大數(shù)據(jù)作為時下最火熱的IT行業(yè)的詞匯，隨之而來的數(shù)據(jù)倉庫、數(shù)據(jù)安全、數(shù)據(jù)分析、數(shù)據(jù)挖掘等等圍繞大數(shù)據(jù)的商業(yè)價值的利用逐漸成為行業(yè)人士爭相追捧的利潤焦點(diǎn)。隨著大數(shù)據(jù)時代的來臨，大數(shù)據(jù)分析也應(yīng)運(yùn)而生。那么大數(shù)據(jù)分析有哪些核心技術(shù)呢？下面奇酷大數(shù)據(jù)為大家淺談大數(shù)據(jù)分析。

　　數(shù)據(jù)技術(shù)棧底層是基礎(chǔ)設(shè)施，涵蓋計算資源、內(nèi)存與存儲和網(wǎng)絡(luò)互聯(lián)，具體表現(xiàn)為計算節(jié)點(diǎn)、集群、機(jī)柜和數(shù)據(jù)。在此之上是數(shù)據(jù)存儲和管理，包括文件系統(tǒng)、數(shù)據(jù)庫和類似YARN的資源管理系統(tǒng)。然后是計算處理層，如hadoop、MapReduce和Spark，以及在此之上的各種不同計算范式，如批處理、流處理和圖計算等，包括衍生出編程模型的計算模型，如BSP、GAS 等。數(shù)據(jù)分析和可視化基于計算處理層。分析包括簡單的查詢分析、流分析以及更復(fù)雜的分析(如機(jī)器學(xué)習(xí)、圖計算等)。查詢分析多基于表結(jié)構(gòu)和關(guān)系函數(shù)，流分析基于數(shù)據(jù)、事件流以及簡單的統(tǒng)計分析，而復(fù)雜分析則基于更復(fù)雜的數(shù)據(jù)結(jié)構(gòu)與方法，如圖、矩陣、迭代計算和線性代數(shù)。 般意義的可視化是對分析結(jié)果的展示。但是通過交互式可視化，還可以探索性地提問，使分析獲得新的線索，形成迭代的分析和可視化。基于大規(guī)模數(shù)據(jù)的實(shí)時交互可視化分析以及在這個過程中引入自動化的因素是目前研究的熱點(diǎn)。

　　有2個領(lǐng)域垂直打通了上述的各層，需要整體、協(xié)同地看待。 是編程和管理工具，方向是機(jī)器通過學(xué)習(xí)實(shí)現(xiàn)自動較優(yōu)化、盡量無需編程、無需復(fù)雜的配置。另 個領(lǐng)域是數(shù)據(jù)安全，也是貫穿整個技術(shù)棧。除了這兩個領(lǐng)域垂直打通各層，還有 些技術(shù)方向是跨了多層的，例如“內(nèi)存計算”事實(shí)上覆蓋了整個技術(shù)棧。

　　大數(shù)據(jù)的基本處理流程與傳統(tǒng)數(shù)據(jù)處理流程并無太大差異，主要區(qū)別在于：由于大數(shù)據(jù)要處理大量、非結(jié)構(gòu)化的數(shù)據(jù)，所以在各處理環(huán)節(jié)中都可以采用并行處理。目前，Hadoop、MapReduce和Spark等分布式處理方式已經(jīng)成為大數(shù)據(jù)處理各環(huán)節(jié)的通用處理方法。

　　另外，基于性能、兼容性、數(shù)據(jù)類型的研究，還有Shark、Phoenix、Apache Accumulo、Apache Drill、Apache Giraph、Apache Hama、Apache Tez、Apache Ambari 等其他開源解決方案。預(yù)計未來相當(dāng)長 段時間內(nèi)，主流的Hadoop平臺改進(jìn)后將與各種新的計算模式和系統(tǒng)共存，并相互融合，形成新 代的大數(shù)據(jù)處理系統(tǒng)和平臺。

　　3.大數(shù)據(jù)采集與預(yù)處理

　    在MapReduce產(chǎn)生數(shù)據(jù)的應(yīng)用系統(tǒng)分類，大數(shù)據(jù)的采集主要有4種來源：管理信息系統(tǒng)、Web信息系統(tǒng)、物理信息系統(tǒng)、科學(xué)實(shí)驗(yàn)系統(tǒng)。對于不同的數(shù)據(jù)集，可能存在不同的結(jié)構(gòu)和模式，如文件、XML 樹、關(guān)系表等，表現(xiàn)為數(shù)據(jù)的異構(gòu)性。對多個異構(gòu)的數(shù)據(jù)集，需要做進(jìn) 步集成處理或整合處理，將來自不同數(shù)據(jù)集的數(shù)據(jù)收集、整理、清洗、轉(zhuǎn)換后，生成到 個新的數(shù)據(jù)集，為后續(xù)查詢和分析處理提供統(tǒng) 的數(shù)據(jù)視圖。針對管理信息系統(tǒng)中異構(gòu)數(shù)據(jù)庫集成技術(shù)、Web 信息系統(tǒng)中的實(shí)體識別技術(shù)和DeepWeb集成技術(shù)、傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)已經(jīng)有很多研究工作，取得了較大的進(jìn)展，已經(jīng)推出了多種數(shù)據(jù)清洗和質(zhì)量控制工具。

　　4.大數(shù)據(jù)存儲與管理

　　傳統(tǒng)的數(shù)據(jù)存儲和管理以結(jié)構(gòu)化數(shù)據(jù)為主，因此關(guān)系數(shù)據(jù)庫系統(tǒng)(RDBMS)可以 統(tǒng)天下滿足各類應(yīng)用需求。大數(shù)據(jù)往往是半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)為主，結(jié)構(gòu)化數(shù)據(jù)為輔，而且各種大數(shù)據(jù)應(yīng)用通常是對不同類型的數(shù)據(jù)內(nèi)容檢索、交叉比對、深度挖掘與綜合分析。面對這類應(yīng)用需求，傳統(tǒng)數(shù)據(jù)庫無論在技術(shù)上還是功能上都難以為繼。另外，用Hadoop實(shí)現(xiàn)對半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的處理，以支持諸如內(nèi)容檢索、深度挖掘與綜合分析等新型應(yīng)用。這類混合模式將是大數(shù)據(jù)存儲和管理未來發(fā)展的趨勢。

　　計算模式的出現(xiàn)有力推動了大數(shù)據(jù)技術(shù)和應(yīng)用的發(fā)展，使其成為目前大數(shù)據(jù)處理較為成功、較廣為接受使用的主流大數(shù)據(jù)計算模式。然而，現(xiàn)實(shí) 中的大數(shù)據(jù)處理問題復(fù)雜多樣，難以有 種單 的計算模式能涵蓋所有不同的大數(shù)據(jù)計算需求。研究和實(shí)際應(yīng)用中發(fā)現(xiàn)，由于MapReduce主要適合于進(jìn)行大數(shù)據(jù)線下批處理，在面向低延遲和具有復(fù)雜數(shù)據(jù)關(guān)系和復(fù)雜計算的大數(shù)據(jù)問題時有很大的不適應(yīng)性。因此，近幾年來學(xué)術(shù)界和業(yè)界在不斷研究并推出多種不同的大數(shù)據(jù)計算模式。

　　所謂大數(shù)據(jù)計算模式，即根據(jù)大數(shù)據(jù)的不同數(shù)據(jù)特征和計算特征，從多樣性的大數(shù)據(jù)計算問題和需求中提煉并建立的各種高層抽象或模型。根據(jù)大數(shù)據(jù)處理多樣性的需求和以上不同的特征維度，目前出現(xiàn)了多種典型和重要的大數(shù)據(jù)計算模式。與這些計算模式相適應(yīng)，出現(xiàn)了很多對應(yīng)的大數(shù)據(jù)計算系統(tǒng)和工具。由于單純描述計算模式比較抽象和空洞，因此在描述不同計算模式時，將同時給出相應(yīng)的典型計算系統(tǒng)和工具，這將有助于對計算模式的理解以及對技術(shù)發(fā)展現(xiàn)狀的把握，并進(jìn) 步有利于在實(shí)際大數(shù)據(jù)處理應(yīng)用中對合適的計算技術(shù)和系統(tǒng)工具的選擇使用。

　　在大數(shù)據(jù)時代，人們迫切希望在由普通機(jī)器組成的大規(guī)模集群上實(shí)現(xiàn)高性能的以機(jī)器學(xué)習(xí)算法為核心的數(shù)據(jù)分析，為實(shí)際業(yè)務(wù)提供服務(wù)和指導(dǎo)，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的較終變現(xiàn)。與傳統(tǒng)的在線聯(lián)機(jī)分析處理OLAP不同，對大數(shù)據(jù)的深度分析主要基于大規(guī)模的機(jī)器學(xué)習(xí)技術(shù)， 般而言，機(jī)器學(xué)習(xí)模型的訓(xùn)練過程可以歸結(jié)為較優(yōu)化定義于大規(guī)模訓(xùn)練數(shù)據(jù)上的目標(biāo)函數(shù)并且通過 個循環(huán)迭代的算法實(shí)現(xiàn)，如圖4所示。因而與傳統(tǒng)的OLAP相比較，基于機(jī)器學(xué)習(xí)的大數(shù)據(jù)分析具有自己獨(dú)特的特點(diǎn)。

　    基于機(jī)器學(xué)習(xí)的大數(shù)據(jù)分析算法目標(biāo)函數(shù)和迭代優(yōu)化過程

　　(1)迭代性：由于用于優(yōu)化問題通常沒有閉式解，因而對模型參數(shù)確定并非 次能夠完成，需要循環(huán)迭代多次逐步逼近較優(yōu)值點(diǎn)。

　　(2)容錯性：機(jī)器學(xué)習(xí)的算法設(shè)計和模型評價容忍非較優(yōu)值點(diǎn)的存在，同時多次迭代的特性也允許在循環(huán)的過程中產(chǎn)生 些錯誤，模型的較終收斂不受影響。

　　(3)參數(shù)收斂的非均勻性：模型中 些參數(shù)經(jīng)過少數(shù)幾輪迭代后便不再改變，而有些參數(shù)則需要很長時間才能達(dá)到收斂。

　　這些特點(diǎn)決定了理想的大數(shù)據(jù)分析系統(tǒng)的設(shè)計和其他計算系統(tǒng)的設(shè)計有很大不同，直接應(yīng)用傳統(tǒng)的分布式計算系統(tǒng)應(yīng)用于大數(shù)據(jù)分析，很大比例的資源都浪費(fèi)在通信、等待、協(xié)調(diào)等非有效的計算上。

　　傳統(tǒng)的分布式計算框架MPI(message passing interface，信息傳遞接口)雖然編程接口靈活功能強(qiáng)大，但由于編程接口復(fù)雜且對容錯性支持不高，無法支撐在大規(guī)模數(shù)據(jù)上的復(fù)雜操作，研究人員轉(zhuǎn)而開發(fā)了 系列接口簡單容錯性強(qiáng)的分布式計算框架服務(wù)于大數(shù)據(jù)分析算法，以MapReduce、Spark和參數(shù)服務(wù)器ParameterServer等為代表。

　　分布式計算框架MapReduce將對數(shù)據(jù)的處理歸結(jié)為Map和Reduce兩大類操作，從而簡化了編程接口并且提高了系統(tǒng)的容錯性。但是MapReduce受制于過于簡化的數(shù)據(jù)操作抽象，而且不支持循環(huán)迭代，因而對復(fù)雜的機(jī)器學(xué)習(xí)算法支持較差，基于MapReduce的分布式機(jī)器學(xué)習(xí)庫Mahout需要將迭代運(yùn)算分解為多個連續(xù)的Map 和Reduce 操作，通過讀寫HDFS文件方式將上 輪次循環(huán)的運(yùn)算結(jié)果傳入下 輪完成數(shù)據(jù)交換。在此過程中，大量的訓(xùn)練時間被用于磁盤的讀寫操作，訓(xùn)練效率非常低效。為了解決MapReduce上述問題，Spark 基于RDD 定義了包括Map 和Reduce在內(nèi)的更加豐富的數(shù)據(jù)操作接口。不同于MapReduce 的是Job 中間輸出和結(jié)果可以保存在內(nèi)存中，從而不再需要讀寫HDFS，這些特性使得Spark能更好地適用于數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)等需要迭代的大數(shù)據(jù)分析算法。基于Spark實(shí)現(xiàn)的機(jī)器學(xué)習(xí)算法庫MLLIB已經(jīng)顯示出了其相對于Mahout 的優(yōu)勢，在實(shí)際應(yīng)用系統(tǒng)中得到了廣泛的使用。

　　最后，在大數(shù)據(jù)分析的應(yīng)用過程中，可視化通過交互式視覺表現(xiàn)的方式來幫助人們探索和理解復(fù)雜的數(shù)據(jù)。可視化與可視分析能夠迅速和有效地簡化與提煉數(shù)據(jù)流，幫助用戶交互篩選大量的數(shù)據(jù)，有助于使用者更快更好地從復(fù)雜數(shù)據(jù)中得到新的發(fā)現(xiàn)，成為用戶了解復(fù)雜數(shù)據(jù)、開展深入分析不可或缺的手段。