2021年大数据技术的五个发展趋势？

一、2021年大数据技术的五个发展趋势？

一数据融合与数据价值挖掘

二数据敏捷型经济体

三知识图谱与决策智能

四产业物联网提速

五数据安全热度持续上升

进入2021年，大数据已经从单纯的技术体系，向着与实体经济结合、真正挖掘和发挥数据价值的方向发展。特别是新冠疫情和新基建，加速了大数据与实体社会基础设施的快速融合，而5G与物联网等的快速发展也进一步加大了大数据与实体经济的深度融合。随着数博会即将进入第6个年头，大数据将真正深入到社会经济的方方面面，推进下一轮经济长周期。

二、数据技术与大数据技术如何？

数据技术和大数据技术是紧密相关的概念，但有一些区别。

数据技术是指涉及数据的处理、管理和分析的技术方法和工具。它包括数据的收集、存储、清洗、转换、建模、可视化和分析等各个方面。数据技术的目标是提取有用的信息和洞察力，以支持决策和解决问题。

大数据技术则是数据技术的一个特定领域，主要关注处理和分析大规模、高速、多样化的数据。大数据技术需要应对海量数据的挑战，包括数据的存储、处理、传输、分析和可视化等方面。与传统的数据技术相比，大数据技术更注重分布式计算、并行处理、数据挖掘和机器学习等领域的技术。

因此，数据技术是一个更广泛的概念，而大数据技术是在数据技术基础上专注于处理和分析大规模数据的特定领域。大数据技术的发展为我们提供了更多处理和利用海量数据的机会，从而为各行各业带来了更多的商业价值和创新机会。

三、数据库技术的发展趋势是什么？

前言

22 年 12 月 14 - 16 号是中国 DTCC 数据库技术大会，由于疫情的影响，今年大会分享全部改到线上直播了。个人主要观看了 14 号、16 号两天技术分享，所以这里结合各位大佬的技术分享，整体做一个观后的总结和个人思考，加深一下个人整体的认识，同时也期望能够对大家能够有所帮助，大家有什么想法欢迎关注我的公众号进行交流。如果有不对的地方，也欢迎指出。下面是这三天的大会技术专场的议程：

一、数据库发展趋势闲聊

14 号这天个人主要看了上午场（数据智能 价值创新）和下午场（数据库内核技术）两个专场，上午主要观看了腾讯云（王义成）、华为云的 GaussDB（苏光牛）、PolarDB（李飞飞）、OceanBase（杨志丰）三位大佬的技术分享，主要是对数据库发展趋势的看法以及他们自家数据库的演进方向的思考。下午由于时间关系，数据库内核技术主要看了 StarRocks、PolarDB-X 两场技术分享，所以 14 号这天整体的个人总结主要从这些技术分享中带来的个人思考，下面先聊聊对数据库发展趋势的看法。

1.1 Serverless

对于数据库未来的趋势之一：serverless，这次听到这个词还是蛮多的。serverless 即无服务化，用户在使用数据库服务时，不需要关注数据库服务器的运维和管理成本，这些繁琐的管理交给云仓商来托管，用户主要专注自己应用架构设计和业务即可。对于未来云上数据库，serverless 必定是终态之一。个人还是非常认可这个观念的，serverless 能为用户带来主要以下两个好处：

1. 无须关注数据库服务器繁琐的管理和运维成本
2. 资源弹性扩缩容，使用户按需按量付费

这里重点说下第二点，传统模式下，用户在使用数据库服务时，需要结合实际业务的情况，通过对业务的 QPS、TPS、数据量等提前预估所需要的资源，最终来估算自己需要准备多少机器，然后提前一个月和运维部门沟通好，提交采购申请，最终使用完后，还需要想办法将采购的资源消化掉，这类情形在双十一大促期间尤为明显，这种模式下，有以下几个问题：

1. 使用方需要提前预估计算资源，如果资源预估不准，会对业务以及成本有很大的影响，机器资源评估过少，当业务流量扛不住，对公司业务有影响，机器资源预估过多，会浪费很大的机器成本。
2. 一次资源扩缩容链路过长，同时整个过程时间很久，同时在业务使用完后，还需要消化剩余的机器资源。一次资源扩容的需求，公司的人力成本过大。

所以使用 serverless 服务能够做到资源弹性扩缩容，同时做到按需按量付费。当然 serverless 弹性扩缩容具体能够做到什么程度，实际扩缩容的时间、扩缩容与实际业务使用资源的差异、扩缩容对于线上业务的影响，对于用户使用体验和成本，影响都很大。对于数据库内部冷热数据，也可以做到 serverless，把不经常使用的数据放到冷数据底层的存储，降低存储成本。

我看阿里云和中国信通院云大所联合发布了《Serverless数据库技术研究报告》，我还没有看，感兴趣的同学可以去看看。同时也可以看下伯克利关于 serverless 的 这篇Paper（李飞飞大佬推荐）：

1.2 存算分离

上面说到 serverless 的弹性扩缩容，那么如何做到用户按需进行扩展（CPU、内存、磁盘）？所以云上数据库存储和计算分离是个很好的思路。

很多传统数据库是 Shared Nothing 架构，计算资源（CPU）和存储资源（内存、磁盘）都是在一台机器上，这样的好处能够降低网络 IO 带来的传输时间成本，最大化提升查询性能。但有一个问题就是，由于计算资源和存储资源都是在一起的，用户在机器扩缩容时，必须同时对计算资源、存储资源一起进行扩缩容，但可能用户只扩容计算资源，不想扩容存储资源，此时这种模式会对存储资源有一定浪费。

存算分离，用户能够分别对存储或者计算资源单独进行扩缩容，按实际业务需要来进行资源调整，进一步节约资源成本。当然存算分离架构下，也有两个不足点：

1. 存储和计算之间会有一层数据网络 IO 传输时间成本，为了降低网络 IO 的影响，一般可以在计算节点上，加一层 Local Cache。
2. 存储分离下，由于网络 IO 容易是瓶颈，会导致集群规模机器数容易受限。

可见，任何技术特性都不是银弹，需要结合实际业务侧需求，来综合评估，很多东西就是 Trade Off。下面是 PolarDB-X 的一张图：

1.3 私有云、公有云、混合云一套架构部署

这个不用多说了，私有云、公有云、混合云一套架构部署，便于数据库的运维和管理，能够提升数据库产品的交付效率，降低产品的交付成本，这对于私有云部署模式，带来的好处尤为明显。

1.4 多模多态一体化数据库

随着社会的发展，人们产生的数据格式越来越复杂，结构化（比如关系型）、半结构化（比如 Json、CSV）、非结构化（比如视频、图片）数据，相应的，单一模型的数据库也已经很难再完全支持公司的业务需求，数据库的种类也越来越多，RDS 数据库、KV 数据库、图数据库、文档型数据库、时序数据库等等。当然，完全通过一款数据库满足用户侧所有的业务需求也不现实，只能说在一款数据库上，尽可能多的来 Cover 业务侧需求。

比如现在 HTAP 数据库，在 TP 的基础上，增加了 AP 的数据分析能力，提升数据库的分析时效性，同时一般会带着 Zero-ETL 的口号一起来宣传，像 GassDB、PingCAP TIDB、阿里 PolarDB、OceanBase、SingStoreDB（原 MemSQL）都在做 HTAP。阿里 ADB 的离在线一体化（离线 ETL 处理 + 在线 OLAP 分析），让数据库尽可能 Cover 离线 ETL 和在线 OLAP 分析需求。阿里的 Lindorm多模数据库，提供宽表、时序、文件、搜索等多种数据模型等等。

1.5 数据库智能化

数据库智能化，主要有两个方向：

1. AI For DB
2. DB For AI

AI For DB，主要思路是结合 AI 机器学习能力，智能化运维和管理数据库，让数据库做到自治化，智能的做到 SQL 性能优化和问题根因诊断。

DB For AI，主要是如何让 DB 来支持更多 AI 场景的需求，怎么做到 AI 模型的抽象、存储、推理等等，这块个人了解的比较少。

1.6 模块化构建数据库

李飞飞大佬认为未来数据库系统内核可以结合用于实际业务侧需要，模块化的组装出数据库，比如用户的需求可能是：读多写少、读少写多的、分析型的、IO 密集型、计算密集型、AI 类的、HTAP 类型等等，相应的需要的存储、计算、带宽等对应的硬件资源，可以使用不同型号和规格的硬件来组装，对于底层机器资源来说，数据库能够做到一套代码，数据库内核各模块在不同形态下的资源类型，同时能够很好的 Work。

个人认为未来数据库内核各模块不仅能够在不同形态下的资源类型进行构建，同时数据库内核也能够进行组装。未来对于一个 DataBase 的研发，可能就是使用已有的数据库中各模块的标准事实开源组件，快速组装出一个 DB，比如 SQL 方言标准（使用 Mysql / PG）、SQL Planner 层（ Apache Calcite / DuckDB ）、Planner 层和 Runtime 层计划序列化通信方式（substrait）、Runtime 层使用( Apache Arrow + Rust Or ClickHouse）、数据湖存储（Iceberg / Hudi / Deltalake）、列存（Parquet Or ORC） 。公司将相对有限的工程资源，尽可能多的投入到差产品异化功能上，这样才能和其他同类产品有竞争优势，形成独特性。

1.7 用户对数据库拥有更强的自主可控性

Blue/Green Deployment 是 AWS 2022 re:Invent 亮相的产品，看网上资料说是一套灰度技术，未来用户想去做某个操作时，但不确定该操作对线上实际业务的影响是什么，此时就可以借助 Blue/Green Deployment 来灰度进行验证，没有问题，在完全切流。

下面这张图片的出处是来源于知乎同学@zhoutall 的文章<a href="https://zhuanlan.zhhttp://ihu.com/p/591406895">《AWS re:Invent 2022数据库内核视角摘要》，感兴趣可以看下他这篇文章，还是非常有收获的。个人看完也非常认可其观点的，现在云数据库场商希望用户做得事情越来越少，所以提供了很多工具，或者解决方案，来帮助和指导用户做决策和执行，但实际用户可能需要更大的自主可控权（对业务影响的可控）。

二、数据库内核技术分享总结

数据库内核技术方面，个人主要听了 OceanBase、Starrocks、阿里云 DLA，所以这里主要讲下这三场分享的总结。

StarRocks 今年主要宣传语是从极速 OLAP 到极速数据湖分析，从原来数据在自己 OLAP 存储到底层存储是数据湖，所以第一步则是在 Connector 做了扩展，支持了 Hudi、Iceberg（v1、v2）、Hive、JDBC 数据源。扩展了新的数据源，那么 FE 的元数据这一层，肯定要能够识别到外部数据源，同时对于外部的数据源元数据获取，增加了 Cache（分区、文件 List、统计信息）。其他也做了各种细节优化，比如 Scan 优化、优化器等等。

StarRocks 今年还做了存算分离，这样的话，计算节点是无状态的，那么可以弹性扩缩容。最值得关注的一点，今年 StarRocks 提出了它们的 StarOS 的设计，StarOS 通过抽象和统一存算分离架构下的分布式逻辑，同时统一了存储，这块听起来感觉不错，具体信息后面看 StarRocks 的分享吧。

阿里云 DLF 主要分享了他们如何做统一的湖仓元数据服务的经验，目前业界开源数仓标准的元数据服务是 Hive MetaStore，所以几乎主流引擎都支持直接从 Hive MdetaStore 中读取数据。但 Hive 本身也有部分局限性：

1. ACID 和 Hive 引擎绑定，同时不支持 Time-Travel 查询数据/元数据
2. 不易于对接内部自家引擎接入，单点问题，同时引擎需要 Thrift 协议接入，高可用的问题。

而在开源权限体系方面，主要有 Hive 自身权限和 Apache Ranger，但它也有各自缺陷：

针对以上两点，所以阿里云做了 DLF 这款产品，统一了湖仓的元数据服务，同时兼容了 HMS 接口，对外也提供标准的 Open API ，方便客户接入。

其他的一些分享，个人记得比较清楚两点是：数据库的迁移工具和数据库容灾。如果你的产品如果想买入到某家客户时，尤其是数据库方面，那么你要考虑到客户存量的业务如何能够方便的迁移到你的产品上来，最好能够非常底成本的、客户无感的迁移。同样，数据库容灾，关乎着企业数据和业务生存问题。

三、个人思考

不得不说，国内在数据库这个领域还是挺卷的，共有 200 多家数据库公司，有 TP 的、AP 的、数仓的、湖仓的等等，但最终能跑出来的可能就几家。当前云上数据库一直都被国内几家云场商占领着，比如阿里云、腾讯云、华为云等等，对于中小型创业公司而言，云肯定是要做的，但在国内市场直接去和几家云厂商 PK 云，当前阶段还是过于激进，赢面较小，选择出海，可能更加明智一些。

中小型创业公司目前主要争取还是私有云场景下独立部署的市场，这样不仅要保证自家产品的质量，同时还要比拼谁家的交付效率更快、交付成本更低，这样才有更大赢的可能性。

四、智慧消防大数据技术发展趋势包括？

趋势一 智慧消防建设有效提高城市消防安全管理水平

智慧消防的服务对象、服务内容非常广泛，但核心主线是利用信息通信技术提升城市消防安全水平。

使用信息通信技术和其他手段改善消防现状中存在的问题、提高城市消防工作管理和服务效率以及提升城市安全等级，同时确保满足事前预防、事中处置、事后总结的一种创新型物联网解决方案。

在现有消防环境中对物理系统、数字系统和人类系统进行有效整合，从而为社会创造一个可持续、可扩展的消防数字化系统。

通过运用信息通信技术，有效整合各类城市消防系统，实现城市消防管理、政策法规、社会单位各个消防子系统间信息资源共享和业务协同，推动城市消防管理和服务智慧化，提升城市消防运行管理和公共服务水平，提高城市居民幸福感和满意度，实现可持续发展的一种创新型智能消防。

五、云数据与大数据技术概念？

云数据：是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。

大数据：是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集。

六、大数据技术与应用？

大数据技术是指用于处理和分析大规模数据的技术和工具。它涉及数据的收集、存储、处理、分析和应用等方面。大数据技术的应用范围非常广泛，以下是一些常见的大数据技术与应用领域：

1. 商业智能和数据分析：通过大数据技术，可以对大量的数据进行分析和挖掘，帮助企业做出决策、预测趋势、发现商机等。

2. 金融领域：大数据技术可以应用于风险管理、欺诈检测、信用评估、投资分析等金融业务中，提高效率和准确性。

3. 健康医疗：大数据技术可以用于医疗数据的管理和分析，帮助医疗机构提高诊断准确性、优化医疗资源分配、进行疾病预测等。

4. 市场营销：通过大数据技术，可以对消费者的行为和偏好进行分析，为企业提供精准的市场营销策略。

5. 交通与物流：大数据技术可以应用于交通流量监测、智能交通管理、物流路径优化等领域，提高交通效率和物流运作效率。

6. 社交网络和推荐系统：大数据技术可以应用于社交网络数据的分析和挖掘，以及个性化推荐系统的构建，提供用户个性化的推荐和服务。

以上只是一些大数据技术与应用的示例，实际上，大数据技术在各个行业和领域都有广泛的应用，可以帮助机构和企业从海量数据中获取有价值的信息和洞察，从而做出更明智的决策和行动。

七、085411大数据技术与工程考研难吗？

085411大数据技术与工程考研难度较大，原因如下：

1.学科交叉性：大数据专业是一个多学科交叉的专业，其课程内容涉及数学、统计学、计算机等多个学科领域，需要考生对这些领域的知识有深入的掌握。

2.英语要求高：该专业需要考生具备良好的英语能力，能灵活运用到实际问题和研究中。

八、简述传统数据挖掘技术与现在数据挖掘技术？

1、传统数据挖掘技术都是基于集中式的底层软件架构开发，难以并行化，因而在处理TB级以上数据的效率低。其次是数据分析精度难以随着数据量提升而得到改进，特别是难以应对非结构化数据。

2、现代数据挖掘技术是指20世纪80年代末所出现的数据挖掘技术，这些数据挖掘技术大多可以从数据仓库中提取人们所感兴趣的、事先不知的、隐含在数据中的有用的信息和知识，并将这些知识用概念、规则、规律和模式等方式展示给用户，使用户得以解决信息时代中的“数量过量，信息不足”的矛盾。现代数据挖掘技术应该是从数据库中知识发现技术(KDD)研究的起步，知识发现技术是随着数据库开始存储了大量业务数据，并采用机器学习技术分析这些数据、挖掘这些数据背后的知识而发展起来的。

九、技术元数据与业务元数据区别？

元数据一般可以划分为三类元数据：技术元数据、业务元数据和管理元数据。这三种元数据的具体描述如下：

1、技术元数据 技术元数据是描述数据系统中技术领域相关概念、关系和规则的数据，主要包括对数据结构、数据处理方面的特征描述，覆盖数据源接口、数据仓库与数据集市存储、ETL、OLAP、数据封装和前端展现等全部数据处理环节；

2、业务元数据 业务元数据是描述数据系统中业务领域相关概念、关系和规则的数据，主要包括业务术语、信息分类、指标定义和业务规则等信息；

3、管理元数据 管理元数据是描述数据系统中管理领域相关概念、关系和规则的数据，主要包括人员角色、岗位职责和管理流程等信息。

十、数据科学与大数据技术专业评估？

数据科学与大数据技术专业在未来的50年内的相关专业人才都是供不应求的。前相关院校对该专业人才的培养的规模是非常有限的，远远不能适应经济，科技，文化，军事等领域对大数据科学与技术专业人才的需求，因此，这个专业不仅具有广阔的发展前景，而且具有相当优越的待遇。

大数据，主要是因为网络的数据的格式，体量，价值都超出了传统数据的规模，而且对这些海量信息的采集，存储，分析，整合，控制，而得到的数据就是大数据。大数据技术的意义不在于掌握庞大的数据信息，而在于对这些数据进行专业化处理，通过加工，分类，筛选，归纳，提炼，实现数据的增值，找出相关的规律，更精准的辅助指导相关的决策和发展的规划。