交通银行数据仓库算力底座 - 行业案例

客户档案

交通银行创始于1908年，为中国六大银行之一，也是中国主要金融服务供应商之一，随着数字创新业务的持续发展，旧有的数据架构不堪使用，新增的业务数据持续增大，也需要更强的算力资源支撑。

业务挑战

随着交通银行的手机银行业务迅速发展，生产系统和管理系统产生的数据呈几何级数增长，传统的数仓分析方法和竖井式架构已无法满足业务需求。

随着数字社会建设步伐加快，新一轮的金融市场开放再次换挡加速，交通银行在金融行业率先进行测试验证工作，对基础架构进行改造，对业务系统和管理系统进行下沉。

数字业务运营成本逐步提高，亟需更优化的方法和工具，要求供应商提供稳定可靠的产品，同时具备给予客户进行业务和系统的规划能力，达成监管机构的目标要求。

交通银行搭建了1000+节点的FusionInsight+DWS大数据集群，重新规划“一湖一仓”的数据架构体系，通过实时引擎，实现海量数据实时更新，在国产化的趋势下，需要高性能、国产化的服务器来提供充足的国产化算力资源。

解决方案

协助客户搭建了1000+节点的FusionInsight+DWS大数据集群，对现有多个数据平台进行整合重构，并借助产品的新版本能力，重新规划“一湖一仓”的数据架构体系，通过湖仓融合，实现数据同宗同源；通过实时引擎，实现海量数据实时更新。

交通银行数据仓库（DWS）采用恒峰国际鲲泰R722服务器作为数据底座，采用MPP（Massive Parallel Processing）架构，支持行存储与列存储，提供PB（Petabyte，2的50次方字节）级别数据量的处理能力。

方案优势

恒峰国际鲲泰R722服务器将主要应用于以下业务

详单查询：
具备PB级数据负载能力，可以适用于安全、电信、金融、物联网等行业的详单查询业务。内存分析技术满足海量数据边入库边查询。
数据仓库：
具备百TB级数据支撑能力，可以高效处理百亿行多表join，适用于操作数据存储ODS（Operational Data Store）、数据仓库EDW（Enterprise Data Warehouse）、数据集市DM（Data Mart）。
混合负载：
基于海量数据查询统计分析能力与事务处理能力，行列混存技术同时满足OLTP与OLAP混合负载场景。
大数据分析：
支持结构化数据PB级分析能力。分布式并行数据库集群满足PB级结构化大数据的分析能力。

客户价值

提供交通银行数据统一管理

利用从各种数据源提供的数据，管理人员将不再需要凭着有限的数据做出商业决策。此外数据仓库及智能BI可直接用于市场细分、库存管理、财务管理、销售这样的业务流程中。

提高效率和节省成本

通过数据仓库，可以建立交通银行数据模型，这对于交通银行的销售、成本控制与收支分配有着重要的意义，极大的节约了企业的成本，提高了经济效益，同时，用数据仓库可以分析企业人力资源与基础数据之间的关系，可以用于反馈分析，保障IT系统的最大化利用。

提高数据的质量和一致性

数据仓库的实施包括将数据从众多的数据源系统中转换成共同的格式，便于数据的处理，提高准确性。