1、近年來，移動(dòng)數(shù)據(jù)業(yè)務(wù)和智能設(shè)備數(shù)量快速增長，移動(dòng)設(shè)備的數(shù)據(jù)流量不斷增加,這對(duì)數(shù)據(jù)傳輸速度和穩(wěn)定性提出了更高的要求。LTE網(wǎng)絡(luò)為用戶提供了更高的數(shù)據(jù)傳輸能力，因此，LTE網(wǎng)絡(luò)規(guī)模得以迅速擴(kuò)大。隨之而來的就是 LTE信令數(shù)據(jù)量的快速增長。這給信令數(shù)據(jù)的存儲(chǔ)、處理和分析帶來了巨大的挑戰(zhàn)。傳統(tǒng)的縱向擴(kuò)展架構(gòu)難以滿足海量信令數(shù)據(jù)快速處理和分析的需求，而大數(shù)據(jù)技術(shù)的發(fā)展使得通過廉價(jià)的PC構(gòu)建分布式計(jì)算系統(tǒng)成為一種處理海量數(shù)據(jù)的新方式。這種方式通過橫

2、向擴(kuò)展的方式增加系統(tǒng)的處理能力，這為海量LTE信令數(shù)據(jù)的處理提供了一種新的思路。
　　首先，本文針對(duì)LTE信令數(shù)據(jù)海量和實(shí)時(shí)性的特點(diǎn)，設(shè)計(jì)滿足海量LTE信令數(shù)據(jù)收集、匯總、處理和存儲(chǔ)的系統(tǒng)。系統(tǒng)可對(duì)多種格式的 LTE信令數(shù)據(jù)進(jìn)行收集，并針對(duì)信令數(shù)據(jù)的結(jié)構(gòu)提出適當(dāng)?shù)臄?shù)據(jù)分發(fā)匯總策略，使用 Kafka對(duì)數(shù)據(jù)進(jìn)行匯總。Spark作為系統(tǒng)的計(jì)算模塊，對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)處理。系統(tǒng)根據(jù)信令數(shù)據(jù)快速存儲(chǔ)和查詢的需求，設(shè)計(jì)存儲(chǔ)模型，利用HBase對(duì)信

3、令數(shù)據(jù)進(jìn)行存儲(chǔ)。
　　其次，本文分析了當(dāng)前系統(tǒng)實(shí)時(shí)處理模塊存在的不足。當(dāng)前的系統(tǒng)在數(shù)據(jù)實(shí)時(shí)處理時(shí)，從Kafka中讀取數(shù)據(jù)后需要進(jìn)行重新分片以使得分片數(shù)量滿足計(jì)算集群處理的并行要求。而重新分片需要對(duì)全局所有數(shù)據(jù)進(jìn)行轉(zhuǎn)移，從而帶來了大量的網(wǎng)絡(luò)帶寬消耗和磁盤 IO消耗。針對(duì)重新分片的消耗，本文提出了讀取數(shù)據(jù)時(shí)預(yù)分片的策略，在數(shù)據(jù)匯總時(shí)根據(jù)生成LTE信令數(shù)據(jù)的設(shè)備ID將數(shù)據(jù)均勻的分配到多個(gè)Kafka分片中，在數(shù)據(jù)讀取時(shí)計(jì)算得到Kafka數(shù)

4、據(jù)源中每條數(shù)據(jù)映射到的計(jì)算集群中的分片ID，并按照此ID對(duì)數(shù)據(jù)進(jìn)行預(yù)分片。通過這種方式使得數(shù)據(jù)讀取后在計(jì)算集群中的分片可為指定的數(shù)量，避免了重新分片帶來的消耗。之后，本文針對(duì)在 LTE信令數(shù)據(jù)實(shí)時(shí)處理過程中輸入數(shù)據(jù)數(shù)量和計(jì)算集群的計(jì)算能力不匹配的問題，提出了一種改進(jìn)的數(shù)據(jù)處理速率上限控制算法。該方法通過收集數(shù)據(jù)實(shí)時(shí)處理過程中各階段的統(tǒng)計(jì)信息，實(shí)時(shí)計(jì)算得到當(dāng)前任務(wù)處理的速率上限，并根據(jù)該速率上限對(duì)任務(wù)進(jìn)行提交。通過這種方法，使得計(jì)算集群讀