
大数据使一个新时代应运而生
在“大数据”趋势的驱动下,企业具有更大规模的收集和处理数据的能力,越来越广泛的信息加速了各行各业决策的速率和准确率。而大数据的“大”,已成为存储业界目前所面临的严峻挑战。据IDC预测,到2015年,大数据技术和服务市场将从2010年的32亿美元增长到169亿美元,年复合增长率(CAGR)达到39.4%,几乎是整个信息和通信技术市场年复合增长率的七倍。快速的数据流转,动态的数据体系,以及越来越多样化的数据类型,面对如此海量的数据规模,尽管业界的专业人士不断的推崇“大数据”,但其所带来的复杂程度和处理难度,使得企业不得不去重新考虑存储基础架构的问题。
随着企业不断寻求通过各种方法创新并为客户构建更好的解决方案,他们面临的一个最大挑战是,如何使真正对社会具有深远意义以及可持续影响力的创新解决方案实现商业化。据 IDC 调查,到2014年,绝大部分数据将是非结构化数据。因此,在数据大爆炸或大数据的背景下,我们需要具备发挥非结构化数据巨大潜力的能力,以便生成新的可持续业务、从现有资产获取经济价值并提高用户生产效率。
大数据洞察,基础架构先行
大数据数量庞大,格式多样化。大量数据和信息由家庭和办公场所的各种设备生成。它的爆炸式增长已超出了传统IT基础架构的处理能力,给企业带来严峻的数据管理问题。
IDC认为传统的基础架构不能满足大数据需求和挑战。支持大数据部署的架构必须可以动态调整,并具备以下主要特性:
按需提供的容量和可扩展性,使基础架构能够在必要时根据容量和性能扩展或缩减规模。
维持“始终在线”的环境以及防止计划外停机的故障恢复能力。
内置数据管理,并且能够在每个处理阶段以及每个后处理常规运行阶段管理数据保护、监管达标、处置和同化。
针对大数据的容量需求,存储虚拟化是目前为止提高容量效率最重要最有效的解决方案,它为缺乏这些能力的现有存储系统拓展了自动分层和精简配置等存储效率的工具。拥有了虚拟化存储,便可以将来自内部、外部和多厂商存储的结构化和非结构化数据的文件、内容和块存储等所有的数据类型,整合到一个单一的存储平台上。当所有存储资产成为一个单一的存储资源池时,自动分层和精简配置功能就可以扩大到整个存储基础设施,从而可以轻松实现容量回收和利用最大化,甚至达到重用现有资产以延长使用,显著提高IT灵活性和容量效率,以满足非结构化数据增长的需求。目前,借助HUS中型企业可以在不影响性能的情况下能够扩展系统容量达到近3PB,自动更正性能问题,通过动态虚拟控制器实现快速预配置。此外,通过VSP的虚拟化,大型企业可以创建接近四分之一EB容量的存储池。
针对非结构化数据,传统文件系统中有限的索引节点总数导致文件系统可以容纳的文件、目录或其它对象的最大数量受到限制。而HNAS和HCP使用基于对象的文件系统,这使它们能够扩展到PB级,以及数十亿的文件或对象。位于VSP或HUS顶部的HNAS和HCP网关可以充分利用模块存储的可扩展性,同时享受到通用管理平台Hitachi
Command Suite带来的好处。HNAS和HCP为大数据文件和内容构建起了相应的架构。
除了可扩展性,大数据必须能够不受干扰地持续扩展并具有跨越不同时代技术的迁移能力。数据迁移必须保持在最小范围,且在后台完成。大数据应该只需要复制一次便可以恢复可用性;通过版本控制来跟踪变更,而不是为大数据发生的每一个变更备份整个大数据。大数据太大而无法整体备份。整个HDS的产品系列均可以实现数据的后台移动和分层,也可以增加VSP或HUS块数据池、HNAS文件系统或HCP租户的容量,并自动在新的容量中调整数据。旧的文件系统与块数据存储设备不支持动态扩展。为了使用新的存储容量,这些旧系统中的数据不得不从旧的块数据存储或文件系统中重新加载到新的存储容量中。
不论企业规模大小,信息过载都是长期以来难以解决的问题。企业需要高度集成的基础架构堆栈,以便统一地对所有来源的大数据进行汇聚、访问管理、分析和交付。这需要基础架构能够管理和理解信息。根据及时、相关、全面、准确的信息而非猜测来采取行动,企业也会因此赢得竞争优势。反之,则会在浩瀚的信息中受制于繁杂的数据、拘泥不前。
三步走,轻松驾驭大数据
基于对云计算和大数据的深入研究,HDS提出了三步云战略,即基础架构云、内容云和信息云。三步云战略基于企业现有的IT设施,为企业的所有数据提供单一的虚拟化平台。其中基础架构云目的为提供动态基础架构,以实现支持所有数据的单一平台。而内容云则基于这一单一平台,借助智能工具,实现对所有类型数据的索引、搜索和发掘。让数据可以更容易地被发现、共享并且重新利用,因而也会变得更有价值。在信息云中,和大数据会更加关联,让各种信息分析工具和流程与底层基础架构完美集成。连接不同的数据集,揭示其中的规律,以为企业用户提供有价值的信息和商业洞察,帮助客户应对在医疗、生命科学、能源研究、社会基础设施等领域的挑战。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15