
云计算“联姻”大数据 天作之合还是陷阱丛生
如今,大数据已然成为了一个时髦词汇,从政府到企业,从职场到生活,只要谈及互联网,大数据便是绕脱不开的一个话题。向前追溯,曾经有一个词也同样风靡大江南北,至今仍为人津津乐道,这便是云计算。
云计算与大数据并不是截然不同的两个概念,二者有着极为亲密的关系。大数据的真实价值就像漂浮在海洋中的冰山,第一眼只能看到冰山的一角,绝大部分都隐藏在表面之下。而发掘数据价值、征服数据海洋的“动力”就是云计算。
云计算和大数据,天作之合
有人曾这样来解释云计算与大数据的区别:云计算就是硬件资源的虚拟化,大数据就是海量资源的高效处理。这一解释虽然可以简单理解云计算与大数据的区别,但却并不完全正确。大数据技术的战略意义并不在于储存了多么庞大的数据,而在于是否能够挖掘数据意义,并对数据进行专业化处理。云则是由易于使用的虚拟资源构成的一个巨大资源池,包括硬件资源、部署平台以及相应的服务。根据不同的负载,这些资源可以动态地重新配置,以达到一个最理想的资源使用状态。所以云计算关注的是IT的基础架构与计算能力。
没有大数据的信息积淀,则云计算的计算能力再强大,也难以找到用武之地;没有云计算的处理能力,则大数据的信息积淀再丰富,也终究只是镜花水月。亚马逊云计算AWS首席数据科学家Matt Wood这样来形容云计算和大数据的关系:大数据和云计算是天作之合,云计算平台的海量低成本的数据存储与处理资源为大数据分享提供了可能。
大数据变现:陷阱丛生的云计算
云计算市场热闹非凡,有相当一批互联网出身的云服务厂商展开了此起彼伏的“电商式”价格战。低价的背后,是热心的“无偿大派送”还是“别有用心”的商业计谋?互联网思维一直都是“羊毛出在羊身上”,谋求大数据,依靠大数据变现才是低价云服务的真实企图。当我们为低价的云服务雀跃不已时,赖以生存的数据已经成为别人嘴中的一块肥肉。数据被人觊觎,相当一批大中型企业在业务云化的进程中顾虑非常,畏首不前。
一家不要“大数据”的厂商,底气何来?
在山头林立的云计算服务商中,有一家厂商显得颇为“标新立异”:在今年9月18日举办的华为云计算大会(HCC2015)上,华为IT产品线总裁郑叶来在演讲中幽默地说,“华为技术有限公司,技术是有限的嘛,所以华为向上不做应用,向下不碰数据。”华为如此承诺,能否给云计算市场带来一阵新风,打消政企客户对数据安全的疑虑呢?华为的这份承诺可信么?它又凭什么做出这份承诺?
在HCC2015大会上,郑叶来表示:“华为一直在讲‘精简IT’,其实就是想要让数据中心里面的盒子更简单,华为的目标简单来说就是把盒子变的更简单,让软件平台更开放。”从中不难看出,华为的重点有两个:一是硬件,致力于让盒子更加简单,二是软件,努力让平台更加开放。谋求大数据变现,从来就不是华为的业务方向,也不是华为的业务专长。我们有理由相信华为做出的承诺确实可信,但华为这般“特立独行”,又何来的底气呢?
如果仔细研究下华为云计算的发展历史,或许就很容易发现华为底气何来:2008年云计算概念传入中国,同年华为第一款桌面云产品在实验室诞生;2010年,华为启动“云帆计划”,正式宣布进军云计算领域;2011年,华为成立IT产品线,主打云化 IT; 2014年,华为云操作系统入选 Gartner云操作系统挑战者象限,这是Gartner首次将这一名额颁给亚洲国家厂商;2015年华为正式发布公有云服务;HCC2015大会上,华为发布了FusionSphere 6.0,作为一款企业级的开放的云操作系统,能够100%的的兼容OpenStack生态,也兼容Docker的生态,针对企业级应用,增加了主流软件的认证,超过5千家的认证。
热闹的中国云计算市场虽然厂商众多,但很少有像华为这样已经形成从计算、存储到网络,再到操作系统的端到端云计算解决方案供应商。迄今,华为已构建了一张具有十余个节点,覆盖全国的云服务网络,机房面积超过15万平米,成为了网络覆盖最广的公有云服务商之一。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29