流计算概述

一、静态数据和流数据

　　很多企业为了支持决策分析而构建的数据仓库系统，其中存放的大量历史数据就是静态数据。技术人员可以利用数据挖掘和OLAP（On-Line Analytical Processing）分析工具从静态数据中找到对企业有价值的信息

　　近年来，在Web应用、网络监控(电子商务用户点击流)、传感监测(PM2.5检测)等领域，兴起了一种新的数据密集型应用——流数据，即数据以大量、快速、时变的流形式持续到达
　　实例：PM2.5检测、电子商务网站用户点击流
　　流数据具有如下特征：
(1)数据快速持续到达，潜在大小也许是无穷无尽的
(2)数据来源众多，格式复杂
(3)数据量大，但是不十分关注存储，一旦经过处理，要么被丢弃，要么被归档存储(存储于数据仓库)
(4)注重数据的整体价值，不过分关注个别数据
(5)数据顺序颠倒，或者不完整，系统无法控制将要处理的新到达的数据元素的顺序

 二、批量计算和实时计算

批量计算：充裕时间处理静态数据，如Hadoop。实时性要求不高
流数据数据格式复杂、来源众多、数据量巨大，不适合采用批量计算，必须采用实时计算，响应时间为秒级。实时性要求高

　　流计算：实时获取来自不同数据源的海量数据，经过实时分析处理，获得有价值的信息(实时、多数据结构、海量)

　　 批量计算关注吞吐量，流计算关注实时性。

 三、流计算概念

　　流计算秉承一个基本理念，即数据的价值随着时间的流逝而降低，如用户点击流。因此，当事件出现时就应该立即进行处理，而不是缓存起来进行批量处理。为了及时处理流数据，就需要一个低延迟、可扩展、高可靠的处理引擎
　　对于一个流计算系统来说，它应达到如下需求：
高性能：处理大数据的基本要求，如每秒处理几十万条数据
海量式：支持TB级甚至是PB级的数据规模
实时性：保证较低的延迟时间，达到秒级别，甚至是毫秒级别
分布式：支持大数据的基本架构，必须能够平滑扩展
易用性：能够快速进行开发和部署
可靠性：能可靠地处理流数据

4、流计算框架

　　目前有三类常见的流计算框架和平台：商业级的流计算平台、开源流计算框架、公司为支持自身业务开发的流计算框架
(1)商业级：IBM InfoSphere Streams和IBM StreamBase
(2)开源流计算框架，代表如下：
Twitter Storm：免费、开源的分布式实时计算系统，可简单、高效、可靠地处理大量的流数据
Yahoo! S4（Simple Scalable Streaming System）：开源流计算平台，是通用的、分布式的、可扩展的、分区容错的、可插拔的流式系统
(3)公司为支持自身业务开发的流计算框架：
Facebook Puma
Dstream（百度）
银河流数据处理平台（淘宝）