大数据平台技术架构设计，大数据平台技术架构设计方案

大数据架构流程图

程序流程图又称程序框图，是用统一规定的标准符号描述程序运行具体步骤的图形表示。程序框图的设计是在处理流程图的基础上，通过对输入输出数据和处理过程的详细分析，将计算机的主要运行步骤和内容标识出来。

数据流程图（DFD）是可视化系统内信息流的传统方法，它以图形的方式描述了大量系统需求。具体来说，数据流程图主要展示了信息如何进入和离开系统，以及如何在系统中改变。

对于BI系统来说，大概的架构图如下：总的来说，目前围绕Hadoop体系的大数据架构大概有以下几种： 传统大数据架构 Lambda架构算是大数据系统里面举足轻重的架构，大多数架构基本都是Lambda架构或者基于其变种的架构。

相关问答

Q1: 五种大数据处理架构

五种大数据处理架构大数据是收集、整理、处理大容量数据集，并从中获得见解所需的非传统战略和技术的总称。

Hadoop：Hadoop是一个分布式计算框架，主要包括两个核心组件：分布式文件系统HDFS和MapReduce。HDFS为海量数据提供了存储，MapReduce为海量数据提供了计算。

遗漏值处理(缺少感兴趣的属性)、噪音数据处理(数据中存在着错误、或偏离期望值的数据)、不一致数据处理。

批处理 批处理是大数据处理傍边的遍及需求，批处理主要操作大容量静态数据集，并在核算进程完成后返回成果。鉴于这样的处理模式，批处理有个明显的缺点，便是面对大规模的数据，在核算处理的功率上，不尽如人意。

主流的大数据分析平台构架：Hadoop Hadoop采用MapReduce分布式计算框架，根据GFS开发了HDFS分布式文件系统，根据BigTable开发了HBase数据存储系统。Hadoop的开源特性使其成为分布式计算系统的事实上的国际标准。

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。

Q2: 大数据平台有哪些架构

大数据计算框架有：批处理计算框架、流式计算框架、图计算框架、分布式数据库计算框架、深度学习计算框架。批处理计算框架 适用于对大规模的离线数据进行处理和分析。

主流的大数据分析平台构架：Hadoop Hadoop采用MapReduce分布式计算框架，根据GFS开发了HDFS分布式文件系统，根据BigTable开发了HBase数据存储系统。Hadoop的开源特性使其成为分布式计算系统的事实上的国际标准。

分布式处理技术 分布式处理系统可以将不同地点的或具有不同功能的或拥有不同数据的多台计算机用通信网络连接起来，在控制系统的统一管理控制下，协调地完成信息处理任务。比如Hadoop。

数据存储：指的便是数据仓库的建设了，简略来说能够分为事务数据层(DW)、指标层、维度层、汇总层(DWA)。数据同享层：表明在数据仓库与事务体系间提供数据同享服务。

Q3: hadoop架构两地部署可以实现数据互为备份一致吗

这种架构有利于实现平台的高可靠性，高扩展性以及易维护性。比如，当我们需要扩容Hadoop集群时，只需要在基础设施层添加一台新的Hadoop节点服务器即可，而对其他模块层无需做任何的变动，且对用户也是完全透明的。

HDFS为保证数据高可用，会将一个Block复制为多份(默认3份)，并将多份相同的Block存储在不同服务器，甚至不同机架。当有磁盘损坏或某个DataNode服务器宕机，甚至某个交换机宕机，导致其存储的数据块不能访问时，客户端会查找其备份Block访问。

HDFS数据存放策略：分块存储+副本存放。

因此，大数据的存储和处理与云计算技术密不可分，在当前的技术条件下，基于廉价硬件的分布式系统(如Hadoop等)被认为是最适合处理大数据的技术平台。

Hadoop在可伸缩性、健壮性、计算性能和成本上具有无可替代的优势，事实上已成为当前互联网企业主流的大数据分析平台。本文主要介绍一种基于Hadoop平台的多维分析和数据挖掘平台架构。

Q4: 大数据下的地质资料信息存储架构设计

大数据下的地质资料信息存储架构设计 根据国土资源部做出的全面推进地质资料信息服务集群化产业化工作的部署，国土资源部倡导全国地质资料馆使用国土资源部信息中心开发的地质资料信息集群化共享服务平台，实现地质资料信息的存储和共享。

摘要 地质资料是地质工作取得的重要信息资源，随着信息化建设的发展及社会对服务需求及服务质量的不断提升，通过建设地质资料数据中心，实现数据资源的集群化管理，服务系统集成及数据共享，提供多元化的服务，从而提升管理及服务水平是十分必要的。

如何在大数据时代背景下完善地质资料的信息管理，成为所有档案工作者迫切需要解决的问题。

Q5: 大数据量的系统的数据库结构如何设计?

)，数据库的模型确定下来之后，我们有必要做一个系统内数据流向图，分析可能出现的瓶颈。 为了保证数据库的一致性和完整性，在逻辑设计的时候往往会设计过多的表间关联，尽可能的降低数据的冗余。

最初要考虑归档和分区。所有可能的大表设计，都要在最初的时候考虑归档和分区。数据冲上高水位（HighWaterMark）后，即使有归档也不会降低高水位，性能可能也存在消耗，所以要及时归档转移数据。

Hbase主要作为面向列的数据库运行在HDFS上，可存储PB级的数据。Hbase利用MapReduce来处理内部的海量数据，并能在海量数据中定位所需的数据且访问它。

要满足这样的需求，可以采用精心设计的传统关系型数据库组成并行处理集群，或者采用一些内存计算平台，或者采用HDD的架构，这些无疑都需要比较高的软硬件成本。目前比较新的海量数据实时分析工具有EMC的Greenplum、SAP的HANA等。

逻辑结构设计是将概念结构转换为某个数据库管理系统所支持的数据模型，并对其进行优化。物理设计阶段 物理结构设计师为逻辑数据模型选取一个最适合应用环境的物理结构（包括存储结构和存取方式）。

大数据平台技术架构设计的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于大数据平台技术架构设计方案、大数据平台技术架构设计的信息别忘了在本站进行查找喔。