干货 | 数字经济创新创业——数字经济下的商业模式与解决方案

2560270de3da3267dad2dc3f5503e83b.png

下文整理自清华大学大数据能力提升项目能力提升模块课程“Innovation & Entrepreneurship for Digital Economy”(数字经济创新创业课程)的精彩内容。

主讲嘉宾:

Kris Singh: CEO at SRII, Palo Alto, California

Visiting Professor of Tsinghua University

最近,我们讨论了几个与数字技术、数字经济有关的话题,从云计算到安全领域,社交媒体以及所有相关内容。我邀请Mike参加课程,因为我认为他们有非常独特的解决方案和独特的商业模式。关于如何在更高层次上接受技术,如何与商业转型和经济联系起来,如何与这个生态系统相联系等问题的讨论,对大家都会有所帮助。希望大家已经做好准备消化这些内容,更重要的是尝试根据分享者正在做的事把这些点联系起来。无论是个人还是组织,研究者还是学生,你们都有自己的角色定位。因此,我想重申几个重要观点以及背景观点以便于更好地推进讨论。

我们已经讨论了数字技术和数字经济是如何发展进化的。我们是如何从农业经济进化到工业经济再到数字经济,数字经济又是如何迅速在1970年到2020年期间就迅速改变了整个世界。仅仅用了五十年,从晶体管到电脑再到互联网,再到谷歌,脸书,亚马逊和苹果,都在近五十年的时间里发生了蜕变。我们拥有了完全不同的世界和不同的经济,技术是主要驱动力。这个课程项目就是关于数字经济、数字技术和社会转型的内容。我们邀请了重要的行业领袖专家从公司或个人的角度分享他们在不同话题领域的专业知识。

733802322d37b011d8ae58b690bfa0f7.png 

94c94b834c9c864ea1cf7bff9aa75b2e.png

我们主要将围绕近十五年展开讨论,从个人电脑到物联网,传感器和智能手机,百万量级设备互联到十亿量级设备互联。现在我们处于数字变革的新纪元,该变革推动了数字经济的发展。不仅仅是正在蓬勃发展的技术,商业也在加速运行,我将分享商业是如何转化成电子商业的形式,以及电子商业又是如何创造新商业模式的。这也是我们的经济和技术最激动人心的部分。数字经济的最高层次是非常简单的,是十亿量级的人际、商业数据设备和数据加工的、在线链接导致的经济活动。如果你总结所有的技术以及所发生的事就会发现它们都与链接这些内容和创造新的商业有关。

70d778f65815b259c6436cdd7cdacaa0.png 

ea203e59b54a6615e9cf2a445caf0b13.png

我们期望的是数字经济如何给社会带来贡献,我将向大家指出我们的最终目标。为了实现这些目标,我们需要做些什么,以及我们为了实现成功的数字社会和数字经济所需的基础是什么,指标是什么。657a3ec813096bb13684673145d6e343.png

7204adc70d5e32dcfb6cb53add88a03b.png

工业正在向数字经济转型,我之前给大家展示过一些范例,许多新兴商业已经发生了进化,爱彼迎,优步等凡是你能说出来的所有这些企业,之前并不存在。所有这些企业都是因为技术才出现的,所以数字技术创造了新的商业,在我之前向大家展示的商业创新案例当中,商业创新也推动了新技术的出现。给大家举两个最成功的高新技术公司,亚马逊和谷歌。亚马逊是一个最经典的商业创新催生新技术出现的例子。谷歌则相反,是利用技术创造新的商业。

如果你看亚马逊,杰夫·贝索斯在车库买书起家,他非常激动于自己开始卖越来越多种类的商品的成功,为了在网上卖更多的东西,他开始建立他的基础架构,只为了开辟他的零售业务。而他的基础架构成了云计算,亚马逊也成为了当今云计算的教父,所以亚马逊是一个商业创新推动新技术发展的绝佳案例。另一方面,如同我所言的谷歌,创建企业只是为了组织世界的信息,并让他们变得有用,因而开发了网页排名算法。他们根本没有如何创建商业的想法,他们只是很幸运地拥有了大量的数据。事实上在谷歌之前也有几家这样的公司,但是他们并未成功。谷歌保护算法,更重要的是他们获得了大量的数据,使用这些算法并衍生出了广告销售的新业务,谷歌是用技术创造了新的商业,而亚马逊则是商业创新推动技术创新的代表。商业和技术的视角是一条双行道。8b753c992e5fd85daf9e8787c2c17212.png

43535b033c1e3d5b4a32f49b154ba9cd.png

他们应该会在2025年到来的三年内为我们的经济增加百万亿美元。它不仅促进经济增长,也会在环境治理、建设工业方面实现可持续发展。我们的旧能源化石燃料和煤炭对环境产生了负面影响,如今有新技术和新经济,新的数字技术将助力可持续发展,我们希望能够可持续发展。在未来几年里,经济增长也对我们的环境问题有帮助。

595962b6d64469468552372a4878c132.png 

c546a725bbbed5e01a11f6c0ea0463dd.png

这是一个复杂的图表,但是它向大家展示了技术如何随时间发展以及如何应用于工业。我们没有时间展开讨论,所以仅对主要技术如何依据它们的实现和成熟度和工业应用进行发展作简单展示。我们将看到AI,AI不是新学科,它已经被讨论了四十多年了,但是它在近些年里变得比以往任何时候都更为相关。主要集中在三个领域,第一个是我们有大量的数据,我们可以廉价存储,我们有更好的算法,以及更强大的算力,这就是使得AI比过去二三十年变得更有意义的原因。

在二三十年以前,我们就已经开始谈到AI了,它在工业当中并不是一个新的术语。但是探讨这一点太过于学术,我们要讨论架构设计,链接云和物联网等。从技术和经济的视角,仍然有大量工作需要完成,如果你从整体来看,世界上有近八十亿人口,当然我们有接近53亿人口使用移动电话,可能不一定是智能电话,但是这个数字会继续增长。我们仍然有很多工作要做。仅有五十亿人能够访问互联网,近三十亿人还没有互联网使用权限。帮助他们经济发展,帮助他们生存是非常有意义的一件事,但这仍是一个巨大的挑战。说到这里,让我介绍一下我们今天课程的主讲人,来自F5的Mike和Ken,他们将与大家展开更加详细的探讨。

F5是一家与众不同的公司,我在过去几天的讨论中提到过的许多关键部分当中,数字经济如何催生新的企业,我们如何建立数字服务,我们如何重建企业结构,实现这一切的支柱是什么,你可以在底部看到这六个支柱,基础设施,应用,安全、自动化等。其中四个部分进行了高亮,F5致力于这四个方面,因此扮演着独特的角色。

 d6ddf2b6086034b066ca42f19226c5b2.png

ac8d4e55f8b5f6e2a6ff9da1588a3cbc.png

Mike :我来自F5,非常关注技术战略如何映射到我们正在做的事情上。Ken是F5 CTO办公室里的杰出工程师,他现在在安全方面做了很多工作,也涉及其他方面,比如安全可视化和基础设施。

如同Kris提到的数字转型是基础性的,发生在商业领域的根本性转变。在这个领域工作了一段时间之后,我们发现它不仅仅是正在进行时,你正在经历一场数字化转型,但是这实际上是关于思考如何成为一个数字化企业的问题。无论你是一家现成的公司还是新兴公司,成为数字企业还是传统企业之间的差异是十分显著的。

我用一个简单的例子。在美国,我们有食品杂货连锁店,供送货或人们购买食物。杂货店在美国各地都发生了变化。他们的生意是老式物流,商品都是集中定价并售出。但它的竞争环境非常激烈,利润率非常小。但是他们考虑如何更方便地运送物品和我们经历向数字企业转型的时候面临着一样的压力。一些人在手机上下了订单,挑选货物并完成交付,他们意识到不能仅仅改变商业或广告的一小部分,而是不得不真正建立根本性的新操作方式。他们关注数字经济的内容,并建立自己的数字企业,这意味着一个新的商业模式出现。新的操作速度把他们所做的事去中心化,他们不得不开始思考数字服务提供了什么,让他们意识到事实他们不得不为他们所做的事而建立一个全新的企业架构。

举个例子,之前当他们点餐时,会有一个系统或一个应用程序处理这个问题,当他们结账时,人们支付又会使用一个系统。交付的物流又是另外一个了。他们意识到价值和发展对他们来说并不是通过他们卖的产品多挣点儿钱,价值和改善他们的企业的方法的洞察才是让他们赚钱的根本。人们如何购买、买什么以及理解人们关于食物的数字体验的所有方面,他们做了一种改革将他们的数据集合在一起,并从中获取人们正在做什么,他们应该如何安置食品,他们如何下单,这些洞察最终都是非常重要的。

不仅仅是他们自己和他们的顾客,也是对那些对人们怎样购买以及想买什么在哪里买知之甚少的供应商们。所以他们的企业在基础商业领域份额增值达到14%,他们创造了一个全新的商业,全新的数字商业领域。而这仅仅是传统商业领域重新思考自己应该做什么并意识到数字经济不仅增加经济的数量的例子。这是重新思考企业拥有完全不同的基础架构,一个充分互联互通的基础架构。数据必须整合在一次才能获得新的洞见,并将自动化和AI应用其中,但是当你这样做的时候,你必须以另外一种方式保障安全性高,不仅仅是保障数据、定位和分布的安全,也有隐私、依赖性以及一系列其他的东西和你之前完全不必要处理的内容,操作方式也变得更为重要,不仅是自动化,也有可用性预期。

这所做的是真正推动人们意识到他们构建应用程序的方式是相对静态的,必须要用非常不同的方式思考,应用必须具备适应性,必须适应任何一个领域,因为在数字经济领域,正确的事一直都在改变,不管你是否因为其他人已经想到了不同的方法而拥有新一水平的便捷性和竞争力或是商业模式的改变,就像将AI用于交付。我们更关注的不仅仅是如何建立或修改你的应用程序,还有你如何使它在基础架构水平、在交付水平、在数据水平、在安全领域甚至仅仅是你如何构建应用程序方面适应性更高。必须要对你实时学习到的整个差异化输入范围适应性更高,所以数字商业是对已有企业的一次巨大变革,而这对新企业来说仅仅是基线水平。

Ken:为什么探讨数字商业。因为如果不进行数字化,你的竞争对手就会领先于你,他们会在敏捷度和规模以及理解力和赚钱能力和Mike所提到的数据消耗这五个成为数字企业必备的方面超过你。但是让杂货店是非常好的一个例子。关于敏捷度,我非常确信我们需要敏捷度的原因,食品交付,动态定价这些都是影响杂货店的关于敏捷度的例子。数据消耗则是杂货店和供应商获取新的洞见的好例子。它是数据和敏捷度的结合,如果不是数字企业就无法做到这一点。

举个例子,作为一个开发人员,杂货店可以做AB测试,可以做货架摆放的测试来收集数据从而知道把商品放在顶层和底层,放在前面和后面到底如何影响购物决策。他们可以通过直接的方式来让顾客更倾向购买或者通过要求供应商将其产品摆放在更好的位置来通过进货优惠赚钱。如果杂货店没有实现数字化,他们就无法做到这一点,这就是Mike刚刚所说的为什么要数字化的重点阐述,这也是我在F5的日常工作。数字化向你打开了顶层的新威胁的大门,在这之前你对安全性的关注仅仅局限于有人通过物理方式进商店偷食品或撬开你的收银机,但现在的威胁都变成了网络威胁,人们会窃取你这里的个人信息,你必须要以不同的方式来重新思考安全问题。你必须思考你最重要的财产到底是什么,讽刺的是对杂货店来说最重要的财产并不是商品,而是数字化的产品。可能信用卡违约比丢失一些产品的后果更严重,如果你做的是及时送的业务,就是比没法及时送达一卡车易腐烂食品还严重。

另一点我想强调的是,我们讨论数字企业,我希望大家思考一下我们究竟要数字化什么,如果我们回到网络世界,在早期,它最重要的任务应用在银行,在航空航天领域。航空公司的预订系统,这些都是很大的系统,有大量的金融交易。之后我们进入到了B2B交易模式,比如获得抵押贷款。之后我们进入到B2C,比如叫出租车。我把这些放在数字日常工作流程图谱上,什么是工作流,现在是否值得通过数字化让这些工作越来越简化?我认为这种趋势将会继续。在美国以及世界上的其他地区,选举是一件大事。在美国,我不得不在某地填写纸质选票或者邮寄选票。那么这种流程能够数字化吗,安全性又如何保证?如果我这样做,它可能会有什么新问题?这些都是需要考虑的。另一个值得思考的角度是当现实或者物理实体成为整个虚拟体验的一部分,会出现什么新的商业机遇。当你使用手机,这就已经发生了,你的手机知道你在哪,你使用谷歌增强现实眼镜时手机也可以知道你的感觉。如何实现这一目标都可以通过这一视角的思考来实现。

我想谈谈关于数据变革数字商业的一个方面,许多经济已经处于其中,但是新兴经济仍有巨大的机会。杂货店有很多嵌入式物流很多经营方式,如果你要尝试和数字或建立一个数字业务你必须撤销和重做。但在一些新兴领域,比如在金融科技领域,在非洲,他们正在跳过银行系统更多转向移动支付。你有一种不同的方法去做这件事,所以当你开始纯粹从数字商务领域思考时,需要考虑如何以一种非常不同的方式构建应用程序,也需要考虑更能适应但不一定使用相同的基础架构或相同的交付方式。你必须使用这些领域思考下一代可能是什么样子,下一代交付手段是什么样的,在路况不佳的地区可以用无人机送货,或者无人机和移动安全设备的结合。

一旦你做了这些方面,你就可以在这种交付基础上叠加医疗保健,或者如何将新鲜事物送到市场。我们看到了在新兴市场中增长巨大的机会,因为它们真的他们不需要经历这个转变的过程,就从底层直接开始思考数字商业。这将可能形成一种新的应用类型,一个新的经济机遇。回到Kris的观点上,有50亿人使用电话,但是30亿没有,要么这些地区会随着他们获得手机改变,随着他们的使用,我们将有机会看到全新的数字商业。企业的基础架构将会变得完全不同,这就是我所说的巨大的机会。重新思考什么是新的应用程序,新的数字经济,如何真正思考适应方式,也仍需要覆盖我们所谈到的有关交付、安全、数据和自动化相关的基础架构所有方面。

我想补充一下这个主题,特别是在许多新兴经济体相对于发达国家来说,就是去中心化的想法。发达国家通常都有中心化的基础架构历史,无论是电话还是流媒体服务,它在历史上一直是非常集中的。我认为在当今新兴经济体当中有一个去中心化趋势,他们在金融科技领域的应用就是一个例子,在制造业也是,可以发展当地制造业,这些都是点对点的途经,我鼓励发展中国家去关注的方式。如果考虑作为一个软件工程师来建构这些东西,可能意味着更多边缘计算,更多的处理和数据非常接近,甚至不需要产生链接,或者你可能发现连接不到中心位置,但可以做到所有的点对点。

不需要先进的全球互联的中心化基础架构就可以与本地的人建立联系,产生交付或者交流。我认为这适用于很多不同的领域,住房是世界上很多人面临的挑战之一,我们看到越来越多的人可以用不同的材料进行房子的数字打印。如果你能数字打印房子,且可以对打印机喂数据信息,你就可以创造一种完全不同的数字商业。这对世界范围内的社区都有好处,这次对话的全部意义在于数字转型和思考数字商业,因为世界上的压力和连接便利性,因为人类数量,以及我们对人才的限制程度和不断增长的竞争速度。这是经济发展的方向,我们需要确保搞清了如何站在人们实现广泛意义上的成功前沿。我们必须要以不同的方式思考如何建构以及如何使用我们的解决方案。

我想有几件事是关于从外部的角度来考虑的,比如安全。在过去它被视为一种二分的事物,要么我是安全的要么我不安全,我作为安全实践者的目标就是建立一个不会被破坏的系统。随着越来越多数字化的工作,我们对人们所做的事有了更宽泛范围的界定,对这些活动都有不同的风险描述。我认为一种趋势是安全性将会越来越多地通过交易和交互的风险概况体现出来。换句话说,没有什么是百分之百可以确定的,但我们会使用更精细化的安全观表达出来。在这些活动中,我对真诚和不被欺骗,或者为了允许交易和交互开展的业务的风险还是充满自信的。

第二个趋势是已经发生了,初始安全是非常网络中心的,例如防火墙、企业网络和城堡-护城河模型(castle-and-moat model)。我想这个世界已经深度参数化了,现在安全的中心正在变成基于身份的,而身份并不是排他性的“我是Ken”或者“我是Kris”,身份是设备身份,可以是个工作流或者容器,是应用的一个部分,可以是浏览器,也可是以网络,但是基于身份的看待世界的方式,或者身份的角色和许可是非常重要的部分,我要强调这两个主题有很多内容,F5也在这些领域十分活跃。

不知道大家是否听说过零信任(zero trust)这个词,零信任是从网络中心到身份中心过渡的体现,F5致力于找到零信任的解决方案。我所说得另外一个大的主题是数据消耗,数据消耗在制造风险或做决定以及与正在成熟的AI、机器学习和新兴技术结合时具有难以置信的价值。随着大数据发展你会看到F5相关的产品和产品数据在将来会越来越多。

Mike:没有公司是只是用一种云服务的,因为不同的云是为了不同的原因、不同经济或不同关系目的而设计的。大多数公司使用多重云里建立他们的数字企业应用程序产品组合。这些云公司虽然很担心被封锁成云公司,实际离开或者获取他们信息和数据的代价变得越来越大,所以企业越来越多的使用混合方法来看如何保护他们的数据图和最优化利用不同的云。

因为他们的特点,它们的企业能力具有特定服务的成本结构,他们如何处理数据会考虑很多事情,另一件正在开始发展的事情不仅仅是云,还有如何对这些云进行边缘计算。你也可以有多个云,然后把很多越过边缘计算,这越来越成为多重云服务中应用程序的标准架构。弄清楚它最好的部分在哪里,然后寻找更快的边缘交付策略,这就需要更多的东西。

Ken提到了如何处理零信任,因为你现在在云服务当中处理不同层级的信任,如何收集管理中心数据已经不再可行,现在通过基础架构实现如何分配,隐私管理是不得不弄清楚的地方。

你需要在企业中存储的数据的不同部分,而这些数据的其他部分只是AI处理的一部分,是短暂的,现在一个完全不同的思考数据的基础架构不同于以往,保护数据安全现在变得越来越必要,你不得不真正理解你所需要的数据,哪些步骤对你怎样加工是至关重要的,更高的安全性以及如何使用。在高度分布的不同环境中,自动化和可观察性甚至更为重要。你不得不花很多时间观测手机数据,自动化使得人力成本降低,但也增加了AI的使用,从而对环境的适应性提高。因为随着他们依据环境变得越来越复杂,基础架构中的所有东西都会一直变化。因为人们依赖的经验,应用程序必须更加动态化。我们对这些涉及分布、安全性、自动化以及如何更好确保应用的持续交付上的问题花了大量时间。客户在询问如何以非特定的方式使用特定公共云,如何建立我的应用程序如何交付如何保护,我想以一种敏捷的方式决定我应该选择哪个公共云以及在公共云上放什么。我们正致力于帮助客户提供一种不可知的交付方式,无论你在哪里,应用程序都能提供这些服务。

编辑:王菁

校对:林亦霖

01c278bd82eae980339f88a51af611fd.png

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值