北邮-大数据技术基础复习【概述】

大数据历史

1. 大数据发展的基石 ：goodle,2003-2006,三篇论文：GFS,MapReduce,BigTable。
2. Hadoop之父Doug Cutting 参考了相关论文，目前开源领域最有影响力之一的Hadoop框架。

大数据带来的思维转变

全样而非抽样，效率而非精确，相关而非因果

大数据4V特征

Volume 大量,Value 价值密度低,Velocity 快速,Variety 多样化

大数据的产生阶段

1. 运营式系统阶段
   数据库管理
   数据由运营活动被动产生

2. 用户原创内容
   数据爆发的标志：用户原创内容；时间：Web 2.0;
   主动产生数据。

3. 感知式系统
   VR/AR
   数据第三次大飞跃导致大数据产生

科学研究四范式

经验（实验），理论，计算，数据探索型（第四范式）

大数据的计算模式

不同计算模式对实时性和吞吐量的要求不同

• 批处理计算

大规模数据批量处理
MapReduce、Spark

• 流计算

流式数据实时分析
Stream,Storm,Dstream,Flume

• 图计算

大规模图结构数据的处理
Pregel

• 查询分析计算

大规模数据存储管理和查询分析
Hive

大数据技术框架——6层结构

从下往上数据收集、数据存储、资源管理与服务协调、数据分析、数据可视化

数据收集

• 数据源特点
  异构性、多样性、分布式、流式产生

• 收集系统特点
  可靠性、可扩展性、安全性、低延迟
  可扩展性：适配不同数据源&接受大量数据不产生系统瓶颈
  可靠：数据传输过程中不能丢失
  安全：敏感数据不能泄密

• 应用
  结构化数据：canal（增量收集），Sqoop（全量收集）
  非结构化数据：flume
  分布式队列（缓存、数据总线）：kafka

数据存储

• 特点
  容错性，可扩展性（数据量是增长的），支持多种数据模型（数据是异构的）

• 应用
  列簇式：HDFS，HBase（建立在HDFS上的数据库）
  纯列式：Kudu

资源管理与服务协调

资源状态 != 任务状态
引入统一资源管理层的好处：
资源利用率高、运维成本低、资源共享

• 资源利用率高
  负载均衡

• 运维成本低
  一管多：一个管理员即可完成多个框架的统一管理

• 数据共享
  减少数据移动带来的硬件和时间成本

• 应用
  Zookeeper、Yarn

计算引擎

计算引擎类别VS大数据计算模式
根据对实时性（吞吐量/延迟）的不同要求，（按延迟要求从低到高）分为三类：批处理、交互式、实时处理

• 批处理
  对响应速度要求最低，追求高吞吐率
  处理时间一般分钟到小时级别，甚至天级别
  应用：构建搜索引擎的索引、数据挖掘、机器学习
• 交互式
  处理时间一般为秒级别，需要系统与人交互
  应用：数据查询、参数化报表生成、OLAP（联机分析处理Online Analytical Processing）
• 实时处理
  对响应速度要求最高，处理时间要求在秒级以内
  应用：广告系统、舆情分析、信用卡欺诈检测
• 应用
  批处理：MapReduce，Spark
  流计算：Spark Streaming，Storm
  图计算：Pregel

数据分析

直接跟用户应用程序对接

数据可视化

利用计算机图形学和图像处理技术
直接面向用户展示结果

GFS（对应的开源实现：HFS）

分布式文件系统，良好的容错性（尤其突出）、可扩展性、可用性。
良好的容错性使其扩展性强：使得文件系统可以构建在大量普通廉价的机器上，便于横向扩展。

BigTable（对应的开源实现：HBase）

构建在GFS上的数据库——本质：稀疏、分布式、持久化的多维度排序映射表