在互聯(lián)網(wǎng)領域，大數(shù)據(jù)應用十分廣泛，尤其以企業(yè)為主，企業(yè)作為大數(shù)據(jù)應用的主體，數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)可視化、數(shù)據(jù)特征提取、數(shù)據(jù)特征選擇、數(shù)據(jù)清洗、數(shù)據(jù)分析、數(shù)據(jù)挖掘、機器學習、數(shù)據(jù)倉庫、數(shù)據(jù)安全等圍繞大數(shù)據(jù)商業(yè)價值的利用焦點已備受關注。
數(shù)據(jù)采集
從數(shù)據(jù)采集層面來看，分為結構化數(shù)據(jù)、非結構化數(shù)據(jù)、半結構化數(shù)據(jù)，來源于物聯(lián)網(wǎng)的設備采集數(shù)據(jù)由于成本低、獲取方式容易，成為企業(yè)大數(shù)據(jù)采集數(shù)據(jù)的主要來源之一，實時性相對強，數(shù)據(jù)量從GB、TB、PB、ZB級擴增。然而對于中小企業(yè)或許會受困于沒有數(shù)據(jù)卻又想轉型通過搭建大數(shù)據(jù)平臺來提升競爭力，企業(yè)可以研發(fā)符合市場需求的產(chǎn)品，從新用戶、活躍用戶、粘性用戶到留存用戶，獲取用戶的行為數(shù)據(jù)之后可以進行數(shù)據(jù)分析。此外數(shù)據(jù)采集可以有網(wǎng)絡爬蟲、ETL抽取等。
數(shù)據(jù)存儲
有了大量數(shù)據(jù)之后，對于數(shù)據(jù)存儲方式也提出了要求。數(shù)據(jù)存儲分為關系型數(shù)據(jù)庫存儲、分布式數(shù)據(jù)存儲，數(shù)據(jù)級別較大時可以存儲在分布式文件存儲系統(tǒng)中。對于搭建大數(shù)據(jù)平臺的企業(yè)來說，通常是對業(yè)務結果的數(shù)據(jù)存儲于關系型系統(tǒng)，對于TB級及以上數(shù)據(jù)量存儲至分布式系統(tǒng)中，這兩種數(shù)據(jù)可以使用Sqoop等類似的工具進行數(shù)據(jù)導入導出。
數(shù)據(jù)可視化
在實際工業(yè)生產(chǎn)實踐中，對于待處理的大數(shù)據(jù)，首先是數(shù)據(jù)特征探索階段，也就是做數(shù)據(jù)可視化，對數(shù)據(jù)有個初步的了解，才會知道所拿到的數(shù)據(jù)能否解決面臨的實際問題，適用于什么算法。對于無編程能力的人，只需要掌握數(shù)據(jù)分析和處理的能力，即可靈活使用可視化類工具如Tableau，通過拖拉拽形成聯(lián)動，大大縮短數(shù)據(jù)分析流程。從連接數(shù)據(jù)源、建立工作表、構建各種圖表、儀表板進行可視化展示，進行交叉分析。對于有編程能力的人可以使用R、Python進行數(shù)據(jù)可視化。
數(shù)據(jù)特征提取及清洗
數(shù)據(jù)可視化之后，需要對數(shù)據(jù)進行清洗，對數(shù)據(jù)中的噪聲進行處理以支持后續(xù)數(shù)據(jù)建模。常見的比如進行降維，提取出對實際問題相關性較高的特征因子后，再回歸到大數(shù)據(jù)，或者做相關性分析、主成分分析等。
數(shù)據(jù)分析及挖掘
數(shù)據(jù)統(tǒng)計及分析主要是基于存儲的海量數(shù)據(jù)進行普通的分析和分類匯總，以滿足大多數(shù)常見的分析需求。數(shù)據(jù)挖掘一般沒有預先設定好的主題，主要是在現(xiàn)有數(shù)據(jù)上面進行基于各種算法的計算，從而起到預測的效果，實現(xiàn)高級別的數(shù)據(jù)分析的需求，豐富的歷史數(shù)據(jù)是數(shù)據(jù)挖掘的先決條件。比較典型的算法有回歸、分類、聚類、關聯(lián)分析。機器學習正是如此，分為監(jiān)督式學習算法、無監(jiān)督式學習算法、半監(jiān)督式學習算法。
機器學習
監(jiān)督式學習算法是從帶標簽（標注）的訓練樣本中建立的訓練樣本中建立模式，并依此推測新的數(shù)據(jù)標簽的算法。比如回歸、神經(jīng)網(wǎng)絡、決策樹、支持向量機、貝葉斯、隨機森林。無監(jiān)督式學習算法是在學習時并不知道其分類結果，目的是去對原始資料進行分類，以便了解資料內(nèi)部結構的算法。比如聚類、主成分分析、線性判別分析降維。半監(jiān)督式學習算法是利用少量標注樣本和大量未標注樣本進行機器學習，利用數(shù)據(jù)分布上的模型假設，建立學習器對未標簽樣本進行標簽。
機器學習正被廣泛應用于計算機視覺、語音識別、自然語言處理等方面。其中深度學習強調模型深度，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或預測更容易準確，更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息，其實際應用對象不僅包含語音、圖像、視頻，同樣也包含文本、語言和語義信息。另外，卷積神經(jīng)網(wǎng)絡是神經(jīng)網(wǎng)絡的一種，為識別二維形狀而特殊設計的多層感知器，擅長處理圖像特別是大圖像的相關機器學習問題，對圖像平移、比例縮放、傾斜或者其他形式的變形具有高度不變性，它的布局更接近于實際的生物神經(jīng)網(wǎng)絡，被廣泛應用。當前實現(xiàn)機器學習比較常見的兩種主流方式是Spark和Tensorflow框架。機器學習作為人工智能的核心，是企業(yè)搭建大數(shù)據(jù)平臺的重要節(jié)點，需要結合業(yè)務邏輯，按需選擇合適的算法模型，不斷調參調優(yōu)，使機器學習服務于企業(yè)經(jīng)營。
數(shù)據(jù)倉庫
數(shù)據(jù)倉庫是為了便于多維分析和多角度展示數(shù)據(jù)按特定模式進行存儲所建立起來的關系型數(shù)據(jù)庫。在商業(yè)智能系統(tǒng)的設計中，數(shù)據(jù)倉庫的構建是關鍵，是商業(yè)智能系統(tǒng)的基礎，承擔對業(yè)務系統(tǒng)數(shù)據(jù)整合的任務，為商業(yè)智能系統(tǒng)提供數(shù)據(jù)抽取、轉換和加載，并按主題對數(shù)據(jù)進行查詢和訪問，為聯(lián)機數(shù)據(jù)分析和數(shù)據(jù)挖掘提供數(shù)據(jù)平臺。海量的數(shù)據(jù)包括社交網(wǎng)絡、移動設備和傳感器等新渠道以及新技術使用所帶來的半結構化或非結構化的數(shù)據(jù)。大數(shù)據(jù)技術架構可分為存儲、處理、應用、展示以及整合5個部分，并可根據(jù)數(shù)據(jù)的結構化程度對相關技術進行選擇和組合。每個部分包含一些技術要素，而某些要素又可根據(jù)結構化程度共同作用形成特定的功能。
從企業(yè)角度來說，無論是數(shù)據(jù)庫、數(shù)據(jù)倉庫還是大數(shù)據(jù)都是解決不同需求、處理不同級別數(shù)據(jù)量的技術，它們之間并無沖突。針對不同需求和現(xiàn)狀進行技術選擇，各種技術相互補充、相互協(xié)作。目前階段對于大部分企業(yè)來說，想要開展一個全新的大數(shù)據(jù)項目似乎無從下手。從現(xiàn)有數(shù)據(jù)倉庫建設理論和經(jīng)驗入手，引入部分大數(shù)據(jù)技術，特別是實現(xiàn)非結構化數(shù)據(jù)的收集、存儲和處理是一種比較可行的方法。
基于云計算的Hadoop大數(shù)據(jù)框架，利用集群的威力高速運算和存儲，實現(xiàn)了一個分布式運行系統(tǒng)，以流的形式提供高傳輸率來訪問數(shù)據(jù)，適應了大數(shù)據(jù)的應用程序。將Hadoop技術應用于對數(shù)據(jù)的采集、ETL、存儲、處理，開發(fā)提供給傳統(tǒng)的數(shù)據(jù)倉庫BI工具，其架構如圖所示。利用Hadoop強大的數(shù)據(jù)處理能力，將各類數(shù)據(jù)處理成結構化數(shù)據(jù)，向上提供給傳統(tǒng)BI工具，對數(shù)據(jù)進行分析和結果展示。
數(shù)據(jù)安全
大數(shù)據(jù)蘊藏著價值信息，但數(shù)據(jù)安全面臨著嚴峻挑戰(zhàn)。一方面，大數(shù)據(jù)本身的安全防護存在漏洞。雖然云計算對大數(shù)據(jù)提供了便利，但對大數(shù)據(jù)的安全控制力度不夠，API訪問權限控制以及密鑰生產(chǎn)，存儲和管理方面的不足都可能造成數(shù)據(jù)泄露。另一方面，在用數(shù)據(jù)挖掘和數(shù)據(jù)分析等技術獲取價值信息的同時，攻擊者也在利用這些大數(shù)據(jù)技術進行攻擊。
當然大數(shù)據(jù)也為數(shù)據(jù)安全的發(fā)展提供了機會，對海量數(shù)據(jù)的分析有助于更好地跟蹤網(wǎng)絡異常行為，對實時安全和應用數(shù)據(jù)結合在一起的數(shù)據(jù)進行預防性分析，可防止詐騙和黑客入侵。網(wǎng)絡攻擊行為留下的痕跡數(shù)據(jù)以數(shù)據(jù)的形式隱藏在大數(shù)據(jù)中，從大數(shù)據(jù)的存儲，應用和管理方面把關，可以有針對性地應對數(shù)據(jù)安全威脅。企業(yè)需要將大數(shù)據(jù)技術和安全并行，大數(shù)據(jù)才可以真正成為企業(yè)長遠發(fā)展的驅動力量。
聯(lián)系客服
