而在面對大數(shù)據(jù)業(yè)務時，筆者可以列出九個長久以來一直令人頭痛的問題，時至今日它們依然存在著并困擾著無數(shù)用戶。

大數(shù)據(jù)痛點一號：GPU編程仍未得到普及

CPU的使用成本仍然較為昂貴，至少與GPU相比要貴得多。如果我們能夠面向GPU開發(fā)出更理想的執(zhí)行標準以及更多表現(xiàn)出色的驅動程序，那么相信一個新的市場將由此誕生。就目前來講，GPU的使用成本優(yōu)勢并沒能得到很好的體現(xiàn)，這是因為我們難以針對其進行編程，而且?guī)缀鯖]辦法在不建立特定模型的前提下完成這項任務。

這種情況類似于，有些人希望編寫出類似于ODBC或者JDBC的代碼來處理某些高強度工作，并說服AMD或者英偉達將業(yè)務著眼點放在顯卡產(chǎn)品之外。假設我們原本已經(jīng)習慣了使用Spark實現(xiàn)各類計算任務，而且壓根不覺得這么做有什么問題; 但仿佛在一夜之間，其他人都開始構建所謂“GPGPU”集群，這自然會讓我們有點措手不及之感。

不少技術人員都開始在這方面做出探索，但要想真正讓成果實現(xiàn)市場化，我們至少需要搞定兩大競爭對手——AMD以及英偉達，也許再加上英特爾。除非它們愿意聯(lián)手合作，否則如果繼續(xù)像現(xiàn)在這樣把技術保密看作市場成功的實現(xiàn)途徑，那么問題永遠也找不到理想的答案。

大數(shù)據(jù)痛點二號: 多工作負載縮放

我們擁有Docker。我們擁有Yarn。我們還擁有Spark、Tez、MapReduce以及未來可能出現(xiàn)的一系列技術方案。我們還擁有多種資源池化實現(xiàn)工具，其中包含各類不同優(yōu)先級及其它設定。如果大家選擇部署一個Java war文件，則可以在PaaS上進行“自動伸縮”。但如果大家希望在Hadoop上實現(xiàn)同樣的效果，那么情況就不太一樣了。

再有，存儲與處理體系之間的交互該如何處理?有時候大家需要以臨時性方式對存儲資源進行擴展與分發(fā)。筆者應該有能力運行自己的“月末統(tǒng)計”批量任務并將 Docker鏡像自動部署到任意指定位置。而在筆者的任務完成之后，系統(tǒng)應當對其進行反部署，并將資源重新分配給其它工作負載。應用程序或者工作負載應該根本不需要在這方面浪費太多精力。

但目前這些要求尚無法實現(xiàn)。筆者希望大家習慣了編寫Chef方案與腳本，因為這是達到以上目標的惟一辦法。

大數(shù)據(jù)痛點三號: NoSQL部署更令人頭痛

為什么筆者已經(jīng)能夠利用ssh與sudo將鏡像導入Linux設備、為其指定Ambari并安裝像Hadoop這樣復雜度極高的項目，但卻仍然需要在 MongoDB以及大部分其它數(shù)據(jù)庫的部署工作中浪費時間與精力?當然，筆者也可以編寫Chef自動化方案，但恕筆者仍對此無法認同。

大數(shù)據(jù)痛點四號：查詢分析器/修復器

當初在使用JBoss的時候，筆者曾經(jīng)對Hibernate以及后來的JPA/EJB3進行過大量調試。具體來講，主要工作包括查看日志記錄、找出存在n+1類查詢的位置、將其納入join并移除可能影響運行效果的糟糕緩存配置。

但有時候情況又完全相反：我們可以將每一套需要的表添加到系統(tǒng)當中，但其返回速度卻慢得讓人抓狂。有時候，筆者打算在復雜程度更高的系統(tǒng)之上查看 Oracle Enterprise Manager及其分析結果，但返回的報告卻完全是一堆胡言亂語——這意味著其中存在問題。不過筆者可以同時著眼于兩套始終共同協(xié)作的表，并據(jù)此找到分析當中存在的規(guī)律。筆者甚至考慮過利用編程方式解決問題。

而現(xiàn)在，每次對NoSQL系統(tǒng)進行調整時，筆者都會發(fā)現(xiàn)上述問題以不同形式表現(xiàn)出來：要么是跳轉次數(shù)太多、要么是查詢太過復雜，有時候我們的索引無法與 where子句(即范圍合并)相匹配。簡而言之，我們將大量精力投入到了糟糕或者復雜查詢的優(yōu)化當中，但除了開發(fā)者培訓課程、我們似乎從來不會對這些查詢本身提出質疑。這套系統(tǒng)似乎有種魔性，它同用戶的關系類似于：“嘿，你發(fā)來了這些查詢，筆者認為它們看起來應該像這樣……”

好吧，筆者猜很多從業(yè)者都以完成這些本可以通過自動化方式實現(xiàn)的工作為生。必須承認，筆者很慶幸自己已經(jīng)渡過了基層工作時期，再也不用為這些瑣事煩惱了。

大數(shù)據(jù)痛點五號: 分布式代碼優(yōu)化

筆者估計Spark當中的大量小功能及小設定會帶來第四點里提到的各類問題。在編譯器方面，大家可以編寫優(yōu)化器來檢測循環(huán)內的非依賴性操作，同時自動對其進行提取與并行化調整。筆者在分布式計算領域經(jīng)常會見到這類情況。所謂“數(shù)據(jù)科學家”們編寫出的Python代碼相當垃圾，根本沒辦法有效進行問題分配，而且會造成大量不必要的內存浪費。在這種情況下，需要由技術從牛挺身而出，嘗試理解前面那位“科學家”的想法并進行優(yōu)化。

問題在于，上述狀況幾乎跟大家在編譯原理書里看到的反而實例一模一樣。筆者猜隨著技術的不斷發(fā)展，未來Zeppelin甚至是Spark本身會站出來幫助大家修復糟糕的代碼，并保證其與集群順暢協(xié)作。

大數(shù)據(jù)痛點六號：分布式名不副實

筆者得承認，筆者對Hadoop的第一印象就是在Hive當中輸入select count(*) from somesmalltable。筆者覺得這種使用方式真的非常差勁。大家會發(fā)現(xiàn)其中存在問題，并意識到其分布效果并不理想。有些朋友甚至不必參考其它數(shù)據(jù)(例如行數(shù))就能發(fā)現(xiàn)我們沒辦法實現(xiàn)負載分布。通常來講，這些只是整體工作當中的一部分(例如查找表)，但無論我們實際使用的是Hive、Spark、 HDFS還是YARN，其都會首先假設所有問題都已經(jīng)得到切實分發(fā)。其中部分工作需要盡可能避免被分發(fā)，因為這樣能使其運行速度更快。最讓筆者受不了的就是用select * from thousandrowtable這樣的操作拖慢MapReduce任務的運行速度。

大數(shù)據(jù)痛點七號：機器學習映射

在具體實例當中，我們都能輕松分清集群化問題、聚類問題或者其它一些歸類工作。但似乎沒人愿意解決真正有難度的部分——對業(yè)務體系中的常見部分進行映射、描述問題并通過描述映射找到應當使用的具體算法。

除了金融行業(yè)之外，只有10%到30%的企業(yè)能夠保持有不同于行業(yè)常規(guī)情況的特色——換言之，我們可以將銷售、市場推廣、庫存、勞動力等因素映射至一套通用模型，而后描述出適合使用的算法。這項工作不僅會改變我們處理業(yè)務的方式，同時也能極大擴展市場的整體規(guī)模。我們可以將其視為一種面向大數(shù)據(jù)的設計模式，只不過其更多是在強調業(yè)務方面的內容。

大數(shù)據(jù)痛點八號：安全性

首先，為什么我們只能通過Kerberos實現(xiàn)單點登錄?云Web環(huán)境之下根本沒有類似于Kerberos的方案可用。

其次，廠商之間奇怪的競爭方式對Hadoop造成了極大的扭曲，而這對任何人都不是件好事。在涉及到基礎性身份驗證及授權層面時，我們不得不使用兩套完全不同的堆棧，才能為Hadoop的全部組成部分提供安全性支持。加密方面的產(chǎn)品競爭筆者還可以理解(各類方案都在以更小、更快、更強為發(fā)展目標)，但無論是選擇Ranger、Sentry或者是其它什么方案，為什么我們就不能擁有一套足以涵蓋全部Hadoop項目的驗證機制?公平地講，大數(shù)據(jù)領域目前的狀況比NoSQL還要糟糕; 隨便拉來一家宣稱“我們熱愛開源”的企業(yè)都能在自己“企業(yè)級”專用版本的LDAP集成部分當中塞進幾百行開源代碼。

大數(shù)據(jù)痛點九號：提取、轉換與加載

提取、轉換與加載(簡稱ETL)可以說是每個大數(shù)據(jù)項目當中悄無聲息的預算殺手。我們都很清楚自己到底需要利用大數(shù)據(jù)技術做些什么，但相較于將注意力集中在業(yè)務需求身上，現(xiàn)在我們首先得搞定Flume、Oozie、Pig、Sqoop以及Kettle等等。之所以面臨這樣的情況，是因為我們的原始數(shù)據(jù)往往處于混亂的狀態(tài)。但真正令人驚訝的是，沒有哪家廠商愿意拿出一套無縫化處理方案來。雖然解決這類問題沒辦法讓你拿到諾貝爾獎，但卻能夠切實幫助到廣大大數(shù)據(jù)技術用戶。