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。