大数据关键技术有哪些？

一、大数据关键技术有哪些？

大数据关键技术涵盖数据存储、处理、应用等多方面的技术，根据大数据的处理过程，可将其分为大数据采集、大数据预处理、大数据存储及管理、大数据处理、大数据分析及挖掘、大数据展示等。

二、什么叫数据融合?数据融合的作用是什么?

数据融合：

数据融合是将多传感 器信息源的数据和信息加以联合、相关及组合，获得更为精确的位置估计及身份估计，从而实现对战场态势和威胁以及其重要程度实时、完整评价的处理过程。

数据融合的主要作用：

1 、提高信息的准确性和全面性

2、降低信息的不确定性

3、提高系统的可靠性

4、增加系统的实时性

三、多媒体的关键技术是数据？

多媒体计算机的关键技术是解决视频、音频信号的获取和处理，包括多媒体数据的压缩编码和解码技术以及多媒体数据的输出技术。主要应用于通信、娱乐和计算机的融合，为解决电视数字化及高清晰度提供了切实可行的方案。多媒体计算机可制作DVD及影视音响设备，以及制作多媒体家庭网关。

四、传统数据采集的关键技术有哪些？

大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。

一、大数据采集技术

数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化（或称之为弱结构化）及非结构化的海量数据，是大数据知识服务模型的根本。

二、大数据预处理技术

主要完成对已接收数据的辨析、抽取、清洗等操作。1）抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。2）清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

三、大数据存储及管理技术

大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。

四、大数据分析及挖掘技术

大数据分析技术。改进已有数据挖掘和机器学习技术；开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术；突破基于对象的数据连接、相似性连接等大数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

六、大数据展现与应用技术

大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。

五、地理大数据分析的关键技术？

大数据技术是从各种类型的数据中快速获取有价值信息的技术。大数据领域出现了大量的新技术，它们已经成为大数据收集、存储、处理和呈现的有力武器。大数据处理的关键技术一般包括大数据收集、大数据预处理、大数据存储和管理、分析和挖掘、大数据收集、大数据预处理、大数据存储和管理、大数据的表示和应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。

六、高级数据库，数据仓库有哪些关键技术？

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。先大概列一下互联网行业数据仓库、数据平台的用途：

整合公司所有业务数据，建立统一的数据中心；

提供各种报表，有给高层的，有给各个业务的；

为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

开发数据产品，直接或间接为公司盈利；

建设开放数据平台，开放公司数据；

。。。。。。

上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；

其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；

建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。

整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：

逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。

我们从下往上看：

数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。

数据源的种类比较多：

网站日志：

作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，

一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；

业务数据库：

业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。

当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS

来自于Ftp/Http的数据源：

有可能一些合作伙伴提供的数据，需要通过Ftp/Http等定时获取，DataX也可以满足该需求;

其他数据源：

比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成

数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。

离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；

当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》

实时计算部分，后面单独说。

数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；

前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据； 和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。

另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。

数据应用

业务产品

业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；

报表

同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；

即席查询

即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；

这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。

即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。

当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。

OLAP

目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；

这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；

比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。

其它数据接口

这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。

实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。

我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。

做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。

任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；

这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始； 这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。

前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。

总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

七、aigc 怎么和业务数据融合？

"AIGC"可能指的是人工智能（Artificial Intelligence）和业务数据（Business Data）的融合。要将人工智能技术与业务数据融合起来，可以遵循以下步骤：

1. 确定业务需求：了解业务目标，明确需要解决的问题以及希望从业务数据中获得的价值。

2. 数据准备：收集、清理、整理和预处理业务数据，以确保其质量和一致性。这可能包括数据清洗、数据转换和数据集成等步骤。

3. 特征工程：根据使用的人工智能算法和模型，将业务数据转换为可用于训练和预测的特征。这可能涉及特征提取、特征选择、特征变换等操作。

4. 模型开发和训练：选择合适的人工智能算法或模型，并使用准备好的业务数据进行训练。这可能需要使用机器学习、深度学习、自然语言处理等技术。

5. 模型评估和优化：评估训练好的模型的性能和准确性，并进行必要的优化和调整。这可以通过交叉验证、指标评估等方法来完成。

6. 部署和应用：将训练好的模型部署到生产环境中，以便与业务数据进行实时或批处理的融合。这可能包括实时推断、数据分析、预测等应用。

7. 监控和迭代：持续监控模型在实际业务数据中的表现，并根据需要进行调整和迭代，以确保模型的准确性和适应性。

在整个过程中，关键是理解业务需求和数据特点，并选择适当的人工智能技术和方法来处理和分析业务数据。此外，保持对数据的质量、隐私和安全的关注也是非常重要的。

八、arcgis数据融合无法执行？

你好，如果ArcGIS数据融合无法执行，可能是以下几个原因：

1.数据格式不支持：ArcGIS数据融合要求输入的数据格式必须为支持的矢量数据格式，如shapefile、geodatabase等。如果输入的数据格式不支持，就会出现执行失败的情况。

2.数据源路径错误：数据融合需要输入正确的数据源路径，如果输入的路径错误，就会出现执行失败的情况。

3.数据不一致：数据融合需要输入的数据必须具有相同的坐标系、属性字段以及数据类型等，如果数据不一致，就会出现执行失败的情况。

4.数据量太大：如果要融合的数据量太大，可能会导致执行失败的情况。在这种情况下，可以尝试分批融合数据，或使用其他软件进行数据处理。

5.软件版本问题：如果ArcGIS软件版本过低或过高，可能会导致数据融合无法执行。在这种情况下，可以尝试更新或降低软件版本，看看是否能够解决问题。

九、多源异构数据融合方法？

多源异构数据融合系统，用于航空业的多源异构数据融合，包括：

数据源层，所述数据源层用于获取各异构数据源的集合，其获取的数据源包括结构化数据、非结构化数据及实时流数据；

计算层，所述计算层用于对所述数据源的收集、清洗、存储及计算，其包括内存计算框架、流计算框架、数据仓库、数据挖掘引擎、分布式计算框架及文件系统；

所述内存计算框架用于实现基于内存的数据计算，所述流计算框架用于对于航空PNR数据的实时接收以及计算，所述数据仓库用于存储结构化后的网站浏览相关数据，所述数据挖掘引擎用于用户的模型建立和计算，用于对于整个大数据平台的资源管理，所述文件系统用于整个平台底层的数据文件存储；

数据层，所述数据层用于实现存储数据访问，其包括SQL系统、NoSQL系统及缓存系统；所述SQL系统用于实现关系型数据库的存储和搜索，所述NoSQL系统用于非关系型数据库的存储和搜索，所述缓存系统用于基于缓存的数据存储和计算；

分析层，所述分析层用于实现对用户关联后的数据分析及画像刻画，其包括语义层及OLAP引擎；所述语义层用于实现基于分析后和业务场景进行报表的开发和展示，所述OLAP引擎用于实现对于数据分析的联机分析处理。

十、融合数据平台是不是数据中台？

融合数据平台是属于数据中台的，这个平台上有很多实时数据。