第1章大数据概述

1.1 大数据时代

第三次信息化浪潮的到来

信息科技为大数据时代提供技术支撑

存储设备容量不断增加
CPU处理能力大幅增加
网络带宽不断增加

1.2 大数据概念

volume 大量

　　数据量大

根据IDC作出的估测，数据一直都在以每年50%的速度增长，也就是说每两年就增长一倍（大数据摩尔定律）

人类在最近两年产生的数据量相当于之前产生的全部数据量

预计到2020年，全球将总共拥有35ZB的数据量，相较于2010年，数据量将增长近30倍

velocity 快速

从数据的生成到消耗，时间窗口非常小，可用于生成决策的时间非常少
1秒定律：这一点也是和传统的数据挖掘技术有着本质的不同

variety 多样

　　数据类型繁多

大数据是由结构化和非结构化数据组成的
　　10%的结构化数据，存储在数据库中
　　90%的非结构化数据，它们与人类信息密切相关

value 价值

价值密度低，商业价值高
以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒，但是具有很高的商业价值

目前构造出第5个V （veracity 真实性）

1.3 大数据的影响

在思维方式方面，大数据完全颠覆了传统的思维方式：
　　-全样而非抽样
　　-效率而非精确
　　-相关而非因果

在社会发展方面，大数据决策逐渐成为一种新的决策方式，大数据应用有力促进了信息技术与各行业的深度融合，大数据开发大大推动了新技术和新应用的不断涌现
在就业市场方面，大数据的兴起使得数据科学家成为热门职业
在人才培养方面，大数据的兴起，将在很大程度上改变中国高校信息技术相关专业的现有教学和科研体制

1.4 大数据关键技术

技术层面	功能
数据采集	利用ETL工具将分布的、异构数据源中的数据如关系数据、平面数据文件等，抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；或者也可以把实时采集的数据作为流计算系统的输入，进行实时处理分析
数据存储和管理	利用分布式文件系统、数据仓库、关系数据库、NoSQL数据库、云数据库等，实现对结构化、半结构化和非结构化海量数据的存储和管理
数据处理与分析	利用分布式并行编程模型和计算框架，结合机器学习和数据挖掘算法，实现对海量数据的处理和分析；对分析结果进行可视化呈现，帮助人们更好地理解数据、分析数据
数据隐私和安全	在从大数据中挖掘潜在的巨大商业价值和学术价值的同时，构建隐私数据保护体系和数据安全体系，有效保护个人隐私和数据安全