Chapter1-林子雨-大数据技术原理与应用-大数据概述(年2月17日版本)44

单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,大数据技术原理与应用,厦门大学计算机科学系 林子雨,厦门大学计算机科学系,2016,年版,第一,章 大数据概述,（,PPT,版本号：,2016,年,2,月,17,日版本）,大数据技术原理与应用,http:/ 林,子,子雨,编,编著，,人,人民邮,电,电出版,社,社,ISBN:978-7-115-39287-9,1.1,大,大数据,时,时代,1.1,.,.1第,三,三次信,息,息化浪,潮,潮,根据IBM前首席,执,执行官,郭,郭士纳,的,的观点,，,，IT领域每,隔,隔十五,年,年就会,迎,迎来一,次,次重大,变,变革,信息化浪潮,发生时间,标志,解决问题,代表企业,第一次浪潮,1980年前后,个人计算机,信息处理,Intel、AMD、IBM、苹果、微软、联想、戴尔、惠普等,第二次浪潮,1995年前后,互联网,信息传输,雅虎、谷歌、阿里巴巴、百度、腾讯等,第三次浪潮,2010年前后,物联网、云计算和大数据,信息爆炸,将涌现出一批新的市场标杆企业,表1-1 三,次,次信息,化,化浪潮,1.1,.,.2信,息,息科技,为,为大数,据,据时代,提,提供技,术,术支撑,图1-1存储价,格,格随时,间,间变化,情,情况,1.存储设,备,备容量,不,不断增,加,加,1.2,信,信息科,技,技为大,数,数据时,代,代提供,技,技术支,撑,撑,来自斯,威,威本科,技,技大学,（,（SwinburneUniversityofTechnology）的研,究,究团队,，,，在2013年6月29日刊出,的,的自然通,讯,讯（NatureCommunications）杂志的,文,文章中,，,，描述,了,了一种,全,全新的,数,数据存,储,储方式,，,，可将1PB（1024TB）的数,据,据存储,到,到一张,仅,仅DVD大小的,聚,聚合物,碟,碟片上,。,。,1.1,.,.2信,息,息科技,为,为大数,据,据时代,提,提供技,术,术支撑,图1-3 CPU晶体管,数,数目随,时,时间变,化,化情况,2.CPU处理能,力,力大幅,提,提升,1.1,.,.2信,息,息科技,为,为大数,据,据时代,提,提供技,术,术支撑,图1-4网络带,宽,宽随时,间,间变化,情,情况,3.网络带,宽,宽不断,增,增加,1.1,.,.3数,据,据产生,方,方式的,变,变革促,成,成大数,据,据时代,的,的来临,图1-5数据产,生,生方式,的,的变革,1.1,.,.4,大,大数据,的,的发展,历,历程,阶段,时间,内容,第一阶段：萌芽期,上世纪90年代至本世纪初,随着数据挖掘理论和数据库技术的逐步成熟，一批商业智能工具和知识管理技术开始被应用，如数据仓库、专家系统、知识管理系统等。,第二阶段：成熟期,本世纪前十年,Web2.0应用迅猛发展，非结构化数据大量产生，传统处理方法难以应对，带动了大数据技术的快速突破，大数据解决方案逐渐走向成熟，形成了并行计算与分布式系统两大核心技术，谷歌的GF,S,和MapReduce等大数据技术受到追捧，Hadoop平台开始大行其道,第三阶段：大规模应用期,2010年以后,大数据应用渗透各行各业，数据驱动决策，信息社会智能化程度大幅提高,表1-2 大,数,数据发,展,展的三,个,个阶段,1.2,大,大数据,概,概念,1.2,.,.1,数,数据量,大,大,根据IDC作出的,估,估测，,数,数据一,直,直都在,以,以每年50%的速度,增,增长，,也,也就是,说,说每两,年,年就增,长,长一倍,（,（大数,据,据摩尔,定,定律）,人类在,最,最近两,年,年产生,的,的数据,量,量相当,于,于之前,产,产生的,全,全部数,据,据量,预计到2020年，全,球,球将总,共,共拥有35ZB的数据,量,量，相,较,较于2010年，数,据,据量将,增,增长近30倍,1.2,.,.2,数,数据类,型,型繁多,大数据,是,是由结,构,构化和,非,非结构,化,化数据,组,组成的,10%的结构,化,化数据,，,，存储,在,在数据,库,库中,90%的非结,构,构化数,据,据，它,们,们与人,类,类信息,密,密切相,关,关,科学研,究,究,基因组,LHC加速器,地球与,空,空间探,测,测,企业应,用,用,Email、文档,、,、文件,应用日,志,志,交易记,录,录,Web1.0数据,文本,图像,视频,Web2.0数据,查询日,志,志/点击流,Twitter/Blog/SNS,Wiki,1.2,.,.3,处,处理速,度,度快,从数据,的,的生成,到,到消耗,，,，时间,窗,窗口非,常,常小，,可,可用于,生,生成决,策,策的时,间,间非常,少,少,1秒定律,：,：这一,点,点也是,和,和传统,的,的数据,挖,挖掘技,术,术有着,本,本质的,不,不同,1.2,.,.4,价,价值密,度,度低,价值密,度,度低，,商,商业价,值,值高,以视频,为,为例，,连,连续不,间,间断监,控,控过程,中,中，可,能,能有用,的,的数据,仅,仅仅有,一,一两秒,，,，但是,具,具有很,高,高的商,业,业价值,继续装ing,1.3,大,大数据,的,的影响,图灵奖,获,获得者,、,、著名,数,数据库,专,专家JimGray博士观,察,察并总,结,结人类,自,自古以,来,来，在,科,科学研,究,究上，,先,先后历,经,经了实,验,验、理,论,论、计,算,算和数,据,据四种,范,范式,实验,理论,计算,数据,1.3,大,大数据,的,的影响,在思维,方,方式方,面,面，大,数,数据完,全,全颠覆,了,了传统,的,的思维,方,方式：,全样而,非,非抽样,效率而,非,非精确,相关而,非,非因果,1.3,大,大数据,的,的影响,在社会,发,发展方,面,面，大,数,数据决,策,策逐渐,成,成为一,种,种新的,决,决策方,式,式，大,数,数据应,用,用有力,促,促进了,信,信息技,术,术与各,行,行业的,深,深度融,合,合，大,数,数据开,发,发大大,推,推动了,新,新技术,和,和新应,用,用的不,断,断涌现,在就业,市,市场方,面,面，大,数,数据的,兴,兴起使,得,得数据,科,科学家,成,成为热,门,门职业,在人才,培,培养方,面,面，大,数,数据的,兴,兴起，,将,将在很,大,大程度,上,上改变,中,中国高,校,校信息,技,技术相,关,关专业,的,的现有,教,教学和,科,科研体,制,制,1.4,大,大数据,的,的应用,大数据,无,无处不,在,在，包,括,括金融,、,、汽车,、,、零售,、,、餐饮,、,、电信,、,、能源,、,、政务,、,、医疗,、,、体育,、,、娱乐,等,等在内,的,的社会,各,各行各,业,业都已,经,经融入,了,了大数,据,据的印,迹,迹,典型的,大,大数据,应,应用实,例,例,KevinSpacey,DavidFincher,英国同,名,名小说纸牌屋,风靡全,球,球的美,剧,剧纸牌屋,大数据,分,分析,典型的,大,大数据,应,应用实,例,例,从谷歌,流,流感趋,势,势看大,数,数据的,应,应用价,值,值,“谷歌,流,流感趋,势,势”，,通,通过跟,踪,踪搜索,词,词相关,数,数据来,判,判断全,美,美地区,的,的流感,情,情况,1.5,大,大数据,关,关键技,术,术,表1-5大数据,技,技术的,不,不同层,面,面及其,功,功能,技术层面,功能,数据采集,利用,ETL,工具将分布的、异构数据源中的数据如关系数据、平面数据文件等，抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；或者也可以把实时采集的数据作为流计算系统的输入，进行实时处理分析,数据存储和管理,利用分布式文件系统、数据仓库、关系数据库、,NoSQL,数据库、云数据库等，实现对结构化、半结构化和非结构化海量数据的存储和管理,数据处理与分析,利用分布式并行编程模型和计算框架，结合机器学习和数据挖掘算法，实现对海量数据的处理和分析；对分析结果进行可视化呈现，帮助人们更好地理解数据、分析数据,数据隐私和安全,在从大数据中挖掘潜在的巨大商业价值和学术价值的同时，构建隐私数据保护体系和数据安全体系，有效保护个人隐私和数据安全,1.5,大,大数据,关,关键技,术,术,分布式,存,存储,分布式,处,处理,GFS,HDFS,BigTableHBase,NoSQL（键值,、,、列族,、,、图形,、,、文档,数,数据库,）,）,NewSQL（如：SQLAzure）,MapReduce,大数据,两大核,心,心技术,1.6,大,大数据,计,计算模,式,式,大数据计算模式,解决问题,代表产品,批处理计算,针对大规模数据的批量处理,MapReduce、Spark等,流计算,针对流数据的实时计算,Storm、S4、Flume、Streams、Puma、DStream、Super Mario、银河流数据处理平台等,图计算,针对大规模图结构数据的处理,Pregel、GraphX、Giraph、PowerGraph、Hama、GoldenOrb等,查询分析计算,大规模数据的存储管理和查询分析,Dremel、Hive、Cassandra、Impala等,表1-3 大,数,数据计,算,算模式,及,及其代,表,表产品,1.7,大,大数据,产,产业,大数据,产,产业是,指,指一切,与,与支撑,大,大数据,组,组织管,理,理和价,值,值发现,相,相关的,企,企业经,济,济活动,的,的集合,产业链环节,包含内容,IT,基础设施层,包括提供硬件、软件、网络等基础设施以及提供咨询、规划和系统集成服务的企业，比如，提供数据中心解决方案的,IBM,、惠普和戴尔等，提供存储解决方案的,EMC,，提供虚拟化管理软件的微软、思杰、,SUN,、,Redhat,等,数据源层,大数据生态圈里的数据提供者，是生物大数据（生物信息学领域的各类研究机构）、交通大数据（交通主管部门）、医疗大数据（各大医院、体检机构）、政务大数据（政府部门）、电商大数据（淘宝、天猫、苏宁云商、京东等电商）、社交网络大数据（微博、微信、人人网等）、搜索引擎大数据（百度、谷歌等）等各种数据的来源,数据管理层,包括数据抽取、转换、存储和管理等服务的各类企业或产品，比如分布式文件系统（如,Hadoop,的,HDFS,和谷歌的,GFS,）、,ETL,工具（,Informatica,、,Datastage,、,Kettle,等）、数据库和数据仓库（,Oracle,、,MySQL,、,SQL Server,、,HBase,、,GreenPlum,等）,数据分析层,包括提供分布式计算、数据挖掘、统计分析等服务的各类企业或产品，比如，分布式计算框架,MapReduce,、统计分析软件,SPSS,和,SAS,、数据挖掘工具,Weka,、数据可视化工具,Tableau,、,BI,工具（,MicroStrategy,、,Cognos,、,BO,）等等,数据平台层,包括提供数据分享平台、数据分析平台、数据租售平台等服务的企业或产品，比如阿里巴巴、谷歌、中国电信、百度等,数据应用层,提供智能交通、智慧医疗、智能物流、智能电网等行业应用的企业、机构或政府部门，比如交通主管部门、各大医疗机构、菜鸟网络、国家电网等,1.8,大,大数据,与,与云计,算,算、物,联,联网的,关,关系,云计算,、,、大数,据,据和物,联,联网代,表,表了IT领域最,新,新的技,术,术发展,趋,趋势，,三,三者相,辅,辅相成,，,，既有,联,联系又,有,有区别,1.8,.,.1云,计,计算,云计算,实,实现了,通,通过网,络,络提供,可,可伸缩,的,的、廉,价,价的分,布,布式计,算,算能力,，,，用户,只,只需要,在,在具备,网,网络接,入,入条件,的,的地方,，,，就可,以,以随时,随,随地获,得,得所需,的,的各种IT资,源,源,图1-7云计算,的,的服务,模,模式和,类,类型,1.云计算,概,概念,1.8,.,.1云,计