大数据平台规划

背景

1."云大开物"，四大热门信息技术

1.1 业务的发展越来越受到技术进步的影响。业务创新离不开技术创新。技术为业务服务？

2.大数据技术栈全景：

分布式编程

分布式文件系统

列数据库(HBase、Cassandra、BigTable)

柱数据库(Greenplum、BigQuery)

键值数据库(Redis、Amazon DynamoDB、Bolt)

文档数据库(MongoDB、RethinkDB)

关系数据库

新SQL数据库(HANA)

时间序列数据库

SQL引擎(Hive、PrestoDB、SparkSQL)

数据提取

服务编程

调度

机器学习

基准测试与安全

系统部署

应用程序

搜索引擎与框架

MySQL、PostgreSQL、Memcached

嵌入式数据库

商业智能

数据可视化

物联网数据

流计算引擎

数据管道

Big Data

公共数据集--（数据开放、数据云服务）

Hadoop - 大数据分布式数据存储与处理框架

Data Engineering

Streaming

设计哲学

拥抱开源、平台开放

鼓励自治、数据生态

支持创新、开发生态

数据共享与开放/数据门户/数据生态

使用ckan构建。

大数据众包、大数据运营

数据生态

数据治理 vs 数据自治(搜索引擎是典型的数据自治；自治-->生态)

机器学习

机器学习方法是计算机利用已有的数据，得出(训练)了某种模型，并利用此模型预测未来的一种方法。机器学习可完成直接编程(传统编程)无法完成的功能。

机器学习的方法：

1.回归算法

2.神经网络

3.SVM（支持向量机）

4.聚类算法

5.降维算法

6.推荐算法

监督学习算法：线性回归，逻辑回归，神经网络，SVM

无监督学习算法：聚类算法，降维算法

特殊算法：推荐算法

在2010年以前，机器学习的应用在某些特定领域发挥了巨大的作用，如车牌识别，网络***防范，手写字符识别等等。但是，从2010年以后，随着大数据概念的兴起，机器学习大量的应用都与大数据高度耦合，几乎可以认为大数据是机器学习应用的最佳场景。

1.大数据，小分析：即数据仓库领域的OLAP分析思路，也就是多维分析思想。

2.大数据，大分析：这个代表的就是数据挖掘与机器学习分析法。

3.流式分析：这个主要指的是事件驱动架构。

4.查询分析：经典代表是NoSQL数据库。

机器学习的子类-深度学习

深度学习就是传统的神经网络发展到了多隐藏层的情况。神经网络在隐藏层扩大到两个以上，其训练速度就会非常慢。

人工智能：

大数据平台与IaaS/PaaS

IaaS：OpenStack Keystone（认证服务）、OpenStack Swift（对象存储）

大数据平台与IaaS层配合可以实现大数据平台的自动部署、增减节点、多租户隔离等

PaaS：基于Docker技术

大数据前端(front-end)应用的托管、弹性伸缩

Hadoop as a Service

cloudbreak

面向的用户

数据提供者

数据分析师

开发者

运维工程师

安全

keystone、ldap、oauth与社交账号、基础认证

集成问题，如ckan、owncloud有自己的用户

Api store/data store/app store

开发生态

大数据应用的托管

API商店：体现了技术复用、降低学习门槛、有利于调试

爬虫服务算不算API？

部署

使用通用部署工具

docker部署

vagrant

cloudbreak

apache Ambari

HDP部署

使用ambari部署工具，最好能够是官方源+自制源的模式。对官方源汉化、添加自制服务。

素材

chrome加入人脸识别、印刷体识别OCR、条码识别，一行代码实现上述识别。 IDAP也有人脸识别、OCR、条码识别等行业案例，包装成API服务？

大数据API服务

人脸识别

车牌识别

×××识别

OCR

二维码识别

集成

用户(租户)的统一

数据集(管道)的对接

国际化

frontend-backend（REST API）

云计算模式

运营模式存在差异，如资源管理、收费、租户管理

公有云 计费，虚拟数据中心

共享云 大申请+审批+事后算账

专享云(私有云) 小申请+审批+统计