1.15种值得关注的大数据技术
2.为什么Spark发展不如Hadoop

15种值得关注的大数据技术

       尽管Apache Hadoop可能不再像以前那样占主导地位，但要谈论大数据几乎是不可能的，而无需提及用于分布式处理大数据集的开源框架。Forrester预测，未来两年内%的大型企业将采用它(Hadoop和Spark等相关技术)进行大数据分析。

       多年来，gnomepanel 源码Hadoop已成长为涵盖相关软件的整个生态系统，许多商业大数据解决方案都基于Hadoop。实际上，Zion Market Research预测，到年，基于Hadoop的产品和服务市场将继续以%的复合年增长率增长，届时其价值将达到.4亿美元，邮箱网站系统源码高于年的.9亿美元。

       Hadoop的主要供应商包括Cloudera, Hortonworks和MapR，领先的公共云都提供支持该技术的服务。

       Apache Spark是Hadoop生态系统的一部分，但是它的使用变得如此广泛,以至于值得拥有自己的一类。它是用于在Hadoop中处理大数据的引擎,其速度比标准Hadoop引擎MapReduce快一百倍。

       在《AtScale 大数据成熟度调查》中，有%的受访者说他们已经在生产中部署了Spark,还有%的受访者在开发中有Spark项目。显然，对该技术的兴趣在不断增长，并且许多具有Hadoop产品的供应商还提供基于Spark的产品。

       R是提升权限模块源码另一个开放源代码项目，是一种旨在处理统计信息的编程语言和软件环境。它是数据科学家的宠儿,由R基金会管理，可根据GPL 2许可获得。许多流行的集成开发环境(IDE) ，包括Eclipse和VisualStudio,都支持该语言。几种对各种编程语言的流行度进行排名的组织表示，R已经成为世界上最受欢迎的语言之一。

       为了更轻松地访问其庞大的数据存储，许多企业正在建立数据湖。这些是巨大的数据存储库，可以从许多不同的来源收集数据并将其以自然状态存储。数据湖与数据仓库不同，制作游戏的源码数据仓库也从不同的源收集数据,但是对其进行处理并对其进行结构化以进行存储。在这种情况下，湖泊和仓库的隐喻是相当准确的。如果数据像水，那么数据湖是自然的，没有像水体一样经过过滤，而数据仓库更像是存储在架子上的水瓶的集合。

       随着大数据趋势的发展，NoSQL数据库变得越来越流行。NoSQL数据库提供存储非结构化数据并提供快速性能的功能，尽管它们没有提供与传统关系数据库管理系统(RDBMS)相同的一致性级别。NoSQL数据库的lwip源码多少行流行推动了其市场增长，据联合市场研究公司(Allied MarketResearch)称，到年， NoSQL市场的价值将达到亿美元。

       预测分析是大数据分析的子集，它试图根据历史数据预测未来的事件或行为。它利用数据挖掘，建模和机器学习技术来预测接下来会发生什么。近年来，人工智能技术的进步极大地提高了预测分析解决方案的功能。许多供应商如Microsoft, IBM, SAP, SAS, Statistica, RapidMiner,KNIME等都提供了预测分析解决方案。

       在任何计算机系统中，内存(也称为RAM)都比长期存储快几个数量级。如果大数据分析解决方案可以处理存储在内存中的数据，而不是存储在硬盘驱动器上的数据，那么它的执行速度将大大提高。而这正是内存数据库技术所做的。许多领先的企业软件供应商，包括SAP, Oracle, Microsoft和IBM,现在都提供内存数据库技术。

       大数据安全解决方案是企业日益关注的重大问题。安全是与大数据相关的第二大关注领域。最流行的大数据安全解决方案类型包括身份和访问控制(由%的受访者使用)，数据加密(%) 和数据隔离(%) 。数十家供应商提供大数据安全解决方案，并且ApacheRanger (Hadoop生态系统的一个开源项目)也吸引了越来越多的关注。

       数据治理是与安全性概念密切相关的话题。数据治理是一个广泛的主题，涉及与数据的可用性，可用性和完整性有关的所有过程。它提供了基础，可确保用于大数据分析的数据准确，适当,并提供审计跟踪，以便业务分析人员或执行人员可以查看数据的来源。

       在数据科学家和其他大数据专家供不应求的情况下，并要求高薪，许多组织正在寻找大数据分析工具,以使业务用户能够自助满足自己的需求。Tableau, Microsoft, IBM， SAP， Splunk, Syncsort, SAS, TIBCO, Oracle等多家商业智能和大数据分析供应商已在其解决方案中添加了自助服务功能。

       尽管人工智能(AI) 的概念与计算机的历史差不多,但该技术仅在过去几年才真正可用。在许多方面，大数据趋势推动了AI的发展，特别是在该学科的两个子集中:机器学习和深度学习。

       流分析是一个圣杯，对于组织来说，具有分析数据流能力的流分析可以立即或尽可能接近地提供见解。IBM，Software AG, SAP, TIBCO, Oracle,DataTorrent, SQL stream, Cisco, Informatica等供应商提供了承诺流分析功能的产品。

       边缘计算系统没有将数据传输到集中式服务器进行分析，而是在网络边缘非常接近创建数据的位置分析数据。边缘计算系统的优势在于，它减少了必须通过网络传输的信息量,从而减少了网络流量和相关成本。边缘计算系统的发展引起了人们的关注，被认为是“下一件大事”。

       区块链技术是比特币数字货币基础上的分布式数据库技术，也是前瞻性分析师和风险投资家的最爱。区块链数据库的独特之处在于，一旦写入数据，事后便无法删除或更改。高度安全性使其成为银行，保险，医疗保健，零售等敏感行业中大数据应用程序的绝佳选择。IBM，AWS, Microsoft和多家初创公司已推出基于区块链技术的实验性或入门性解决方案。

       规范分析为公司提供建议，帮助他们实现预期的结果。尽管目前很少有具有这些功能的产品，但这是组织开始体验预测分析的好处之后的下一个大投资领域。

为什么Spark发展不如Hadoop

       Spark是一个基于RAM计算的开源码ComputerCluster运算系统，目的是更快速地进行数据分析。Spark早期的核心部分代码只有3万行。Spark提供了与HadoopMap/Reduce相似的分散式运算框架，但基于RAM和优化设计，因此在交换式数据分析和datamining的Workload中表现不错。

       è¿›å…¥å¹´ä»¥åŽï¼ŒSpark开源码生态系统大幅增长，已成为大数据范畴最活跃的开源码项目之一。Spark之所以有如此多的关注，原因主要是因为Spark具有的高性能、高灵活性、与Hadoop生态系统完美融合等三方面的特点。

       é¦–先，Spark对分散的数据集进行抽样，创新地提出RDD(ResilientDistributedDataset)的概念，所有的统计分析任务被翻译成对RDD的基本操作组成的有向无环图(DAG)。RDD可以被驻留在RAM中，往后的任务可以直接读取RAM中的数据;同时分析DAG中任务之间的依赖性可以把相邻的任务合并，从而减少了大量不准确的结果输出，极大减少了HarddiskI/O，使复杂数据分析任务更高效。从这个推算，如果任务够复杂，Spark比Map/Reduce快一到两倍。

       å…¶æ¬¡ï¼ŒSpark是一个灵活的运算框架，适合做批次处理、工作流、交互式分析、流量处理等不同类型的应用，因此Spark也可以成为一个用途广泛的运算引擎，并在未来取代Map/Reduce的地位。

       æœ€åŽï¼ŒSpark可以与Hadoop生态系统的很多组件互相操作。Spark可以运行在新一代资源管理框架YARN上，它还可以读取已有并存放在Hadoop上的数据，这是个非常大的优势。

       è™½ç„¶Spark具有以上三大优点，但从目前Spark的发展和应用现状来看，Spark本身也存在很多缺陷，主要包括以下几个方面：

       â€“稳定性方面，由于代码质量问题，Spark长时间运行会经常出错，在架构方面，由于大量数据被缓存在RAM中，Java回收垃圾缓慢的情况严重，导致Spark性能不稳定，在复杂场景中SQL的性能甚至不如现有的Map/Reduce。

       â€“不能处理大数据，单独机器处理数据过大，或者由于数据出现问题导致中间结果超过RAM的大小时，常常出现RAM空间不足或无法得出结果。然而，Map/Reduce运算框架可以处理大数据，在这方面，Spark不如Map/Reduce运算框架有效。

       â€“不能支持复杂的SQL统计;目前Spark支持的SQL语法完整程度还不能应用在复杂数据分析中。在可管理性方面，SparkYARN的结合不完善，这就为使用过程中埋下隐忧，容易出现各种难题。

       è™½ç„¶Spark活跃在Cloudera、MapR、Hortonworks等众多知名大数据公司，但是如果Spark本身的缺陷得不到及时处理，将会严重影响Spark的普及和发展。