大数据技术

2010年前后（第三次信息化浪潮），物联网、云计算、大数据相关技术的产生，以解决信息爆炸问题。

---

一、基本概念

(1) 定义

大数据（big data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

(2) 技术支撑

• 存储
• 计算
• 网络

(3) 4V特性

• Volume 大量化
• Variety 多样化
• Velocity 快速化
  1秒定律：数据的价值通常只在产生后的1秒内有效
• Value 价值密度低

(4) 大数据影响

• 追求全样而非抽样
• 追求效率而非精确
• 追求相关而非因果

(5) 大数据技术的层次

• 数据采集与引接
• 数据存储与管理
• 数据处理与分析
• 数据隐私与安全

(6) 大数据两大核心技术

• 分布式存储
  解决海量数据的存储问题
• 分布式处理
  解决海量数据的处理问题

(7) Apache开源大数据技术

• 分布式数据库：HBase（BigTable的开源实现）
• 分布式文件系统：HDFS（GFS的开源实现）
• 分布式并行处理技术：MapReduce

(8) 谷歌大数据技术

• 分布式数据库：BigTable
• 分布式文件系统：GFS
• 分布式并行处理技术：MapReduce

(9) 大数据计算模式

• 批处理
  针对大规模数据的批处理
  MapReduce、Spark
• 流计算
  针对流数据需要实时处理，给出实时响应，否则分析结果就失去了商业价值
  Storm、Flume、S4
• 图计算
  针对大规模图结构数据的处理
  Google Pregel
• 查询分析计算
  针对大规模数据的存储管理和查询分析
  Google Dremel、Hive、Cassandra

(10) 大数据关键技术

Hadoop生态

Spark生态

Flink的生态

Hadoop的缺点

• 延迟高
• 磁盘IO开销大
• 表达能力有限

Spark的优点

• spark的计算模式也属于MapReduce，但是不限于Map和Reduce操作，还提供多种数据集操作类型
• spark提供内存计算，迭代效率高
• spark基于DAG的任务调度执行机制

---