大數(shù)據(jù)的簡單介紹_大數(shù)據(jù)

一、大數(shù)據(jù)的定義和特征
     1.大數(shù)據(jù)的定義
     對于大數(shù)據(jù)還沒有一個正式的定義，目前最為普遍的定義就是“用傳統(tǒng)方法或工具不能處理或分析的數(shù)據(jù)”。不同的定義基本是從大數(shù)據(jù)的特征出發(fā)通過這些特征的闡述和歸納試圖給出其定義。在這些定義中比較有代表性的是3V定義，即認(rèn)為大數(shù)據(jù)需滿足3個特點：規(guī)模性(volume)多樣性(variety)和高速性(velocity)。除此之外還有提出4V定義的，即嘗試在3V的基礎(chǔ)上增加一個新的特性。關(guān)于第4個V的說法并不統(tǒng)一，國際數(shù)據(jù)公司(International Data Corporation, IDC)認(rèn)為大數(shù)據(jù)還應(yīng)當(dāng)具有價值性(value)，大數(shù)據(jù)的價值往往呈現(xiàn)出稀疏性的特點。而IBM認(rèn)為大數(shù)據(jù)必然具有真實性(veracity)。維基百科對大數(shù)據(jù)的定義則簡單明了：大數(shù)據(jù)是指利用常用軟件工具捕獲、管理和處理數(shù)據(jù)所耗時間超過可容忍時間的數(shù)據(jù)集。
     2.大數(shù)據(jù)的特征
     3V認(rèn)為大數(shù)據(jù)具有規(guī)模性、高速性和多樣性三大特征，這些特征是傳統(tǒng)數(shù)據(jù)處理方法和工具所無法勝任的。
     2.1規(guī)模性(Volume)是指數(shù)據(jù)量非常龐大，主要體現(xiàn)在數(shù)據(jù)存儲量大和計算量大。根據(jù)IDC《數(shù)字宇宙膨脹：到2010年全球信息增長預(yù)測》中統(tǒng)計的數(shù)據(jù)，2006年全球每年制造、復(fù)制出的數(shù)字信息量共計16.1萬PB，當(dāng)年信息產(chǎn)生量大約是歷史上圖書信息總量的3000倍；至2010年，數(shù)字信息總量達(dá)98.8萬PB。專家指出，2020年年度數(shù)據(jù)將增加43倍。因此，大數(shù)據(jù)中的數(shù)據(jù)不再以幾個GB或幾個TB為單位來衡量，而是以PB（1千個T）、EB（1百萬個T）或ZB（10億個T）為計量單位。
     2.2高速性(Velocity)一方面是指數(shù)據(jù)在不斷更新，增長的速度快，另一方面是指數(shù)據(jù)存儲、傳輸?shù)忍幚硭俣群芸臁６潭?0秒，YouTube用戶會上傳48小時的視頻；Google會收到200萬次搜索請求并極快地返回結(jié)果；Twitter要處理100萬條Tweets信息；網(wǎng)購產(chǎn)生27.2萬美元的交易；App Store有4.7萬次下載；全球新增網(wǎng)頁571個。數(shù)據(jù)處理的速度也要求越來越快，甚至是實時處理，比如災(zāi)難的預(yù)測，需很快的對災(zāi)難發(fā)生的程度、影響的區(qū)域范圍等進(jìn)行量化。如日本大地震發(fā)生后僅9分鐘，美國國家海洋和大氣管理局（NOAA）就發(fā)布了詳細(xì)的海嘯預(yù)警。
     2.3多樣性(Variety)指數(shù)據(jù)包含結(jié)構(gòu)化的數(shù)據(jù)表和半結(jié)構(gòu)化、非結(jié)構(gòu)化的文本、視頻、圖像等信息，而且數(shù)據(jù)之間的交互非常頻繁和廣泛。
     具體包括三個方面：
     一是數(shù)據(jù)來源多，企業(yè)所面對的傳統(tǒng)數(shù)據(jù)主要是交易數(shù)據(jù)，而互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，帶來了諸如微博、社交網(wǎng)站、傳感器等多種來源。
     二是數(shù)據(jù)類型多，并且以非結(jié)構(gòu)化數(shù)據(jù)為主。傳統(tǒng)的企業(yè)中，數(shù)據(jù)都是以表格的形式保存。而大數(shù)據(jù)中70%-85%的數(shù)據(jù)是如圖片、音頻、視頻網(wǎng)絡(luò)日志、鏈接信息等非結(jié)構(gòu)化和半結(jié)構(gòu)化的數(shù)據(jù)。
     三是數(shù)據(jù)之間關(guān)聯(lián)性強(qiáng)，頻繁交互。如游客在旅游途中上傳的照片和日志，就與游客的位置、行程等信息有了很強(qiáng)的關(guān)聯(lián)性。
     二、傳統(tǒng)數(shù)據(jù)庫和大數(shù)據(jù)的比較
     1.最基本的區(qū)別在于數(shù)據(jù)規(guī)模、數(shù)據(jù)類型、產(chǎn)生模式。
     2.處理對象的變化。傳統(tǒng)的數(shù)據(jù)庫中數(shù)據(jù)僅作為處理對象，而在大數(shù)據(jù)時代，要將數(shù)據(jù)作為一種資源來輔助解決其他諸多領(lǐng)域的問題。
     3.處理工具的改變。從以計算為中心轉(zhuǎn)變到以數(shù)據(jù)處理為中心。
     三、大數(shù)據(jù)的處理模式
     大數(shù)據(jù)的應(yīng)用類型有很多主要的處理模式可分為流處理(stream processing)和批處理(batch processing)兩種。批處理是先存儲后處理(store-then-process)，而流處理則是直接處理(right-through processing)。
     1.大數(shù)據(jù)流處理
      流處理的基本理念是數(shù)據(jù)的價值會隨著時間的流逝而不斷減少，因此盡可能快地對最新的數(shù)據(jù)作出分析并給出結(jié)果是所有流數(shù)據(jù)處理模式的共同目標(biāo)。需要采用流數(shù)據(jù)處理的大數(shù)據(jù)應(yīng)用場景主要有網(wǎng)頁點擊數(shù)的實時統(tǒng)計、傳感器網(wǎng)絡(luò)、金融中的高頻交易等。
流處理的處理模式將數(shù)據(jù)視為流，源源不斷的數(shù)據(jù)組成了數(shù)據(jù)流。當(dāng)新的數(shù)據(jù)到來時就立刻處理并返回所需的結(jié)果。
快且規(guī)模巨大等特點，因此通常不會對所有的數(shù)據(jù)進(jìn)行永久化存儲，而且數(shù)據(jù)環(huán)境處在不斷的變化之中，系統(tǒng)很難準(zhǔn)確掌握整個數(shù)據(jù)的全貌。
      由于響應(yīng)時間的要求，流處理的過程基本在內(nèi)存中完成，其處理方式更多地依賴于在內(nèi)存中設(shè)計巧妙的概要數(shù)據(jù)結(jié)構(gòu)(synopsis data structure)，內(nèi)存容量是限制流處理模型的一個主要瓶頸。以PCM（相變存儲器）為代表的儲存級內(nèi)存(storage class memory, SCM)設(shè)備的出現(xiàn)或許可以使內(nèi)存未來不再成為流處理模型的制約。
      數(shù)據(jù)流的理論數(shù)據(jù)的實時處理是一個很有挑戰(zhàn)性的工作，數(shù)據(jù)流本身具有持續(xù)達(dá)到，速度及技術(shù)研究已經(jīng)有十幾年的歷史，目前仍舊是研究熱點。與此同時很多實際系統(tǒng)也已開發(fā)和得到廣泛的應(yīng)用，比較代表性的開源系統(tǒng)如Twitter的Storm、Yahoo的S4以及Linkedin的Kafka22等．
      2.大數(shù)據(jù)批處理
      Google公司在2004年提出的MapReduce編程模型是最具代表性的批處理模式。
      MapReduce模型首先將用戶的原始數(shù)據(jù)源進(jìn)行分塊，然后分別交給不同的Map任務(wù)區(qū)處理。Map任務(wù)從輸入中解析出健/值(Key/Value)對集合,然后對這些集合執(zhí)行用戶自行定義的Map函數(shù)得到中間結(jié)果，并將該結(jié)果寫入本地硬盤。Reduce任務(wù)從硬盤上讀取數(shù)據(jù)之后會根據(jù)Key值進(jìn)行排序，將具有相同Key值的組織在一起。最后用戶自定義的Reduce函數(shù)會作用于這些排好序的結(jié)果并輸出最終結(jié)果。
從MapReduce的處理過程我們可以看出MapReduce的核心設(shè)計思想在于:
      a)將問題分而治之
      b)把計算推到數(shù)據(jù)而不是把數(shù)據(jù)推到計算,有效地避免數(shù)據(jù)傳輸過程中產(chǎn)生的大量通信開銷。
      MapReduce模型簡單，且現(xiàn)實中很多問題都可用MapReduce模型來表示。因此該模型公開后立刻受到極大的關(guān)注，并在生物信息學(xué)、文本挖掘等領(lǐng)域得到廣泛的應(yīng)用。
      無論是流處理還是批處理都是大數(shù)據(jù)處理的可行思路。大數(shù)據(jù)的應(yīng)用類型很多，在實際的大數(shù)據(jù)處理中?常常并不是簡單地只使用其中的某一種而是將二者結(jié)合起來?；ヂ?lián)網(wǎng)是大數(shù)據(jù)最重要的來源之一，很多互聯(lián)網(wǎng)公司根據(jù)處理時間的要求將自己的業(yè)務(wù)劃分為在線(online)、近線(nearline)和離線(offline)，比如著名的職業(yè)社交網(wǎng)站Linkedin的劃分方式是按處理所耗時間來劃分的。其中在線的處理時間一般在秒級甚至是毫秒級，因此通常采用上面所說的流處理。離線的處理時間可以以天為基本單位，基本采用批處理方式，這種方式可以最大限度地利用系統(tǒng)I/O。近線的處理時間一般在分鐘級或者是小時級，對其處理模型并沒有特別的要求，可以根據(jù)需求靈活選擇，但在實際中多采用批處理模式。
      3.大數(shù)據(jù)的基本處理流程
      "數(shù)據(jù)分析師"整個大數(shù)據(jù)的處理流程可以定義為在合適工具的輔助下，對廣泛異構(gòu)的數(shù)據(jù)源進(jìn)行抽取和集成，結(jié)果按照一定的標(biāo)準(zhǔn)統(tǒng)一存儲。數(shù)據(jù)分析師利用合適的數(shù)據(jù)分析技術(shù)對存儲的數(shù)據(jù)進(jìn)行分析，從中提取有益的知識并利用恰當(dāng)?shù)姆绞綄⒔Y(jié)果展現(xiàn)給終端用戶。具體來說可以分為數(shù)據(jù)抽取與集成，數(shù)據(jù)分析以及數(shù)據(jù)解釋。
      四、大數(shù)據(jù)與云計算的關(guān)系
      1.相同點。它們都是為數(shù)據(jù)存儲和處理服務(wù)的，都需要占用大量的存儲和計算資源，而且大數(shù)據(jù)用到的海量數(shù)據(jù)存儲技術(shù)、海量數(shù)據(jù)管理技術(shù)、MapReduce等并行處理技術(shù)也都是云計算的關(guān)鍵技術(shù)。
       2.不同點。
       2.1云計算的目的是通過互聯(lián)網(wǎng)更好地調(diào)用、擴(kuò)展和管理計算及存儲資源和能力，以節(jié)省企業(yè)的IT部署成本，其處理對象是IT資源、處理能力和各種應(yīng)用。云計算從根本上改變了企業(yè)的IT架構(gòu)，產(chǎn)業(yè)發(fā)展的主要推動力量是存儲及計算設(shè)備的生產(chǎn)廠商和擁有計算及存儲資源的企業(yè)。
       2.2大數(shù)據(jù)的目的是充分挖掘海量數(shù)據(jù)中的信息，發(fā)現(xiàn)數(shù)據(jù)中的價值，其處理對象是各種數(shù)據(jù)。大數(shù)據(jù)使得企業(yè)從“業(yè)務(wù)驅(qū)動”轉(zhuǎn)變?yōu)椤皵?shù)據(jù)驅(qū)動”，從而改變了企業(yè)的業(yè)務(wù)架構(gòu)，其直接受益者不是?IT?部門，而是業(yè)務(wù)部門或企業(yè)CEO，產(chǎn)業(yè)發(fā)展的主要推動力量是從事數(shù)據(jù)存儲與處理的軟件廠商和擁有大量數(shù)據(jù)的企業(yè)。
       因此，不難發(fā)現(xiàn)云計算和大數(shù)據(jù)實際上是工具與用途的關(guān)系，即云計算為大數(shù)據(jù)提供了有力的工具和途徑，大數(shù)據(jù)"數(shù)據(jù)分析師"為云計算提供了很有價值的用武之地。而且，從所使用的技術(shù)來看，大數(shù)據(jù)可以理解為云計算的延伸。
       大數(shù)據(jù)若與云計算相結(jié)合，將相得益彰，互相都能發(fā)揮最大的優(yōu)勢。云計算能為大數(shù)據(jù)提供強(qiáng)大的存儲和計算能力，更加迅速地處理大數(shù)據(jù)的豐富信息，并更方便地提供服務(wù)；而來自大數(shù)據(jù)的業(yè)務(wù)需求，能為云計算的落地找到更多更好的實際應(yīng)用。當(dāng)然大數(shù)據(jù)的出現(xiàn)也使得云計算會面臨新的考驗。數(shù)據(jù)分析師培訓(xùn)