【IT168 专稿】在企业浩渺如烟的历史数据中，如何发现这些运营数据内蕴含的价值和规律，是驱动商业智能产生和发展的基本动力。然而，进行商业智能分析的基础平台——数据仓库本身也存在自身的“摩尔定律”。根据IDC的一份调研报告：企业数据仓库运营每隔18个月，规模就会增长到原有的6-7倍。这一结论客观上反映了企业运营数据急遽膨胀，给数据仓库带来的瓶颈和难题。具体来说，商业智能系统遭遇的瓶颈可被概括为扩展性、IO性能和可用性三点。

　　商业智能的三大瓶颈

　　首先，数据仓库和传统的OLTP系统不同。一般来说，OLTP往往只面向单个应用，商业智能系统则是面向整个企业的运营数据，牵涉到的数据集和维度可能多达数十个，数据规模也往往高达上百TB甚至PB级。这些系统有可能相互关联，也有可能毫无联系。这就形成了商业智能的第一大挑战：扩展性。无论是软件方面的可扩展性还是硬件平台的可扩展性，任何一方扩展受限，都会给商业智能系统的带来系统瓶颈。

▲商业智能的一般过程

　　尽管OLTP同样也面临着扩展性难题，相比商业智能数据仓库容量规模的指数级爆炸增长，也只能算是小巫见大巫。此外，企业一旦从商业智能分析中获益，各个业务部门将提出更多的分析需求，从而将更多的历史数据加载到数据分析平台中，这也是造成商业智能系统扩展瓶颈的另外一个潜在原因。

　　商业智能系统的第二个瓶颈则是IO瓶颈，商业智能系统需要对庞大的历史数据集进行查询、清洗、转换，分析数据属性并寻找规律，因而数据仓库往往是典型的IO密集型应用。众所周知，CPU在查找数据时，经历了“L1/L2级缓存—内存—内部存储—独立外部存储”的“由近到远”的过程，大量的数据需要从后端的外部存储系统读取到服务器进行相应计算。为了缓解IO瓶颈，商业智能的系统往往通过庞大的集群架构形成大规模并发IO。

　　此外，作为一种关键业务应用，商业智能在高可用性方面同样有较高的要求。以商业智能的底层平台数据仓库为例，一般通过Client/Server以及Web方式两种模式提供对外服务。在Web的访问模式下，用户的访问需求来自不同的时区、地点，如果系统故障，将对企业形象带来负面影响。一般而言，系统不能对外提供服务的原因主要来自两方面：包括计划外停机(系统故障)和计划内停机(系统维护、升级、检修等)，前者往往源自系统本身的可靠性缺陷，后者则与系统在管理、维护、升级等方面是否简单有关。

　　尽管商业智能面临着扩展性、IO性能和高可用三方面瓶颈，然而，随着X86架构技术日益成熟，性能和可靠性不断提升，商业智能已经成为X86架构发挥其技术优势的另一个市场领域。