一文匯總大數(shù)據(jù)四大方面十五大關鍵技術

近年來，大數(shù)據(jù)來勢洶洶，滲透到各行各業(yè)，帶來了一場翻天覆地的變革。讓人們越發(fā)認識到，比掌握龐大的數(shù)據(jù)信息更重要的是掌握對含有意義的數(shù)據(jù)進行專業(yè)化處理的技術。

大數(shù)據(jù)關鍵技術涵蓋從數(shù)據(jù)存儲、處理、應用等多方面的技術，根據(jù)大數(shù)據(jù)的處理過程，可將其分為大數(shù)據(jù)采集、大數(shù)據(jù)預處理、大數(shù)據(jù)存儲及管理、大數(shù)據(jù)分析及挖掘等環(huán)節(jié)。

本文針對大數(shù)據(jù)的關鍵技術進行梳理，以饗讀者。

Part 1.大數(shù)據(jù)采集

數(shù)據(jù)采集是大數(shù)據(jù)生命周期的第一個環(huán)節(jié)，它通過RFID射頻數(shù)據(jù)、傳感器數(shù)據(jù)、社交網(wǎng)絡數(shù)據(jù)、移動互聯(lián)網(wǎng)數(shù)據(jù)等方式獲得各種類型的結構化、半結構化及非結構化的海量數(shù)據(jù)。由于可能有成千上萬的用戶同時進行并發(fā)訪問和操作，因此，必須采用專門針對大數(shù)據(jù)的采集方法，其主要包括以下三種：

A.數(shù)據(jù)庫采集

一些企業(yè)會使用傳統(tǒng)的關系型數(shù)據(jù)庫MySQL和Oracle等來存儲數(shù)據(jù)。談到比較多的工具有Sqoop和結構化數(shù)據(jù)庫間的ETL工具，當然當前對于開源的Kettle和Talend本身也集成了大數(shù)據(jù)集成內容，可以實現(xiàn)和hdfs，hbase和主流Nosq數(shù)據(jù)庫之間的數(shù)據(jù)同步和集成。

B.網(wǎng)絡數(shù)據(jù)采集

網(wǎng)絡數(shù)據(jù)采集主要是借助網(wǎng)絡爬蟲或網(wǎng)站公開API等方式，從網(wǎng)站上獲取數(shù)據(jù)信息的過程。通過這種途徑可將網(wǎng)絡上非結構化數(shù)據(jù)、半結構化數(shù)據(jù)從網(wǎng)頁中提取出來，并以結構化的方式將其存儲為統(tǒng)一的本地數(shù)據(jù)文件。

C.文件采集

對于文件的采集，談的比較多的還是flume進行實時的文件采集和處理，當然對于ELK（ElasTIcsearch、Logstash、Kibana三者的組合）雖然是處理日志，但是也有基于模板配置的完整增量實時文件采集實現(xiàn)。如果是僅僅是做日志的采集和分析，那么用ELK解決方案就完全夠用的。

Part 2.大數(shù)據(jù)預處理

數(shù)據(jù)的世界是龐大而復雜的，也會有殘缺的，有虛假的，有過時的。想要獲得高質量的分析挖掘結果，就必須在數(shù)據(jù)準備階段提高數(shù)據(jù)的質量。大數(shù)據(jù)預處理可以對采集到的原始數(shù)據(jù)進行清洗、填補、平滑、合并、規(guī)格化以及檢查一致性等，將那些雜亂無章的數(shù)據(jù)轉化為相對單一且便于處理的構型，為后期的數(shù)據(jù)分析奠定基礎。數(shù)據(jù)預處理主要包括：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)轉換以及數(shù)據(jù)規(guī)約四大部分。

A.數(shù)據(jù)清理

數(shù)據(jù)清理主要包含遺漏值處理（缺少感興趣的屬性）、噪音數(shù)據(jù)處理（數(shù)據(jù)中存在著錯誤、或偏離期望值的數(shù)據(jù)）、不一致數(shù)據(jù)處理。主要的清洗工具是ETL（ExtracTIon/TransformaTIon/Loading）和Potter’s Wheel。

遺漏數(shù)據(jù)可用全局常量、屬性均值、可能值填充或者直接忽略該數(shù)據(jù)等方法處理;噪音數(shù)據(jù)可用分箱（對原始數(shù)據(jù)進行分組，然后對每一組內的數(shù)據(jù)進行平滑處理）、聚類、計算機人工檢查和回歸等方法去除噪音;對于不一致數(shù)據(jù)則可進行手動更正。

B.數(shù)據(jù)集成

數(shù)據(jù)集成是指將多個數(shù)據(jù)源中的數(shù)據(jù)合并存放到一個一致的數(shù)據(jù)存儲庫中。這一過程著重要解決三個問題：模式匹配、數(shù)據(jù)冗余、數(shù)據(jù)值沖突檢測與處理。

來自多個數(shù)據(jù)集合的數(shù)據(jù)會因為命名的差異導致對應的實體名稱不同，通常涉及實體識別需要利用元數(shù)據(jù)來進行區(qū)分，對來源不同的實體進行匹配。數(shù)據(jù)冗余可能來源于數(shù)據(jù)屬性命名的不一致，在解決過程中對于數(shù)值屬性可以利用皮爾遜積矩Ra，b來衡量，絕對值越大表明兩者之間相關性越強。數(shù)據(jù)值沖突問題，主要表現(xiàn)為來源不同的統(tǒng)一實體具有不同的數(shù)據(jù)值。

C.數(shù)據(jù)變換

數(shù)據(jù)轉換就是處理抽取上來的數(shù)據(jù)中存在的不一致的過程。數(shù)據(jù)轉換一般包括兩類：

第一類，數(shù)據(jù)名稱及格式的統(tǒng)一，即數(shù)據(jù)粒度轉換、商務規(guī)則計算以及統(tǒng)一的命名、數(shù)據(jù)格式、計量單位等;第二類，數(shù)據(jù)倉庫中存在源數(shù)據(jù)庫中可能不存在的數(shù)據(jù)，因此需要進行字段的組合、分割或計算。數(shù)據(jù)轉換實際上還包含了數(shù)據(jù)清洗的工作，需要根據(jù)業(yè)務規(guī)則對異常數(shù)據(jù)進行清洗，保證后續(xù)分析結果的準確性。

D. 數(shù)據(jù)規(guī)約

數(shù)據(jù)歸約是指在盡可能保持數(shù)據(jù)原貌的前提下，最大限度地精簡數(shù)據(jù)量，主要包括：數(shù)據(jù)方聚集、維規(guī)約、數(shù)據(jù)壓縮、數(shù)值規(guī)約和概念分層等。數(shù)據(jù)規(guī)約技術可以用來得到數(shù)據(jù)集的規(guī)約表示，使得數(shù)據(jù)集變小，但同時仍然近于保持原數(shù)據(jù)的完整性。也就是說，在規(guī)約后的數(shù)據(jù)集上進行挖掘，依然能夠得到與使用原數(shù)據(jù)集近乎相同的分析結果。

Part 3.大數(shù)據(jù)存儲

大數(shù)據(jù)存儲與管理要用存儲器把采集到的數(shù)據(jù)存儲起來，建立相應的數(shù)據(jù)庫，以便管理和調用。大數(shù)據(jù)存儲技術路線最典型的共有三種：

A. MPP架構的新型數(shù)據(jù)庫集群

采用MPP架構的新型數(shù)據(jù)庫集群，重點面向行業(yè)大數(shù)據(jù)，采用Shared Nothing架構，通過列存儲、粗粒度索引等多項大數(shù)據(jù)處理技術，再結合MPP架構高效的分布式計算模式，完成對分析類應用的支撐，運行環(huán)境多為低成本 PC Server，具有高性能和高擴展性的特點，在企業(yè)分析類應用領域獲得極其廣泛的應用。這類MPP產品可以有效支撐PB級別的結構化數(shù)據(jù)分析，這是傳統(tǒng)數(shù)據(jù)庫技術無法勝任的。對于企業(yè)新一代的數(shù)據(jù)倉庫和結構化數(shù)據(jù)分析，目前最佳選擇是MPP數(shù)據(jù)庫。

B. 基于Hadoop的技術擴展和封裝

基于Hadoop的技術擴展和封裝，圍繞Hadoop衍生出相關的大數(shù)據(jù)技術，應對傳統(tǒng)關系型數(shù)據(jù)庫較難處理的數(shù)據(jù)和場景，例如針對非結構化數(shù)據(jù)的存儲和計算等，充分利用Hadoop開源的優(yōu)勢，伴隨相關技術的不斷進步，其應用場景也將逐步擴大，目前最為典型的應用場景就是通過擴展和封裝 Hadoop來實現(xiàn)對互聯(lián)網(wǎng)大數(shù)據(jù)存儲、分析的支撐。這里面有幾十種NoSQL技術，也在進一步的細分。對于非結構、半結構化數(shù)據(jù)處理、復雜的ETL流程、復雜的數(shù)據(jù)挖掘和計算模型，Hadoop平臺更擅長。

C. 大數(shù)據(jù)一體機

這是一種專為大數(shù)據(jù)的分析處理而設計的軟、硬件結合的產品，由一組集成的服務器、存儲設備、操作系統(tǒng)、數(shù)據(jù)庫管理系統(tǒng)以及為數(shù)據(jù)查詢、處理、分析用途而預先安裝及優(yōu)化的軟件組成，高性能大數(shù)據(jù)一體機具有良好的穩(wěn)定性和縱向擴展性。

Part 4.大數(shù)據(jù)分析挖掘

數(shù)據(jù)的分析與挖掘主要目的是把隱藏在一大批看來雜亂無章的數(shù)據(jù)中的信息集中起來，進行萃取、提煉，以找出潛在有用的信息和所研究對象的內在規(guī)律的過程。主要從可視化分析、數(shù)據(jù)挖掘算法、預測性分析、語義引擎以及數(shù)據(jù)質量和數(shù)據(jù)管理五大方面進行著重分析。

A. 可視化分析

數(shù)據(jù)可視化主要是借助于圖形化手段，清晰有效地傳達與溝通信息。主要應用于海量數(shù)據(jù)關聯(lián)分析，由于所涉及到的信息比較分散、數(shù)據(jù)結構有可能不統(tǒng)一，借助功能強大的可視化數(shù)據(jù)分析平臺，可輔助人工操作將數(shù)據(jù)進行關聯(lián)分析，并做出完整的分析圖表，簡單明了、清晰直觀，更易于接受。

B. 數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘算法是根據(jù)數(shù)據(jù)創(chuàng)建數(shù)據(jù)挖掘模型的一組試探法和計算。為了創(chuàng)建該模型，算法將首先分析用戶提供的數(shù)據(jù)，針對特定類型的模式和趨勢進行查找。并使用分析結果定義用于創(chuàng)建挖掘模型的最佳參數(shù)，將這些參數(shù)應用于整個數(shù)據(jù)集，以便提取可行模式和詳細統(tǒng)計信息。

大數(shù)據(jù)分析的理論核心就是數(shù)據(jù)挖掘算法，數(shù)據(jù)挖掘的算法多種多樣，不同的算法基于不同的數(shù)據(jù)類型和格式會呈現(xiàn)出數(shù)據(jù)所具備的不同特點。各類統(tǒng)計方法都能深入數(shù)據(jù)內部，挖掘出數(shù)據(jù)的價值。

C. 預測性分析

大數(shù)據(jù)分析最重要的應用領域之一就是預測性分析，預測性分析結合了多種高級分析功能，包括特別統(tǒng)計分析、預測建模、數(shù)據(jù)挖掘、文本分析、實體分析、優(yōu)化、實時評分、機器學習等，從而對未來，或其他不確定的事件進行預測。

從紛繁的數(shù)據(jù)中挖掘出其特點，可以幫助我們了解目前狀況以及確定下一步的行動方案，從依靠猜測進行決策轉變?yōu)橐揽款A測進行決策。它可幫助分析用戶的結構化和非結構化數(shù)據(jù)中的趨勢、模式和關系，運用這些指標來洞察預測將來事件，并作出相應的措施。

D. 語義引擎

語義引擎是是把已有的數(shù)據(jù)加上語義，可以把它想象成在現(xiàn)有結構化或者非結構化的數(shù)據(jù)庫上的一個語義疊加層。它語義技術最直接的應用，可以將人們從繁瑣的搜索條目中解放出來，讓用戶更快、更準確、更全面地獲得所需信息，提高用戶的互聯(lián)網(wǎng)體驗。

E. 數(shù)據(jù)質量管理

是指對數(shù)據(jù)從計劃、獲取、存儲、共享、維護、應用、消亡生命周期的每個階段里可能引發(fā)的各類數(shù)據(jù)質量問題，進行識別、度量、監(jiān)控、預警等一系列管理活動，并通過改善和提高組織的管理水平使得數(shù)據(jù)質量獲得進一步提高。

對大數(shù)據(jù)進行有效分析的前提是必須要保證數(shù)據(jù)的質量，高質量的數(shù)據(jù)和有效的數(shù)據(jù)管理無論是在學術研究還是在商業(yè)應用領域都極其重要，各個領域都需要保證分析結果的真實性和價值性。