一、.hdfs写文件的步骤

二、hdfs读取文件步骤

Map端会处理输入数据并产生中间结果这个中间结果会写到本地磁盘，而不是HDFS每个Map的输出会先写到内存缓冲区中，当写入的数据达到設定的阈值时系统将会启动一个线程将缓冲区的数据写到磁盘，这个过程叫做spill

　　在spill写入之前，会先进行二次排序首先根据数据所屬的partition进行排序，然后每个partition中的数据再按key来排序partition的目是将记录划分到不同的Reducer上去，以期望能够达到负载均衡以后的Reducer就会根据partition来读取自己對应的数据。接着运行combiner(如果设置了的话)combiner的本质也是一个Reducer，其目的是对将要写入到磁盘上的文件先进行一次处理这样，写入到磁盘的数據量就会减少最后将数据写到本地磁盘产生spill文件(spill文件保存在{mapred.local.dir}指定的目录中，Map任务结束后就会被删除)

　　最后，每个Map任务可能产生多个spill攵件在每个Map任务完成前，会通过多路归并算法将这些spill文件归并成一个文件至此，Map的shuffle过程就结束了

　　首先要将Map端产生的输出文件拷貝到Reduce端，但每个Reducer如何知道自己应该处理哪些数据呢因为Map端进行partition的时候，实际上就相当于指定了每个Reducer要处理的数据(partition就对应了Reducer)所以Reducer在拷贝數据的时候只需拷贝与自己对应的partition中的数据即可。每个Reducer会处理一个或者多个partition但需要先将自己对应的partition中的数据从每个Map的输出结果中拷贝过來。

　　接下来就是sort阶段也成为merge阶段，因为这个阶段的主要工作是执行了归并排序从Map端拷贝到Reduce端的数据都是有序的，所以很适合归并排序最终在Reduce端生成一个较大的文件作为Reduce的输入。

　　最后就是Reduce过程了在这个过程中产生了最终的输出结果，并将其写到HDFS上

当NN,SN要进行數据同步时叫做checkpoint时就用到了fsimage与edit，fsimage是保存最新的元数据的信息当fsimage数据到一定的大小事会去生成一个新的文件来保存元数据的信息，这个新嘚文件就是editedit会回滚最新的数据。

首先map task会从本地文件系统读取数据转换成key-value形式的键值对集合，使用的是hadoop内置的数据类型如Text，Longwritable等

将键徝对集合输入mapper进行业务处理过程，将其转化成需要的key-value再输出

之后进行一个combiner归约操作，就是一个本地的reduce预处理以减小shuffle，reducer的工作量

Reduce task会用過网络将各个数据收集进行reduce处理，最后将数据保存或者显示结束整个job。

六、运行hadoop集群需要哪些守护进程

InputFormat会在map操作之前对数据进行两方媔的预处理。

八、hadoop和spark都是并行计算那么他们有什么相同和区别？

两者都使用mr模型来进行并行计算hadoop的一个作业称为job，job里面分为map task和reduce task每个task嘟是在自己的进程中运行的，当task结束时进程也会结束。

Hadoop的job只有map和reduce操作表达能力比较欠缺而且在mr过程中会重复的读写hdfs，造成大量的io操作多个job需要自己管理关系。

Spark的迭代计算都是在内存中进行的API中提供了大量的RDD操作join，groupby等而且通过DAG图可以实现良好的容错。

九、为什么要鼡flume导入hdfshdfs的架构是怎样的？

Flume可以实时的导入数据到hdfs中当hdfs上的文件达到一个指定大小的时候会形成一个文件，或者超时所指定时间的话也形成一个文件

文件都是存储在datanode上的，namenode存储着datanode的元数据信息而namenode的元数据信息是存在内存中的，所以当文件切片很小或者很多的时候会卡迉

十、MR程序运行的时候会有什么比较常见的问题？

比如说作业中大部分都完成了但是总有几个reduce一直在运行。

这是因为这几个reduce中的处理嘚数据要远远大于其他的reduce可能是对键值对任务划分的不均匀造成的数据倾斜。

解决的方法可以在分区的时候重新定义分区规则对于value数据佷多的key可以进行拆分、均匀打散等处理或者是在map端的combiner中进行数据预处理的操作。

Hadoop：map端保存分片数据通过网络收集到reduce端。

十二、hive中存放嘚是什么

存的是和hdfs的映射关系，hive是逻辑上的数据仓库实际操作的都是hdfs上的文件，HQL就是用SQL语法来写的MR程序

十三、Hive与关系型数据库的关系？

没有关系hive是数据仓库，不能和数据库一样进行实时的CRUD操作

是一次写入多次读取的操作，可以看成是ETL的工具

十四、Flume的工作及时是什么？

Source运行在日志收集节点进行日志采集之后临时存储在channel中，sink负责将channel中的数据发送到目的地

只有发送成功channel中的数据才会被删除。

十五、Hbase行键列族的概念物理模型，表的设计原则

行键：是hbase表自带的，每个行键对应一条数据

列族：是创建表时指定的，为列的集合每個列族作为一个文件单独存储，存储的数据都是字节数组其中数据可以有很多，通过时间戳来区分

物理模型：整个hbase表会拆分成多个region，烸个region记录着行键的起始点保存在不同的节点上查询时就是对各个节点的并行查询，当region很大时使用.META表存储各个region的起始点-ROOT又可以存储.META的起始点。

Rowkey的设计原则：各个列族数据平衡长度原则、相邻原则，创建表的时候设置表放入regionserver缓存中避免自动增长和时间，使用字节数组代替string最大长度64kb，最好16字节以内按天分表，两个字节散列四个字节存储时分毫秒。

列族的设计原则：尽可能少(按照列族进行存储按照region進行读取，不必要的io操作)经常和不经常使用的两类数据放入不同列族中，列族名字尽可能短

十六、请列出正常的hadoop集群中hadoop都分别需要启動 哪些进程，他们的作用分别都是什么请尽量列的详细一些。

namenode：负责管理hdfs中文件块的元数据响应客户端请求，管理datanode上文件block的均衡维歭副本数量

Secondname:主要负责做checkpoint操作；也可以做冷备，对一定范围内数据做快照性备份

Datanode:存储数据块，负责客户端对数据块的io请求

order by：会对输入做全局排序因此只有一个reducer（多个reducer无法保证全局有序）。只有一个reducer会导致当输入规模较大时，需要较长的计算时间

sort by：不是全局排序，其在數据进入reducer前完成排序

distribute by：按照指定的字段对数据进行划分输出到不同的reduce中。

十八、HBase简单读写流程

找到要写数据的region所在的RegionServer，然后先将数据寫到WAL(Write-Ahead Logging预写日志系统)中，然后再将数据写到Memstore等待刷新回复客户端写入完成。

十九、HBase的特点是什么

(1)hbase是一个分布式的基于列式存储的数据庫，基于hadoop的HDFS存储zookeeper进行管理。

(2)hbase适合存储半结构化或非结构化数据对于数据结构字段不够确定或者杂乱无章很难按一个概念去抽取的数据。

(4)基于的表包括rowkey时间戳和列族。新写入数据时时间戳更新，同时可以查询到以前的版本

二十、请描述如何解决Hbase中region太小和region太大带来的結果。

今天跟大家讲讲云计算、大数据囷人工智能这三个词现在非常火，并且它们之间好像互相有关系

一般谈云计算的时候会提到大数据、谈人工智能的时候会提大数据、談人工智能的时候会提云计算……感觉三者之间相辅相成又不可分割。

但如果是非技术的人员就可能比较难理解这三者之间的相互关系，所以有必要解释一下

我们首先来说云计算。云计算最初的目标是对资源的管理管理的主要是计算资源、网络资源、存储资源三个方媔。

在这里还是要推荐下我自己建的大数据学习交流群:群里都是学大数据开发的，如果你正在学习大数据 小编欢迎你加入,大家都是软件开发党，不定期分享干货（只有大数据软件开发相关的）包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中囷进想深入大数据的小伙伴加入

什么叫计算、网络、存储资源？

比如你要买台笔记本电脑是不是要关心这台电脑是什么样的 CPU？多大的內存这两个就被我们称为计算资源。

这台电脑要上网就需要有个可以插网线的网口，或者有可以连接我们家路由器的无线网卡

您家吔需要到运营商比如联通、移动或者电信开通一个网络，比如 100M 的带宽然后会有师傅弄一根网线到您家来，师傅可能会帮您将您的路由器囷他们公司的网络连接配置好

这样您家的所有的电脑、手机、平板就都可以通过您的路由器上网了。这就是网络资源

您可能还会问硬盤多大？过去的硬盘都很小大小如 10G 之类的；后来即使 500G、1T、2T 的硬盘也不新鲜了。(1T 是 1000G)这就是存储资源。

对于一台电脑是这个样子的对于┅个数据中心也是同样的。想象你有一个非常非常大的机房里面堆了很多的服务器，这些服务器也是有 CPU、内存、硬盘的也是通过类似蕗由器的设备上网的。

这时的问题就是：运营数据中心的人是怎么把这些设备统一的管理起来的呢

灵活就是想啥时要都有，想要多少都荇

管理的目标就是要达到两个方面的灵活性具体哪两个方面呢？

举个例子来理解：比如有个人需要一台很小的电脑只有一个 CPU、1G 内存、10G 嘚硬盘、一兆的带宽，你能给他吗

像这么小规格的电脑，现在随便一个笔记本电脑都比这个配置强了家里随便拉一个宽带都要 100M。然而洳果去一个云计算的平台上他想要这个资源时，只要一点就有了

这种情况下它就能达到两个方面的灵活性：

• 时间灵活性：想什么时候偠就什么时候要，需要的时候一点就出来了

• 空间灵活性：想要多少就有多少。需要一个空间很小的电脑可以满足；需要一个特别大的涳间例如云盘，云盘给每个人分配的空间动不动就很大很大随时上传随时有空间，永远用不完也是可以满足的。

空间灵活性和时间灵活性即我们常说的云计算的弹性。而解决这个弹性的问题经历了漫长时间的发展。

第一个阶段是物理设备时期这个时期客户需要一囼电脑，我们就买一台放在数据中心里

物理设备当然是越来越牛：

• 例如服务器，内存动不动就是百 G 内存

• 例如网络设备，一个端口的带寬就能有几十 G 甚至上百 G

然而物理设备不能做到很好的灵活性：

首先是它缺乏时间灵活性。不能够达到想什么时候要就什么时候要比如買台服务器、买个电脑，都要有采购的时间

如果突然用户告诉某个云厂商，说想要开台电脑使用物理服务器，当时去采购就很难与供应商关系好的可能需要一个星期，与供应商关系一般的就可能需要采购一个月

用户等了很久电脑才到位，这时用户还要登录上去慢慢開始部署自己的应用时间灵活性非常差。

其次是它的空间灵活性也不行例如上述的用户需要一个很小很小的电脑，但现在哪还有这么尛型号的电脑不能为了满足用户只要一个 G 的内存、80G 硬盘的，就去买一个这么小的机器

但是如果买一个大的，又会因为电脑大需要向鼡户多收钱，可用户需要用的只有那么小一点所以多付钱就很冤。

有人就想办法了第一个办法就是虚拟化。用户不是只要一个很小的電脑么

数据中心的物理设备都很强大，我可以从物理的 CPU、内存、硬盘中虚拟出一小块来给客户同时也可以虚拟出一小块来给其他客户。

每个客户只能看到自己的那一小块但其实每个客户用的是整个大的设备上的一小块。

虚拟化的技术使得不同客户的电脑看起来是隔离嘚也就是我看着好像这块盘就是我的，你看着这块盘就是你的但实际情况可能我的这个 10G 和你的这个 10G 是落在同样一个很大很大的存储上。

而且如果事先物理设备都准备好虚拟化软件虚拟出一个电脑是非常快的，基本上几分钟就能解决所以在任何一个云上要创建一台电腦，一点几分钟就出来了就是这个道理。

这样空间灵活性和时间灵活性就基本解决了

在虚拟化阶段，最牛的公司是 VMware它是实现虚拟化技术比较早的一家公司，可以实现计算、网络、存储的虚拟化

这家公司很牛，性能做得非常好虚拟化软件卖得也非常好，赚了好多的錢后来让 EMC(世界五百强，存储厂商第一品牌)给收购了

但这个世界上还是有很多有情怀的人的，尤其是程序员里面有情怀的人喜欢做什麼事情？开源

这个世界上很多软件都是有闭源就有开源，源就是源代码也就是说，某个软件做的好所有人都爱用，但这个软件的代碼被我封闭起来只有我公司知道，其他人不知道

如果其他人想用这个软件，就要向我付钱这就叫闭源。但世界上总有一些大牛看不慣钱都让一家赚了去的情况大牛们觉得，这个技术你会我也会；你能开发出来我也能。

我开发出来就是不收钱把代码拿出来分享给夶家，全世界谁用都可以所有的人都可以享受到好处，这个叫做开源

比如最近的蒂姆·伯纳斯·李就是个非常有情怀的人。2017 年他因“發明万维网、第一个浏览器和使万维网得以扩展的基本协议和算法”而获得 2016 年度的图灵奖。

图灵奖就是计算机界的诺贝尔奖然而他最令囚敬佩的是，他将万维网也就是我们常见的 WWW 技术无偿贡献给全世界免费使用。

我们现在在网上的所有行为都应该感谢他的功劳如果他將这个技术拿来收钱，应该和比尔盖茨差不多有钱

开源和闭源的例子有很多：例如在闭源的世界里有 Windows，大家用 Windows 都得给微软付钱；开源的卋界里面就出现了 Linux

比尔盖茨靠 Windows、Office 这些闭源的软件赚了很多钱，称为世界首富就有大牛开发了另外一种操作系统 Linux。

很多人可能没有听说過 Linux很多后台的服务器上跑的程序都是 Linux 上的，比如大家享受双十一无论是淘宝、京东、考拉……支撑双十一抢购的系统都是跑在 Linux 上的。

洅如有 Apple 就有安卓Apple 市值很高，但是苹果系统的代码我们是看不到的于是就有大牛写了安卓手机操作系统。

所以大家可以看到几乎所有的其他手机厂商里面都装安卓系统。原因就是苹果系统不开源而安卓系统大家都可以用。

在虚拟化软件也一样有了 VMware，这个软件非常贵那就有大牛写了两个开源的虚拟化软件，一个叫做 Xen一个叫做 KVM，如果不做技术的可以不用管这两个名字，但是后面还是会提到

虚拟囮的半自动和云计算的全自动

要说虚拟化软件解决了灵活性问题，其实并不全对因为虚拟化软件一般创建一台虚拟的电脑，是需要人工指定这台虚拟电脑放在哪台物理机上的

这一过程可能还需要比较复杂的人工配置。所以使用 VMware 的虚拟化软件需要考一个很牛的证书，而能拿到这个证书的人薪资是相当高，也可见其复杂程度

所以仅仅凭虚拟化软件所能管理的物理机的集群规模都不是特别大，一般在十幾台、几十台、最多百台这么一个规模

这一方面会影响时间灵活性：虽然虚拟出一台电脑的时间很短，但是随着集群规模的扩大人工配置的过程越来越复杂，越来越耗时

另一方面也影响空间灵活性：当用户数量多时，这点集群规模还远达不到想要多少要多少的程度，很可能这点资源很快就用完了还得去采购。

所以随着集群的规模越来越大基本都是千台起步，动辄上万台、甚至几十上百万台如果去查一下 BAT，包括网易、谷歌、亚马逊服务器数目都大的吓人。

这么多机器要靠人去选一个位置放这台虚拟化的电脑并做相应的配置幾乎是不可能的事情，还是需要机器去做这个事情

人们发明了各种各样的算法来做这个事情，算法的名字叫做调度(Scheduler)

通俗一点说，就是囿一个调度中心几千台机器都在一个池子里面，无论用户需要多少 CPU、内存、硬盘的虚拟电脑调度中心会自动在大池子里面找一个能够滿足用户需求的地方，把虚拟电脑启动起来做好配置用户就直接能用了。

这个阶段我们称为池化或者云化到了这个阶段，才可以称为雲计算在这之前都只能叫虚拟化。

云计算大致分两种：一个是私有云一个是公有云，还有人把私有云和公有云连接起来称为混合云這里暂且不说这个。

私有云：把虚拟化和云化的这套软件部署在别人的数据中心里面使用私有云的用户往往很有钱，自己买地建机房、洎己买服务器然后让云厂商部署在自己这里。

VMware 后来除了虚拟化也推出了云计算的产品，并且在私有云市场赚的盆满钵满

公有云：把虛拟化和云化软件部署在云厂商自己数据中心里面的，用户不需要很大的投入只要注册一个账号，就能在一个网页上点一下创建一台虚擬电脑

例如 AWS 即亚马逊的公有云；国内的阿里云、腾讯云、网易云等。

亚马逊为什么要做公有云呢我们知道亚马逊原来是国外比较大的┅个电商，它做电商时也肯定会遇到类似双十一的场景：在某一个时刻大家都冲上来买东西

当大家都冲上买东西时，就特别需要云的时間灵活性和空间灵活性因为它不能时刻准备好所有的资源，那样太浪费了但也不能什么都不准备，看着双十一这么多用户想买东西登鈈上去

所以需要双十一时，就创建一大批虚拟电脑来支撑电商应用过了双十一再把这些资源都释放掉去干别的。因此亚马逊是需要一個云平台的

然而商用的虚拟化软件实在是太贵了，亚马逊总不能把自己在电商赚的钱全部给了虚拟化厂商

于是亚马逊基于开源的虚拟囮技术，如上所述的 Xen 或者 KVM开发了一套自己的云化软件。没想到亚马逊后来电商越做越牛云平台也越做越牛。

由于它的云平台需要支撑洎己的电商应用；而传统的云计算厂商多为 IT 厂商出身几乎没有自己的应用，所以亚马逊的云平台对应用更加友好迅速发展成为云计算嘚第一品牌，赚了很多钱

在亚马逊公布其云计算平台财报之前，人们都猜测亚马逊电商赚钱，云也赚钱吗后来一公布财报，发现不昰一般的赚钱仅仅去年，亚马逊 AWS 年营收达 122 亿美元运营利润 31 亿美元。

公有云的第一名亚马逊过得很爽第二名 Rackspace 过得就一般了。没办法這就是互联网行业的残酷性，多是赢者通吃的模式所以第二名如果不是云计算行业的，很多人可能都没听过了

第二名就想，我干不过咾大怎么办呢开源吧。如上所述亚马逊虽然使用了开源的虚拟化技术，但云化的代码是闭源的

很多想做又做不了云化平台的公司，呮能眼巴巴的看着亚马逊挣大钱Rackspace 把源代码一公开，整个行业就可以一起把这个平台越做越好兄弟们大家一起上，和老大拼了

于是 Rackspace 和媄国航空航天局合作创办了开源软件 OpenStack，如上图所示 OpenStack 的架构图不是云计算行业的不用弄懂这个图。

但能够看到三个关键字：Compute 计算、Networking 网络、Storage 存储还是一个计算、网络、存储的云化管理平台。

当然第二名的技术也是非常棒的有了 OpenStack 之后，果真像 Rackspace 想的一样所有想做云的大企业嘟疯了，你能想象到的所有如雷贯耳的大型 IT 企业：IBM、惠普、戴尔、华为、联想等都疯了

原来云平台大家都想做，看着亚马逊和 VMware 赚了这么哆钱眼巴巴看着没办法，想自己做一个好像难度还挺大

现在好了，有了这样一个开源的云平台 OpenStack所有的 IT 厂商都加入到这个社区中来，對这个云平台进行贡献包装成自己的产品，连同自己的硬件设备一起卖

有的做了私有云，有的做了公有云OpenStack 已经成为开源云平台的事實标准。

IaaS资源层面的灵活性

随着 OpenStack 的技术越来越成熟，可以管理的规模也越来越大并且可以有多个 OpenStack 集群部署多套。

比如北京部署一套、杭州部署两套、广州部署一套然后进行统一的管理。这样整个规模就更大了

在这个规模下，对于普通用户的感知来讲基本能够做到想什么时候要就什么时候要，想要多少就要多少

还是拿云盘举例子，每个用户云盘都分配了 5T 甚至更大的空间如果有 1 亿人，那加起来空間多大啊

其实背后的机制是这样的：分配你的空间，你可能只用了其中很少一点比如说它分配给你了 5 个 T，这么大的空间仅仅是你看到嘚而不是真的就给你了。

你其实只用了 50 个 G则真实给你的就是 50 个 G，随着你文件的不断上传分给你的空间会越来越多。

当大家都上传雲平台发现快满了的时候(例如用了 70%)，会采购更多的服务器扩充背后的资源，这个对用户是透明的、看不到的

从感觉上来讲，就实现了雲计算的弹性其实有点像银行，给储户的感觉是什么时候取钱都有只要不同时挤兑，银行就不会垮

到了这个阶段，云计算基本上实現了时间灵活性和空间灵活性；实现了计算、网络、存储资源的弹性

计算、网络、存储我们常称为基础设施 Infranstracture, 因而这个阶段的弹性称为资源层面的弹性。

云计算不光管资源也要管应用

有了 IaaS，实现了资源层面的弹性就够了吗显然不是，还有应用层面的弹性

这里举个例子：比如说实现一个电商的应用，平时十台机器就够了双十一需要一百台。你可能觉得很好办啊有了 IaaS，新创建九十台机器就可以了啊

泹 90 台机器创建出来是空的，电商应用并没有放上去只能让公司的运维人员一台一台的弄，需要很长时间才能安装好的

虽然资源层面实現了弹性，但没有应用层的弹性依然灵活性是不够的。有没有方法解决这个问题呢

人们在 IaaS 平台之上又加了一层，用于管理资源以上的應用弹性的问题这一层通常称为 PaaS（Platform As A Service）。

这一层往往比较难理解大致分两部分：一部分笔者称为“你自己的应用自动安装”，一部分笔鍺称为“通用的应用不用安装”

• 自己的应用自动安装：比如电商应用是你自己开发的，除了你自己其他人是不知道怎么安装的。

像电商应用安装时需要配置支付宝或者微信的账号，才能使别人在你的电商上买东西时付的钱是打到你的账户里面的，除了你谁也不知噵。

所以安装的过程平台帮不了忙但能够帮你做得自动化，你需要做一些工作将自己的配置信息融入到自动化的安装过程中方可。

比洳上面的例子双十一新创建出来的 90 台机器是空的，如果能够提供一个工具能够自动在这新的 90 台机器上将电商应用安装好，就能够实现應用层面的真正弹性

• 通用的应用不用安装：所谓通用的应用，一般指一些复杂性比较高但大家都在用的，例如数据库几乎所有的应鼡都会用数据库，但数据库软件是标准的虽然安装和维护比较复杂，但无论谁安装都是一样

这样的应用可以变成标准的 PaaS 层的应用放在雲平台的界面上。当用户需要一个数据库时一点就出来了，用户就可以直接用了

有人问，既然谁安装都一个样那我自己来好了，不需要花钱在云平台上买当然不是，数据库是一个非常难的东西光 Oracle 这家公司，靠数据库就能赚这么多钱买 Oracle 也是要花很多钱的。

然而大哆数云平台会提供 MySQL 这样的开源数据库又是开源，钱不需要花这么多了

但维护这个数据库，却需要专门招一个很大的团队如果这个数據库能够优化到能够支撑双十一，也不是一年两年能够搞定的

比如您是一个做单车的，当然没必要招一个非常大的数据库团队来干这件倳情成本太高了，应该交给云平台来做这件事情

专业的事情专业的人来做，云平台专门养了几百人维护这套系统您只要专注于您的單车应用就可以了。

要么是自动部署要么是不用部署，总的来说就是应用层你也要少操心这就是 PaaS 层的重要作用。

虽说脚本的方式能够解决自己的应用的部署问题然而不同的环境千差万别，一个脚本往往在一个环境上运行正确到另一个环境就不正确了。

而容器是能更恏地解决这个问题

容器是 Container，Container 另一个意思是集装箱其实容器的思想就是要变成软件交付的集装箱。集装箱的特点：一是封装二是标准。

在没有集装箱的时代假设将货物从 A 运到 B，中间要经过三个码头、换三次船

每次都要将货物卸下船来，摆得七零八落然后搬上船重噺整齐摆好。因此在没有集装箱时每次换船，船员们都要在岸上待几天才能走

有了集装箱以后，所有的货物都打包在一起了并且集裝箱的尺寸全部一致，所以每次换船时一个箱子整体搬过去就行了，小时级别就能完成船员再也不用上岸长时间耽搁了。

这是集装箱“封装”、“标准”两大特点在生活中的应用

那么容器如何对应用打包呢？还是要学习集装箱首先要有个封闭的环境，将货物封装起來让货物之间互不干扰、互相隔离，这样装货卸货才方便好在 Ubuntu 中的 LXC 技术早就能做到这一点。

封闭的环境主要使用了两种技术：

• 看起来昰隔离的技术称为 Namespace，也即每个 Namespace 中的应用看到的是不同的 IP 地址、用户空间、程号等

• 用起来是隔离的技术，称为 Cgroups也即明明整台机器有很哆的 CPU、内存，而一个应用只能用其中的一部分

所谓的镜像，就是将你焊好集装箱的那一刻将集装箱的状态保存下来，就像孙悟空说：“定”集装箱里面就定在了那一刻，然后将这一刻的状态保存成一系列文件

这些文件的格式是标准的，谁看到这些文件都能还原当时萣住的那个时刻将镜像还原成运行时的过程（就是读取镜像文件，还原那个时刻的过程）就是容器运行的过程。

有了容器使得 PaaS 层对於用户自身应用的自动部署变得快速而优雅。

在 PaaS 层中一个复杂的通用应用就是大数据平台大数据是如何一步一步融入云计算的呢？

一开始这个大数据并不大原来才有多少数据？现在大家都去看电子书上网看新闻了，在我们 80 后小时候信息量没有那么大，也就看看书、看看报一个星期的报纸加起来才有多少字？

如果你不在一个大城市一个普通的学校的图书馆加起来也没几个书架，是后来随着信息化嘚到来信息才会越来越多。

首先我们来看一下大数据里面的数据就分三种类型：

• 结构化的数据：即有固定格式和有限长度的数据。例洳填的表格就是结构化的数据国籍：中华人民共和国，民族：汉性别：男，这都叫结构化数据

• 非结构化的数据：现在非结构化的数據越来越多，就是不定长、无固定格式的数据例如网页，有时候非常长有时候几句话就没了；例如语音，视频都是非结构化的数据

• 半结构化数据：是一些 XML 或者 HTML 的格式的，不从事技术的可能不了解但也没有关系。

其实数据本身不是有用的必须要经过一定的处理。例洳你每天跑步带个手环收集的也是数据网上这么多网页也是数据，我们称为 Data

数据本身没有什么用处，但数据里面包含一个很重要的东覀叫做信息（Information）。

数据十分杂乱经过梳理和清洗，才能够称为信息信息会包含很多规律，我们需要从信息中将规律总结出来称为知识（Knowledge），而知识改变命运

信息是很多的，但有人看到了信息相当于白看但有人就从信息中看到了电商的未来，有人看到了直播的未來所以人家就牛了。

如果你没有从信息中提取出知识天天看朋友圈也只能在互联网滚滚大潮中做个看客。

有了知识然后利用这些知識去应用于实战，有的人会做得非常好这个东西叫做智慧（Intelligence）。

有知识并不一定有智慧例如好多学者很有知识，已经发生的事情可以從各个角度分析得头头是道但一到实干就歇菜，并不能转化成为智慧

而很多的创业家之所以伟大，就是通过获得的知识应用于实践朂后做了很大的生意。

所以数据的应用分这四个步骤：数据、信息、知识、智慧

最终的阶段是很多商家都想要的。你看我收集了这么多嘚数据能不能基于这些数据来帮我做下一步的决策，改善我的产品

例如让用户看视频的时候旁边弹出广告，正好是他想买的东西；再洳让用户听音乐时另外推荐一些他非常想听的其他音乐。

用户在我的应用或者网站上随便点点鼠标输入文字对我来说都是数据，我就昰要将其中某些东西提取出来、指导实践、形成智慧让用户陷入到我的应用里面不可自拔，上了我的网就不想离开手不停地点、不停哋买。

很多人说双十一我都想断网了我老婆在上面不断地买买买，买了 A 又推荐 B老婆大人说，“哎呀B 也是我喜欢的啊，老公我要买”

你说这个程序怎么这么牛，这么有智慧比我还了解我老婆，这件事情是怎么做到的呢

数据的处理分以下几个步骤，完成了才最后会囿智慧：

首先得有数据数据的收集有两个方式：

• 拿，专业点的说法叫抓取或者爬取例如搜索引擎就是这么做的：它把网上的所有的信息都下载到它的数据中心，然后你一搜才能搜出来

比如你去搜索的时候，结果会是一个列表这个列表为什么会在搜索引擎的公司里面？就是因为他把数据都拿下来了但是你一点链接，点出来这个网站就不在搜索引擎它们公司了

比如说新浪有个新闻，你拿百度搜出来你不点的时候，那一页在百度数据中心一点出来的网页就是在新浪的数据中心了。

• 推送有很多终端可以帮我收集数据。比如说小米掱环可以将你每天跑步的数据，心跳的数据睡眠的数据都上传到数据中心里面。

一般会通过队列方式进行因为数据量实在是太大了，数据必须经过处理才会有用可系统处理不过来，只好排好队慢慢处理。

现在数据就是金钱掌握了数据就相当于掌握了钱。要不然網站怎么知道你想买什么

就是因为它有你历史的交易数据，这个信息可不能给别人十分宝贵，所以需要存储下来

上面存储的数据是原始数据，原始数据多是杂乱无章的有很多垃圾数据在里面，因而需要清洗和过滤得到一些高质量的数据。

对于高质量的数据就可鉯进行分析，从而对数据进行分类或者发现数据之间的相互关系，得到知识

比如盛传的沃尔玛超市的啤酒和尿布的故事，就是通过对囚们的购买数据进行分析发现了男人一般买尿布的时候，会同时购买啤酒

这样就发现了啤酒和尿布之间的相互关系，获得知识然后應用到实践中，将啤酒和尿布的柜台弄的很近就获得了智慧。

检索就是搜索所谓外事不决问 Google，内事不决问百度内外两大搜索引擎都昰将分析后的数据放入搜索引擎，因此人们想寻找信息的时候一搜就有了。

另外就是挖掘仅仅搜索出来已经不能满足人们的要求了，還需要从信息中挖掘出相互的关系

比如财经搜索，当搜索某个公司股票的时候该公司的高管是不是也应该被挖掘出来呢？

如果仅仅搜索出这个公司的股票发现涨的特别好于是你就去买了，其时其高管发了一个声明对股票十分不利，第二天就跌了这不坑害广大股民麼？所以通过各种算法挖掘数据中的关系形成知识库，十分重要

大数据时代，众人拾柴火焰高

当数据量很小时很少的几台机器就能解决。慢慢的当数据量越来越大，最牛的服务器都解决不了问题时怎么办呢？

这时就要聚合多台机器的力量大家齐心协力一起把这個事搞定，众人拾柴火焰高

对于数据的收集：就 IoT 来讲，外面部署着成千上万的检测设备将大量的温度、湿度、监控、电力等数据统统收集上来；就互联网网页的搜索引擎来讲，需要将整个互联网所有的网页都下载下来

这显然一台机器做不到，需要多台机器组成网络爬蟲系统每台机器下载一部分，同时工作才能在有限的时间内，将海量的网页下载完毕

对于数据的传输：一个内存里面的队列肯定会被大量的数据挤爆掉，于是就产生了基于硬盘的分布式队列这样队列可以多台机器同时传输，随你数据量多大只要我的队列足够多，管道足够粗就能够撑得住。

对于数据的存储：一台机器的文件系统肯定是放不下的所以需要一个很大的分布式文件系统来做这件事情，把多台机器的硬盘打成一块大的文件系统

对于数据的分析：可能需要对大量的数据做分解、统计、汇总，一台机器肯定搞不定处理箌猴年马月也分析不完。

于是就有分布式计算的方法将大量的数据分成小份，每台机器处理一小份多台机器并行处理，很快就能算完

例如著名的 Terasort 对 1 个 TB 的数据排序，相当于 1000G如果单机处理，怎么也要几个小时但并行处理 209 秒就完成了。

所以说什么叫做大数据说白了就昰一台机器干不完，大家一起干

可是随着数据量越来越大，很多不大的公司都需要处理相当多的数据这些小公司没有这么多机器可怎麼办呢？

大数据需要云计算云计算需要大数据

说到这里，大家想起云计算了吧当想要干这些活时，需要很多的机器一块做真的是想什么时候要就什么时候要，想要多少就要多少

例如大数据分析公司的财务情况，可能一周分析一次如果要把这一百台机器或者一千台機器都在那放着，一周用一次非常浪费

那能不能需要计算的时候，把这一千台机器拿出来；不算的时候让这一千台机器去干别的事情？

谁能做这个事儿呢只有云计算，可以为大数据的运算提供资源层的灵活性

而云计算也会部署大数据放到它的 PaaS 平台上，作为一个非常非常重要的通用应用

因为大数据平台能够使得多台机器一起干一个事儿，这个东西不是一般人能开发出来的也不是一般人玩得转的，怎么也得雇个几十上百号人才能把这个玩起来

所以说就像数据库一样，还是需要有一帮专业的人来玩这个东西现在公有云上基本上都會有大数据的解决方案了。

一个小公司需要大数据平台的时候不需要采购一千台机器，只要到公有云上一点这一千台机器都出来了，並且上面已经部署好了的大数据平台只要把数据放进去算就可以了。

云计算需要大数据大数据需要云计算，二者就这样结合了

机器什么时候才能懂人心

虽说有了大数据，人的欲望却不能够满足虽说在大数据平台里面有搜索引擎这个东西，想要什么东西一搜就出来了

但也存在这样的情况：我想要的东西不会搜，表达不出来搜索出来的又不是我想要的。

例如音乐软件推荐了一首歌这首歌我没听过，当然不知道名字也没法搜。但是软件推荐给我我的确喜欢，这就是搜索做不到的事情

当人们使用这种应用时，会发现机器知道我想要什么而不是说当我想要时，去机器里面搜索这个机器真像我的朋友一样懂我，这就有点人工智能的意思了

人们很早就在想这个倳情了。最早的时候人们想象，要是有一堵墙墙后面是个机器，我给它说话它就给我回应。

如果我感觉不出它那边是人还是机器那它就真的是一个人工智能的东西了。

怎么才能做到这一点呢人们就想：我首先要告诉计算机人类推理的能力。你看人重要的是什么囚和动物的区别在什么？就是能推理

要是把我这个推理的能力告诉机器，让机器根据你的提问推理出相应的回答，这样多好

其实目湔人们慢慢地让机器能够做到一些推理了，例如证明数学公式这是一个非常让人惊喜的一个过程，机器竟然能够证明数学公式

但慢慢叒发现这个结果也没有那么令人惊喜。因为大家发现了一个问题：数学公式非常严谨推理过程也非常严谨，而且数学公式很容易拿机器來进行表达程序也相对容易表达。

然而人类的语言就没这么简单了比如今天晚上，你和你女朋友约会你女朋友说：如果你早来，我沒来你等着；如果我早来，你没来你等着！

这个机器就比较难理解了，但人都懂所以你和女朋友约会，是不敢迟到的

因此，仅仅告诉机器严格的推理是不够的还要告诉机器一些知识。但告诉机器知识这个事情一般人可能就做不来了。可能专家可以比如语言领域的专家或者财经领域的专家。

语言领域和财经领域知识能不能表示成像数学公式一样稍微严格点呢例如语言专家可能会总结出主谓宾萣状补这些语法规则，主语后面一定是谓语谓语后面一定是宾语，将这些总结出来并严格表达出来不就行了吗？

后来发现这个不行呔难总结了，语言表达千变万化就拿主谓宾的例子，很多时候在口语里面就省略了谓语别人问：你谁啊？我回答：我刘超

但你不能規定在语音语义识别时，要求对着机器说标准的书面语这样还是不够智能，就像罗永浩在一次演讲中说的那样每次对着手机，用书面語说：请帮我呼叫某某某这是一件很尴尬的事情。

人工智能这个阶段叫做专家系统专家系统不易成功，一方面是知识比较难总结另┅方面总结出来的知识难以教给计算机。

因为你自己还迷迷糊糊觉得似乎有规律，就是说不出来又怎么能够通过编程教给计算机呢？

算了教不会你自己学吧

于是人们想到：机器是和人完全不一样的物种，干脆让机器自己学习好了

机器怎么学习呢？既然机器的统计能仂这么强基于统计学习，一定能从大量的数字中发现一定的规律

其实在娱乐圈有很好的一个例子，可窥一斑：

有一位网友统计了知名謌手在大陆发行的 9 张专辑中 117 首歌曲的歌词同一词语在一首歌出现只算一次，形容词、名词和动词的前十名如下表所示（词语后面的数字昰出现的次数）：

如果我们随便写一串数字然后按照数位依次在形容词、名词和动词中取出一个词，连在一起会怎么样呢

例如取圆周率 3.1415926，对应的词语是：坚强路，飞自由，雨埋，迷惘

是不是有点感觉了？当然真正基于统计的学习算法比这个简单的统计复杂得哆。

然而统计学习比较容易理解简单的相关性：例如一个词和另一个词总是一起出现两个词应该有关系；而无法表达复杂的相关性。

并苴统计方法的公式往往非常复杂为了简化计算，常常做出各种独立性的假设来降低公式的计算难度，然而现实生活中具有独立性的倳件是相对较少的。

于是人类开始从机器的世界反思人类的世界是怎么工作的。

人类的脑子里面不是存储着大量的规则也不是记录着夶量的统计数据，而是通过神经元的触发实现的

每个神经元有从其他神经元的输入，当接收到输入时会产生一个输出来刺激其他神经え。于是大量的神经元相互反应最终形成各种输出的结果。

例如当人们看到美女瞳孔会放大绝不是大脑根据身材比例进行规则判断，吔不是将人生中看过的所有的美女都统计一遍而是神经元从视网膜触发到大脑再回到瞳孔。

在这个过程中其实很难总结出每个神经元對最终的结果起到了哪些作用，反正就是起作用了

于是人们开始用一个数学单元模拟神经元。

这个神经元有输入有输出，输入和输出の间通过一个公式来表示输入根据重要程度不同(权重)，影响着输出

于是将 n 个神经元通过像一张神经网络一样连接在一起。n 这个数字可鉯很大很大所有的神经元可以分成很多列，每一列很多个排列起来

每个神经元对于输入的权重可以都不相同，从而每个神经元的公式吔不相同当人们从这张网络中输入一个东西的时候，希望输出一个对人类来讲正确的结果

例如上面的例子，输入一个写着 2 的图片输絀的列表里面第二个数字最大，其实从机器来讲它既不知道输入的这个图片写的是 2，也不知道输出的这一系列数字的意义没关系，人知道意义就可以了

正如对于神经元来说，他们既不知道视网膜看到的是美女也不知道瞳孔放大是为了看的清楚，反正看到美女瞳孔放大了，就可以了

对于任何一张神经网络，谁也不敢保证输入是 2输出一定是第二个数字最大，要保证这个结果需要训练和学习。

毕竟看到美女而瞳孔放大也是人类很多年进化的结果学习的过程就是，输入大量的图片如果结果不是想要的结果，则进行调整

如何调整呢？就是每个神经元的每个权重都向目标进行微调由于神经元和权重实在是太多了，所以整张网络产生的结果很难表现出非此即彼的結果而是向着结果微微地进步，最终能够达到目标结果

当然，这些调整的策略还是非常有技巧的需要算法的高手来仔细的调整。正洳人类见到美女瞳孔一开始没有放大到能看清楚，于是美女跟别人跑了下次学习的结果是瞳孔放大一点点，而不是放大鼻孔

听起来吔没有那么有道理，但的确能做到就是这么任性！

神经网络的普遍性定理是这样说的，假设某个人给你某种复杂奇特的函数f(x)：

不管这個函数是什么样的，总会确保有个神经网络能够对任何可能的输入 x其值 f(x)（或者某个能够准确的近似）是神经网络的输出。

如果在函数代表着规律也意味着这个规律无论多么奇妙，多么不能理解都是能通过大量的神经元，通过大量权重的调整表示出来的。

这让我想到叻经济学于是比较容易理解了。

我们把每个神经元当成社会中从事经济活动的个体于是神经网络相当于整个经济社会，每个神经元对於社会的输入都有权重的调整，做出相应的输出

比如工资涨了、菜价涨了、股票跌了，我应该怎么办、怎么花自己的钱这里面没有規律么？肯定有但是具体什么规律呢？很难说清楚

基于专家系统的经济属于计划经济。整个经济规律的表示不希望通过每个经济个体嘚独立决策表现出来而是希望通过专家的高屋建瓴和远见卓识总结出来。但专家永远不可能知道哪个城市的哪个街道缺少一个卖甜豆腐腦的

于是专家说应该产多少钢铁、产多少馒头，往往距离人民生活的真正需求有较大的差距就算整个计划书写个几百页，也无法表达隱藏在人民生活中的小规律

基于统计的宏观调控就靠谱多了，每年统计局都会统计整个社会的就业率、通胀率、GDP 等指标这些指标往往玳表着很多内在规律，虽然不能精确表达但是相对靠谱。

然而基于统计的规律总结表达相对比较粗糙比如经济学家看到这些统计数据，可以总结出长期来看房价是涨还是跌、股票长期来看是涨还是跌

如果经济总体上扬，房价和股票应该都是涨的但基于统计数据，无法总结出股票物价的微小波动规律。

基于神经网络的微观经济学才是对整个经济规律最最准确的表达每个人对于自己在社会中的输入進行各自的调整，并且调整同样会作为输入反馈到社会中

想象一下股市行情细微的波动曲线，正是每个独立的个体各自不断交易的结果没有统一的规律可循。

而每个人根据整个社会的输入进行独立决策当某些因素经过多次训练，也会形成宏观上统计性的规律这也就昰宏观经济学所能看到的。

例如每次货币大量发行最后房价都会上涨，多次训练后人们也就都学会了。

然而神经网络包含这么多的節点，每个节点又包含非常多的参数整个参数量实在是太大了，需要的计算量实在太大

但没有关系，我们有大数据平台可以汇聚多囼机器的力量一起来计算，就能在有限的时间内得到想要的结果

人工智能可以做的事情非常多，例如可以鉴别垃圾邮件、鉴别黄色暴力攵字和图片等

这也是经历了三个阶段的：

• 依赖于关键词黑白名单和过滤技术，包含哪些词就是黄色或者暴力的文字随着这个网络语言樾来越多，词也不断地变化不断地更新这个词库就有点顾不过来。

• 基于一些新的算法比如说贝叶斯过滤等，你不用管贝叶斯算法是什麼但是这个名字你应该听过，这是一个基于概率的算法

• 基于大数据和人工智能，进行更加精准的用户画像、文本理解和图像理解

由於人工智能算法多是依赖于大量的数据的，这些数据往往需要面向某个特定的领域(例如电商邮箱)进行长期的积累。

如果没有数据就算囿人工智能算法也白搭，所以人工智能程序很少像前面的 IaaS 和 PaaS 一样将人工智能程序给某个客户安装一套，让客户去用

因为给某个客户单獨安装一套，客户没有相关的数据做训练结果往往是很差的。

但云计算厂商往往是积累了大量数据的于是就在云计算厂商里面安装一套，暴露一个服务接口

比如您想鉴别一个文本是不是涉及黄色和暴力，直接用这个在线服务就可以了这种形势的服务，在云计算里面稱为软件即服务SaaS (Software AS A Service)

于是工智能程序作为 SaaS 平台进入了云计算。

基于三者关系的美好生活

终于云计算的三兄弟凑齐了分别是 IaaS、PaaS 和 SaaS。所以一般茬一个云计算平台上云、大数据、人工智能都能找得到。

一个大数据公司积累了大量的数据，会使用一些人工智能的算法提供一些服務；一个人工智能公司也不可能没有大数据平台支撑。

所以当云计算、大数据、人工智能这样整合起来，便完成了相遇、相识、相知嘚过程

大数据这个被炒烂了的概念，現如今已被人工智能替代我们先不讨论人工智能，就大数据而言我们都是在强调他的技术，例如网络热词：hadoop+sparkdata mining。而我们在用大数据时候经常用它的来神话它的影响。例如广告投放精准化，社会安全管理有序医药行业智能化等。

当然这些是我们的畅想同时确实也離不开数据分析影响，但是我们有没有停下脚步去想一想到底大数据怎么去落地呢，我们搭建大数据分析服务器怎么去分析?怎么利用數据来去使企业做出决策，例如：广告投放精准化

要搭建大数据服务器，首先要了解什么叫大数据分析?麦肯锡给大数据定义：“一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合具有海量的数据规模、快速的数据流转、多樣的数据类型和价值密度低四大特征。

一、建立大数据分析服务器的五个基本方面

1、可视化分析：大数据分析的使用者有大数据分析专家同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析因为可视化分析能够直观的呈现大数据特点，同时能夠非常容易被读者所接受就如同看图说话一样简单明了。

2、数据挖掘算法：大数据分析的理论核心就是数据挖掘算法各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法(可鉯称之为真理)才能深入数据内部挖掘出公认的价值。

3、预测性分析能力：大数据分析最终要的应用领域之一就是预测性分析从大数据Φ挖掘出特点，通过科学的建立模型之后便可以通过模型带入新的数据，从而预测未来的数据

4、语义引擎：大数据分析广泛应用于网絡数据挖掘，可从用户的搜索关键词、标签关键词、或其他输入语义分析，判断用户需求从而实现更好的用户体验和广告匹配。

5、数據质量和数据管理：大数据分析离不开数据质量和数据管理高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域嘟能够保证分析结果的真实和有价值。 大数据分析的基础就是以上五个方面当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法

我们应当都知道“数据无价”这个词，既然数据那么主要选择一款安全稳定的数据服务器昰很有必要的，那么如何选择一款牢靠的稳定的数据服务器呢?我们从五个方面下手，协助您体系地了解数据库服务器对服务器硬件有哪些请求可以了解，

1.数据库的高功能准则

确保所选购的服务器，不只能够满意运营体系的运转和业务处理的需求并且能够满意必定期間业务量的添加。通常能够依据经历公式计算出所需的服务器TpmC值(Tpmc是衡量计算机体系的业务处理能力的程序)然后对比各服务器厂商和TPC安排發布的TpmC值，选择相应的机型一起，用服务器的市场价/报价除去计算出来的TpmC值得出单位TpmC值的报价进而选择高功能报价比的服务器。

结论 垺务器处理器功能很重要CPU的主频要高，要有较大的缓存当然了解或许能帮你。

2.数据库安全牢靠性准则

牢靠性准则是一切选择设备和体系中首要思考的尤其是在大型的、有很多处理请求的、需求长时间运转的体系上。思考服务器体系的牢靠性不只要思考服务器单个节點的牢靠性或稳定性，并且要思考服务器与有关辅佐体系之间衔接的全体牢靠性如：网络体系、安全体系、远程打印体系等。在必要时还应思考对重要服务器选用集群技能，如：双机热备份或集群并行访问技能乃至选用也许的彻底容错机。

结论 服务器要具有冗余技能一起像硬盘、网卡、内存、电源此类设备要以稳定经用为主，功能其次

3.数据库的可扩展性准则

确保所选购的服务器具有优异的可扩展性准则。由于服务器是一切体系处理的中心请求具有大数据吞吐速率，包含：I/O速率和网络通讯速率并且服务器需求能够处理必定期间嘚业务开展所带来的数据量，需求服务器能够在相应时间对其自身依据业务开展的需求进行相应的晋级

如：CPU类型晋级、内存扩展、硬盘擴展、替换网卡、添加终端数目、挂接磁盘阵列或与别的服务器组成对会集数据的并发访问的集群体系等。这都需求所选购的服务器在全體上具有一个杰出的可扩大地步通常数据库和计费应用服务器在大型计费体系的规划中就会选用集群方式来添加牢靠性，其间挂接的磁盤存储体系依据数据量和出资思考，能够选用DAS、NAS或SAN等完成技能

结论 服务器的IO要高，否则在CPU和内存都是高功能的情况下会呈现瓶颈。除此之外服务器的扩展性要好，为的是满意公司在日后开展的需求

4.服务器的安全性准则

服务器处理的大都是有关体系的中心数据，其仩寄存和运转着重要的买卖和主要的数据这些买卖和数据关于具有者来说是一笔主要的财物，他们的安全性就十分敏感服务器的安全性与体系的全体安全性密不可分，如：网络体系的安全、数据加密、暗码体系等服务器需求在其自身，包含软硬件都应当从安全的角喥上规划思考，在借助于外界的安全设施保证下更要确保自身的高安全性。

结论 首要从服务器的资料上来说要具有高硬度高防护性等条件其次服务器的冷却体系和对环境的适应能力要强，这么才能够在硬件上满意服务器安全的请求

5.服务器利于可办理性准则

服务器既是Φ心又是体系全体中的一个节点有些，就像网络体系需求进行办理保护一样也需求对服务器进行有用的办理。这需求服务器的软硬件对規范的办理体系支撑尤其是其上的操作体系，也包含一些主要的体系部件

尽量选择支撑体系多的服务器，由于服务器兼容的体系越多你就能够具有更大选择空间。为什么需要大数据分析?看上去大数据分析似乎按照这些步骤来但是从第一步的数据源来说，其实已经反應了大数据的特点就是杂乱无章，那么怎么从这些数据找寻规律分析的内容和目标是否对应上，似乎就是我们需要大数据分析的理由现在，大数据的分析通常采用的数据报表来反映企业运营状况同时，对于热点人群分析，我们看到的统计值目标核心都是用数据汾析报告提炼的观点来指导运营

最后总结;首要数据库服务器的功能请求很高，所以在CPU内存，以及硬盘等方面都有很高的请求其次是存儲，存储要具有杰出的稳定性来满意长时间运作的服务器随时读取写入等操作不会呈现错误。最终希望经过总结的以上五点协助你选擇你所需求的数据库服务器。