2022-08-15 11:41:46|已瀏覽：4854次
常用的幾種大數據架構是什么？學習大數據開發，掌握大數據架構是非常有必要的，下面我們就通過下文的學習來掌握常用的幾種大數據架構是什么。
常用的幾種大數據架構是什么？
傳統大數據架構
之所以叫傳統大數據架構，是因為其定位是為了解決傳統BI的問題，簡單來說，數據分析的業務沒有發生任何變化，但是因為數據量、性能等問題導致系統無法正常使用，需要進行升級改造，那么此類架構便是為了解決這個問題。可以看到，其依然保留了ETL的動作，將數據經過ETL動作進入數據存儲。
優點：簡單，易懂，對于BI系統來說，基本思想沒有發生變化，變化的僅僅是技術選型，用大數據架構替換掉BI的組件。
缺點：對于大數據來說，沒有BI下如此完備的Cube架構，雖然目前有kylin，但是kylin的局限性非常明顯，遠遠沒有BI下的Cube的靈活度和穩定度，因此對業務支撐的靈活度不夠，所以對于存在大量報表，或者復雜的鉆取的場景，需要太多的手工定制化，同時該架構依舊以批處理為主，缺乏實時的支撐。
適用場景：數據分析需求依舊以BI場景為主，但是因為數據量、性能等問題無法滿足日常使用。
流式架構
在傳統大數據架構的基礎上，流式架構非常激進，直接拔掉了批處理，數據全程以流的形式處理，所以在數據接入端沒有了ETL，轉而替換為數據通道。經過流處理加工后的數據，以消息的形式直接推送給了消費者。雖然有一個存儲部分，但是該存儲更多的以窗口的形式進行存儲，所以該存儲并非發生在數據湖，而是在外圍系統。
優點：沒有臃腫的ETL過程，數據的實效性非常高。
缺點：對于流式架構來說，不存在批處理，因此對于數據的重播和歷史統計無法很好的支撐。對于離線分析僅僅支撐窗口之內的分析。
適用場景：預警，監控，對數據有有效期要求的情況。
Lambda架構
Lambda架構算是大數據系統里面舉足輕重的架構，大多數架構基本都是Lambda架構或者基于其變種的架構。Lambda的數據通道分為兩條分支：實時流和離線。實時流依照流式架構，保障了其實時性，而離線則以批處理方式為主，保障了最終一致性。什么意思呢?流式通道處理為保障實效性更多的以增量計算為主輔助參考，而批處理層則對數據進行全量運算，保障其最終的一致性，因此Lambda最外層有一個實時層和離線層合并的動作。
優點：既有實時又有離線，對于數據分析場景涵蓋的非常到位。
缺點：離線層和實時流雖然面臨的場景不相同，但是其內部處理的邏輯卻是相同，因此有大量榮譽和重復的模塊存在。
適用場景：同時存在實時和離線需求的情況。
Kappa架構
Kappa架構在Lambda 的基礎上進行了優化，將實時和流部分進行了合并，將數據通道以消息隊列進行替代。因此對于Kappa架構來說，依舊以流處理為主，但是數據卻在數據湖層面進行了存儲，當需要進行離線分析或者再次計算的時候，則將數據湖的數據再次經過消息隊列重播一次則可。
優點：Kappa架構解決了Lambda架構里面的冗余部分，以數據可重播的超凡脫俗的思想進行了設計，整個架構非常簡潔。
缺點：雖然Kappa架構看起來簡潔，但是施難度相對較高，尤其是對于數據重播部分。
適用場景：和Lambda類似，改架構是針對Lambda的優化。
Unifield架構
以上的種種架構都圍繞海量數據處理為主，Unifield架構則更激進，將機器學習和數據處理揉為一體，從核心上來說，Unifield依舊以Lambda為主，不過對其進行了改造，在流處理層新增了機器學習層。可以看到數據在經過數據通道進入數據湖后，新增了模型訓練部分，并且將其在流式層進行使用。同時流式層不單使用模型，也包含著對模型的持續訓練。
優點：Unifield架構提供了一套數據分析和機器學習結合的架構方案，非常好的解決了機器學習如何與數據平臺進行結合的問題。
缺點：Unifield架構實施復雜度更高，對于機器學習架構來說，從軟件包到硬件部署都和數據分析平臺有著非常大的差別，因此在實施過程中的難度系數更高。
適用場景：有著大量數據需要分析，同時對機器學習方便又有著非常大的需求或者有規劃。
注：尊重原創文章,轉載請注明出處和鏈接 http://m.dedgn.cn/news-id-49860.html 違者必究！部分文章來源于網絡由培訓無憂網編輯部人員整理發布,內容真實性請自行核實或聯系我們，了解更多相關資訊請關注數據庫工程師頻道查看更多，了解相關專業課程信息您可在線咨詢也可免費申請試課。關注官方微信了解更多：150 3333 6050
