也可能是各種半結構化的數據，如HTML、PDF、TEXT等各種文檔或音頻、視頻等多媒體數據。同時，系統(tǒng)也支持配置URL，通過互聯(lián)網爬取的網頁數據。
知識管理：知識管理的核心在于對多源異構的數據建立統(tǒng)一的模型，并將不同的源數據映射到統(tǒng)一的知識模型上，最后配置知識的融合規(guī)則與沖突解決規(guī)則，以形成統(tǒng)一的知識體系。
知識存儲：核心的知識庫，原始數據經過離線或實時ETL處理后的轉換為知識，并與庫中存量數據按照模型的配置進行知識拉通、融合、沖突解決后，供上游系統(tǒng)消費。
后臺管理：實現(xiàn)對系統(tǒng)的監(jiān)控、告警、日志審計以及資源管理、調度管理，并對采集到的數據進行統(tǒng)計分析，以改善整個動態(tài)知識圖譜的運作效率。
知識應用：支持全局知識庫聯(lián)合搜索、圖譜分析、地圖分析、知識的多維度分析、多人多機協(xié)同分析以及戰(zhàn)法分析，除通用的各種分析手段外，還支持特定行業(yè)的定制化分析應用。
由上可知，整個架構中最重要的部分為以知識管理為核心的知識圖譜建模方式，以及知識存儲為核心的動態(tài)存儲設計，本文也將著重對以上兩點進行解讀。
以知識管理為核心的知識圖譜建模
本體模型是數據世界對現(xiàn)實世界的映照，同時也是一種數據的分類、建模方式。在實際項目中，用戶面對著海量多源的、異構的數據，非常難以進行數據分析。
為了解決這一問題，本項目引入了本體模型，對異構數據進行統(tǒng)一建模，并在字段級別進行了歸一化，多源異構數據源通過抽取、轉換、清洗變成統(tǒng)一的本體模型后，可為上層應用或分析人員暴露更加友好的接口，從而提供便利。
值得注意的是，在本項目中，本體模型是由業(yè)務人員進行配置的。業(yè)務人員可以建立四種類型的本體，包括實體、事件、文檔、關系，具體解釋如下：
實體：能夠獨立存在的人或事物，例如：
1. 人物: 凡是可以用于標識“人”的東西，都可以當作人物，包括虛擬的社交賬號，實際中的手機號，具體的人等；
2. 物品: 包括真實的手機，電腦，各種真實物品；也包括IM工具，各類軟件等虛擬物品；
3. 組織: 包括真實的各類組織，如ISIS組織，政府單位，慈善組織等各類真實的組織；也包括QQ群，聊天室等各類虛擬組織；
4. 位置: 包括某具體的地理位置，如政府大樓；也包括LAC地址，IP地址等虛擬空間。
事件：有時間屬性，視為一種特殊的關系，用于連接實體與實體，實體與文檔。本項目中，事件主要指現(xiàn)實生活中的內容，如發(fā)郵件、發(fā)短信、轉發(fā)帖子、發(fā)表評論等。
文檔：文檔特指非結構化文檔，如郵件中的各種格式的附件，包括但不限于PDF文檔、Word文檔，以及各種格式的視頻、音頻。
關系：用于連接實體之間，實體與事件、文檔等的相互關系，如人與人之間的親屬關系，人與物品之間的擁有關系，人與事件之間的主導關系。
在創(chuàng)建本體時，不光要指定本體的類型，還需要對本體所包含的字段與對應的字段類型進行配置，從而進行字段級別的歸一化。此項目支持的字段類型有date、long、int、double、string和geo。特殊字段還會進行數值的歸一化，如時間格式有多種表現(xiàn)形式，這里會轉換為統(tǒng)一的形式，方便后續(xù)處理。
以車管所數據為例，通過車管所的數據可以建立一種人-車-罰單的本體模型，人與車之間為擁有關系；人與罰單之間通過“闖紅燈”事件相連接，而罰單本身則以文檔的形式展現(xiàn)。完成本體模型后，就完成了對元數據的描述。
接下來，就需要將真實的數據映射到本體模型上。同時，要在字段級別上對多源異構數據進行歸一化。還以車管數據為例，具體過程如下圖所示，可以看出，通過本體映射將車管所3張表的數據映射到了 7個本體上（2個實體、3個關系、1個事件和1個文檔），并將車主名稱和姓名進行了統(tǒng)一，將日期的不同表示方式進行了歸一化。
通過以上建模過程，在應用側就建立了一個多源數據的統(tǒng)一的邏輯視圖，即從分析人員的角度對所有數據構建成了一個圖模型，分析人員無需關注底層數據源差異和存儲細節(jié)，只需關注如何在此圖模型上進行分析即可。
對于知識庫的存儲設計，由HBase核心存儲、Elasticsearch全文索引、neo4j關系索引組成。HBase存儲了完整的數據，Elasticsearch建立全文索引方便用戶搜索，neo4j建立關系索引，以加速關系查詢。
四種數據集成架構
以上內容描述了整個數據模型構建的過程，任何數據要集成進來，必須先進行以上過程，在元數據層面進行拉通、融合。
接下來的問題就是如何將客戶的數據快速接入知識庫的存儲中去，以提供統(tǒng)一的數據查詢服務，也就是數據層面的集成。
由于數據具有多樣化特點：
從數據類型上看，存在結構化數據、半結構化數據、非結構化數據；
從業(yè)務價值上來看，又分為高價值密度數據，如賬戶信息、轉賬信息、低價值密度數據，如日志信息；
從數據規(guī)模上來看，有超大規(guī)模數據，如萬億級數據，大規(guī)模數據，如億級數據，小規(guī)模數據，如百萬級以下數據。
百分點經歷多個大型數據集成項目洗禮后發(fā)現(xiàn)，通常高價值密度的數據，數據規(guī)模都不會太大。比如公安領域的重點人員數據、卡口設備數據、網絡安全領域的高危IP、重點監(jiān)控網站等“實體”數據，此類數據特征是數據量有限，價值密度高。
而如果數據規(guī)模超過10億級，通常都是“事件”類型的數據，比如車輛通過卡口的事件、手機連wifi的事件和手機上網的HTTP日志。這類數據還有一個典型特征，就是數據量巨大且無限增長，但數據價值密度很低，通常也只關心最近一段時間的日志。
因此，針對不同的數據場景，百分點提供了不同的數據集成方法，分別應對不同場景下的數據集成需求。
整體數據集成架構如下：
小規(guī)模數據集成：這類數據往往是客戶提供了小規(guī)模的樣本，通過前臺Import功能，直接上傳各種類型的文件，即可導入。
高價值密度數據集成：通常是客戶提供的關鍵數據，這類數據首先需要業(yè)務人員根據需求進行建模，然后通過后臺離線/實時數據流將數據接入到本體庫中。
低價值密度數據集成：通常是“事件”數據，數據量極大，并有一定時效性，需要定期House Keeping。當前的實現(xiàn)方式是通過存放在外部OLAP型數據庫中，應用層通過直連的方式進行adhoc查詢，將其中有價值的數據選擇性地導入到本體庫中。
互聯(lián)網半結構化數據集成：通過給定URL，會啟動后臺爬蟲，爬取對應的網頁進入知識庫，跟存量知識進行協(xié)同分析。
實現(xiàn)“動態(tài)性”的核心邏輯
百分點動態(tài)知識圖譜實現(xiàn)“動態(tài)性”的核心邏輯在于，采用元數據與存儲分離查詢的方案，來賦予知識圖譜“動態(tài)”特性，包含數據模型的動態(tài)性、模型變更的動態(tài)性、融合的動態(tài)性和“事件”數據的動態(tài)性。
1
數據模型的動態(tài)性
由于數據模型有一個專門的后臺管理系統(tǒng)進行配置管理，業(yè)務可以根據實際客戶需求進行模型設計與數據源接入，節(jié)省了大量開發(fā)成本。
2
模型變更的動態(tài)性
進行新增字段、修改字段、刪除字段，以及模型修改的時候，在應用端不用重新導入數據。
實現(xiàn)方式如下：
本體庫中的數據元數據的存儲與物理數據的存儲是分離的，應用層查詢MySQL獲取元數據并進行緩存，然后在Elasticsearch中檢索到數據后，會在應用層的內存中進行元數據與物理數據的拼裝。
因此，當元數據變更后，只需要更新MySQL數據庫與應用層的緩存，無需對實際的物理數據進行變更。
這里需要注意的是，在Elasticsearch中存儲的是融合完成的數據。因此當融合規(guī)則變更后，需要重建索引。
3
融合的動態(tài)性
當融合規(guī)則變更后，只需要對特定表重建索引，無需重新導入用戶數據。
這是因為，在HBase中是按照每種本體類型一張表進行存儲的，而需要融合的數據必然是多個源的數據寫到HBase的一張表中，HBase的rowkey設計為MD5(PK)，而column設計為數據源ID，因此若多源數據存在相同的主鍵，則會存儲到HBase同一行的不同列中。而后續(xù)的ETL任務，則會將多列的數據按照融合規(guī)則進行融合后在Elasticsearch中建立索引。
由此可見，不同本體數據寫入互不影響，而同一本體新增數據源，若發(fā)生融合，會寫入到不同列中。此時下一次ETL任務就會用新的數據覆蓋Elasticsearch中舊的數據，完成索引重建。而當融合規(guī)則發(fā)生變更時，同樣不需要再從客戶數據源接入數據，只需要進行索引重建即可。
4
“事件”數據的動態(tài)性
由于本體庫中的數據，是固化的高價值密度數據，而“事件”數據天然是低價值密度的，并且具有時效性。
因此，為了不“污染”本體庫，在實現(xiàn)中將事件數據存放到單獨的OLAP存儲中，用戶可以進行預分析，然后將其中具有價值的部分導入到本體庫中。
受益于這種分離存儲的架構，無需對客戶數據提前進行大量轉換、融合處理，單純的寫入OLAP存儲是十分高效的，對1KB數據能輕松達到10W+ TPS。在實際的場景中，客戶當天提供的數TB數據，第二天就能完成建模、接入到應用端可見。
總結與展望
在本文中，我們介紹了如何通過知識圖譜對多源異構的數據進行數據集成，以及百分點使用知識圖譜進行數據集成的幾種方案和如何通過元數據與存儲分離查詢的方案賦予知識圖譜“動態(tài)”的特性。
從實際項目的落地情況來看，這些特性和方案無疑能很好地助力客戶落地各種場景下的數據集成、分析需求。從另一個角度講，當前方案還是有很多進步空間的，比如目前應用層的開發(fā)還需要對底層知識庫的存儲方式有很深的認識，并且應用與底層存儲耦合嚴重，若底層架構需要升級往往會影響到所有的下游應用。
未來，可將底層知識庫進行邏輯抽象，封裝出統(tǒng)一查詢層API，應用層可以像使用圖數據庫一樣使用知識庫，簡化與解耦應用層開發(fā)，也可助力快速開發(fā)行業(yè)應用。另外，外部的“事件”庫如何更好的與本體庫進行協(xié)同、統(tǒng)一管理，也是目前百分點進一步探索的方向。
