企业级大数据平台架构科普（华为云 HCS / FusionInsight / MRS 视角）

Open Table of contents

1. 先建立整体认知：企业大数据平台到底在解决什么
2. 企业级大数据平台总体分层
3. 第一层：业务系统与 OLTP
- 核心理解
4. OLAP：为什么需要分析平台
5. MPP：它和 OLAP 不是同一个维度
6. 数据集成层：ETL、ELT、CDC
- 6.1 ETL
- 6.2 ELT
- 6.3 CDC
7. Kafka / 消息队列在架构中的位置
8. 数据湖：现代大数据平台的重要底座
9. 对象存储为什么成为现代数据湖底座
10. Hadoop 到底是什么
11. 实时流计算：Flink 的位置
12. 数据仓库是什么
- 注意：DWS 有两种不同含义
13. 数据湖和数据仓库不是二选一
- Lakehouse，湖仓一体
14. NoSQL 是什么
15. 图数据库为什么会独立出现
16. “全域全结构生命周期存储”怎么理解
- 16.1 全域
- 16.2 全结构
- 16.3 全生命周期
17. 数据治理为什么必须独立存在
18. 开发管理是什么
19. 数据中台到底是什么
20. 数据服务：数据中台真正输出价值的地方
21. 研究沙箱为什么金融机构常见
22. 最上层：大数据应用
23. 将已知架构模块放回总体架构
24. 华为云 / HCS / FusionInsight 常见能力映射
25. 三组最容易混淆的概念
- 25.1 数据湖、数据仓库、数据中台
- 25.2 Kafka、Flink、Spark、DWS
- 25.3 技术平台、治理平台、数据服务
26. 证券交易所场景的一条完整数据链路
27. 建议后续学习顺序
28. 最终理解目标
29. 一句话总结

1. 先建立整体认知：企业大数据平台到底在解决什么

理解企业级大数据平台，最重要的不是先背产品名，而是先把“产品名、开源组件名、技术架构名、业务能力名”分开。

很多架构交流之所以容易混乱，就是把 Kafka、Flink、Hadoop、数据湖、MPP、数据中台、数据服务放在同一个层次讨论。

可以先建立一个最核心的认知：

企业大数据平台本质上是在解决：数据从哪里来 → 怎么进来 → 存在哪里 → 怎么计算加工 → 怎么治理 → 怎么形成统一资产 → 怎么对外提供数据 → 最终支撑什么业务。

2. 企业级大数据平台总体分层

┌───────────────────────────────────────────────────────────────┐
│                      ⑧ 大数据应用 / AI应用                     │
│ 风控 │ 反欺诈 │ 营销 │ 监管报送 │ 经营分析 │ 投研 │ 智能运营    │
├───────────────────────────────────────────────────────────────┤
│                           ⑦ 数据服务                            │
│ 数据集市 │ 指标 │ 标签 │ 图谱 │ 数据API │ 自助分析 │ 研究沙箱   │
├───────────────────────────────────────────────────────────────┤
│                         ⑥ 数据资产层                            │
│ 主题域 │ 数据模型 │ 指标体系 │ 标签体系 │ 数据目录 │ 知识图谱   │
├───────────────────────────────────────────────────────────────┤
│              ⑤ 计算 / 数仓 / 湖仓 / 专用数据引擎               │
│ Spark │ Flink │ SQL/MPP │ ClickHouse │ HBase │ Graph │ AI     │
├───────────────────────────────────────────────────────────────┤
│                     ④ 统一数据存储                              │
│ 数据湖 │ 对象存储 │ HDFS │ 数仓存储 │ NoSQL │ 热温冷归档       │
├───────────────────────────────────────────────────────────────┤
│                     ③ 数据集成 / 数据接入                       │
│ ETL/ELT │ CDC │ Kafka │ 批量采集 │ 实时采集 │ 文件/日志采集     │
├───────────────────────────────────────────────────────────────┤
│                         ② 数据源                                │
│ OLTP │ 核心交易 │ Oracle/MySQL │ MQ │ 文件 │ 日志 │ IoT │ 外部数据 │
└───────────────────────────────────────────────────────────────┘

        ↑                    横向能力                     ↑
┌───────────────────────────────────────────────────────────────┐
│ 数据治理 │ 数据安全 │ 元数据 │ 血缘 │ 质量 │ 标准 │ 权限 │ 审计 │
│ 开发管理 │ 调度 │ 任务编排 │ DevOps │ 运维 │ 资源管理 │ 多租户     │
└───────────────────────────────────────────────────────────────┘

这张图可以作为以后看任何金融、证券、银行、运营商等企业级大数据平台的“坐标系”。

3. 第一层：业务系统与 OLTP

大数据平台最下面通常不是“大数据”，而是企业原有的生产业务系统。

例如证券交易所常见数据源包括：

交易系统
行情系统
会员系统
清算系统
结算系统
监管系统
财务系统
CRM
日志系统
外部市场数据

这些系统中，大量核心数据库属于：

OLTP：Online Transaction Processing，联机事务处理。

典型特征：

维度	OLTP
目标	处理业务交易
数据	当前状态、业务明细
操作	INSERT / UPDATE / DELETE / SELECT
查询	短事务、点查、简单查询
并发	很高
一致性	很重要
典型数据库	Oracle、MySQL、PostgreSQL、GaussDB

示例：

UPDATE account
SET balance = balance - 10000
WHERE account_id = 123;

这是典型 OLTP 操作。

核心理解

OLTP 负责“把业务跑起来”，大数据平台负责“把数据用起来”。

典型关系：

生产系统
   ↓
数据复制 / CDC / Kafka / ETL
   ↓
大数据平台

4. OLAP：为什么需要分析平台

和 OLTP 对应的是：

OLAP：Online Analytical Processing，联机分析处理。

例如：

SELECT
    customer_type,
    region,
    SUM(transaction_amount),
    COUNT(*)
FROM transaction
WHERE trade_date BETWEEN ...
GROUP BY customer_type, region;

如果扫描过去 5 年、数百亿甚至数千亿笔交易记录，就不适合直接在核心生产数据库上执行。

因此形成：

                 OLTP
                  │
                  │ 数据同步
                  ▼
        ┌────────────────────┐
        │   大数据/分析平台   │
        │       OLAP         │
        └────────────────────┘

可以简化记忆：

OLTP 解决业务事务，OLAP 解决分析决策。

5. MPP：它和 OLAP 不是同一个维度

MPP = Massively Parallel Processing，大规模并行处理。

它描述的是一种并行计算架构，而不是一种业务负载。

例如：

                 SQL
                  │
           Query Coordinator
                  │
       ┌──────────┼──────────┐
       ▼          ▼          ▼
     Node1      Node2      Node3
      30TB       35TB       35TB
       │          │          │
       └──────────┼──────────┘
                  ▼
               Result

因此：

OLAP = 工作负载类型
MPP  = 实现 OLAP 的一种技术架构

例如：

OLAP
 ├─ MPP 数仓
 │   └─ GaussDB(DWS)
 ├─ ClickHouse
 ├─ Spark SQL
 └─ Presto / Trino / HetuEngine

6. 数据集成层：ETL、ELT、CDC

企业数据不会自动进入大数据平台，所以必须存在数据集成层。

              数据集成
                 │
      ┌──────────┼───────────┐
      ▼          ▼           ▼
    数据库       文件         MQ
      │          │           │
      ▼          ▼           ▼
     CDC        ETL       Kafka
      │          │           │
      └──────────┼───────────┘
                 ▼
               数据湖

6.1 ETL

ETL = Extract → Transform → Load

即：

提取
 ↓
转换
 ↓
装载

例如：

Oracle
 ↓
抽取交易记录
 ↓
日期格式统一
身份证脱敏
字段映射
异常数据清洗
 ↓
数据仓库

6.2 ELT

现代数据湖、湖仓越来越多采用：

Extract
   ↓
Load
   ↓
Transform

也就是先把原始数据存入数据湖，再使用 Spark、Flink、SQL 等进行加工。

原因在于：

原始数据未来可能还有新的使用方式，因此先完整保留，再按需加工。

6.3 CDC

CDC = Change Data Capture，变更数据捕获。

如果生产数据库发生：

10:01 INSERT A
10:02 UPDATE B
10:03 DELETE C

CDC 可以通过数据库日志捕获这些变化：

Oracle / MySQL
      │
      │ redo / binlog
      ▼
     CDC
      │
      ▼
    Kafka
      │
      ▼
Flink / 数据湖 / 数据仓库

金融行业大量实时数据链路都会使用 CDC。

7. Kafka / 消息队列在架构中的位置

Kafka 不是数据库，也不是数据湖。

它属于：

分布式事件流 / 消息系统。

在企业大数据平台中，Kafka 常承担实时数据总线。

交易系统
行情系统
风控系统
日志系统
    │
    ▼
  Kafka
    │
 ┌──┼────────────┐
 ▼  ▼            ▼
Flink 数据湖      实时OLAP
 │
 ▼
实时风控

Kafka 的核心价值是解耦：

生产者 → Kafka → 多个消费者

例如一笔交易写入 Topic：

Kafka Topic: trade
        │
        ├→ 风控
        ├→ 行情分析
        ├→ 数据湖
        ├→ 监管系统
        └→ 实时指标

8. 数据湖：现代大数据平台的重要底座

传统架构通常是：

业务数据库
     ↓
    ETL
     ↓
 数据仓库

但企业中大量数据并不适合直接进入传统关系型数据仓库，例如：

JSON
日志
图片
视频
PDF
CSV
文本
语音
IoT
行情原始文件

因此产生了：

Data Lake，数据湖。

核心思想：

尽量保存企业所有类型的原始数据。

覆盖：

结构化数据
半结构化数据
非结构化数据

现代数据湖越来越多采用：

对象存储 / HDFS
        │
  ┌─────┼─────┐
  ▼     ▼     ▼
Spark Flink   SQL引擎

9. 对象存储为什么成为现代数据湖底座

过去 Hadoop 数据湖典型使用：

HDFS

云时代越来越多使用：

Object Storage

典型产品：

AWS → S3
华为云 → OBS

对象存储不是传统文件系统，而是：

Bucket
  ├─ object1
  ├─ object2
  └─ object3

通过 API / HTTP 访问。

现代架构因此逐步形成：

              OBS
        统一数据存储
              │
 ┌────────────┼──────────────┐
 ▼            ▼              ▼
Spark        Flink           DWS
 ▼            ▼              ▼
批处理       实时处理         OLAP

这就是：

存算分离。

10. Hadoop 到底是什么

一个常见误区：

Hadoop = 大数据平台。

不准确。

Hadoop 最初是一套分布式大数据基础框架。

经典核心：

Hadoop
 ├─ HDFS
 │    分布式存储
 ├─ YARN
 │    资源调度
 └─ MapReduce
      分布式计算

后来逐渐形成 Hadoop 生态：

Hadoop Ecosystem
│
├─ HDFS
├─ YARN
├─ Hive
├─ HBase
├─ Spark
├─ Flink
├─ Kafka
├─ ZooKeeper
├─ Ranger
└─ ...

可以粗略理解：

MRS 是企业级、云化、产品化的大数据/Hadoop 生态平台。

一个 MRS 集群可能包含：

HDFS
Hive
Spark
Flink
Kafka
HBase
ClickHouse
HetuEngine
Ranger

FusionInsight Manager 则承担集群统一监控、配置、权限、资源与运维管理。

11. 实时流计算：Flink 的位置

传统大数据常采用：

昨天的数据
   ↓
夜间跑 ETL
   ↓
第二天出报表

这是典型：

Batch Processing，批处理。

但是金融行业很多业务不能等待，例如：

异常交易
反洗钱
反欺诈
市场监控
实时行情
实时风险

因此需要：

交易产生
   ↓
Kafka
   ↓
Flink
   ↓
实时规则 / 实时模型
   ↓
毫秒～秒级结果

可以简化记忆：

Spark → 更偏大规模批计算
Flink → 更偏实时流计算
Kafka → 实时数据通道

现代平台越来越强调：

流批一体。

12. 数据仓库是什么

数据湖强调：

什么数据都能放。

数据仓库强调：

数据经过严格建模、组织和治理以后，用于分析。

例如金融数据仓库常按主题域建设：

客户主题
账户主题
交易主题
产品主题
机构主题
风险主题

常见数仓分层：

层次	含义
ODS	Operational Data Store，贴源/原始层
DWD	Data Warehouse Detail，明细层
DWS	Data Warehouse Summary，汇总层
ADS	Application Data Service，应用层

注意：DWS 有两种不同含义

数仓建模语境：

DWS = Data Warehouse Summary

华为云产品语境：

GaussDB(DWS) = Data Warehouse Service

二者不是一回事。

13. 数据湖和数据仓库不是二选一

对比维度	数据湖	数据仓库
数据类型	结构化、半结构化、非结构化	主要结构化
Schema	灵活	严格
原始数据	强	弱
成本	较低	相对较高
SQL分析	可以	很强
BI报表	可以	很强
数据治理	需额外增强	天然较强

因此现代架构逐渐发展为：

Lakehouse，湖仓一体

核心理念：

湖的灵活性 + 仓的事务、治理、建模、分析能力。

现代湖仓常用开放表格式：

Iceberg
Hudi
Paimon

这些技术为对象存储上的数据增加：

Schema
ACID
版本
增量读取
Time Travel

14. NoSQL 是什么

NoSQL 不是某一种数据库，而是一大类非传统关系型数据库。

类型	典型技术
Key-Value	Redis
Document	MongoDB
Wide Column	HBase / Cassandra
Graph	Neo4j / GES
Time Series	InfluxDB

例如：

客户画像
客户ID → 数百/数千个标签

或者：

数百亿条事件记录

可能更适合 HBase 等 NoSQL，而不是传统 MySQL。

MRS 中的 HBase 就属于典型的分布式 NoSQL。

15. 图数据库为什么会独立出现

关系数据库适合：

客户表
交易表
账户表

但当问题变成：

A 和 B 有什么关系？

或：

100 万个账户之间是否存在异常资金网络？

图模型更适合：

       客户A
      /     \
   手机号    银行卡
     |        |
   客户B ----账户C
      \       /
        公司D

图数据库中通常：

Node = 人 / 账户 / 公司 / 设备
Edge = 交易 / 持股 / 控制 / 联系人

金融常见应用：

反洗钱
反欺诈
关联交易
客户关系
企业关系
实控人分析
知识图谱

因此：

图数据库是针对关系网络分析的专用数据引擎。

它不是数据湖或数仓的替代品。

16. “全域全结构生命周期存储”怎么理解

这通常不是一种具体数据库，而是企业数据存储体系的总体目标。

16.1 全域

覆盖：

业务域
管理域
外部数据
互联网数据
IoT 数据

16.2 全结构

覆盖：

结构化
半结构化
非结构化

16.3 全生命周期

覆盖：

产生
 ↓
在线
 ↓
热数据
 ↓
温数据
 ↓
冷数据
 ↓
归档
 ↓
销毁

因此企业级存储通常会组合多种技术：

              企业数据
                 │
 ┌───────────────┼─────────────────┐
 ▼               ▼                 ▼
对象存储         HDFS              DWS
原始/冷数据      大数据             分析
 │
 ├───────────── HBase
 │               在线大数据
 │
 ├───────────── Graph
 │               关系数据
 │
 └───────────── Archive
                 长期归档

17. 数据治理为什么必须独立存在

如果只有：

Kafka + Spark + Flink + HDFS

严格来说只能算：

大数据技术平台。

还不能算成熟的企业数据平台。

因为真正的企业问题往往是：

这个字段是什么意思？
谁产生的？
谁负责？
是不是敏感数据？
质量怎么样？
经过哪些加工？
哪些报表用了它？
为什么两个部门的“客户数”不同？

因此必须建设：

数据标准
元数据
数据目录
数据血缘
数据质量
数据安全
权限
指标
模型
资产

例如一个“交易金额”字段，治理平台需要能够描述：

名称：交易金额
标准编码：TRADE_AMT
类型：DECIMAL(20,2)
业务定义：……
来源：核心交易系统
负责人：交易业务部
安全等级：L3
血缘：
交易系统
 → ODS
 → DWD
 → DWS
 → 风险指标

这时候数据才真正成为：

数据资产。

在华为云体系中，这类能力通常与 DataArts Studio / FusionInsight 数据治理能力对应。

18. 开发管理是什么

开发管理不要和数据治理混淆。

它主要解决：

数据工程师怎么开发、编排、发布和运行数据任务。

典型能力：

SQL 开发
Spark 开发
Flink 开发
Shell
ETL 任务
工作流
依赖关系
定时调度
补数据
版本管理
发布
运行监控
失败重跑

例如：

任务A
 │
 ▼
任务B ─────┐
 │         │
 ▼         ▼
任务C     任务D
   \       /
    ▼     ▼
     任务E

又例如金融机构夜间批处理：

01:00 拉取交易数据
01:20 清洗
02:00 客户汇总
03:00 风险指标
05:00 生成监管报表

19. 数据中台到底是什么

数据中台不是：

一个数据库
一个单独软件
一个 Hadoop 集群
一个单独的数据仓库

更准确的理解是：

数据中台是一套企业级、可复用的数据能力体系。

可以用“采、建、管、用”理解：

                      数据中台
                         │
      ┌──────────┬───────┼───────┬───────────┐
      ▼          ▼       ▼       ▼
      采          建       管       用
      │          │       │       │
数据集成      数据模型   标准    数据API
CDC           指标       质量    数据集市
Kafka         标签       血缘    标签服务
ETL           图谱       安全    自助分析
                         目录    研究沙箱

最终目的不是：

建一个更大的数据库。

而是：

把企业数据变成可复用的数据资产与数据能力。

20. 数据服务：数据中台真正输出价值的地方

如果没有数据服务：

数据平台
   │
   └→ 用户直接查数据库

最终容易出现：

每个系统自己写 SQL
每个部门自己算指标
每个项目自己复制数据

正确方式是把数据资产服务化：

                     数据资产
                        │
            ┌───────────┼───────────┐
            ▼           ▼           ▼
          数据API       指标         标签
            │           │           │
         APP/系统       BI          营销
            │
            ├──────── 数据集市
            │
            ├──────── 自助分析
            │
            └──────── 研究沙箱

因此广义数据服务通常包括：

数据集市
指标服务
标签服务
图谱服务
数据 API
自助分析
研究沙箱

华为 DataArts 的“数据服务”产品能力更偏向：

把数据表/数据资产快速发布为 API，并统一管理 API 生命周期。

但企业架构里的“数据服务层”范围通常更广。

21. 研究沙箱为什么金融机构常见

例如证券研究员希望分析：

过去10年全部A股行情
+
上市公司财务
+
新闻
+
研报

显然不能让研究员直接访问核心生产数据库。

因此会建设：

Research Sandbox，研究沙箱。

企业数据平台
      │
经过授权的数据
      │
      ▼
   Sandbox
      │
 ┌────┼─────┐
 ▼    ▼     ▼
SQL Python Jupyter
 │
 ▼
量化研究 / 建模

典型特点：

计算环境隔离
数据权限受控
资源配额
可审计
结果导出受控

这在银行、证券、交易所等机构非常常见。

22. 最上层：大数据应用

整个大数据平台最终是为业务服务。

              大数据平台
                  │
 ┌────────────────┼──────────────────┐
 ▼                ▼                  ▼
风险             经营                营销
 │                │                  │
反欺诈           BI                 客群
AML              KPI                标签
实时风控         报表                推荐
 │
 ▼
监管
 │
监管报送
市场监察
异常交易

证券交易所典型场景：

实时行情分析
市场异常交易监控
会员画像
上市公司分析
监管报送
风险监控
知识图谱
量化研究
历史行情分析

23. 将已知架构模块放回总体架构

模块	在整体架构中的角色	典型技术
开发管理	数据研发与任务编排平台	SQL、Spark、Flink、调度
实时流计算	实时计算	Kafka + Flink
数据湖	全量原始数据底座	OBS / HDFS
数据仓库	高质量结构化分析	MPP / DWS
图数据库	关系网络分析	Graph / GES
数据治理	企业数据管理	元数据、质量、血缘、标准
全域全结构生命周期存储	统一存储体系	OBS、HDFS、DWS、HBase、归档

这些模块之间：

不是竞争关系，而是组合关系。

24. 华为云 / HCS / FusionInsight 常见能力映射

注意：不同 HCS / FusionInsight 版本的具体产品组合、组件名和交付形态可能不同，以下更适合作为架构映射，而不是固定 BOM。

企业能力	通用技术	华为体系常见对应
OLTP 数据库	MySQL / PostgreSQL / Oracle	GaussDB / RDS 等
数据集成	ETL / CDC	DataArts / CDM 等
消息 / 实时总线	Kafka	MRS Kafka
实时计算	Flink	MRS Flink
批处理	Spark	MRS Spark
Hadoop 存储	HDFS	MRS HDFS
SQL on Hadoop	Hive	MRS Hive
NoSQL	HBase	MRS HBase
实时 OLAP	ClickHouse	MRS ClickHouse
联邦查询	Trino / Presto 类	HetuEngine
数据湖	Object Storage / HDFS	OBS + MRS
湖元数据	Hive Metastore 类	LakeFormation
企业数仓	MPP Database	GaussDB(DWS)
数据治理	Catalog / Quality / Lineage	DataArts Studio / FusionInsight 相关治理能力
图计算	Graph DB	GES / 图计算相关能力
集群运维	Cluster Manager	FusionInsight Manager

25. 三组最容易混淆的概念

25.1 数据湖、数据仓库、数据中台

数据湖
    ↓
解决“数据怎么统一存”

数据仓库
    ↓
解决“数据怎么高质量分析”

数据中台
    ↓
解决“数据怎么形成企业可复用能力”

因此：

湖、仓更多属于技术/数据架构，中台更多属于企业数据能力架构。

25.2 Kafka、Flink、Spark、DWS

这几个产品/技术不是同一类东西：

Kafka
数据流通

Flink
实时计算

Spark
批计算 / 通用计算

DWS
MPP 分析数据库

典型完整链路：

       OLTP
        │
       CDC
        │
        ▼
      Kafka
        │
        ▼
      Flink
      /   \
     ▼     ▼
   HBase   数据湖
             │
            Spark
             │
             ▼
            DWS
             │
             ▼
             BI

25.3 技术平台、治理平台、数据服务

技术平台
MRS / DWS / OBS
     │
     ▼
负责“算和存”

治理平台
DataArts 等
     │
     ▼
负责“把数据管好”

数据服务
API / 指标 / 标签 / 集市
     │
     ▼
负责“把数据提供出去”

26. 证券交易所场景的一条完整数据链路

                       【交易系统】
                           │
                        OLTP
                           │
                   CDC / 实时采集
                           │
                           ▼
                        Kafka
                           │
                ┌──────────┴──────────┐
                ▼                     ▼
              Flink                 Data Lake
           实时规则计算             OBS/HDFS
                │                     │
                ▼                     ▼
           异常交易告警             Spark
                                      │
                                      ▼
                              ODS → DWD → DWS
                                      │
                           ┌──────────┼──────────┐
                           ▼          ▼          ▼
                         DWS       HBase       Graph
                           │          │          │
                           ▼          ▼          ▼
                         BI       客户画像     关系网络
                           │
                           └─────┬────┘
                                 ▼
                              数据资产
                                 │
                ┌────────────────┼───────────────┐
                ▼                ▼               ▼
              指标             标签             图谱
                │                │               │
                └────────────────┼───────────────┘
                                 ▼
                              数据服务
                                 │
                ┌────────────────┼───────────────┐
                ▼                ▼               ▼
             数据API          自助分析        研究沙箱
                │
                ▼
        风控 / 监管 / 投研 / BI / AI

横向贯穿整个体系的能力：

数据治理
数据安全
元数据
数据血缘
数据质量
数据标准
开发管理
任务调度
平台运维
资源管理
多租户

27. 建议后续学习顺序

建议不要再随机补术语，而是按以下顺序系统学习：

企业大数据平台总体架构与数据流
- 建立“数据源 → 接入 → 存储 → 计算 → 治理 → 服务 → 应用”的整体框架。
Hadoop / MRS 内部架构
- HDFS
- YARN
- Hive
- Spark
- HBase
- ZooKeeper
- Ranger
- HetuEngine
实时数据平台
- Kafka
- Topic
- Partition
- Consumer Group
- Flink
- Checkpoint
- Exactly Once
- CDC
数据湖与湖仓
- OBS / HDFS
- 存算分离
- LakeFormation
- Hive Metastore
- Parquet / ORC
- Iceberg / Hudi / Paimon
企业数据仓库
- OLAP
- MPP
- Shared-Nothing
- 事实表 / 维表
- 星型模型 / 雪花模型
- ODS / DWD / DWS / ADS
- GaussDB(DWS)
数据治理与数据中台
- 元数据
- 血缘
- 标准
- 质量
- 指标
- 标签
- 资产目录
- DataArts / FusionInsight 治理能力
数据服务体系
- 数据集市
- 数据 API
- 指标服务
- 标签服务
- 图谱服务
- 自助分析
- 研究沙箱
金融级非功能架构
- 两地三中心
- 同城双活
- 容灾
- RPO / RTO
- 多租户
- 数据权限
- 脱敏
- 审计
- 监管合规
金融典型业务架构
- 实时风控
- 反洗钱
- 市场监察
- 监管报送
- 客户 360
- 投研
- AI

28. 最终理解目标

当看到一张企业大数据平台总体架构图时，应能够沿着下面这条主线逐层解释：

数据源
  ↓
数据接入
  ↓
消息 / CDC
  ↓
统一存储
  ↓
批处理 / 流处理
  ↓
数据湖 / 数据仓库 / 湖仓
  ↓
数据治理
  ↓
数据资产
  ↓
数据服务
  ↓
大数据应用 / AI 应用

并能够判断每个模块到底属于：

存储
计算
数据集成
数据治理
数据开发
数据资产
数据服务
业务应用

而不是只停留在识别产品 Logo 的层面。

29. 一句话总结

企业级大数据平台不是某一个产品，而是一套围绕“数据全生命周期”构建的企业数据基础设施：底层负责采集、存储和计算，中间负责治理和资产化，上层通过数据服务向业务、分析、监管和 AI 输出可复用的数据能力。