 |
上海端懿電氣科技有限公司
主營產品： SF6氣體定量泄露報警系統(tǒng)-SF6紅外雙波定量檢漏儀 |
12
聯(lián)系電話
|
上海端懿電氣科技有限公司
主營產品： SF6氣體定量泄露報警系統(tǒng)-SF6紅外雙波定量檢漏儀 |
聯(lián)系電話
2015-5-27 閱讀(1235)
*，大數(shù)據已經不簡簡單單是數(shù)據大的事實了，而zui重要的現(xiàn)實是對大數(shù)據進行分析，只有通過分析才能獲取很多智能的，深入的，有價值的信息。那么越來越多的應用涉及到大數(shù)據，而這些大數(shù)據的屬性，包括數(shù)量，速度，多樣性等等都是呈現(xiàn)了大數(shù)據不斷增長的復雜性，所以大數(shù)據的分析方法在大數(shù)據領域就顯得尤為重要，可以說是決定zui終信息是否有價值的決定性因素?；谌绱说恼J識，大數(shù)據分析普遍存在的方法理論有哪些呢？
一、大數(shù)據分析的五個基本方面
1. Analytic Visualizations（可視化分析）
不管是對數(shù)據分析專家還是普通用戶，數(shù)據可視化是數(shù)據分析工具zui基本的要求?？梢暬梢灾庇^的展示數(shù)據，讓數(shù)據自己說話，讓觀眾聽到結果。
2. Data Mining Algorithms（數(shù)據挖掘算法）
可視化是給人看的，數(shù)據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的算法讓我們深入數(shù)據內部，挖掘價值。這些算法不僅要處理大數(shù)據的量，也要處理大數(shù)據的速度。
3. Predictive Analytic Capabilities（預測性分析能力）
數(shù)據挖掘可以讓分析員更好的理解數(shù)據，而預測性分析可以讓分析員根據可視化分析和數(shù)據挖掘的結果做出一些預測性的判斷。
4. Semantic Engines（語義引擎）
我們知道由于非結構化數(shù)據的多樣性帶來了數(shù)據分析的新的挑戰(zhàn)，我們需要一系列的工具去解析，提取，分析數(shù)據。語義引擎需要被設計成能夠從“文檔"中智能提取信息。
5. Data Quality and Master Data Management（數(shù)據質量和數(shù)據管理）
數(shù)據質量和數(shù)據管理是一些管理方面的*實踐。通過標準化的流程和工具對數(shù)據進行處理可以保證一個預先定義好的高質量的分析結果。
假如大數(shù)據真的是下一個重要的技術革新的話，我們把精力關注在大數(shù)據能給我們帶來的好處，而不僅僅是挑戰(zhàn)。
二、大數(shù)據處理
周濤博士說：大數(shù)據處理數(shù)據時代理念的三大轉變：要全體不要抽樣，要效率不要，要相關不要因果。
具體的大數(shù)據處理方法其實有很多，但是根據長時間的實踐，筆者總結了一個基本的大數(shù)據處理流程，并且這個流程應該能夠對大家理順大數(shù)據的處理有所幫助。整個處理流程可以概括為四步，分別是采集、導入和預處理、統(tǒng)計和分析，以及挖掘。
采集
大數(shù)據的采集是指利用多個數(shù)據庫來接收發(fā)自客戶端（Web、App或者傳感器形式等）的數(shù)據，并且用戶可以通過這些數(shù)據庫來進行簡單的查詢和處理工作。比如，電商會使用傳統(tǒng)的關系型數(shù)據庫MySQL和Oracle等來存儲每一筆事務數(shù)據，除此之外，Redis和MongoDB這樣的NoSQL數(shù)據庫也常用于數(shù)據的采集。
在大數(shù)據的采集過程中，其主要特點和挑戰(zhàn)是并發(fā)數(shù)高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票和淘寶，它們并發(fā)的訪問量在峰值時達到上百萬，所以需要在采集端部署大量數(shù)據庫才能支撐。并且如何在這些數(shù)據庫之間進行負載均衡和分片的確是需要深入的思考和設計。
導入/預處理
雖然采集端本身會有很多數(shù)據庫，但是如果要對這些海量數(shù)據進行有效的分析，還是應該將這些來自前端的數(shù)據導入到一個集中的大型分布式數(shù)據庫，或者分布式存儲集群，并且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數(shù)據進行流式計算，來滿足部分業(yè)務的實時計算需求。
導入與預處理過程的特點和挑戰(zhàn)主要是導入的數(shù)據量大，每秒鐘的導入量經常會達到百兆，甚至千兆級別。
統(tǒng)計/分析
統(tǒng)計與分析主要利用分布式數(shù)據庫，或者分布式計算集群來對存儲于其內的海量數(shù)據進行普通的分析和分類匯總等，以滿足大多數(shù)常見的分析需求，在這方面，一些實時性需求會用到EMC 的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存儲Infobright等，而一些批處理，或者基于半結構化數(shù)據的需求可以使用Hadoop。
統(tǒng)計與分析這部分的主要特點和挑戰(zhàn)是分析涉及的數(shù)據量大，其對系統(tǒng)資源，特別是I/O會有極大的占用。
挖掘
與前面統(tǒng)計和分析過程不同的是，數(shù)據挖掘一般沒有什么預先設定好的主題，主要是在現(xiàn)有數(shù)據上面進行基于各種算法的計算，從而起到預測（Predict）的效果，從而實現(xiàn)一些別數(shù)據分析的需求。比較典型算法有用于聚類的K-Means、用于統(tǒng)計學習的SVM和用于分類的Naive Bayes，主要使用的工具有Hadoop的Mahout等。
該過程的特點和挑戰(zhàn)主要是用于挖掘的算法很復雜，并且計算涉及的數(shù)據量和計算量都很大，還有，常用數(shù)據挖掘算法都以單線程為主。
