大数据架构有哪些？应该如何理解？
BI系统，大概的架构图如下：核心的模块是Cube，Cube是一个更高层的业务模型抽象，在Cube之上可以进行多种操作 。大部分BI系统都基于关系型数据库，关系型数据库使用SQL语句进行操作，但是SQL在多维操作和分析的表示能力上相对较弱，所以Cube有自己独有的查询语言MDX，MDX表达式具有更强的多维表现能力，所以以Cube为核心的分析系统基本占据着数据统计分析的半壁江山，大多数的数据库服务厂商直接提供了BI套装软件服务，轻易便可搭建出一套Olap分析系统 。
【什么是数据结构,数据架构】以Hadoop体系为首的大数据分析平台：Hadoop体系的生态圈也不断的变大，目前围绕Hadoop体系的大数据架构大概有以下几种：传统大数据架构其定位是为了解决传统BI的问题，简单说，数据分析的业务没有发生任何变化，依然保留了ETL的动作，将数据经过ETL动作进入数据存储 。适用场景：数据分析需求依旧以BI场景为主，但是因为数据量、性能等问题无法满足日常使用 。
流式架构在传统大数据架构的基础上，流式架构非常激进，直接拔掉了批处理，数据全程以流的形式处理，所以在数据接入端没有了ETL，转而替换为数据通道 。经过流处理加工后的数据，以消息的形式直接推送给了消费者 。虽然有一个存储部分，但是该存储更多的以窗口的形式进行存储，所以该存储并非发生在数据湖，而是在外围系统 。
适用场景：预警，监控，对数据有有效期要求的情况 。Lambda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 。Lambda的数据通道分为两条分支：实时流和离线 。实时流依照流式架构，保障了其实时性，而离线则以批处理方式为主，保障了最终一致性 。流式通道处理为保障实效性更多的以增量计算为主辅助参考，而批处理层则对数据进行全量运算，保障其最终的一致性，因此Lambda最外层有一个实时层和离线层合并的动作，此动作是Lambda里非常重要的一个动作，大概的合并思路如下：适用场景：同时存在实时和离线需求的情况 。
Kappa架构Kappa架构在Lambda 的基础上进行了优化，将实时和流部分进行了合并，将数据通道以消息队列进行替代 。因此对于Kappa架构来说，依旧以流处理为主，但是数据却在数据湖层面进行了存储，当需要进行离线分析或者再次计算的时候，则将数据湖的数据再次经过消息队列重播一次则可 。适用场景：和Lambda类似，改架构是针对Lambda的优化 。
Unifield架构Unifield架构更激进，将机器学习和数据处理揉为一体，从核心上来说，Unifield依旧以Lambda为主，不过对其进行了改造，在流处理层新增了机器学习层 。可以看到数据在经过数据通道进入数据湖后，新增了模型训练部分，并且将其在流式层进行使用 。同时流式层不单使用模型，也包含着对模型的持续训练 。
适用场景：有着大量数据需要分析，同时对机器学习方便又有着非常大的需求或者有规划 。相关：舆情大数据系统架构设计与实现：https://www.toutiao.com/i6537119210336682510/大数据架构的分析应用：https://www.toutiao.com/i6613946595891216910/ 。
推荐阅读
- 5g是什么概念,5G到底是什么
- 消防证怎么考取需要什么条件,2022年消防证需要什么条件
- 止痛泵是智商税吗,止疼泵
- DZJ是什么意思,dzj
- YouTube,youtobe
- 苹果白色笔记本，白色苹果笔记本选什么壳好看
- 云优盘 优盘
- 金牛星论坛，金牛星跑长途无力怎么回事特别是上长破
- 为什么装谷歌拼音会失败？
- 荷风送香气是什么意思？出自何处？