緊跟大數(shù)據(jù)步伐 勇于接受新技術(shù)_數(shù)據(jù)分析師考試

隨著大數(shù)據(jù)時(shí)代的不斷發(fā)展，直至今日，企業(yè)雖然認(rèn)識(shí)到大數(shù)據(jù)分析能給企業(yè)帶來發(fā)展的價(jià)值，但傳統(tǒng)的數(shù)據(jù)管理和安全問題已經(jīng)阻礙了大數(shù)據(jù)的部署。

企業(yè)在什么情況下適合大數(shù)據(jù)，這是由企業(yè)處于發(fā)展中的位置決定的。

許多提供大數(shù)據(jù)業(yè)務(wù)的廠商肯定都爭(zhēng)相想做企業(yè)的生意。畢竟，大的數(shù)據(jù)不是最小的數(shù)據(jù)集合，但大數(shù)據(jù)需要充分利用盡可能多的數(shù)據(jù)管理。如果你正在尋找一個(gè)部署大數(shù)據(jù)的定義，這卻不是完整的定義。你需要一個(gè)增長(zhǎng)的數(shù)據(jù)中心基礎(chǔ)設(shè)施相匹配所有這些增長(zhǎng)的數(shù)據(jù)。

這個(gè)大的數(shù)據(jù)熱潮才真正開始與Apache Hadoop的分布式文件系統(tǒng)(HDFS)，開啟了基于成本效益規(guī)模的服務(wù)器使用相對(duì)便宜的本地磁盤群集的作為海量數(shù)據(jù)分析的時(shí)代。不管企業(yè)發(fā)展如何迅速，Hadoop及其相關(guān)大數(shù)據(jù)的解決方案，都可以保證持續(xù)分析各種原始數(shù)據(jù)(即，不完全結(jié)構(gòu)化的數(shù)據(jù)庫(kù))。

問題在于，一旦你想從大數(shù)據(jù)入手，會(huì)發(fā)現(xiàn)傳統(tǒng)的數(shù)據(jù)項(xiàng)目，包括那些熟悉的企業(yè)數(shù)據(jù)管理問題又會(huì)涌現(xiàn)出來了，比如數(shù)據(jù)的安全性，可靠性，性能和如何保護(hù)數(shù)據(jù)。

雖然Hadoop HDFS已經(jīng)趨于成熟，但仍有不少差距以滿足企業(yè)需求。事實(shí)證明，當(dāng)大數(shù)據(jù)在進(jìn)行產(chǎn)品生產(chǎn)數(shù)據(jù)收集時(shí)，這些存儲(chǔ)集群(DAS)上的產(chǎn)品可能實(shí)際上沒有提供最低的成本核算。

這里面，最關(guān)鍵的一點(diǎn)其實(shí)是大企業(yè)如何將大數(shù)據(jù)盤活了。我們當(dāng)然不是想簡(jiǎn)單地拷貝、移動(dòng)、備份大數(shù)據(jù)數(shù)據(jù)副本，復(fù)制大數(shù)據(jù)是一個(gè)大的工作。我們需要管理作為安全和謹(jǐn)慎，甚至更多的要求，所以，比小的不同的數(shù)據(jù)庫(kù)，不要抱著盡可能多的詳細(xì)信息。如果我們的關(guān)鍵業(yè)務(wù)流程的基礎(chǔ)上新的大數(shù)據(jù)的儲(chǔ)存中，我們會(huì)需要它的所有的操作彈性和高性能。

大數(shù)據(jù)歸屬的新選擇

物理DAS仍然是Hadoop最好的存儲(chǔ)介質(zhì)，因?yàn)橄嚓P(guān)的高水平的專業(yè)和業(yè)務(wù)的公司的都是經(jīng)過研究和實(shí)踐來確定存儲(chǔ)介質(zhì)。但這樣基于HDFS的數(shù)據(jù)儲(chǔ)存卻有很大的問題。

首先，默認(rèn)方案是所有資料進(jìn)行復(fù)制，移動(dòng)，然后備份。HDFS是基于大數(shù)據(jù)塊的I/O優(yōu)化，省去了數(shù)據(jù)交互的時(shí)間。以后的使用通常意味著數(shù)據(jù)復(fù)制出來。盡管有本地快照，但他們并不完全一致或時(shí)間點(diǎn)不完全可恢復(fù)。

對(duì)于這些和其他原因，企業(yè)存儲(chǔ)廠商聰明的將HDFS做改變，一些技術(shù)狂人類型的大數(shù)據(jù)專家使Hadoop計(jì)算利用外部存儲(chǔ)。但對(duì)許多企業(yè)來說，它提供了一個(gè)很好的妥協(xié)：無需高維護(hù)存儲(chǔ)或存儲(chǔ)新的維護(hù)方式的適應(yīng)，但這有一定的成本。

許多供應(yīng)商，如EMC的 isilon提供對(duì)Hadoop集群遠(yuǎn)程HDFS的接口，是生意量比較大的企業(yè)首選。因?yàn)樗麄儗⑹窃趇silon里，進(jìn)行任何其他數(shù)據(jù)處理大數(shù)據(jù)的保護(hù)，其中包括安全和其他問題。另一個(gè)好處是，在外部存儲(chǔ)的數(shù)據(jù)通?？梢栽L問其他協(xié)議(如網(wǎng)絡(luò)文件系統(tǒng)，NFS)的儲(chǔ)存，支持工作流和限制數(shù)據(jù)的傳輸和企業(yè)內(nèi)需要的數(shù)據(jù)副本。NetApp也基于這樣的原理處理大數(shù)據(jù)，一個(gè)大的數(shù)據(jù)參考架構(gòu)，結(jié)合一個(gè)組合的存儲(chǔ)解決方案，直接進(jìn)入Hadoop集群。

另外值得一提的是，虛擬化大數(shù)據(jù)分析。理論上，所有計(jì)算和存儲(chǔ)節(jié)點(diǎn)可以都可以進(jìn)行虛擬化。VMware和RedHat/OpenStack有Hadoop的虛擬化解決方案。然而，幾乎所有的HDFS主機(jī)節(jié)點(diǎn)不能解決企業(yè)的存儲(chǔ)問題。一個(gè)有創(chuàng)意的新公司bluedata提出一個(gè)新的選擇。它模擬Hadoop計(jì)算方面使企業(yè)把現(xiàn)有的數(shù)據(jù)集——SAN/NAS——加速和轉(zhuǎn)儲(chǔ)到它的HDFS的覆蓋之下。在這種方式中，大數(shù)據(jù)分析可以做到一個(gè)數(shù)據(jù)中心的數(shù)據(jù)沒有任何變動(dòng)，從而使用新的存儲(chǔ)架構(gòu)和新的數(shù)據(jù)流或數(shù)據(jù)管理的所有變化。

大多數(shù)Hadoop分布都是從近Apache的開源HDFS(目前軟件定義的存儲(chǔ)大數(shù)據(jù))開始，區(qū)別是它們采取了不同的方法。這基本上就是企業(yè)Hadoop所需存儲(chǔ)，從而建立自己的兼容存儲(chǔ)層在Hadoop HDFS上。MAPR版本是完全有能力處理I/O快照復(fù)制的支持，同時(shí)和原生支持的其他協(xié)議兼容，如NFS.它也非常有效，并有助于主要提供企業(yè)業(yè)務(wù)智能應(yīng)用程序，運(yùn)行決策支持解決方案依賴于大數(shù)據(jù)的歷史和實(shí)時(shí)信息。類似的想法，IBM已經(jīng)出爐的高性能計(jì)算系統(tǒng)存儲(chǔ)API為Hadoop發(fā)行版作為一種替代HDFS.

另一個(gè)有趣的解決方案可以幫助解決數(shù)據(jù)的問題。一個(gè)是dataguise，數(shù)據(jù)安全啟動(dòng)，能切實(shí)有效地保護(hù)Hadoop的大數(shù)據(jù)集的一些獨(dú)特的IP，它可以在一個(gè)大的數(shù)據(jù)聚類自動(dòng)識(shí)別和全局覆蓋或加密敏感資料。水平線數(shù)據(jù)科學(xué)(Water LineScience)是這個(gè)領(lǐng)域的新興技術(shù)，如果你連線登陸你的數(shù)據(jù)文件到Hadoop，無論數(shù)據(jù)在哪里，即使是HDFS，它都將自動(dòng)儲(chǔ)存。 大數(shù)據(jù)提供的產(chǎn)出物有助于快速建立商業(yè)應(yīng)用，利用數(shù)據(jù)的來源和位置來統(tǒng)計(jì)商業(yè)所需的資料。