183.17.228.* 2020-05-14 11:00:21 |
数据分析工作虽然隐藏在业务系统背后,但是具有非常重要的作用,数据分析的结果对决策、业务发展有着举足轻重的作用。随着大数据技术的发展,数据挖掘、数据探索等专有名词曝光度越来越高,但是在类似于Hadoop系列的大数据分析系统大行其道之前,数据分析工作已经经历了长足的发展,尤其是以BI系统为主的数据分析,已经有了非常成熟和稳定的技术方案和生态系统
目前围绕Hadoop体系的大数据架构大概有以下几种
01、传统大数据架构
之所以叫传统大数据架构,是因为其定位是为了解决传统BI的问题。
优点:
简单,易懂,对于BI系统来说,基本思想没有发生变化,变化的仅仅是技术选型,用大数据架构替换掉BI的组件。
缺点:
对于大数据来说,没有BI下完备的Cube架构,对业务支撑的灵活度不够,所以对于存在大量报表,或者复杂的钻取的场景,需要太多的手工定制化,同时该架构依旧以批处理为主,缺乏实时的支撑。
适用场景:
数据分析需求依旧以BI场景为主,但是因为数据量、性能等问题无法满足日常使用。
02、流式架构
在传统大数据架构的基础上,直接拔掉了批处理,数据全程以流的形式处理,所以在数据接入端没有了ETL,转而替换为数据通道。
优点:
没有臃肿的ETL过程,数据的实效性非常高。
缺点:
流式架构不存在批处理,对于数据的重播和历史统计无法很好的支撑。对于离线分析仅仅支撑窗口之内的分析。
适用场景:
预警,监控,对数据有**期要求的情况。
03、Lambda架构
大多数架构基本都是Lambda架构或者基于其变种的架构。Lambda的数据通道分为两条分支:实时流和离线。
优点:
既有实时又有离线,对于数据分析场景涵盖的非常到位。
缺点:
离线层和实时流虽然面临的场景不相同,但是其内部处理的逻辑却是相同,因此有大量荣誉和重复的模块存在。
适用场景:
同时存在实时和离线需求的情况。
04、Kappa架构
在Lambda的基础上进行了优化,将实时和流部分进行了合并,将数据通道以消息队列进行替代。
优点:
解决了Lambda架构里面的冗余部分,以数据可重播的思想进行了设计,整个架构非常简洁。
缺点:
虽然Kappa架构看起来简洁,但实施难度相对较高,尤其是对于数据重播部分。
适用场景:
和Lambda类似,改架构是针对Lambda的优化。
05、Unifield架构
以上的种种架构都围绕海量数据处理为主,Unifield架构则将机器学习和数据处理揉为一体,在流处理层新增了机器学习层。
优点:
提供了一套数据分析和机器学习结合的架构方案,解决了机器学习如何与数据平台进行结合的问题。
缺点:
实施复杂度更高,对于机器学习架构来说,从软件包到硬件部署都和数据分析平台有着非常大的差别,因此在实施过程中的难度系数更高。
适用场景:
有着大量数据需要分析,同时对机器学习方便又有着非常大的需求或者有规划。
常见的大数据架构有哪些.中琛魔方大数据分析平台(www.zcmorefun.com)表示以上几种架构为目前数据处理领域使用比较多的几种架构,当然还有非常多其他架构,不过其思想都会或多或少的类似。数据领域和机器学习领域会持续发展,以上几种思想或许终究也会变得过时。 |