大数据关键技术

大数据关键技术

大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。

大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。

一、大数据采集技术

数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化（或称之为弱结构化）及非结构化的海量数据，是大数据知识服务模型的根本。重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术；突破高速数据解析、转换与装载等大数据整合技术；设计质量评估模型，开发数据质量技术。

大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。

重点攻克分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数据的网络传输与压缩技术，大数据隐私保护技术等。

二、大数据预处理技术

主要完成对已接收数据的辨析、抽取、清洗等操作。1）抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。2）清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

三、大数据存储及管理技术

大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文件系统（DFS）、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术；突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术；突破大数据索引技术；突破大数据移动、备份、复制等技术；开发大数据可视化技术。

开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指的是NoSQL数

据库，分为：键值数据库、列存数据库、图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统以及NewSQL数据库。

开发大数据安全技术。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术；突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。

四、大数据分析及挖掘技术

大数据分析技术。改进已有数据挖掘和机器学习技术；开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术；突破基于对象的数据连接、相似性连接等大数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘涉及的技术方法很多，有多种分类法。根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web；根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法

等。统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

从挖掘任务和挖掘方法的角度，着重突破：1.可视化分析。数据可视化无论对于普通用户或是数据分析专家，都是最基本的功能。数据图像化可以让数据自己说话，让用户直观的感受到结果。2.数据挖掘算法。图像化是将机器语言翻译给人看，而数据挖掘就是机器的母语。分割、集群、孤立点分析还有各种各样五花八门的算法让我们精炼数据，挖掘价值。这些算法一定要能够应付大数据的量，同时还具有很高的处理速度。3.预测性分析。预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。4.语义引擎。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。语言处理技术包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。5.数据质量和数据管理。数据质量与管理是管理的最佳实践，透过标准化流程和机器对数据进行处理可以确保获得一个预设质量

的分析结果。

六、大数据展现与应用技术

大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大

提高整个社会经济的集约化程度。在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。例如：商业智能技术，政府决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统（道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统），大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。

大数据时代所需的三大技术

大数据时代企业所需的三大技术 作为IT领域的关键词，“大数据”不断被大书特书，对其分析利用也备受关注。另一方面，靠IT技术、现有的组织和人才技能解决不了的难题也渐渐浮出水面。这就需要“分析数据及其与业务相结合的技术”。 本文总结了将数据分析应用到业务中所需的技术，以及怎样在企业中实现有效的信息应用。同时，还列举了日本国内外的先进事例。 三大技术 下面，我们来看一下大数据时代企业所需的技术有哪些？ 业务技能 这里的业务技能不是指提高业绩的能力，而是指将业务过程标准化、掌握各个过程中哪些信息需要输入、记录等能力。 以经营活动为例。通常，将一些促销活动的问卷调查中有望成为真实客户的顾客信息录入CRM(顾客管理系统)系统，销售负责人在此信息的基础上开展营销，顾客感兴趣的产品、服务等将作为数据输入CRM系统。接下来，如果顾客购买了产品，在结算系统输入结算信息，如果是货物的话在物流系统输入、生成物流信息。像这样，掌握数据是在哪一过程中、什么活动中生成的非常重要。 此外，哪一过程、或者在哪一过程生成的数据会对业务的结果产生较大影响等，与其感性估计，不如对相关数据进行分析、形成模式化。例如，与顾客的年龄、性别相比，从事哪种职业对购买概率的影响更大等。 数学技能(模式化、样本化) 其次是分析数据所需的数学技能。此前，说到分析业务数据的技能的话，都是些求合计、平均值和标准差等简单的统计学知识，但以后，通过分析数据研究出业务的规律性，形成“模式化”、“样本化”技术非常必要。这在科学界是一种常见手法。例如，理想气体状态方程“PV=nRT”，就是将气体的状态用模式化的公式表现出来。 同样，在业界，也需要将商业活动的状态形成公式化的分析技术。例如，连锁超市可以根据店铺的位置，计算出各种条件下(销售业绩、天气、气温、星期几等)的客流量和每种商品的销售额，找出规律，就可以做出更适当的调整，也能减少亏损、改善盈利。 IT技术

大数据的五大关键技术

大数据的五大关键技术 大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和展现的有力武器。 一、大数据接入 1、大数据接入 已有数据接入、实时数据接入、文件数据接入、消息记录数据接入、文字数据接入、图片数据接入、视屏数据接入 2、大数据接入技术 Kafka、ActiveMQ、ZeroMQ、Flume、Sqoop、Socket(Mina、Netty)、ftp/sftp 二、大数据存储 1、大数据存储 结构化数据存储、半结构化数据存储、非结构化数据存储 2、大数据存储技术 Hdfs、Hbase、Hive、S3、Kudu、MongoDB、Neo4J 、Redis、Alluxio(Tachyon)、Lucene、Solr、ElasticSearch 三、数据分析挖掘 1、大数据分析与挖掘 离线分析、准实时分析、实时分析、图片识别、语音识别、机器学习

2、大数据分析与挖掘技术 MapReduce、Hive、Pig、Spark、Flink、Impala、Kylin、Tez、Akka、Storm、S4、Mahout、MLlib 四、大数据共享交换 1、大数据共享交换 数据接入、数据清洗、转换、脱敏、脱密、数据资产管理、数据导出 2、大数据共享交换技术 Kafka、ActiveMQ、ZeroMQ、Dubbo、Socket(Mina、Netty)、ftp/sftp、RestFul、Web Service 五、大数据展现 1、大数据展现 图化展示（散点图、折线图、柱状图、地图、饼图、雷达图、K线图、箱线图、热力图、关系图、矩形树图、平行坐标、桑基图、漏斗图、仪表盘），文字展示； 2、大数据展现技术 Echarts、Tableau 国家规划大数据产业发展战略，各行各业需要大数据技术支撑指数级的数据增量服务，越来越多的企业逐渐转型于大数据，大数据方面市场需求呈爆发式增长。为了应对大数据人才的缺乏，加米谷大数据培训中心制定了全流程的大数据课程，主要包括Linux、java、CentOS、mysql、HDFS、Hadoop、Hbase、Hive、Kafka、Spark、Storm等。除了在理论方面深入讲解外，还有对应代码实战，全流程学完之后会有实战大数据项目，整体把控学习效果，教学目的旨在提高学员实战能力，真实提升自身大数据能力。

2019继续教育公需科目大数据技术及应用试题答案

2019年度大数据技术及应用试题 单选题: 1、本课程提到，近年来，我国（A）在GDP中占的比例逐年增大。 A互联网经济 B信息经济 C数码消费 D电子商务 2、法律大数据演示的结果表明，针对“酒驾”这一查询，相关刑罚中主要的是（A） A以上都是 B拘役 C罚金 D有期徒刑 3、根据本课程，取得成功的关键是要从（A）出发 A数据 B技术 C设备 D问题 4、1965年英特尔公司创始人之一摩尔先生，提出来在之后的十几年里，半导体处理器的

性能，比如容量、计算速度和复杂程度每18个月左右可以翻一番，这被称为（摩尔定律）5、21世纪初，关于查询结果排序我们找到了一种新的方法。（大数据方法：用户的点击数据） 6、根据本课程，（查询结果）排序是一个在搜索引擎中处于核心位置的工作。 7、今天，随着信息科学技术的高速发展，人类对数据的收集和分享能力空前强大，其中，（互联网）可以收集虚拟世界的数据。 8、根据本课程，交通数据采集的来源不包括（A） A通讯信号 B视频监控 C微波采集 D车载RFID 9、根据本课程，（实时分析）希望能够全面突破搜索引擎框架所蕴含的3个假设，使得我们能以很快的速度对互联网上出现的数据进行分析，从而发掘出相关的高阶知识，满足用户的信息需求。 10、六度分割理论认为，世界上任何两个人通过最多（六）个人就可以相互认识。 11、新经验主义是用经验数据解决问题，但是这些经验是（群体性的经验）。 12、根据本课程，科学家们认为，2013年全世界储存的大数据容量是（1.2ZB） 13、本课程提到，当前（云计算）服务的逐渐成熟，为大数据发展提供了有利的基础设施支撑。 14、（RFID）是一种标签，可以把一个物体身上的各种特征和信息都收集起来。

大数据时代下软件工程关键技术探讨

大数据时代下软件工程关键技术探讨 发表时间：2019-05-29T17:30:31.750Z 来源：《防护工程》2019年第4期作者：赵阳刘春龙董晓峰晋超琼陈瑞昱[导读] 随着计算机网络技术的高速发展，大数据被广泛应用于社会各个行业的工作当中，提升社会工作效率。 北方自动控制技术研究所山西太原 030006摘要：随着计算机网络技术的高速发展，大数据被广泛应用于社会各个行业的工作当中，提升社会工作效率。基于大数据的时代背景之下，软件工程技术与大数据技术相辅相成，共同组成了影响社会运行速率的重要技术内容。随着我国社会经济的进一步发展，对软件工程技术的需求逐渐加大，相关科研人员要紧跟社会发展步伐，致力于软件工程技术的开发与利用，提升数字化信息处理效率，推动我国经 济、政治、文化全方面进步。下面，就大数据时代下软件工程关键技术展开论述。 关键词：大数据时代；软件工程；关键技术 引言 随着我国计算机技术的不断成熟和发展，软件应用日益广泛，无论是从计算机存储或是整个IT环境，在硬件平台的搭设基础上，越来越多的软件功能丰富的大数据时代的主体内容。作为人类发社会发展的必经道路，大数据时代在不断适应和改造人类认知世界的过程中，不断丰富着人们的生产生活。因此，在软件工程设计分析时，我们要结合大数据的整体时代背景，进一步缓和软件工程发展的进程，并且不断优化传统的信息结构资源，强化软件工程的信息处理能力，提升软件工程与网络的结合度。 1软件工程技术定义在大数据时代，软件工程基础被应用于多个方面，涉及到工业、农业、航空、政府等各个行业领域，用于提升生活、工作的效率，促进社会经济发展。软件工程技术主要包括软件工程原理、软件工程过程、软件工程方法等内容，是在计算机网络技术的基础上，利用编程语言对相关软件的功能、操作进行优化和提升，是在程序与程序设计发展到一定规模并且逐渐商品化的过程中形成的。 2大数据时代下软件工程关键技术 2.1软件服务工程技术 软件服务开发符合我国当下社会主流需求，也是社会发展的主流需要。其在技术上主要应用在服务功能比较明显的软件开发之中，主要是指以工程化形式，利用计算机系统编程语言、开发程式及步骤、数据系统等内容，实现具备服务功能、应用功能软件的开发。软件工程开发以服务能力为核心，以虚拟特征以及分布样式为基础，对用户具体应用情况进行调试，保障用户应用软件工程系统科学性、稳定性、安全性。与此同时，服务软件工程技术可实现应用数据之间的整合，提高软件管理操作能力，对各项操作流程等进行明确。在大数据时代背景下，服务软件工程开发技术更加倾向于局域网内部应用，可以保护局域网内部用户不会受到木马病毒恶意袭击，极大程度保障软件工程应用安全性。例如，某企业应用服务软件工程技术，致力于服务与应用效果软件系统开发，将其应用在企业整体业务管理之中，为了提高软件服务工程应用效率，赋予了软件私人订制功能，强化软件服务工程自定义效果。 2.2众包软件服务工程 在众多软件工程技术中，大多数均具备的功能为处理信息、数据的集中性，可以生成大量数据信息，并呈现出集中性等特征。众包软件工程技术在世界各国均得到了广泛普及，是各国的重点研究对象。该技术在应用过程中可以流式数据、密集数据研究为主，实现系统化服务平台构建，其核心应用价值在于具有很强服务能力，并以群体信息服务等方式，优化自身应用价值。该软件工程技术相比较企业技术而言，具有明显优势，其在数据实质表现上具有真实性特征，忽略了软件形式要点，并不具备单位量化特征，重点突出在集中性上。众包软件工程技术具有很广阔发展空间，在市场有很强的发展前景，其技术能力与软件开发程度、系统管理能力息息相关，开发单位需重视该技术中数据传输有效性，促进软件长久稳定发展。众包软件工程技术以专业理论分析为依据，可从整体角度实现数据信息传输、处理等功能，以全面服务为核心，实现软件系统开发。企业及有关部门需强化众包软件开发技术应用，提高技术应用水平，在技术上进行创新，提高自身竞争实力。 2.3密集型数据科研技术 “第四范式”是密集数据研究一种，在2007年由吉姆?格雷提出。在该技术理论研究过程中，强调大数据储存技术应用价值性，以统一的理论方法作为数据研究主要支撑。在该技术开发与应用过程中，对其传统软件工程中一、二、三范式进行理论与数据分析，提高其短时间内的数据储存与信息处理能力。在经过反复试验对比之后，研究人员改变传统思维模式，首先致力于“第四范式”数据结构研究，在整合驱动大数据基础上，对软件服务价值进行了全面概述。针对密集型数据分析方式，传统的数据周期、信息流程方法已经无法适用，在模型效果上存在滞后性。研究人员以原本数据、信息、模型研究为基础，对其数据服务、信息服务等进行推演，逐渐构建出第四范式模型，对其服务能力、服务价值等进行了全面优化。“第四范式”是大数据时代下，软件工程开发关键技术之一，在不断的研究中得以完善，可以实现密集数据生命周期有效提高，以全新的数据模型，为软件工程开发提供技术保障。有关部门需给予高度重视，使其能够适应未来社会的发展。 2.4软件工程技术在企业中应用 软件工程技术在企业中应用主要体现在两个方面，一是在信息通信中应用，二是在信息解决问题中应用。以某企业发展为例，某企业在运行过程中应用计算机软件工程监测技术，实现用户信息数据有效处理，并对用户信息进行科学保存。软件工程技术在逐渐发展中，其功能也在不断完善，信息通信功能可以为企业留存大量客源，具有十分巨大的行业价值。在信息解决方面应用软件工程技术，其主要应用方向在于系统平台管理，在大数据时代下，软件工程技术需具备以下五个环节，分别为产品抽样、产品样本采集、信息优化修改、构建数据模型、生产效果评定。企业应用软件工程技术进行信息问题解决，可以实现企业整体数据的有效分析与整合，保障企业内部信息准确、全面。所以。企业要重视软件工程关键技术应用，提高自身软件技术应用能力，致力于企业经济效益提高，进而提高自身竞争能力。 3计算机软件技术发展过程中的各种应用 3.1信息通信方面

大数据关键技术

大数据关键技术 大数据技术，就就是从各种类型得数据中快速获得有价值信息得技术。大数据领域已经涌现出了大量新得技术，它们成为大数据采集、存储、处理与呈现得有力武器. 大数据处理关键技术一般包括:大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现与应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。 一、大数据采集技术 数据就是指通过RFIＤ射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得得各种类型得结构化、半结构化（或称之为弱结构化）及非结构化得海量数据，就是大数据知识服务模型得根本.重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术;突破高速数据解析、转换与装载等大数据整合技术;设计质量评估模型,开发数据质量技术。 大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化得海量数据得智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理与管理等。必须着重攻克针对大数据源得智能识别、感知、适配、传输、接入等技术．基础支撑层：提供大数据服务平台所需得虚拟服务器,结构化、半结构化及非结构化数据得数据库及物联网络资源等基础支撑环境。

重点攻克分布式虚拟存储技术,大数据获取、存储、组织、分析与决策操作得可视化接口技术,大数据得网络传输与压缩技术,大数据隐 私保护技术等． 二、大数据预处理技术 主要完成对已接收数据得辨析、抽取、清洗等操作。1)抽取:因获取得数据可能具有多种结构与类型,数据抽取过程可以帮助我们将这些复杂得数据转化为单一得或者便于处理得构型,以达到快速分析处理得目得。2)清洗:对于大数据，并不全就是有价值得,有些数据并不就是我们所关心得内容,而另一些数据则就是完全错误得干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据. 三、大数据存储及管理技术 大数据存储与管理要用存储器把采集到得数据存储起来,建立相 应得数据库,并进行管理与调用。重点解决复杂结构化、半结构化与非结构化大数据管理与处理技术。主要解决大数据得可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠得分布式文件系统（DFS）、能效优化得存储、计算融入存储、大数据得去冗余及高效低成本得大数据存储技术；突破分布式非关系型大数据管理与处理技术，异构数据得数据融合技术,数据组织技术,研 究大数据建模技术;突破大数据索引技术;突破大数据移动、备份、复制等技术；开发大数据可视化技术. 开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指得就是NoSＱ

林子雨大数据技术原理及应用第四章课后作业答案

大数据技术原理与应用第四章课后作业 黎狸 1.试述在Hadoop体系架构中HBase与其他组成部分的相互关系。 HBase利用Hadoop MapReduce来处理HBase中的海量数据，实现高性能计算；利用Zookeeper作为协同服务，实现稳定服务和失败恢复；使用HDFS作为高可靠的底层存储，利用廉价集群提供海量数据存储能力; Sqoop为HBase的底层数据导入功能，Pig 和Hive为HBase提供了高层语言支持，HBase是BigTable的开源实现。 2.请阐述HBase和BigTable的底层技术的对应关系。 3.请阐述HBase和传统关系数据库的区别。 4.HBase有哪些类型的访问接口？ HBase提供了Native Java API , HBase Shell , Thrift Gateway , REST GateWay , Pig , Hive 等访问接口。 5.请以实例说明HBase数据模型。

6.分别解释HBase中行键、列键和时间戳的概念。 ①行键标识行。行键可以是任意字符串，行键保存为字节数组。 ②列族。HBase的基本的访问控制单元，需在表创建时就定义好。 ③时间戳。每个单元格都保存着同一份数据的多个版本，这些版本采用时间戳进行索 引。 7.请举个实例来阐述HBase的概念视图和物理视图的不同。 8.试述HBase各功能组件及其作用。 ①库函数：链接到每个客户端； ②一个Master主服务器：主服务器Master主要负责表和Region的管理工作； ③③许多个Region服务器：Region服务器是HBase中最核心的模块，负责存储和 维护分配给自己的Region，并响应用户的读写请求

大数据技术原理与应用-林子雨版-课后习题答案复习进程

大数据技术原理与应用-林子雨版-课后习 题答案

第一章 1.试述信息技术发展史上的3次信息化浪潮及具体内容。 2.试述数据产生方式经历的几个阶段 答：运营式系统阶段，用户原创内容阶段，感知式系统阶段。 3.试述大数据的4个基本特征 答：数据量大、数据类型繁多、处理速度快和价值密度低。 4.试述大数据时代的“数据爆炸”的特性 答：大数据时代的“数据爆炸”的特性是，人类社会产生的数据一致都以每年50%的速度增长，也就是说，每两年增加一倍。 5.数据研究经历了哪4个阶段？ 答：人类自古以来在科学研究上先后历经了实验、理论、计算、和数据四种范式。 6.试述大数据对思维方式的重要影响 答：大数据时代对思维方式的重要影响是三种思维的转变：全样而非抽样，效率而非精确，相关而非因果。 7.大数据决策与传统的基于数据仓库的决策有什么区别 答：数据仓库具备批量和周期性的数据加载以及数据变化的实时探测、传播和加载能力，能结合历史数据和实时数据实现查询分析和自动规则触发，从而提供对战略决策和战术决策。 大数据决策可以面向类型繁多的、非结构化的海量数据进行决策分析。

8.举例说明大数据的基本应用 9.举例说明大数据的关键技术 答：批处理计算，流计算，图计算，查询分析计算 10.大数据产业包含哪些关键技术。 答：IT基础设施层、数据源层、数据管理层、数据分析层、数据平台层、数据应用层。 11.定义并解释以下术语：云计算、物联网 答：云计算：云计算就是实现了通过网络提供可伸缩的、廉价的分布式计算机能力，用户只需要在具备网络接入条件的地方，就可以随时随地获得所需的各种IT资源。 物联网是物物相连的互联网，是互联网的延伸，它利用局部网络或互联网等通信技术把传感器、控制器、机器、人类和物等通过新的方式连在一起，形成人与物、物与物相连，实现信息化和远程管理控制。

大数据关键技术(一)——数据采集知识讲解

大数据开启了一个大规模生产、分享和应用数据的时代，它给技术和商业带来了巨大的变化。 麦肯锡研究表明，在医疗、零售和制造业领域，大数据每年可以提高劳动生产率0.5-1个百 分点。 大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出 了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。 大数据关键技术 大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分 析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。 然而调查显示，未被使用的信息比例高达99.4%，很大程度都是由于高价值的信息无法获取 采集。 如何从大数据中采集出有用的信息已经是大数据发展的关键因素之一。 因此在大数据时代背景下，如何从大数据中采集出有用的信息已经是大数据发展的关键因素 之一，数据采集才是大数据产业的基石。那么什么是大数据采集技术呢？

什么是数据采集？ ?数据采集(DAQ)：又称数据获取，是指从传感器和其它待测设备等模拟和数字被测单元中自动采集信息的过程。 数据分类新一代数据体系中，将传统数据体系中没有考虑过的新数据源进行归纳与分类，可将其分为线上行为数据与内容数据两大类。 ?线上行为数据：页面数据、交互数据、表单数据、会话数据等。 ?内容数据：应用日志、电子文档、机器数据、语音数据、社交媒体数据等。 ?大数据的主要来源： 1）商业数据 2）互联网数据 3）传感器数据

数据采集与大数据采集区别 传统数据采集 1. 来源单一，数据量相对于大数据较小 2. 结构单一 3. 关系数据库和并行数据仓库 大数据的数据采集 1. 来源广泛，数据量巨大 2. 数据类型丰富，包括结构化，半结构化，非结构化 3. 分布式数据库

大数据技术原理与应用 林子雨版 课后习题答案(精编文档).doc

【最新整理，下载后即可编辑】 第一章 1.试述信息技术发展史上的3次信息化浪潮及具体内容。 2.试述数据产生方式经历的几个阶段 答：运营式系统阶段，用户原创内容阶段，感知式系统阶段。

3.试述大数据的4个基本特征 答：数据量大、数据类型繁多、处理速度快和价值密度低。 4.试述大数据时代的“数据爆炸”的特性 答：大数据时代的“数据爆炸”的特性是，人类社会产生的数据一致都以每年50%的速度增长，也就是说，每两年增加一倍。 5.数据研究经历了哪4个阶段？ 答：人类自古以来在科学研究上先后历经了实验、理论、计算、和数据四种范式。 6.试述大数据对思维方式的重要影响 答：大数据时代对思维方式的重要影响是三种思维的转变：全样而非抽样，效率而非精确，相关而非因果。 7.大数据决策与传统的基于数据仓库的决策有什么区别 答：数据仓库具备批量和周期性的数据加载以及数据变化的实时探测、传播和加载能力，能结合历史数据和实时数据实现查询分析和自动规则触发，从而提供对战略决策和战术决策。 大数据决策可以面向类型繁多的、非结构化的海量数据进行决策分析。

8.举例说明大数据的基本应用 答： 9.举例说明大数据的关键技术 答：批处理计算，流计算，图计算，查询分析计算 10.大数据产业包含哪些关键技术。 答：IT基础设施层、数据源层、数据管理层、数据分析层、数据平台层、数据应用层。

11.定义并解释以下术语：云计算、物联网 答：云计算：云计算就是实现了通过网络提供可伸缩的、廉价的分布式计算机能力，用户只需要在具备网络接入条件的地方，就可以随时随地获得所需的各种IT资源。 物联网是物物相连的互联网，是互联网的延伸，它利用局部网络或互联网等通信技术把传感器、控制器、机器、人类和物等通过新的方式连在一起，形成人与物、物与物相连，实现信息化和远程管理控制。 12.详细阐述大数据、云计算和物联网三者之间的区别与联系。

大数据时代下软件工程关键技术探讨

大数据时代下软件工程关键技术探讨 摘要：随着计算机网络技术的高速发展，大数据被广泛应用于社会各个行业的 工作当中，提升社会工作效率。基于大数据的时代背景之下，软件工程技术与大 数据技术相辅相成，共同组成了影响社会运行速率的重要技术内容。随着我国社 会经济的进一步发展，对软件工程技术的需求逐渐加大，相关科研人员要紧跟社 会发展步伐，致力于软件工程技术的开发与利用，提升数字化信息处理效率，推 动我国经济、政治、文化全方面进步。下面，就大数据时代下软件工程关键技术 展开论述。 关键词：大数据时代；软件工程；关键技术 引言 随着我国计算机技术的不断成熟和发展，软件应用日益广泛，无论是从计算 机存储或是整个IT环境，在硬件平台的搭设基础上，越来越多的软件功能丰富的 大数据时代的主体内容。作为人类发社会发展的必经道路，大数据时代在不断适 应和改造人类认知世界的过程中，不断丰富着人们的生产生活。因此，在软件工 程设计分析时，我们要结合大数据的整体时代背景，进一步缓和软件工程发展的 进程，并且不断优化传统的信息结构资源，强化软件工程的信息处理能力，提升 软件工程与网络的结合度。 1软件工程技术定义 在大数据时代，软件工程基础被应用于多个方面，涉及到工业、农业、航空、政府等各个行业领域，用于提升生活、工作的效率，促进社会经济发展。软件工 程技术主要包括软件工程原理、软件工程过程、软件工程方法等内容，是在计算 机网络技术的基础上，利用编程语言对相关软件的功能、操作进行优化和提升， 是在程序与程序设计发展到一定规模并且逐渐商品化的过程中形成的。 2大数据时代下软件工程关键技术 2.1软件服务工程技术 软件服务开发符合我国当下社会主流需求，也是社会发展的主流需要。其在 技术上主要应用在服务功能比较明显的软件开发之中，主要是指以工程化形式， 利用计算机系统编程语言、开发程式及步骤、数据系统等内容，实现具备服务功能、应用功能软件的开发。软件工程开发以服务能力为核心，以虚拟特征以及分 布样式为基础，对用户具体应用情况进行调试，保障用户应用软件工程系统科学性、稳定性、安全性。与此同时，服务软件工程技术可实现应用数据之间的整合，提高软件管理操作能力，对各项操作流程等进行明确。在大数据时代背景下，服 务软件工程开发技术更加倾向于局域网内部应用，可以保护局域网内部用户不会 受到木马病毒恶意袭击，极大程度保障软件工程应用安全性。例如，某企业应用 服务软件工程技术，致力于服务与应用效果软件系统开发，将其应用在企业整体 业务管理之中，为了提高软件服务工程应用效率，赋予了软件私人订制功能，强 化软件服务工程自定义效果。 2.2众包软件服务工程 在众多软件工程技术中，大多数均具备的功能为处理信息、数据的集中性， 可以生成大量数据信息，并呈现出集中性等特征。众包软件工程技术在世界各国 均得到了广泛普及，是各国的重点研究对象。该技术在应用过程中可以流式数据、

大数据关键技术

大数据关键技术 大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。 大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。 一、大数据采集技术 数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化（或称之为弱结构化）及非结构化的海量数据，是大数据知识服务模型的根本。重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术；突破高速数据解析、转换与装载等大数据整合技术；设计质量评估模型，开发数据质量技术。 大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。

重点攻克分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数据的网络传输与压缩技术，大数据隐私保护技术等。

二、大数据预处理技术 主要完成对已接收数据的辨析、抽取、清洗等操作。1）抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。2）清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。 三、大数据存储及管理技术 大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文件系统（DFS）、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术；突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术；突破大数据索引技术；突破大数据移动、备份、复制等技术；开发大数据可视化技术。 开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指的是NoSQL数据库，分为：键值数据库、列存数据库、图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统以及NewSQL数据库。

(完整版)大数据技术原理与应用林子雨版课后习题答案

第一章 1.试述信息技术发展史上的3次信息化浪潮及具体内容。 2.试述数据产生方式经历的几个阶段 答：运营式系统阶段，用户原创内容阶段，感知式系统阶段。 3.试述大数据的4个基本特征 答：数据量大、数据类型繁多、处理速度快和价值密度低。 4.试述大数据时代的“数据爆炸”的特性 答：大数据时代的“数据爆炸”的特性是，人类社会产生的数据一致都以每年50%的速度增长，也就是说，每两年增加一倍。 5.数据研究经历了哪4个阶段？

答：人类自古以来在科学研究上先后历经了实验、理论、计算、和数据四种范式。 6.试述大数据对思维方式的重要影响 答：大数据时代对思维方式的重要影响是三种思维的转变：全样而非抽样，效率而非精确，相关而非因果。 7.大数据决策与传统的基于数据仓库的决策有什么区别 答：数据仓库具备批量和周期性的数据加载以及数据变化的实时探测、传播和加载能力，能结合历史数据和实时数据实现查询分析和自动规则触发，从而提供对战略决策和战术决策。 大数据决策可以面向类型繁多的、非结构化的海量数据进行决策分析。 8.举例说明大数据的基本应用 答： 9.举例说明大数据的关键技术

答：批处理计算，流计算，图计算，查询分析计算 10.大数据产业包含哪些关键技术。 答：IT基础设施层、数据源层、数据管理层、数据分析层、数据平台层、数据应用层。 11.定义并解释以下术语：云计算、物联网 答：云计算：云计算就是实现了通过网络提供可伸缩的、廉价的分布式计算机能力，用户只需要在具备网络接入条件的地方，就可以随时随地获得所需的各种IT资源。 物联网是物物相连的互联网，是互联网的延伸，它利用局部网络或互联网等通信技术把传感器、控制器、机器、人类和物等通过新的方式连在一起，形成人与物、物与物相连，实现信息化和远程管理控制。 12.详细阐述大数据、云计算和物联网三者之间的区别与联系。

林子雨大数据技术原理与应用答案(全)

林子雨大数据技术原理及应用课后题答案 大数据第一章大数据概述课后题 (1) 大数据第二章大数据处理架构Hadoop课后题 (5) 大数据第三章Hadoop分布式文件系统课后题 (10) 大数据第四章分布式数据库HBase课后题 (16) 大数据第五章NoSQl数据库课后题 (22) 大数据第六章云数据库课后作题 (28) 大数据第七章MapReduce课后题 (34) 大数据第八章流计算课后题 (41) 大数据第九章图计算课后题 (50) 大数据第十章数据可视化课后题 (53) 大数据第一章课后题 ——大数据概述 1.试述信息技术发展史上的3次信息化浪潮及其具体内容。 第一次信息化浪潮1980年前后个人计算机开始普及，计算机走入企业和千家万户。代表企业：Intel，AMD，IBM，苹果，微软，联想，戴尔，惠普等。 第二次信息化浪潮1995年前后进入互联网时代。代表企业：雅虎，谷歌阿里巴巴，百度，腾讯。 第三次信息浪潮2010年前后，云计算大数据，物联网快速发展，即将涌现一批新的市场标杆企业。 2.试述数据产生方式经历的几个阶段。 经历了三个阶段: 运营式系统阶段数据伴随一定的运营活动而产生并记录在数据库。 用户原创内容阶段Web2.0时代。 感知式系统阶段物联网中的设备每时每刻自动产生大量数据。 3.试述大数据的4个基本特征。

数据量大（Volume） 据类型繁多（Variety） 处理速度快（Velocity） 价值密度低（Value） 4.试述大数据时代的“数据爆炸”特性。 大数据摩尔定律：人类社会产生的数据一直都在以每年50%的速度增长，即每两年就增加一倍。 5.科学研究经历了那四个阶段？ 实验比萨斜塔实验 理论采用各种数学，几何，物理等理论，构建问题模型和解决方案。例如：牛一，牛二，牛三定律。 计算设计算法并编写相应程序输入计算机运行。 数据以数据为中心，从数据中发现问题解决问题。 6.试述大数据对思维方式的重要影响。 全样而非抽样 效率而非精确 相关而非因果 7.大数据决策与传统的基于数据仓库的决策有什么区别？ 数据仓库以关系数据库为基础，在数据类型和数据量方面存在较大限制。 大数据决策面向类型繁多的，非结构化的海量数据进行决策分析。 8.举例说明大数据的具体应用。 汽车行业大数据和物联网技术无人汽车

关于大数据国内外的发展状态

关于大数据国内外的发展状态 来源：金窝窝 大数据的背景与意义 上世纪60年代到80年代早期，企业在大型机上部署财务、银行等关键应用系统，存储介质包括磁盘、磁带、光盘等。尽管当时人们称其为大数据，但以今日的数据量来看，这些数据无疑是非常有限的。随着PC的出现和应用增多，企业内部出现了很多以公文档为主要形式的数据，包括Word、Excel文档，以及后来出现的图片、图像、影像和音频等。此时企业内部生产数据的已不仅是企业的财务人员，还包括大量的办公人员，这极大地促进了数据量的增长。 关键词：大数据，发展，分析，技术 互联网的兴起则促成了数据量的第三次大规模增长，在互联网的时代，几乎全民都在制造数据。而与此同时，数据的形式也极其丰富，既有社交网络、多媒体等应用所主动产生的数据，也有搜索引擎、网页浏览等被动行为过程中被记录、搜集的数据。时至今日，随着移动互联网、物联网、云计算应用的进一步丰富，数据已呈指数级的增长，企业所处理的数据已经达到PB级，而全球每年所产生的数据量更是到了惊人的ZB级。在数据的这种爆炸式增长的背景下，“大数据”的概念逐渐在科技界、学术界、产业界引起热议。在大数据时代，我们分析的数据因为“大”，摆脱了传统对随机采样的依赖，而是面对全体数据;因为所有信息都是“数”，可以不再纠结具体数据的精确度，而是坦然面对信息的混杂;信息之“大”之“杂”，让我们分析的“据”也由传统的因果关系变为相关关系。 大数据热潮的掀起让中国期待“弯道超越”的机会，创造中国IT企业从在红海领域苦苦挣扎转向在蓝海领域奋起直追的战略机遇。传统IT行业对于底层设备、基础技术的要求非常高，企业在起点落后的情况下始终疲于追赶。每当企业在耗费大量人力、物力、财力取得技术突破时，IT革命早已将核心设备或元件推进至下一阶段。这种一步落后、处处受制于人的状态在大数据时代有望得到改变。大数据对于硬件基础设施的要求相对较低，不会受困于基础设备核心元件的相对落后。与在传统数据库操作层面的技术差距相比，大数据分析应用的中外技术差距要小得多。而且，美国等传统IT强国的大数据战略也都处于摸着石头过河的试错阶段。 中国市场的规模之大也为这一产业发展提供了大空间、大平台。大数据对于中国企业不仅仅是信息技术的更新，更是企业发展战略的变革。随着对大数据的获取、处理、管理等各个角度研究的开展，企业逐渐认识数据已经逐渐演变成“数据资产”。任何硬件、软件及服务都会随着技术发展和需求变化逐渐被淘汰，只有数据才具有长期可用性，值得积累。数据是企业的核心资产，可以是也应该是独立于软硬件系统及应用需求而存在的。大数据是信息技术演化的最新产物，确立了数据这一信息技术元素的独立地位。正因为数据不再是软硬件及应用的附属产物，才有了今天爆炸式的数据增长，从而奠定了大数据的基础。

《大数据技术原理与操作应用》第1章习题答案

第一章 单选题 1、下列选项中，最早提出“大数据”这一概念的是（）。 ?A、贝恩 ?B、麦肯锡 ?C、吉拉德 ?D、杰弗逊 参考答案: B 答案解析: 暂无解析 2、下列选项中，哪一项是研究大数据最重要的意义（）。 ?A、分析 ?B、统计 ?C、测试 ?D、预测 参考答案: D 答案解析: 研究大数据，最重要的意义是预测。 3、Hadoop1.0中，Hadoop内核的主要组成是（）。 ?A、HDFS和MapReduce ?B、HDFS和Yarn ?C、Yarn ?D、MapReduce和Yarn 参考答案: A 答案解析: Hadoop1.0中，Hadoop内核的主要是由HDFS和MapReduce两个系统组成。 4、在HDFS中，用于保存数据的节点是（）。

?B、datanode ?C、secondaryNode ?D、yarn 参考答案: B 答案解析: 暂无解析 多选题 1、下列选项中，属于Google提出的处理大数据的技术手段有（）。 ?A、MapReduce ?B、MySQL ?C、BigTable ?D、GFS 参考答案: A,C,D 答案解析: Google提出了三个处理大数据的技术手段，分别是MapReduce、BigTable和G FS。 2、下列选项中，属于Hadoop优势的有（）。 ?A、扩容能力强 ?B、可靠性 ?C、低效率 ?D、高容错性 参考答案: A,B,D 答案解析: Hadoop具有扩展能力强、成本低、高效率、可靠性、高容错性的优势。 3、下列选项中，属于Hadoop版本系列的有（）。 ?A、Hadoop4 ?B、Hadoop2 ?C、Hadoop1

大数据安防中的三种关键技术及五大挑战

大数据安防中的三种关键技术及五大挑战 1.大数据 在安防行业，随着前端设备分辨率的不断提高、安防系统建设规模的不断扩大以及视频、图片数据存储的时间越来越长，安防大数据问题日益凸显。如何有效对数据进行存储、共享以及应用变得愈加重要。要应用安防大数据，首先要了解安防大数据有何特点。 安防大数据涉及的类型比较多，主要包含结构化、半结构化和非结构化的数据信息。其中结构化数据主要包括报警记录、系统日志、运维数据、摘要分析结构化描述记录以及各种相关的信息数据库，如人口库、六合一系统信息等；半结构化数据如人脸建模数据、指纹记录等；而非结构化数据主要包括视频录像和图片记录，如监控、报警、视频摘要等录像信息和卡口、人脸等图片信息。区别于其他行业大数据特点，安防大数据以非结构化的视频和图片为主，如何对非结构化的数据进行分析、提取、挖掘及处理，对安防行业提出了更多挑战。 大数据 对于安防视频图像数据，传统的处理方式主要靠事后人工查阅来完成，效率极低。面对海量的安防数据，如果继续采用传统方式，不仅效率低下，而且不能达到实战应用目的，偏离了安防系统建设目的。为充分利用安防系统价值，提升对安防大数据的应用能力，大华股份(002236,股吧)从多层次、全方位考虑产品和方案规划，不断提升对于安防有效信息的快速挖掘能力。 要提升安防大数据的处理效率，首先要从智能分析做起，快速过滤无效信息。大华智能分析从多维度、多产品形态来实现。如对于事件检测、行为分析、异常情况报警等，大华前端、存储以及平台系统产品都能够快速实现智能检测，并通知系统对事件进行快速响应，这些产品从某种层面上将安防有效数据的分析分散化，大大加快了整个系统的大数据处理应用速度。此外，大华还推出了基于云存储系统的大数据应用系统，如视频编解码系统、车辆研判系统、以图搜图系统、视频浓缩摘要系统、人脸识别系统以及车型识别系统等等。 大数据安防应用的几种关键技术 1）大数据融合技术 经过十几年的发展，国内安防系统建设基本形成了是以平安城市、智能交通系统为主体，其他行业系统有效完善的发展态势。而“重建设、轻应用”的现况给安防应用提出了更高要求，如何解决这些问题成为当务之急。 为实现数据融合、数据共享，首先要解决存储“分散”问题，大华云存储系统不仅能够实现数据的有效融合与共享，解决系统在硬件设备故障条件下视频数据的正常存储和数据恢复问题，为安防大数据应用分析提供可靠基础。 2）大数据处理技术 安防大数据以半结构化和非结构化数据居多，要实现对安防大数据的分析和信息挖掘，首先要解决数据结构化问题。所谓的数据结构化就是通过某种方式将半结构化和非结构化数据转换为结构化数据。大华通过采用先进的云计算系统对安防非结构化数据进行结构化处

大数据技术原理及应用

大数据技术原理及应用 (总10页) -CAL-FENGHAI.-(YICAI)-Company One1 -CAL-本页仅作为文档封面，使用请直接删除

大数据技术原理及应用 大数据处理架构—Hadoop简介 Hadoop项目包括了很多子项目，结构如下图 Common 原名：Core，包含HDFS, MapReduce和其他公共项目，从Hadoop 版本后，HDFS和MapReduce分离出去，其余部分内容构成Hadoop Common。Common为其他子项目提供支持的常用工具，主要包括文件系统、RPC(Remote procedure call) 和串行化库。 Avro Avro是用于数据序列化的系统。它提供了丰富的数据结构类型、快速可压缩的二进制数据格式、存储持久性数据的文件集、远程调用RPC的功能和简单的动态语言集成功能。其中，代码生成器既不需要读写文件数据，也不需要使用或实现RPC协议，它只是一个可选的对静态类型语言的实现。Avro系统依赖于模式（Schema），Avro数据的读和写是在模式之下完成的。这样就可以减少写入数据的开销，提高序列化的速度并缩减其大小。 Avro 可以将数据结构或对象转化成便于存储和传输的格式，节约数据存储空间和网络传输带宽，Hadoop 的其他子项目（如HBase和Hive）的客户端和服务端之间的数据传输。 HDFS HDFS：是一个分布式文件系统，为Hadoop项目两大核心之一，是Google file system（GFS）的开源实现。由于HDFS具有高容错性（fault-tolerant）的特点，所以可以设计部署在低廉（low-cost）的硬件上。它可以通过提供高吞吐率（high throughput）来访问应用程序的数据，适合那些有着超大数据集的应

大数据技术研究综述

大数据技术研究综述 摘要：大数据是继云计算、物联网之后IT 产业又一次颠覆性的技术革命。文中介绍了大数据的概念、典型的4“V”特征以及大数据的关键技术，归纳总结了大数据处理的一般流程，针对其中的关键技术，如MapReduce、GFS、Hadoop以及NoSQL等，介绍了基本的情况。最后，本文对大数据时代做了总结与展望。 关键词：大数据；数据处理技术；云计算

当人们还在津津乐道云计算、物联网等主题时，一个崭新的概念——大数据横空出世。大数据是继云计算、物联网之后IT产业又一次颠覆性的技术革命，对国家治理模式、企业决策、组织和业务流程，以及个人生活方式等都将产生巨大的影响。大数据的挖掘和应用可创造出超万亿美元的价值，将是未来IT 领域最大的市场机遇之一，其作用堪称又一次工业革命[1]。 我们身处数据的海洋，几乎所有事物都与数据有关，环境、金融、医疗……我们每天都在产生数据，打电话、发短信、进地铁站安检、进办公楼刷卡、在QQ 上聊天、上淘宝网购物……大量数据实时地影响我们的工作、生活乃至社会发展。数据成为与自然资源、人力资源同样重要的战略资源，引起了科技界和企业界的高度重视。 1大数据的概念 大数据本身就是一个很抽象的概念，提及大数据很多人也只能从数据量上去感知大数据的规模，如：百度每天大约要处理几十PB 的数据；Facebook 每天生成300 TB以上的日志数据；据著名咨询公司IDC 的统计，2011年全球被创建和复制的数据总量为1.8 ZB(1021) ，但仅仅是数据量并不能区分大数据与传统的海量数据的区别。在2008年《Science》杂志出版的专刊中，大数据被定义为“代表着人类认知过程的进步，数据集的规模是无法在可容忍的时间内用目前的技术、方法和理论去获取、管理、处理的数据”[2]。 大数据不是一种新技术，也不是一种新产品，而是一种新现象，是近来研究的一个技术热点。大数据具有以下4个特点，即4个“V”： (1) 数据体量(V olumes) 巨大。大型数据集，从TB级别，跃升到PB级别。 (2) 数据类别(Variety) 繁多。数据来自多种数据源，数据种类和格式冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。 (3) 价值(Value) 密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅一两秒钟。 (4) 处理速度(Velocity) 快。包含大量在线或实时数据分析处理的需求，1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同。物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。