通讯运营商的O域是指卖力网络运转维护，保证网络运转质量，提拔用户利用感知的消费部分。在网络运转维护历程中，经过收罗网络运转、用户利用的各个关键的信息，包罗网元的告警、功能数据，网络设置装备摆设间的信令数据，设置装备摆设上的日记数据等，并对其举行加工处置，从而为网络计划、设置装备摆设运转、终端剖析、用户关心、商业开展等多方面提供决议计划支持。
在剖析和处置网管及其信令数据的历程中，O域数据中心次要面对如许几个方面的应战：
数据增加敏捷：随着运营商用户数的增加，信令类数据日增量增加十分快。比方：某省2012年日增8T左右的信令数据，到2022年曾经增加到日增1.4P的数据；随着网络设置装备摆设和支持商业的演进，数据源的品种和款式也变革多样。从传统布局化的的数据库表数据，到半布局化的文件和音讯，再到无布局的日记信息均需数据中心举行一致处置。
要剖析的内容多样且多变：从网络设置装备摆设到终端、到用户、到商业提供商、到商业内容都可以被O域数据中心睁开剖析；同时也要求数据中心可以疾速迭代演进以顺应运营商网络的演进和商业开展；别的运营商网络机动性和商业多样性决议了网络运维历程较为庞大，常常必要深化剖析种种非常场景下的运转形态，这也就要求数据中心可以机动应对差别范例的数据剖析历程。
为应对通讯用户日益增加的通讯需求，精密化运营曾经成为了网络运营的根本要求。O域数据中心的数据源具有剖析面向单用户商业运转状况的底子，这就要求其可以支持对特定用户题目的定位、网络妨碍影响的用户辨认、用户商业办事质量评价、用户商业支持参数调优发起、潜伏用户的发掘等数据剖析场景。
在如今快节拍的社会生存情况下，对题目的发明、商业的支持状况的监控也都提出了更高的实时性要求。早些阶段只是针对特定的VIP用户举行及时监控的场景，也曾经无法满意现在商业支持的需求了，面向全网、细分客户、细分商业、细分利用场景的监控场景在一样平常网络运营历程中都是不行短少的。
为应对以上的种种应战，O域数据中心也在渐渐演进，不停引入新的技能，从而更好的举行商业支持。从下图可以看到，体系演进次要分红了4个阶段：
以数据库为中心的数据中心：由于数据库的干系型盘算的特点使其十分合适完成数据的种种汇总剖析场景，因而，将各种数据一致会聚到数据库中以构成各种剖析后果表并终极以报表的情势展示数据是资源使用最高效的办理方案；这种架构随着数据量的增长（无论日增数据量的增长照旧存量数据的累积），中心数据库的盘算压力会越来越大，只能靠数据库软硬件的扩容来满意需求，带来了较高的本钱压力；
为缓解单体干系型数据库的盘算压力，体系演进的思绪是将盘算剖析：数据预处置的才能渐渐向ETL关键下沉，在数据入库前完成更多的盘算；CUBE经过事后结构出多维的盘算后果的形式，来缓解使用盘问数据库时的开支并延长等候时延；而数据库本身则经过利用并行处置架构来举行扩展，从而可以支持寄存更多的明细数据。但随着数据量的继续增长，通用MPP架构数据库仍然无法持续满意明细数据的存储和盘问，而CUBE在应劈面向用户级的剖析时，也存在功能瓶颈；同时由于预建模子必要预留出工夫经过批处置完成估计算的历程，端到真个数据时延较大；
大数据技能的引入，将干系型数据库从明细数据及其细粒度剖析后果中摆脱出来，使其更专注于面向使用的数据拜访，从而公道的分流了必要在数据库中处置的数据量，更多的剖析盘算历程和数据存储转移到大数据生态中完成。但大数据生态次要是面向盘算的利用场景，其提供了丰厚的批处置和流处置的盘算架构，在与使用交互时，支持才能受限；同时丰厚的大数据生态也就意味着必要学习掌握的技能较多，要利用差别的技能组件应对差别的利用场景，招致数据要利用差别的方法保管多份，才干满意终极使用的需求；
引入雪球可以低落使用侧对接大数据生态的门槛，雪球可以间接存储详单级另外明细数据，还可以支持汇总类数据的及时加载和会聚，也可以间接在详单上做种种数据盘算从而完成数据探究类剖析，同时又具有十分好的交互速率，可以补足大数据盘算平台对使用和数据剖析职员即席剖析支持的不敷；
雪球的特征：
1. 提供了极速OLAP数据剖析的才能：
a) 提供PB级剖析数据的列式存储，千亿级布局化数据高速盘问；
b) 支持大范围疾速搜刮、高并发盘问、多维度联系关系剖析；
c) 合适构建高功能及时数据堆栈；
2. 散布式并行实行：
a) 多master集群：接纳多master节点方法，消弭中心节点功能瓶颈，大幅提拔集群功能
b) 线性扩展：机动添加节点，支持腻滑扩展
c) 边读边写：支持同时写入和盘问操纵
3. 高功能数据导入：
a) 及时加载：经过Kafka及时加载数据，单节点日加载数据量超3T
b) 消弭写入瓶颈：多节点同时导入，屏障中心节点架构的瓶颈题目
c) 正本异步拷贝：多正本异步拷贝，包管数据宁静的状况下，提拔功能
4. 高功能盘问运算机制：
a) 列式存储：节流IO资源；紧缩数据；支持疾速庞大盘问；
b) LLVM：运转期间码天生，简化了条件分支；虚函数的挪用；
c) 数据紧缩：轻量化数据紧缩，在包管高功能的状况下，提供较高的紧缩比
d) 向量化实行：经过SIMD/AVX，以数据块为调理单元，构建高效剖析盘问引擎，进而减速数据处置。
依据上述雪球的特征可以看出在运营商O域数据中心中利用雪球在如许几个场景下具有分明上风：
详单存储：办理详单存储在HBase中的单一场景。利用雪球可以在满意多条件盘问的呼应速率不低于HBase+索引的状况下，还提供了即席剖析的才能，原始数据也无需在HIVE中再次存储。并且雪球的SQL剖析才能使得原来许多面向用户的剖析必要从HBase中提取用户详单后，再经过代码完成种种剖析算法的开辟形式，也转化为利用SQL间接在雪球中完成。，如许不但充实使用资源，还提拔呼应速率，低落了开辟庞大度。
及时数仓：传统的离线数仓经过预建的多维模子，将目标依照差别的维度举行统计汇总，从而在做数据剖析和运转决议计划时，可以综合思索多种差别的要素，看到这些要素对终极目标变革的影响。而随着剖析场景及时性要求不停提拔，分外是在妨碍题目剖析时，无法使用传统的离线数仓来实时统计出多维目标。大数据中的流盘算引擎受内存限定，关于数据源迟到的非常数据的容忍度绝对较弱；并且，在流盘算引擎中完成一切多维维度组合后的各项及时目标盘算，则必要支付很大的价钱。经过雪球的Kafka数据及时接入和多种增量算法，可以在雪球中完成及时数据的多维盘算，使用可间接盘问雪球中的统计后果。
准及时联系关系算法：在信令数据源的剖析场景中，常常必要做的一个算法是将差别数据源的数据，依照肯定的规矩把相干的数据兼并到一同后一致输入后，再完成响应的目标盘算。当各数据源间的数据不克不及完全包管是依照工夫次序抵达时，再加上数据的联系关系算法自己也较为庞大，通常有两种战略来完成这个场景。一个是接纳批处置的形式，延时一段工夫后，再使用批处置的算法完成联系关系。数据抵达的动摇被这个缓冲工夫所屏障，正确性较高，但实时性较差；另一个是完全在流盘算引擎中完成，这种完成机制可以包管实时性，但数据完备性会因资源限定而遭到影响。在雪球中使用其归天视图的小批次处置机制，可以在包管实时性的同时，拜访到曾经入库的存量数据。即便呈现迟到的数据，也可以在其抵达后间接到场运算，包管数据正确性和完备性。
在O域数据中心中引入雪球后，关于详单类数据的处置，无需存储两份，关于HBase盘问来说，也无需另建索引，空间节流超57%。基于详单的暂时剖析类义务，盘算时延也从原来的小时级延长到分钟级。
关于原有的批处置类联系关系盘算类需求，从原来的4小时盘算时延，延长到5分钟之内；关于原来的流处置类盘算目标需求，资源斲丧只必要原有的20%。
国产雪球数据库是国际少有的掌握PB级数据处置技能公司睿帆j9九游会的匠心之作。作为下一代大数据技能运用于电信运营商市场，曾经完成波动运转累计在网时长凌驾1200天，给各个运营商客户带来了宏大的技能厘革，支持许多商业场景从无到有的完成，也使得许多原有场景失掉更大的服从提拔，随着国产雪球数据库在运营商的愈加普遍利用，信赖会有更多的代价被发明。