【流计算】流计算概论
媒介作者在之前写过一个大数据的专栏，包含GFS、BigTable、MapReduce、HDFS、Hadoop、LSM树、HBase、Spark，专栏地点：
https://blog.csdn.net/joker_zjn/category_12631789.html?fromshare=blogcolumn&sharetype=blogcolumn&sharerId=12631789&sharerefer=PC&sharesource=Joker_ZJN&sharefrom=from_link
流计算和大数据是精密相关的，现在接那个大数据专栏，继承向下写流计算专栏。这是第一篇。
目次
1.什么是流计算
2.流计算的架构
1.什么是流计算
流计算，就是对流式数据的计算，是专门用来处置惩罚流式数据的。因此在聊流计算之前，我们要先明确什么是静态数据和流式数据。
静态数据：
静态数据不是实时产生的，是有肯定历史的数据，静态数据一样平常是用来举行一些统计分析的，比如数据仓库中的数据就是典范的静态数据。再比如MapReduce做统计分析，存在HDFS中的数据也是静态数据。
流式数据：
流式数据其实就是动态数据，是实时产生的，其应用场景对实时性要求很高，基本上是要求必要对其做实时处置惩罚的数据。比如：
[*] 物联网中的实时监测设备，诸如烟感、PM2.5监测、安防等设备，要对实时的流式数据做实时的分析，从而判定是否触发报警之类的操作。
[*] 购物网站上的“大概感兴趣”的推荐，就是基于用户实时点击欣赏产生的流式数据来给客户举行推荐的。
上面这样说只是一方面，其实仔细思索就会发现静态数据、动态数据之间没有很明确的边界，静态数据也会有新的数据进来，流式数据的业务场景中也有对历史数据计算的需求。
其实从业务场景上能更好的区分是不是流计算的场景，流计算的场景一句话就能概括：
大量数据实时产生，涌过来，从这些大量实时数据中计算出实时结果。
流式数据的特性：
[*] 快速连续的到达
[*] 泉源众多、格式复杂
[*] 数据量大，不太关注存储，一旦经过处置惩罚后，要么被抛弃，要么被归档存储。
2.流计算的架构
流数据的量大、产生的速度快、泉源和格式杂，这些特点都是会拉低计算速度的点，所以流计算的核心就是要就是要稳定可靠高效的处置惩罚流式数据。市面上的各种流计算框架针对这些核心问题，各自给出了自己的解法，常用的流计算框架：
[*] twitter storm
[*] spark strem
流计算是整个大系统的一环，接下来我们看看引入流计算的系统架构一样平常长什么样子。
以flink为例，展示一下游计算常见架构：
https://i-blog.csdnimg.cn/direct/f6ce3a081375408784eff8de40c6aae8.png
观察上面系统，可以发现引入流计算的系统架构一样平常有以下部分构成：
https://i-blog.csdnimg.cn/direct/114be3e65a4f49bda892307335fbbfe6.png
[*] 数据收罗
[*] 数据传输
[*] 数据处置惩罚
[*] 数据存储
[*] 数据展现
数据收罗：
传感器、各个服务模块上的各个日志代理等。
数据收罗在软件层面无非就是从欣赏器、手机终端等设备将数据发给收罗服务器。
收罗服务器要吸取数据，在性能上要有所考虑，关于性能无非以下点：
[*] 吞吐量（TPS），要在IO模型上有所决议，阻塞？非阻塞
[*] 时延，偶然延要求时首先要报时延，再说拉高吞吐量的事儿
[*] TCP毗连，当有大量毗连必要维持时，用非阻塞IO服务器，如netty；当毗连数目较少时，用长毗连和毗连池
数据传输：
负责数据的流转，数据总线，一样平常用MQ来实现，数据传输要关注的点：
[*]吞吐量，流式数据的量大，吞吐量肯定要跟上，不能造成数据积存，数据才有实时性。
[*]可靠性，可靠性肯定要跟上，数据尽大概不要丢。
数据处置惩罚：
流计算的核心，也是流计算框架主要工作的环节，用计算引擎来对流举行：
[*] 转化、清洗、转换
[*] 计数、求和、均值、标准差、极值、聚合、关联、直方图等
数据存储：
根据自己的业务场景来决定计算出来的结果是否必要存储？假如要存储就要考虑自己业务场景的需求：
[*] 数据量大不大？
[*] 时延要求怎样？
[*] 吞吐量大不大？
然厥后选择对应的存储介质，内存？关系型数据库？非关系型数据库？分布式文件系统？等等等等
3.常见流计算场景
以下是流式计算的一些典范应用场景：
[*]实时数据分析
[*] 金融生意业务：实时监测市场波动、生意业务异常和欺诈检测。
[*]物联网（IoT）：实时处置惩罚传感器数据，监控设备状态，触发警报。
[*]日志处置惩罚与监控
[*]系统监控：实时监控服务器日志，快速发现并处置惩罚系统故障。
[*]应用性能管理（APM）：实时分析应用日志，优化性能瓶颈。
[*]社交媒体分析
[*]趋势分析：实时分析社交媒体上的热点话题和用户情绪。
[*]推荐系统：根据用户实时行为更新推荐内容。
[*]网络安全
[*]入侵检测：实时分析网络流量，识别潜伏的安全威胁。
[*]异常检测：监控网络运动，实时发现异常行为。
[*]电子商务
[*]库存管理：实时更新库存信息，避免超卖情况。
[*]订单处置惩罚：实时跟踪订单状态，进步客户满足度。
[*]智能制造
[*]生产监控：实时监控生产线状态，进步生产服从。
[*]预测性维护：通过分析呆板运行数据，提前预测并预防故障。
[*]交通与物流
[*]交通管理：实时分析交通流量，优化交通讯号控制。
[*]物流追踪：实时更新货物位置，进步物流服从。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]