大數(shù)據(jù)技術原理與應用 第三版 林子雨 期末復習（一）大數(shù)據(jù)概述 第一章 P2

• 大數(shù)據(jù)概念(4V)
• 三次信息化浪潮(每隔15年發(fā)生一次)
• 大數(shù)據(jù)對于研究思維的影響
• 數(shù)據(jù)產生的三個階段
• 大數(shù)據(jù)計算模式
• 大數(shù)據(jù)與云計算、物聯(lián)網
• • 概念
  • 云計算種類與服務模式
  • 大數(shù)據(jù)與云計算、物聯(lián)網的關系

大數(shù)據(jù)概念(4V)

1 volume (大量)
隨著傳感器等技術的應用，數(shù)據(jù)規(guī)模逐漸增大，而大數(shù)據(jù)的規(guī)模通常達到PB EB級。
2 variety (多種)
大數(shù)據(jù)涉及到的數(shù)據(jù)種類多，包含大量結構化與非結構化數(shù)據(jù)。
3 velocity (高速)
同一時間下有大量數(shù)據(jù)產生，并且某些數(shù)據(jù)價值會隨著時間流逝下降，因此大數(shù)據(jù)對數(shù)據(jù)處理的實時性要求較高。
4 value (價值)
對于大數(shù)據(jù)而言價值密度較低，整體價值較高，很多有價值的信息分散于海量數(shù)據(jù)當中。

三次信息化浪潮(每隔15年發(fā)生一次)

信息化浪潮發(fā)生時間標志解決問題

第一次	1980	個人計算機	信息處理
第二次	1995	互聯(lián)網	信息傳輸
第三次	2010	大數(shù)據(jù)、云計算、物聯(lián)網	信息爆炸

大數(shù)據(jù)對于研究思維的影響

1 全樣而非抽樣
大數(shù)據(jù)時代，隨著數(shù)據(jù)存儲與分析能力的提升，更傾向于使用全樣數(shù)據(jù)而非抽樣數(shù)據(jù)解決問題。
2 效率而非精準
由于使用了全樣數(shù)據(jù)因此在傳統(tǒng)分析方法中誤差的放大問題得以解決，同時由于數(shù)據(jù)量的激增所以可以犧牲部分精確性保證效率。
3 相關而非因果
在大數(shù)據(jù)時代更感興趣的是事物之間的相關性而非因果性。

數(shù)據(jù)產生的三個階段

1 運營式系統(tǒng)階段(被動)
傳統(tǒng)數(shù)據(jù)產生隨著運營信息產生而產生，通常存儲于SQL中。
2 原創(chuàng)式系統(tǒng)階段(主動)
智能手機等移動設備的出現(xiàn)加速了用戶原創(chuàng)性內容的產生。
3 感知式系統(tǒng)階段(自動)
物聯(lián)網的發(fā)展與傳感器的應用最終導致了大數(shù)據(jù)量的產生。

大數(shù)據(jù)計算模式

大數(shù)據(jù)計算模式 解決問題 代表產品
批處理 大規(guī)模數(shù)據(jù)的批量處理 MapReduce Spark
流計算 實時流數(shù)據(jù) Stom Flink Spark streaming
圖計算 大規(guī)模圖結構 GraphX
查詢分析 大規(guī)模數(shù)據(jù)的存儲管理和查詢分析 Hive

大數(shù)據(jù)計算模式解決問題代表產品

批處理	大規(guī)模數(shù)據(jù)的批量處理	MapReduce、Spark
流計算	實時流數(shù)據(jù)	Stom、Flink、Spark streaming
圖計算	大規(guī)模圖結構	GraphX
查詢分析	大規(guī)模數(shù)據(jù)的存儲管理和查詢分析	Hive

大數(shù)據(jù)與云計算、物聯(lián)網

概念

云計算：通過網絡獲取計算資源。
物聯(lián)網：物物聯(lián)網，可以看作互聯(lián)網的延伸。

云計算種類與服務模式

大數(shù)據(jù)與云計算、物聯(lián)網的關系

大數(shù)據(jù)注重于對海量數(shù)據(jù)的存儲、處理、分析。
云計算注重于通過網絡提供廉價計算資源。
物聯(lián)網側重實現(xiàn)物物相連，是創(chuàng)新應用開發(fā)核心。

本文及后續(xù)文章內容均由個人總結，僅用于復習記錄，如發(fā)現(xiàn)錯誤請大家伙指正，侵刪。

總結

以上是生活随笔為你收集整理的大数据技术原理与应用 第三版 林子雨 期末复习（一）大数据概述 第一章 P2的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。