大數(shù)據(jù)的概念、技術及應用

[摘要]繼云計算、物聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)后，大數(shù)據(jù)成為信息和互聯(lián)網(wǎng)行業(yè)的研究熱點。本文通過文獻調研法對大數(shù)據(jù)的概念和技術做了闡釋，并對其在各個行業(yè)的應用進行了簡單評價，以期對大數(shù)據(jù)的研究做出有益補充。

[關鍵詞]大數(shù)據(jù)；信息技術；數(shù)據(jù)處理

[中圖分類號]TP274[文獻標識碼]A

20世紀中葉計算機的誕生標志著電子時代正式開始，從此人類社會開始生產(chǎn)并存儲各類型的數(shù)據(jù)。經(jīng)過數(shù)次計算機技術革命，單位面積所能存儲的數(shù)據(jù)量大大提高。近年來，由于WEB2.0應用的全面爆發(fā)，網(wǎng)絡參與者同時也成了網(wǎng)絡信息的制造者，由WEB2.0帶來的大規(guī)模非結構化數(shù)據(jù)開始呈現(xiàn)出幾何增長。因此，麥肯錫公司在2011年的報告《Big Data：the Next Frontier for Innovation》[1]中，對這種密集型數(shù)據(jù)爆炸的現(xiàn)象成為“大數(shù)據(jù)”時代的到來。

1大數(shù)據(jù)的概念

大數(shù)據(jù)的概念并不是憑空出現(xiàn)的，它的前身是海量數(shù)據(jù)。但兩者之間有所區(qū)別。海量數(shù)據(jù)強調了數(shù)據(jù)量的規(guī)模之大，并沒有對其特性進行定義。而大數(shù)據(jù)的概念包含了大數(shù)據(jù)的體積、傳播速率、特征等內容。雖然截至目前還沒有對大數(shù)據(jù)有統(tǒng)一的定義，但被廣泛接受的定義為：大數(shù)據(jù)是無法在一定時間內用通常的軟件工具進行收集、分析、管理的大量數(shù)據(jù)的集合[2]。大數(shù)據(jù)的特點一般歸納為四點：一是數(shù)據(jù)總量大，目前大數(shù)據(jù)的最小單位一般被認為是10～20TB的量級；二是數(shù)據(jù)類型多，包括了結構化、非結構化和半結構化數(shù)據(jù)；三是數(shù)據(jù)的價值密度很低；四是數(shù)據(jù)產(chǎn)生和處理的速度非常快。這四個特點又被稱作大數(shù)據(jù)的4 V理念，即：Volume，Variety，Value，Velocity[3]。

2大數(shù)據(jù)的技術

依據(jù)大數(shù)據(jù)生命周期的不同階段，可以將與大數(shù)據(jù)處理相關的技術分為相應的三個方面：

2.1大數(shù)據(jù)存儲

從海量數(shù)據(jù)時代開始，大規(guī)模數(shù)據(jù)的長期保存、數(shù)據(jù)遷移一直都是研究的重點。從20世紀90年代末至今，數(shù)據(jù)存儲始終是依據(jù)數(shù)據(jù)量大小的不斷變化和不斷優(yōu)化向前發(fā)展的。其中主要有：DAS（Direct Attached Storage），直接外掛存儲；NAS（Network Attached Storage），網(wǎng)絡附加存儲；SAN（Storage Area Network），存儲域網(wǎng)絡和SAN IP等存儲方式[4]。這幾種存儲方式雖然是不同時代的產(chǎn)物，但各自的優(yōu)缺點都十分鮮明，數(shù)據(jù)中心往往是根據(jù)自身的服務器數(shù)量和要處理的數(shù)據(jù)對象進行選擇。

此外，這兩年數(shù)據(jù)存儲的虛擬化從研究走向現(xiàn)實。所謂虛擬化，就是將原有的服務器進行軟件虛擬化，將其劃分為若干個獨立的服務空間，如此可以在一臺服務器上提供多種存儲服務，大大提高了存儲效率，節(jié)約存儲成本，是異構數(shù)據(jù)平臺的最佳選擇。從技術角度來講，虛擬化可以分為存儲虛擬化和網(wǎng)絡虛擬化，網(wǎng)絡虛擬化是存儲虛擬化的輔助，能夠大幅度提升數(shù)據(jù)中心的網(wǎng)絡利用率和傳輸速率。目前IBM、浪潮、思科等公司紛紛發(fā)力虛擬化市場，可以預見虛擬化會成為未來大數(shù)據(jù)存儲的一個主流技術。

2.2大數(shù)據(jù)挖掘

在大數(shù)據(jù)的處理技術中，超大規(guī)模的數(shù)據(jù)挖掘一直是難點，也是重點。面對上百TB，甚至PB級別的異構數(shù)據(jù)，常規(guī)的處理工具往往難以擔當重任。需要考慮到的是大數(shù)據(jù)是個不斷生長的有機體，因此在挖掘過程中還要考慮到未來數(shù)據(jù)繼續(xù)增長所帶來的影響。

因此，大數(shù)據(jù)的挖掘需要采用分布式挖掘和云計算技術。Google公司一直是分布式挖掘技術的領導者，它研發(fā)了MapReduce分布式挖掘工具[5]，英特爾公司在此基礎上開發(fā)了Hadoop分布式挖掘工具。這兩個工具都具有高效、高擴展、高可靠性和高容錯率的特點，并提供免費版本，適用于各種類型的大數(shù)據(jù)挖掘。

2.3大數(shù)據(jù)分析

從內容來說，大數(shù)據(jù)的分析分為技術和方法兩種類型。從技術上講，主要是分布式的數(shù)據(jù)分析和非結構化數(shù)據(jù)處理等。從方法上講，主要是利用常用的數(shù)理統(tǒng)計方法來進行數(shù)據(jù)分析，例如使用可視化的數(shù)據(jù)分析工具。但兩者是一個有機的整體。大數(shù)據(jù)處理的最終目的是為了將數(shù)據(jù)之間的關系以可視化的方式呈現(xiàn)在用戶面前，包括了處理的全部過程和展現(xiàn)的過程。在數(shù)據(jù)分析過程中，不僅僅是需要計算機進行自動化的分析，更需要人工進行數(shù)據(jù)選擇和參數(shù)的設定，兩個是辯證的關系。

隨著大數(shù)據(jù)行業(yè)的興起，產(chǎn)生了一個新的職業(yè)，被稱作數(shù)據(jù)科學，而從事該行業(yè)的人員被稱作數(shù)據(jù)科學家。這類科學家的一個特點就是能夠藝術性地將數(shù)據(jù)進行可視化分析，簡單明了而且能夠展現(xiàn)出數(shù)據(jù)之間的關聯(lián)關系。

3大數(shù)據(jù)的應用

麥肯錫在大數(shù)據(jù)的研究報告中指出，大數(shù)據(jù)的應用已經(jīng)滲透到每一個行業(yè)和業(yè)務職能領域，逐漸成為了重要的生產(chǎn)因素[6]。按照專業(yè)領域劃分，信息技術、互聯(lián)網(wǎng)行業(yè)、商業(yè)、遙感探測已經(jīng)開始應用大數(shù)據(jù)技術來進行研究和生產(chǎn)效益；生物信息技術、科研情報所、圖書情報領域已經(jīng)對大數(shù)據(jù)展開了研究，并進行了規(guī)劃；其他專業(yè)和行業(yè)對大數(shù)據(jù)可能仍處于了解階段，但大數(shù)據(jù)的浪潮很快就會波及大部分的行業(yè)領域。

從大數(shù)據(jù)的應用效果來看，總體趨勢與上述的三類專業(yè)呈現(xiàn)出一致性。百度、淘寶等公司作為信息技術、互聯(lián)網(wǎng)和商業(yè)領域的杰出代表，已經(jīng)對大數(shù)據(jù)開始了深度應用，馬云在卸任阿里巴巴CEO時更是闡述了大數(shù)據(jù)時代將改變互聯(lián)網(wǎng)商業(yè)的面貌，誰提前開始大數(shù)據(jù)的應用，就可以獲得未來行業(yè)發(fā)展的優(yōu)勢。大數(shù)據(jù)的普及需要一個過程，首先從重點應用行業(yè)開始，例如信息技術領域行業(yè)，逐漸擴展到其他行業(yè)。美國已經(jīng)由白宮頒布了大數(shù)據(jù)開發(fā)與利用的國家級戰(zhàn)略，由美國國防部和國土安全局牽頭開展全面推廣大數(shù)據(jù)的應用。我國目前對大數(shù)據(jù)的研究并不多，應用更是缺乏。如果要推動大數(shù)據(jù)的應用，應當由國家層面進行大數(shù)據(jù)的平臺建設。在今年的國家自然科學基金和社會科學基金的課題指南中，已經(jīng)提出了很多設計大數(shù)據(jù)的課題，相信在未來幾年內國家會對大數(shù)據(jù)的研究、開發(fā)與利用提供政策和資金支持。

總而言之，大數(shù)據(jù)的技術與應用還是處于起步階段，其應用的前景不可估量。各個行業(yè)應當把握時代脈搏，充分認識到大數(shù)據(jù)所能帶來的革命性改變，只有這樣才能夠保持創(chuàng)新與進步，從而站在行業(yè)的最前沿。

參考文獻：

[1]Manyika J，McKinsey Global Insti？ tute，Chui M，et al. Big data： The next fron？ tier for innovation，competition，and produc？ tivity[M]. McKinsey Global Institute，2011.

[2]盧勝軍，王忠軍，栗琳.賽博空間與大數(shù)據(jù)雙重視角下的錢學森情報思想[J].情報理論與實踐，2013，36（004）： 1-5.

[3]Hirt C W，Nichols B D. Volume of fluid（VOF）method for the dynamics of free boundaries[J].Journalofcomputational physics，1981，39（1）： 201-225.

[4]Chirillo J，Blaul S. Storage Security： Protecting，SANs，NAS and DAS[M].John Wiley Sons，Inc.，2002.

[5]Dean J，Ghemawat S. MapReduce： simplified data processing on large clusters[J]. Communications of the ACM，2008，51（1）： 107-113.

[6]鄭玲微.大步跨入“大數(shù)據(jù)”時代[J].信息化建設，2013（1）.

作者簡介：張心源（1992-），女，本科，信息管理與信息系統(tǒng)專業(yè)，已發(fā)表論文7篇。

李白楊（1991-），男，碩士研究生，研究方向為數(shù)字圖書館與信息資源整理，已發(fā)表論文3篇。