咋还不公布中奖名单？？

1、大数据分析的计算方式来看，部署大数据分析方案，您会看好哪种方式呢？小型机、X86虚拟化、刀片服务器、开源分布式计算方式还是其它方式？

RE:

传统的数据计算架构：RDBMS + 小型机 + 高端阵列 (就是大家说的IOE)

1.1 对于应用 STREAM流 “实时同步”计算方式上看，还是采用闪存或全闪存阵列的 PCIe 解决方案

1.2 对于应用“历史异步”计算方式上看，由于大部分数据来源于RDBMS 或 FLAT FILE, 采用“横向扩展”存储的分布式架构
会代替传统的“纵向扩展”架构，后者扩展性和成本控制更有优势（如最近讨论过的“去IOE”）

1.3 另外应运而生的“一体机”架构（IBM Netezaa）, 可以作为备选方案，可用性和扩展性相对于传统的计算、存储架构更为优化

　
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~　
2、海量并行处理数据库系统MPP已经存活十多年了，不管是传统数据还是大数据都可以使用MPP架构，那么它到底有哪些威力呢？
对企业而言，在处理海量数据时，是选择数据仓库还是一体机？


RE:

  2.1 由于 MPP “Shared Nothing”架构，优点在于并行处理和线性扩展, 更适合于 数据仓库、决策支持和结构化的数据分析

  2.2 MPP 节点间交互（数据重分配）机制复杂，采用软件来进行调度和控制存在瓶颈，而一体机专为大数据的分析处理而设计的软、
  硬件结合的产品，具有良好的稳定性和纵向扩展性。
　　
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

3、如果你有海量的数据流，那么MapReduce可能成为你的“大救星”了，它可以用来解析文本、扫描网络日志等。
作为一种并行的编程架构，MapReduce可以用来处理各种非结构化数据，但是否意味着它可以取代数据库呢？它有哪些优缺点？


RE:
  M?a?p?R?e?d?u?c?e?分?布?式?处?理?框?架?实现更复杂和更大规模的分析，
  
  优?点：
  1、模型简介，能够简化程序员的开发；
  2、良好的伸缩性和容错性

  缺?点：不适应实时要求（T+1的应用）

  MapReduce 有其自己独有的适用场景，不可能代替现有的传统RDBMS数据库，尤其是目前的运营系统”核心数据库“，
  哪怕去IOE运动搞的再轰轰烈烈，应该相互学习，相互集成


~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
4、海量并行关系型数据库、云计算、MapReduce这三项技术都能帮助大家驾驭大数据，它们之间如何协同工作呢？

未来的大数据仓库可能基于MPP与Hadoop集群混搭的模式，您是否看好？


混搭架的核心是新一代的MPP并行数据库集群+ Hadoop集群 （NOSQL\NEWSQL）+ 内存计算、流计算技术等。


新型数据库将逐步与Hadoop生态系统结合混搭使用，

1、用MPP处理PB级别的、高质量的结构化数据，同时为应用提供丰富的SQL和事务支持能力;

2、用Hadoop实现半结构化、非结构化数据处理。这样可同时满足结构化、半结构化和非结构化数据、
复杂的ETL流程、复杂的数据挖掘和计算模型的处理需求；

3、基于列存储+MPP架构的新型数据库

关键大数据库能给多少企业带来更好服务这是关键呀

从介绍上来看，本书囊括了现在主流的技术架构，由一线架构师根据不同的行业特点分享给大家，重点不在于具体的技术而是提供一种思路，有助于读者选择合适自己的架构以及对架构方面的研究。

　　１、从大数据分析的计算方式来看，部署大数据分析方案，您会看好哪种方式呢？小型机、X86虚拟化、刀片服务器、开源分布式计算方式还是其它方式？
    答：POC阶段（20个节点内）建议直接采用刀片服务器（例如HP360）部署，我看到Hadoop开源分布式计算；如果节点多了以后，例如需要200或者更多，建议搭建在云设施上，这样部署方便易于管理，至于采用公有云还是私有云，得看企业数据敏感程度了。
　　２、海量并行处理数据库系统MPP已经存活十多年了，不管是传统数据还是大数据都可以使用MPP架构，那么它到底有哪些威力呢？对企业而言，在处理海量数据时，是选择数据仓库还是一体机？
    答复：MPP架构可以解决单机上处理能力不能无限制扩展的难题，分布式计算是未来方向；一体机是一个可选的方案，但是我们公司不采用一体机，准备自己玩转Hadoop大数据平台；
　　３、如果你有海量的数据流，那么MapReduce可能成为你的“大救星”了，它可以用来解析文本、扫描网络日志等。作为一种并行的编程架构，MapReduce可以用来处理各种非结构化数据，但是否意味着它可以取代数据库呢？它有哪些优缺点？
     答复：我觉得更多的是融合，不可能是简单的取代，我觉得不要想着一套技术或工具解决任何问题，做他们各自擅长的事情就好；我想大家不会想着用Hadoop去做OLTp的事情；
　　４、海量并行关系型数据库、云计算、MapReduce这三项技术都能帮助大家驾驭大数据，它们之间如何协同工作呢？未来的大数据仓库可能基于MPP与Hadoop集群混搭的模式，您是否看好？
      答复：我看好混搭模式，在我们公司，我正在身体力行去这么玩，我从来没有考虑过完全用Hadoop取代原有的所有数据库业务（计算服务）。

     以上存储个人观点，欢迎大家吐槽。

１、从大数据分析的计算方式来看，部署大数据分析方案，您会看好哪种方式呢？小型机、X86虚拟化、刀片服务器、开源分布式计算方式还是其它方式？
我比较倾向与刀片服务器，开源分布式。

　　２、海量并行处理数据库系统MPP已经存活十多年了，不管是传统数据还是大数据都可以使用MPP架构，那么它到底有哪些威力呢？对企业而言，在处理海量数据时，是选择数据仓库还是一体机？
对于大数据而言，还是使用数据仓库比较好。


　　３、如果你有海量的数据流，那么MapReduce可能成为你的“大救星”了，它可以用来解析文本、扫描网络日志等。作为一种并行的编程架构，MapReduce可以用来处理各种非结构化数据，但是否意味着它可以取代数据库呢？它有哪些优缺点？


　　４、海量并行关系型数据库、云计算、MapReduce这三项技术都能帮助大家驾驭大数据，它们之间如何协同工作呢？未来的大数据仓库可能基于MPP与Hadoop集群混搭的模式，您是否看好？
我认为这三种技术会取其有点继续发展，说不定会产生新的概念数据库。

１、从大数据分析的计算方式来看，部署大数据分析方案，您会看好哪种方式呢？小型机、X86虚拟化、刀片服务器、开源分布式计算方式还是其它方式？

当hadoop成为BigData的实施标准时，开源分布式计算+X86服务器成为众多企业部署大数据分析方案的首选！主要考虑因素是：横向扩展能力、成本等因素。

２、海量并行处理数据库系统MPP已经存活十多年了，不管是传统数据还是大数据都可以使用MPP架构，那么它到底有哪些威力呢？对企业而言，在处理海量数据时，是选择数据仓库还是一体机？
以GP为代表的MPP架构解决方案，其强大的并行计算能力得到业界认可。因此，从目前来看还是比较倾向于数据仓库，而非部署高大上的一体机。当然MPP在处理非结构化数据上还是有所欠缺。

３、如果你有海量的数据流，那么MapReduce可能成为你的“大救星”了，它可以用来解析文本、扫描网络日志等。作为一种并行的编程架构，MapReduce可以用来处理各种非结构化数据，但是否意味着它可以取代数据库呢？它有哪些优缺点？

MR取代数据库在我看来本身就是个伪命题。MR主要擅长处理巨量的半结构和结构化数据，主要应用于需要长时间运行的批处理场景。而RDBMS，则是擅长处理结构化、事务型、对响应时间具有较高要求的应用场景。

４、海量并行关系型数据库、云计算、MapReduce这三项技术都能帮助大家驾驭大数据，它们之间如何协同工作呢？未来的大数据仓库可能基于MPP与Hadoop集群混搭的模式，您是否看好？
Cloud提供强大的IAAS层，为上层的MPP和MR计算提供弹性的基础设施。MPP还是可以继续在传统数据仓库领域独领风骚。MR则是大数据时代的重要利器。三者各自在自己擅长的领域发挥重要的作用。
目前很多传统企业就是利用hadoop处理完的数据再传入MPP数据库中，以作进一步的OLAP分析。

以上为本人一点卓见，望批评指教！

对于 MPP、Hadoop、云计算、MapReduce等都不是特别了解，结合所见过的，写一下，请批评指正：

１、从大数据分析的计算方式来看，部署大数据分析方案，您会看好哪种方式呢？小型机、X86虚拟化、刀片服务器、开源分布式计算方式还是其它方式？

      从大数据分析的计算方式来看，部署大数据分析方案,采用X86虚拟化。考虑如下：准备实施大数据并通过数据分析加以应用的企业，一般来说有以下特点：一是企业所应用的系统比较多，不通的系统的数据分散存储；二是多种操作系统并存，如windows系列、linux等；三是应用系统的硬件资源利用率比较低；四是日常运维成本高。采用虚拟化的方案，首先可以使整合硬件资源，降低运维成本；其次提高系统的可用性与连续性。


２、海量并行处理数据库系统MPP已经存活十多年了，不管是传统数据还是大数据都可以使用MPP架构，那么它到底有哪些威力呢？对企业而言，在处理海量数据时，是选择数据仓库还是一体机？

选择数据仓库。
目前，很多企业暂未建立数据中心，或者说在计算机硬件技术迅速发展的过程中，信息系统几经变更，业务流程不断优化，数据结构也随之改变。
建立数据仓库，对历史数据采集加工，摒弃无用数据，集中存储，对以后数据挖掘、商业智能等提供有效地支持。

３、如果你有海量的数据流，那么MapReduce可能成为你的“大救星”了，它可以用来解析文本、扫描网络日志等。作为一种并行的编程架构，MapReduce可以用来处理各种非结构化数据，但是否意味着它可以取代数据库呢？它有哪些优缺点？

取代数据库估计目前不可以。首先，对大多数IT从业来说，接触MapReduce的实际应用的机会还是比较少的；其次，数据库产品及技术已经很成熟，入门、上手比较容易；再者，目前很多企业对结构化的数据还没有充分利用起来，对于非结构化数据的处理与应用，还需要时间；最后，MapReduce技术还是有很广阔的应用前景，特别是对于互联网来说，不通的网站可以用一个账号登陆（如qq、微博、邮箱），间接的数据共享，如果有机会能对这些数据进行归纳分析，估计会得到意想不到的结果吧。

４、海量并行关系型数据库、云计算、MapReduce这三项技术都能帮助大家驾驭大数据，它们之间如何协同工作呢？未来的大数据仓库可能基于MPP与Hadoop集群混搭的模式，您是否看好

云计算的基础之一是虚拟化，通过虚拟化可以提供硬件资源；关系型数据库提供数据源；MapReduce处理非结构化数据，个人感觉三者是缺一不可，共同为大数据的应用提供支持。
最后，对于MPP、Hadoop、云计算、MapReduce希望能有机会更深的了解。