对“大数据”的理解

架构挑战：

1、对现有数据库管理技术的挑战。

2、经典数据库技术并没有考虑数据的多类别（variety）、SQL（结构化数据查询语言），在设计的一开始是没有考虑到非结构化数据的存储问题。

3、实时性技术的挑战：一般而言，传统数据仓库系统，BI应用，对处理时间的要求并不高。因此这类应用通过建模，运行1-2天获得结果依然没什么问题。但实时处理的要求，是区别大数据应用和传统数据仓库技术、BI技术的关键差别之一。

4、网络架构、数据中心、运维的挑战：随着每天创建的数据量爆炸性的增长，就数据保存来说，我们能改进的技术却不大，而数据丢失的可能性却不断增加。如此庞大的数据量存储就是首先面临的非常严峻的问题，硬件的更新速速将是大数据发展的基石，但效果确实不甚理想。

分析技术：

1、数据处理：自然语言处理技术（NLP）

2、统计和分析：A/B test、top N排行榜、地域占比、文本情感分析

3、数据挖掘：关联规则分析、分类、聚类

4、模型预测：预测模型、机器学习、建模仿真

存储：

1、结构化数据：海量数据的查询、统计、更新等操作效率低

2、非结构化数据：图片、视频、word、PDF、PPT等文件存储、不利于检索，查询和存储

3、半结构化数据：转换为结构化数据存储、按照非结构化存储

解决方案：

1、存储：HDFS、HBASE、Hive、MongoDB等

2、并行计算：MapReduce技术

3、流计算：twitter的storm和yahoo的S4

大数据与云计算：

1、云计算的模式是业务模式，本质是数据处理技术

2、数据是资产，云为数据资产提供存储、访问和计算

3、当前云计算更偏重海量存储和计算，以及提供的云服务，运行云应用。但是缺乏盘活数据资产的能力，挖掘价值性信息和预测性分析，为国家、企业、个人提供决策方案和服务，是大数据核心议题，也是云计算的最终方向。

大数据平台架构：

我想这幅架构图，对大数据处理的人来说，应该不是很陌生。

IaaS:：基础设施即服务。基于 Internet 的服务（如存储和数据库）。

PaaS：平台即服务。提供了用户可以访问的完整或部分的应用程序。

SaaS：软件即服务。则提供了完整的可直接使用的应用程序，比如通过 Internet管理企业资源。