大数据服务平台功能简介
大数据服务平台简介
1.1建设目标
大数据服务平台以“整合资源、共享数据、提供服务”为指导思想，构建满足学校各部门信息化建设需求，进而更好为广大师生、各级管理人员、院领导等角色提供集中、统一的综合信息服务。因此，
要建设大数据服务平台
主要包括综合查询，教学、科研、人事、学生、图书、消费、资产、财务等数据统计分析和数据采集终端（含数据录入及数据导入）。通过此平台为学校的校情展示提供所需的基础数据，为学校的决策支持积累所需的分析数据，为广大师生、各级管理人员、校领导的综合信息服务提供所需的开发数据，为学校的应用系统建设提供所需的公共数据。
1.2建设效益
协助领导决策、提供智能分析手段
通过建设大数据服务平台：
为校领导提供独特、集中的综合查询数据，使校领导能够根据自身需要随时查询广大师生的个人情况，有助于校领导及时处理广大师生的各种诉求。
为校领导提供及时、准确的辅助决策支持信息，使校领导能够全面掌握多方面的信息，有助于校领导提高决策的科学性和高效性（以往各部门向校领导提供的信息往往只从部门角度考虑，而校领导无法及时获取多方面的信息，无法及时做出决策）。
为校领导提供丰富、全面的校情展示数据，使校领导能够实时掌握教学、科研、人事、学生、图书、消费、资产、财务等情况，有助于校领导制定学校未来发展战略。
为校领导提供教育部《普通高等学校基本办学条件指标》检测报表，包括具有高级职务教师占专任教师的比例、生均占地面积、生均宿舍面积、百名学生配教学用计算机台数、百名学生配多媒体教室和语音实验室座位数、新增教学科研仪器设备所占比例、生均年进书量。对提高教学质量和高等学校信息化程度等具有积极的指导作用。
1.3建设内容
基于中心数据库，将学校长期以来积累的大量管理数据以一种多维的形式进行重新组织，多层次、多维度的整合、挖掘和分析，从各个层面、各个角度充分展示学校的办学理念、教学质量、科研水平、师资队伍、学生风貌、后勤保障、办学条件等，为各级管理人员、校领导科学决策提供强有力的技术保障与数据支持。
1信息查询
包括教职工信息查询和学生信息查询。
教职工信息查询
教职工信息查询功能包括部门人员统计，教职工信息查询（含列表图和缩略图），教职工信息明细查询（含学历学位、职称、行政职务、工作经历、进修学习、社会兼职、荣誉获奖、家庭关系、科研项目、学术论文、学术著作、知识产权、获奖成果、薪酬待遇、图书借阅、一卡通消费等）。
学生信息查询
学生信息查询功能包括部门、班级学生统计，学生信息查询（含列表图和缩略图），学生信息明细查询（含学籍状态、缴费情况、奖励情况、处罚情况、助学情况、家庭情况、学习经历、学团干部、社会活动、综合测评、政治面貌、科技成果、技能证书、社会实践、图书借阅、一卡通消费等）。
-ε-
H(Tft+1?f?(T?+1?5?rτ?4≡T?(T?+1?
VH ：+4 苦YM : 44f Y? : 44 fi*K ：44ff τt?τi?UE9f z?≡τ?l??τwτ?l?ltl?M1SΓ?T
W * 44 &Yth 44 Ef YK 44E V H 44 & miS∣I?ΓIHIslr*ΓZ?Elfli^V THia^v VH WW￥H -a Ir VK1MW VK 44W FHTilUiT THIalKttTτm?~∏uκ
Vrt ?τt VtEATe-TO ?T?VK ATir Z?1!41SfflIft TKT41i5ffl1ft
+Jl r ■耳
?. ? I F血耐
av?V￡& - ?Γ倍
YWflI ?Γ
YCTSit : ZΓ<≡翌曰:TMd Y?∣5 SΓ
^∣±?∣1W
B
YSkEt : HTfB
YHBt : ZΓ√≡i
丫栖?r VlrW : HT≡ 二刼Ilm γti? : ar√≡ 百3 踽卑 γ?tt?aγg 首供啣*1 v≡ - SΓ YeaI: HY≡ Yefl : ar√≡ 西丁。喪謝牯UΦ5?T^?M Y?S5t : SfE H?It步星 O?β B驰葩I 即 Urs ?BI?? iiiWiEfia- 益?■ *π ?tn 畑■?≡wft*w ≡?∑?ιω∣ I11?B ?XZfimι WMT IZ E ■ □EΞ *iE JUi *4* VH HB ftπ-aιd- ,∣幷井1：沖if Fx*H 阳妙* IimiSICiu fl 3> 基!?ι?ι?∣4fi∣)U H SIΛ Φ?1?∣??I?1Mτ=?αH ≥ufe S?ι? Ifl-IlIJOIMH≡?*JS 卫JH卫门 miimiviM JMa H SΛ T TrnllmPT 酣H SK2QD I H3UK JUI) t HIlimtIH Fvfl fl ZB 30113 >4和1?1>∣3φiιi{W t 9CH* ∣1卸?i}∣耳 ι*r1 K>H H 阳Si? l<33α∣3-IMHIU rsf∣fl ??1、 E F E TgM H3I € *?**HsTBri■A4 I W丹牌》22彬比-a∣?ι∣M*K? 43H∣] ISSCH-LZlSI^ FItsg 13 IE∣e3?∣5ΓIB H??:JS∣?∏m??i ∣?M?Mπ?∣ι≥∣∣±! Φ l??-!*?lfrl??"??! +3C H41 dSSE5-IMlit tH5-Cβ--∣4tifi∣ι∣3a!uaf> IxitllTWtIIlZV ImΦII ImMIUrIg Λ3HM∣?∏aM-TIΓ?τIlM-V-Il IEleHI i W?> 4>Kla1HW3?lia：IiHUflKuifc -L3wu∣πsc?'IW1?ιre‰στ-n IFItM <,5ΓZD riφιn?∣WC WilWWfiTl-???J1ι?∏Ufrm> 43∣ru]∣καn? ιtτ?HA n HwlXIB 址二IΞB?f*S ? ?*JZβιM∣??Z*2Uτβ?HLΞ!≡JS?1?W *7■谕??Xβ2mriMb-1 ^Eayr I WI≡jflΛ"Z二I ∈fl?*W ? 見％τ?4∣4PMM≡? 二I a??≠:? ≡.?Tβl39l IK H na 二∣XZsπ-?rt: 5i^JΛi?∣?^D≡MB?bΞ∣≡β*ι?WI "工■讪η?Z≡2UτS?HbΞ∣≡B?f?S wMW?BJ?nα?Γ*-F? "■ E S T≡ 2、教职工数据 包括教职工性别、年龄段、学历、学位、职称、岗位、异动、民族、政治面貌、来源地、毕业院校性质、毕业院校层次、毕业院校地域、历年等情况统计分析 3、学生数据 包括学生性别、年龄段、学历、学位、民族、政治面貌、来源地、户口性质、学习 形式、学制、在校状态、在籍状态、学科门类、入学年级、入学方式、学生惩罚、学生 奖励、就业、历年等情况统计分析。 舸地。 ∏glΓ∣≥7i≤ιw i≤τ?蚯逛 *JzJfrP * ?iβl3■? ASAH *霸儒* ★Egll曜 *耕币* * Rltia IHKiff * IUlR3 4 ΓKiff ■ r ESttiftt9ififi . MHt需企白箱江云 * LLJna ^ita ? ^ffiD * JhIIffl * ma 4、教学数据 包括课程、教学计划、教学任务、课表、考评、工作量、成绩等情况统计分析 5、科研数据 包括科研情况、科研项目、学术论文、学术著作、知识产权、成果获奖、科研经费、 科研人员等情况统计分析 i?U-J ?j￡JE ■ Jl■ ■ I I 些甫f?c?τ??. W4?-a∞≡EraXm ???ιftw c*zffl≠κtritll?M≠iS?*?τ≠∣?I raFH≡≠ffi!?-B-S≠H Jftnz ?mr≡-<≠a R5?t≠5? 劭再?S?fS性SJ ∏S7∣Γ≡7 近?τs 近赣 -e-i5^HtIT Z4-Z&￥ + 15-2 ■*■ Z7-2B? 21 -23-P * 2?S≈aHLl LldL I Lkf 近1(M≡ ?7H≡ ??ar -?- Sr -*- S Pa^TEn 近I?≡F?τa≡ 近■專 *测■* IE删亠3S1E * 时 * ISDM 也曲 ■ UH ■ We ?"ffff ■* ?lBff → KA *fin ■ ±?Bl ≡*-≠JB≡*S? 2 002 7 IK召 2 UZZ 2 DW *—11 * ~-**JHa^ -2 GOCI ￡010 JoII 加鮭Hl 占2DM I K40 JCl1??11 2012 ?13 2DM z?ι? 2on Wn zα U IaU H ■更祂Hr豊反于霊?百凰亍 4 M 1 CSt 3 MiB ■*■ W? * 工字■■:S穿■* ≡≡? **Hl斗*结却 JW 4 CgCi 7 WO Bft 4- SWfl ■N E J M 大数据平台技术要求 1.技术构架需求 采用平台化策略，全面建立先进、安全、可靠、灵活、方便扩展、便于部署、操作简单、易于维护、互联互通、信息共享的软件。 技术构架的基本要求： ?采用多层体系结构，应用软件系统具有相对的独立性，不依赖任何特定的操作系统、特定的数据库系统、特定的中间件应用服务器和特定的硬 件环境，便于系统今后的在不同的系统平台、不同的硬件环境下安装、 部署、升级移植，保证系统具有一定的可伸缩性和可扩展性。 ?实现B（浏览器）/A（应用服务器）/D（数据库服务器）应用模式。 ?采用平台化和构件化技术，实现系统能够根据需要方便地进行扩展。2. 功能指标需求 2.1基础平台 本项目的基础平台包括：元数据管理平台、数据交换平台、应用支撑平台。按照SOA的体系架构，实现对我校数据资源中心的服务化、构件化、定制化管理。 2.1.1元数据管理平台 根据我校的业务需求，制定统一的技术元数据和业务元数据标准，覆盖多种来源统计数据采集、加工、清洗、加载、多维生成、分析利用、发布、归档等各个环节，建立相应的管理维护机制，梳理并加载各种元数据。 具体实施内容包括： ●根据业务特点，制定元数据标准，要满足元数据在口径、分类等方面的 历史变化。 ●支持对元数据的管理，包括：定义、添加、删除、查询和修改等操作， 支持对派生元数据的管理，如派生指标、代码重新组合等，对元数据管 理实行权限控制。 ●通过元数据，实现对各类业务数据的统一管理和利用，包括： ?基础数据管理：建立各类业务数据与元数据的映射关系，实现统一的 数据查询、处理、报表管理。 ?ETL：通过元数据获取ETL规则的描述信息，包括字段映射、数据转 换、数据转换、数据清洗、数据加载规则以及错误处理等。 ?数据仓库：利用元数据实现对数据仓库结构的描述，包括仓库模式、 视图、维、层次结构维度描述、多维查询的描述、立方体（CUBE）的 结构等。 ●元数据版本控制及追溯、操作日志管理。 2.1.2数据交换平台 结合元数据管理模块并完成二次开发，构建统一的数据交换平台。实现统计数据从一套表采集平台，通过数据抽取、清洗和转换等操作，最终加载到数据仓库中，完成整个数据交换过程的配置、管理和监控功能。 具体要求包括： ●支持多种数据格式的数据交换，如关系型数据库：MS-SQLServer、MYSQL、 Oracle、DB2等；文件格式：DBF、Excel、Txt、Cvs等。 ●支持数据交换规则的描述，包括字段映射、数据转换、数据转换、数据 清洗、数据加载规则以及错误处理等。 ●支持数据交换任务的发布与执行监控，如任务的执行计划制定、定期执 行、人工执行、结果反馈、异常监控。 ●支持增量抽取的处理方式，增量加载的处理方式； ●支持元数据的管理，能提供动态的影响分析，能与前端报表系统结合， 分析报表到业务系统的血缘分析关系； ●具有灵活的可编程性、模块化的设计能力，数据处理流程，客户自定义 脚本和函数等具备可重用性； ●支持断点续传及异常数据审核、回滚等交换机制。 网络空间安全态势感知与大数据分析平台建设方案 网络空间安全态势感知与大数据分析平台建立在大数据基础架构的基础上，涉及大数据智能建模平台建设、业务能力与关键应用的建设、网络安全数据采集和后期的运营支持服务。 1.1网络空间态势感知系统系统建设 平台按系统功能可分为两大部分：日常威胁感知和战时指挥调度应急处置。 日常感知部分包括大数据安全分析模块、安全态势感知呈现模块、等保管理模块和通报预警模块等。该部分面向业务工作人员提供相应的安全态势感知和通报预警功能，及时感知发生的安全事件，并根据安全事件的危害程度启用不同的处置机制。 战时处置部分提供从平时网络态势监测到战时突发应急、指挥调度的快速转换能力，统筹指挥安全专家、技术支持单位、被监管单位以及各个职能部门，进行协同高效的应急处置和安全保障，同时为哈密各单位提升网络安全防御能力进行流程管理，定期组织攻防演练。 1.1.1安全监测子系统 安全监测子系统实时监测哈密全市网络安全情况，及时发现国际敌对势力、黑客组织等不法分子的攻击活动、攻击手段和攻击目的，全面监测哈密全市重保单位信息系统和网络，实现对安全漏洞、威胁隐患、高级威胁攻击的发现和识别，并为通报处置和侦查调查等业务子系统提供强有力的数据支撑。 安全监测子系统有六类安全威胁监测的能力： 一类是云监测，发现可用性的监测、漏洞、挂马、篡改（黑链/暗链）、钓鱼、和访问异常等安全事件 第二类是众测漏洞平台的漏洞发现能力，目前360补天漏洞众测平台注册有4万多白帽子，他们提交的漏洞会定期同步到态势感知平台，加强平台漏洞发现的能力。 第三类是对流量的检测，把重保单位的流量、城域网流量、电子政务外网流量、IDC 机房流量等流量采集上来后进行检测，发现webshell等攻击利用事件。 第四类把流量日志存在大数据的平台里，与云端IOC威胁情报进行比对，发现APT 等高级威胁告警。 第五类是把安全专家的分析和挖掘能力在平台落地，写成脚本，与流量日志比对，把流量的历史、各种因素都关联起来，发现深度的威胁。 第六类是基于机器学习模型和安全运营专家，把已经发现告警进行深层次的挖掘分析和关联，发现更深层次的安全威胁。 大数据分析平台的需求报告 提供统一的数据导入工具，数据可视化工具、数据校验工具、数据导出工具和公共的数据查询接口服务管理工具是建立大数据分析平台的方向。 一、项目范围的界定 没有明确项目边界的项目是一个不可控的项目。基于大数据分析平台的需求，需要考虑的问题主要包括下面几个方面： （1）业务边界：有哪些业务系统的数据需要接入到大数据分析平台。 （2）数据边界：有哪些业务数据需要接入大数据分析平台，具体的包括哪些表，表结构如何，表间关系如何（区别于传统模式）。 （3）功能边界：提供哪些功能，不提供哪些功能，必须明确界定，该部分详见需求分析； 二、关键业务流程分析 业务流程主要考虑包括系统间数据交互的流程、传输模式和针对大数据平台本身涉及相关数据处理的流程两大部分。系统间的数据交互流程和模式，决定了大数据平台的架构和设计，因此必须进行专项分析。大数据平台本身需要考虑的问题包括以下几个方面： 2.1 历史数据导入流程 2.2 增量数据导入流程 2.3 数据完整性校验流程 2.4 数据批量导出流程 2.5 数据批量查询流程 三、功能性需求分析 3.1.历史数据导入3.1.1 XX系统数据3.1.1.1 数据清单 (3) 3.1.1.2 关联规则 (3) 3.1.1.3 界面 (3) 3.1.1.4 输入输出 (3) 3.1.1.5 处理逻辑 (3) 3.1.1.6 异常处理 (3) 3.2 增量数据导入3.3 数据校验 3.4 数据导出 3.5 数据查询 四、非功能性需求 4.1 性能 4.2 安全性 4.3 可用性 … 五、接口需求 5.1 数据查询接口 5.2 批量任务管理接口 5.3 数据导出接口 六、集群需求 大数据平台的技术特点，决定项目的实施必须考虑单独的开发环境和生产环境，否则在后续的项目实施过程中，必将面临测试不充分和性能无法测试的窘境，因此前期需求分析阶段，必须根据数据规模和性能需求，构建单独的开发环境和生产环境。 6.1开发环境 6.1.1 查询服务器 6.1.2 命名服务器 6.1.3 数据服务器 6.2 生产环境 6.2.1 查询服务器 数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。 ２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。 工程大数据分析平台 随着大数据时代来临、无人驾驶和车联网的快速发展，汽车研发部门需要处理的数据量激增、数据类型不断扩展。相关数据涵盖车内高频CAN 数据和车外ADAS 视频非结构化数据、位置地理空间数据、车辆运营数据、用户CRM 数据、WEB 数据、APP 数据、和MES 数据等。 在此背景下，整车厂研发部门关心的是：如何将企业内部的研发、实验、测试、生产数据，社会用户的用车数据，互联网第三方数据等结合起来，将异构数据和同构数据整合到一起，并在此基础上，实现业务系统、分析系统和服务系统的一体化；怎样利用深度的驾驶员行为感知、智能的车辆预防性维护、与实时的环境状态交互，通过大数据与机器学习技术，建立面向业务服务与产品持续优化的车联网智能分析；最终利用数据来为产品研发、生产、销售、售后提供精准的智能决策支撑。这些都是整车厂在大数据时代下亟待解决的问题。 针对这一需求，恒润科技探索出以EXCEEDDATA 大数据分析平台为核心的汽车工程大数据整体解决方案。借助EXCEEDDATA 大数据分析平台，企业可以集成、处理、分析、以及可视化海量级别的数据，可实现对原始数据的高效利用，并将原始数据转化成产品所需的智能，从而改进业务流程、实现智慧决策的产业升级。 产品介绍: ●先进的技术架构 EXCEEDDATA 采用分布式架构、包含集成处理（ETL）与分析挖掘两大产品功能体系，共支持超过20 多个企业常见传统数据库和大数据源系统，超过50 多个分析处理算法、以及超过丰富的可视化智能展现库。用户可以自主的、灵活的将各种来源的原始数据与分析处 理串联应用，建立科学的数据模型，得出预测结果并配以互动的可视化智能，快速高效的将大数据智能实现至业务应用中。 平台包括分布式大数据分析引擎、智能终端展示、以及API。大数据分析引擎为MPP 架构，建立在开源的Apache Hadoop 与Apache Spark 之上，可简易的scale-out 扩展。在分析引擎的基础上包含数据源库、数据转换匹配器、数据处理操作库、机器学习算法库、可视化图形库等子模块。智能终端展示为行业通用的B/S 架构，用户通过支持跨操作系统和浏览器的HTML5/JS 界面与API 来与平台互动。 大数据平台技术要求 1. 技术构架需求 采用平台化策略，全面建立先进、安全、可靠、灵活、方便扩展、便于部署、操作简单、易于维护、互联互通、信息共享的软件。 技术构架的基本要求： 采用多层体系结构，应用软件系统具有相对的独立性，不依赖任何特定的操作系统、特定的数据库系统、特定的中间件应用服务器和特定的硬 件环境，便于系统今后的在不同的系统平台、不同的硬件环境下安装、 部署、升级移植，保证系统具有一定的可伸缩性和可扩展性。 实现B（浏览器）/A（应用服务器）/D（数据库服务器）应用模式。 采用平台化和构件化技术，实现系统能够根据需要方便地进行扩展。2. 功能指标需求 2.1基础平台 本项目的基础平台包括：元数据管理平台、数据交换平台、应用支撑平台。按照SOA的体系架构，实现对我校数据资源中心的服务化、构件化、定制化管理。 2.1.1元数据管理平台 根据我校的业务需求，制定统一的技术元数据和业务元数据标准，覆盖多种来源统计数据采集、加工、清洗、加载、多维生成、分析利用、发布、归档等各个环节，建立相应的管理维护机制，梳理并加载各种元数据。 具体实施内容包括： ●根据业务特点，制定元数据标准，要满足元数据在口径、分类等方面的 历史变化。 ●支持对元数据的管理，包括：定义、添加、删除、查询和修改等操作， 支持对派生元数据的管理，如派生指标、代码重新组合等，对元数据管 理实行权限控制。 ●通过元数据，实现对各类业务数据的统一管理和利用，包括： ?基础数据管理：建立各类业务数据与元数据的映射关系，实现统一 的数据查询、处理、报表管理。 ?ETL：通过元数据获取ETL规则的描述信息，包括字段映射、数据转 换、数据转换、数据清洗、数据加载规则以及错误处理等。 ?数据仓库：利用元数据实现对数据仓库结构的描述，包括仓库模式、 视图、维、层次结构维度描述、多维查询的描述、立方体（CUBE） 的结构等。 ●元数据版本控制及追溯、操作日志管理。 2.1.2数据交换平台 结合元数据管理模块并完成二次开发，构建统一的数据交换平台。实现统计数据从一套表采集平台，通过数据抽取、清洗和转换等操作，最终加载到数据仓库中，完成整个数据交换过程的配置、管理和监控功能。 具体要求包括： ●支持多种数据格式的数据交换，如关系型数据库：MS-SQLServer、MYSQL、 Oracle、DB2等；文件格式：DBF、Excel、Txt、Cvs等。 ●支持数据交换规则的描述，包括字段映射、数据转换、数据转换、数据 清洗、数据加载规则以及错误处理等。 ●支持数据交换任务的发布与执行监控，如任务的执行计划制定、定期执 行、人工执行、结果反馈、异常监控。 ●支持增量抽取的处理方式，增量加载的处理方式； ●支持元数据的管理，能提供动态的影响分析，能与前端报表系统结合， 分析报表到业务系统的血缘分析关系； ●具有灵活的可编程性、模块化的设计能力，数据处理流程，客户自定义 脚本和函数等具备可重用性； ●支持断点续传及异常数据审核、回滚等交换机制。 大数据可视化分析平台 一、背景与目标 基于邳州市电子政务建设得基础支撑环境,以基础信息资源库（人口库、法人库、宏观经济、地理库）为基础，建设融合业务展示系统,提供综合信息查询展示、信息简报呈现、数据分析、数据开放等资源服务应用。实现市府领导及相关委办得融合数据资源视角，实现数据信息资源融合服务与创新服务,通过系统达到及时了解本市发展得综合情况，及时掌握发展动态，为政策拟定提供依据。 充分运用云计算、大数据等信息技术,建设融合分析平台、展示平台,整合现有数据资源結合政务大数据得分析能力与业务编排展示能力，以人口、法人、地理人口与地理法人与地理实现基础展示与分析，融合公安、交通、工业、教育、旅游等重点行业得数据综合分析，为城市管理、产业升级、民生保障提供有效支撑。 二、政务大数据平台 1、数据采集与交换需求：通过对各个委办局得指定业务数据进行汇聚，将分散得数据进行物理集中与整合管理，为实现对数据得分析提供数据支撑。将为跨机构得各类业务系统之间得业务协同，提供统一与集中得数据交互共享服务。包括数据交换、共享与ETL等功能。 2、海量数据存储管理需求:大数据平台从各个委办局得业务系统里抽取得数据量巨大，数据类型繁杂，数据需要持久化得存储与访问。不论就是结构化数据、半结构化数据，还就是非结构化数据，经过数据存储引擎进行建模后，持久化保存在存储系统上。存储系统要具备髙可靠性、快速查询能力。 3、数据计算分析需求:包括海量数据得离线计算能力、髙效即席数 据查询需求与低时延得实时计算能力。随着数据量得不断增加, 需要数据平台具备线性扩展能力与强大得分析能力，支撑不断增长得数据量，满足未来政务各类业务工作得发展需要，确保业务系统得不间断且有效地工作。 4、数据关联集中需求:对集中存储在数据管理平台得数据，通过正确得技术手段将这些离散得数据进行数据关联，即：通过分析数据间得业务关系，建立关键数据之间得关联关系，将离散得数据串联起来形成能表达更多含义信息集合，以形成基础库、业务库、知识库等数据集。 5、应用开发需求：依靠集中数据集，快速开发创新应用，支撑实际分析业务需要。 6、大数据分析挖掘需求：通过对海量得政务业务大数据进行分析与挖掘，辅助政务决策，提供资源配置分析优化等辅助决策功能，促进民生得发展。 大数据处理平台及可视化架构设计说明书 版本：1.0 变更记录 目录 1 1. 文档介绍 (3) 1.1文档目的 (3) 1.2文档范围 (3) 1.3读者对象 (3) 1.4参考文献 (3) 1.5术语与缩写解释 (3) 2系统概述 (4) 3设计约束 (5) 4设计策略 (6) 5系统总体结构 (7) 5.1大数据集成分析平台系统架构设计 (7) 5.2可视化平台系统架构设计 (11) 6其它 (14) 6.1数据库设计 (14) 6.2系统管理 (14) 6.3日志管理 (14) 1 1. 文档介绍 1.1 文档目的 设计大数据集成分析平台，主要功能是多种数据库及文件数据；访问；采集；解析，清洗，ETL，同时可以编写模型支持后台统计分析算法。 设计数据可视化平台，应用于大数据的可视化和互动操作。 为此，根据“先进实用、稳定可靠”的原则设计本大数据处理平台及可视化平台。 1.2 文档范围 大数据的处理，包括ETL、分析、可视化、使用。 1.3 读者对象 管理人员、开发人员 1.4 参考文献 1.5 术语与缩写解释 2 系统概述 大数据集成分析平台,分为9个层次，主要功能是对多种数据库及网页等数据进行访采集、解析，清洗，整合、ETL，同时编写模型支持后台统计分析算法，提供可信的数据。 设计数据可视化平台 ,分为3个层次，在大数据集成分析平台的基础上实现大实现数据的可视化和互动操作。 3 设计约束 1.系统必须遵循国家软件开发的标准。 2.系统用java开发，采用开源的中间件。 3.系统必须稳定可靠，性能高，满足每天千万次的访问。 4.保证数据的成功抽取、转换、分析，实现高可信和高可用。 石油行业大数据分析 平 台 方 案 目录 一数据管理的现状 (1) 二石油行业大数据分析的概述 (2) （一）石油行业大数据分析概念 (2) （二）石油行业大数据分析目标 (3) 三石油行业大数据分析体系 (3) 四石油行业大数据分析核心领域 (4) （一）数据模型 (4) （二）数据生命周期 (5) （三）数据标准 (6) （四）主数据 (8) （五）数据质量 (9) （六）数据服务............................................................................................ 1 1 （七）数据安全............................................................................................ 1 2 五石油行业大数据分析保障机制 (13) （一）制度章程............................................................................................ 1 3 (1) 规章制度............................................................................................ 1 3 (2) 管控办法............................................................................................ 1 3 (3) 考核机制............................................................................................ 1 3 （二）石油行业大数据分析组织....................................................................... 1 5 2016年中国电商行业大数据分析报告 研究背景：放眼当下，恰逢互联网购物的大好时代，在国家信息网络战略实施、几大移动运营商快速发展、各大电商网络平台百花齐放的大背景下，年轻消费群体购买力突飞猛进，网上零售市场份额不断提升，网购渗透率正逐年增加。中商产业研究院预计，到2016年，我国网上零售额将突破5万亿，占社会消费品零售总额的%，网购用户渗透率达到%。 2014-2020年中国网上零售额规模情况 数据来源：国家统计局、中商产业研究院 2014-2020年中国网购渗透率情况 数据来源：国家统计局、中商产业研究院休闲食品电商 1、产业综述 2、发展现状 随着经济的发展和消费水平的提高，休闲食品正在逐渐升级成为百姓日常的必需消费品。现阶段，我国休闲食品电商三足鼎立格局初现,龙头优势明显。三只松鼠、百草味、良品铺子已牢牢占据了休闲食品电商前三,其他品牌竞争难度加大。 3、市场规模 中国经济快速发展，居民生活水平和消费能力不断提高，消费习惯也随之改变。从吃饱到吃好，消费者对食品的需求和兴趣从必须消费品逐渐向可选消费品转移，零食不再是儿童、青少年的专属，不再和不健康划上等号，和正餐之间的界限也日渐模糊。因此，休闲食品线上销售规模也在逐年增长，2015年，我国休闲食品电商销售规模约为450亿元。 2014-2020年中国休闲食品电商市场交易规模 数据来源：中商产业研究院 4、消费特点 女性消费者是绝对购买主力：休闲零食消费在性别的差异性放点明显，女性消费者是绝对购买主力。根据尼尔森，在全球范围内，女性比男性消费更多零食且女性对葛洪零食的消费意愿高于男性。根据易观智库，女性消费者不仅在购买人数上超过男性消费者（购买力%%）。 80后、90后为零食网购主力：从休闲零食网购消费者年龄分布来看，28-38岁消费者占比%，18-28岁消费者占比%，年轻人成为绝对多数。80后基本步入职场，消费能力也已承受。即将进入社会的90后，消费更具冲动型、超前性，见识未来的生力军。 白领为零食电商消费的主要人群：休闲零食电商的手中人群职业分布较广，不仅有白领人士、事业机关人员，还有自由职业者，家庭主妇及退休人员等。因此，市场对食品电商的产品需求多元化，长尾效应明显。其中，白领人士是零食电商的最主要消费者（47%），性价比高、有个性有腔调、方便快捷是他们的诉求特征。 生鲜电商 1、产业综述 一般的大数据平台从平台搭建到数据分析大概包括以下几个步骤： 1、Linux系统安装 一般使用开源版的Redhat系统--CentOS作为底层平台。为了提供稳定的硬件基础，在给硬盘做RAID和挂载数据存储节点的时，需要按情况配置。比如，可以选择给HDFS的namenode做RAID2以提高其稳定性，将数据存储与操作系统分别放置在不同硬盘上，以确保操作系统的正常运行。 2、分布式计算平台/组件安装 当前分布式系统的大多使用的是Hadoop系列开源系统。Hadoop的核心是HDFS，一个分布式的文件系统。在其基础上常用的组件有Yarn、Zookeeper、Hive、Hbase、Sqoop、Impala、ElasticSearch、Spark等。 使用开源组件的优点：1）使用者众多，很多bug可以在网上找的答案（这往往是开发中最耗时的地方）；2）开源组件一般免费，学习和维护相对方便；3）开源组件一般会持续更新；4）因为代码开源，如果出现bug可自由对源码作修改维护。 常用的分布式数据数据仓库有Hive、Hbase。Hive可以用SQL查询，Hbase 可以快速读取行。外部数据库导入导出需要用到Sqoop。Sqoop将数据从Oracle、MySQL等传统数据库导入Hive或Hbase。Zookeeper是提供数据同步服务，Impala是对hive的一个补充，可以实现高效的SQL查询 3、数据导入 前面提到，数据导入的工具是Sqoop。它可以将数据从文件或者传统数据库导入到分布式平台。 4、数据分析 数据分析一般包括两个阶段：数据预处理和数据建模分析。 数据预处理是为后面的建模分析做准备，主要工作时从海量数据中提取可用特征，建立大宽表。这个过程可能会用到Hive SQL，Spark QL和Impala。 数据建模分析是针对预处理提取的特征/数据建模，得到想要的结果。如前面所提到的，这一块最好用的是Spark。常用的机器学习算法，如朴素贝叶斯、逻辑回归、决策树、神经网络、TFIDF、协同过滤等，都已经在ML lib里面，调用比较方便。 大数据处理综合处理服务平台的设计与实现 （广州城市职业学院广东广州510405） 摘要：在信息技术高速发展的今天，金融业面临的竞争日趋激烈，信息的高度共享和数据的安全可靠是系统建设中优先考虑的问题。大数据综合处理服务平台支持灵活构建面向数据仓库、实现批量作业的原子化、参数化、操作简单化、流程可控化，并提供灵活、可自定义的程序接口，具有良好的可扩展性。该服务平台以SOA为基础，采用云计算的体系架构，整合多种ETL技术和不同的ETL工具，具有统一、高效、可拓展性。该系统整合金融机构的客户、合约、交易、财务、产品等主要业务数据，提供客户视图、客户关系管理、营销管理、财务分析、质量监控、风险预警、业务流程等功能模块。该研究与设计打破跨国厂商在金融软件方面的垄断地位，促进传统优势企业走新型信息化道路，充分实现了“资源共享、低投入、低消耗、低排放和高效率”，值得大力发展和推广。 关键词：面向金融，大数据，综合处理服务平台。 一、研究的意义 目前，全球IT行业讨论最多的两个议题，一个是大数据分析“Big Data”，一个是云计算“Cloud Computing”。中 国五大国有商业银行发展至今，积累了海量的业务数据，同时还不断的从外界收集数据。据IDC（国际数据公司）预测，用于云计算服务上的支出在接下来的5 年间可能会出现3 倍的增长，占据IT支出增长总量中25%的份额。目前企业的各种业务系统中数据从GB、TB到PB量级呈海量急速增长，相应的存储方式也从单机存储转变为网络存储。传统的信息处理技术和手段，如数据库技术往往只能单纯实现数据的录入、查询、统计等较低层次的功能，无法充分利用和及时更新海量数据，更难以进行综合研究，中国的金融行业也不例外。中国五大国有商业银行发展至今，积累了海量的业务数据，同时还不断的从外界收集数据。通过对不同来源，不同历史阶段的数据进行分析，银行可以甄别有价值潜力的客户群和发现未来金融市场的发展趋势，针对目标客户群的特点和金融市场的需求来研发有竞争力的理财产品。所以，银行对海量数据分析的需求是尤为迫切的。再有，在信息技术高速发展的今天，金融业面临的竞争日趋激烈，信息的高度共享和数据的安全可靠是系统建设中优先考虑的问题。随着国内银行业竞争的加剧，五大国有商业银行不断深化以客户为中心，以优质业务为核心的经营理念，这对银行自身系统的不断完善提出了更高的要求。而“云计算”技术的推出，将成为银行增强数据的安全性和加快信息共享的速度，提高服务质量、降低成本和赢得竞争优势的一大选择。 现在，公众安全的配置，网络系统的安全、信息中心，信息安全系统持续不断的发展和改革的扩展，迫切需要各种信息应用系统，灵活，高效的资源和云计算平台，以有效整合公共安全的各种信息资源，提高公安系统的稳定性、可扩展的，安全性。本文就为大家介绍一下大数据智能分析软件。 目前，互联网正在经历新一轮的信息技术变革，如物联网、移动互联网、云计算等。新技术往往是信息技术安全性的方法和推动变革的重要引擎，已成为公安信息资源战役的重要组成部分，也带给了整个社会管理创新显著变化。 “警务大数据分析系统”是一项非常具有创新性的公安管理建设，“警务”的改变在推动变为由“管制型”往“服务型公安”。这是经过近几年的发展，它变得越来越明显的特点是数字信息网络，提高了人、警、事的一个互动力，警务功能相互作用的能力随着智能化程度的提高和工作负荷传递的智能化程度的提高，“公安大数据分析系统”的建设已成为现代信息技术革命的时代潮流。 公安部正在推动的“扁平化指挥模式”是尽量降低指挥水平。现有的智能信息管理的优化，减少了中间环节，提高了快速反应能力，提高教学和减少战斗中，响应时间缩小一线部门和时空机制之间的距离。 并基于电信运营商、交管部门、数据中心融合空间采集、公安部门、社会公众的移动位 置等数据形成大数据环境，建立大数据分析平台，支持警情处理、宏观决策、情报分析等大数据专题应用。 大数据系统项目的信息分析的主要目标：建立密集的信息技术支持系统；建立专业的警察命令和战斗团队；建立扁平、快速的指挥调度体系等。 南京西三艾电子系统工程有限公司被评选为2012年度“中国100家具发展潜力品牌企业”、“中国杰出创新企业”等荣誉称号。公司96%的员工为大学本科或以上学历，还有多名离退休的高级工程师做为本公司的技术顾问。 一、数据分析平台层次解析 大数据分析处理架构图 数据源：除该种方法之外，还可以分为离线数据、近似实时数据和实时数据。按照图中的分类其实就是说明了数据存储的结构，而特别要说的是流数据，它的核心就是数据的连续性和快速分析性； 计算层：内存计算中的Spark是UC Berkeley的最新作品，思路是利用集群中的所有内存将要处理的数据加载其中，省掉很多I/O开销和硬盘拖累，从而加快计算。而Impala思想来源于Google Dremel，充分利用分布式的集群和高效存储方式来加快大数据集上的查询速度，这也就是我上面说到的近似实时查询；底层的文件系统当然是HDFS独大，也就是Hadoop的底层存储，现在大数据的技术除了微软系的意外，基本都是HDFS作为底层的存储技术。上层的YARN就是MapReduce的第二版，和在一起就是Hadoop最新版本。基于之上的应用有Hive，Pig Latin，这两个是利用了SQL的思想来查询Hadoop上的数据。 关键：利用大数据做决策支持。R可以帮你在大数据上做统计分析，利用R语言和框架可以实现很专业的统计分析功能，并且能利用图形的方式展现；而Mahout就是一个集数据挖掘、决策支持等算法于一身的工具，其中包含的都是 基于Hadoop来实现的经典算法，拿这个作为数据分析的核心算法集来参考还是很好的。 如此一个决策支持系统要怎么展现呢？其实这个和数据挖掘过程中的展现一样，无非就是通过表格和图标图形来进行展示，其实一份分类详细、颜色艳丽、数据权威的数据图标报告就是呈现给客户的最好方式！至于用什么工具来实现，有两个是最好的数据展现工具，Tableau和Pentaho，利用他们最为数据展现层绝对是最好的选择。 二、规划的数据平台产品AE(Accelerate Engine) 支持下一代企业计算关键技术的大数据处理平台：包括计算引擎、开发工具、管理工具及数据服务。计算引擎是AE的核心部分，提供支持从多数据源的异构数据进行实时数据集成、提供分布式环境下的消息总线、通过Service Gateway能够与第三方系统进行服务整合访问；设计了一个分布式计算框架，可以处理结构化和非结构化数据，并提供内存计算、规划计算、数据挖掘、流计算等各种企业计算服务。Data Studio包括了数据建模、开发、测试等集成开发环境。管理工具包括了实施、客户化及系统管理类工具。AE平台还可以通过UAP开发者社区提供丰富的数据服务。 AE架构图 基于工业互联网的大数据分析平台钢结构制造全过程成本分析与工艺优化 引言：中建钢构广东有限公司是国家高新技术企业，是中国最大的钢结构产业集团——中建钢构有限公司的隶属子公司，年加工钢结构能力20 万吨，是国内制造特级的大型钢结构企业，是国内首批取得国内外双认证（欧标、美标）的钢结构企业。中建钢构具有行业领先的建筑信息化、智能化产品，自主研发了国际领先的钢结构全生命周期管理平台，开发了ERP、设备能像管理系统、库存管理系统等信息系统，搭建了基于工业互联网的大数据分析管理平台。同时，公司正实施建设全球首条钢结构智能制造生产线，实现涵盖切割、分拣、搬运、焊接、仓储、物流、信息化的智能化生产。该产线获批成为2017 年国家工信部智能制造新模式应用项目，并被科技部立项作为国家“十三五”重点课题。中建钢构广东有限公司率先践行“中国制造2025”，成为国内装配式建筑领域首个智能化工厂，并获得2018 年广东省工程技术研发中心、2018 年广东省两化融合试点企业；2018 年广东省级企业技术中心；2017 年广东省智能制造试点示范项目；2017 年广东省制造业与互联网融合试点示范。 目录 案例 1 (1) 一、项目概况 (3) 1.项目背景 (3) 2.项目简介 (3) 3.项目目标 (4) 二、项目实施概况 (5) 1. 项目总体架构和主要内容 (5) 1)总体功能架构 (5) 2)建设内容详细介绍 (5) 三、下一步实施计划 (18) 1.平台覆盖范围扩大与共享应用细化 (18) 2.项目经验总结与成果转化 (19) 四、项目创新点和实施效果 (19) 1.项目先进性及创新点 (19) 2.实施效果 (20) 山西大学研究生项目设计报告（2015 ---- 2016学年第1学期） 学院（中心、所）：计算机与信息技术学院 专业名称：软件工程(专硕) 课程名称：大数据处理 论文题目：网站用户行为分析 授课教师（职称）：杜亮 研究生姓名：温杰 年级：2016级 学号：201622405011 成绩： 评阅日期： 山西大学研究生学院 2016年12月20日 大数据实例：网站用户行为分析 大数据实例：网站用户行为分析 (2) 一、案例简介 (4) 二、案例目的 (4) 三、软件工具 (4) 四、案例任务 (4) 五、实验步骤 (5) 5.1、实验步骤一：实验环境准备 (5) 5.1.1、linux系统的安装 (5) 5.1.2、Hadoop的安装 (6) 5.1.3、MySQL的安装 (6) 5.1.4、HBase的安装 (8) 5.1.5、Hive的安装 (8) 5.1.6、Sqoop的安装 (10) 5.1.7、Eclipse安装 (12) 5.2、实验步骤二：本地数据集上传到数据参考Hive (12) 5.2.1、实验数据集的下载 (12) 5.2.2、解压下载得到的数据集到指定目录 (12) 5.2.3、数据集的预处理 (13) 5.3、实验步骤三：Hive数据分析 (15) 5.4、实验步骤四：Hive、MySQL、HBase数据互导 (19) 5.4.1、Hive预操作 (19) 5.4.2、使用Sqoop将数据从Hive导入MySQL (20) 5.4.3、使用Sqoop将数据从MySQL导入HBase (21) 5.5、实验步骤五：利用R进行数据可视化分析 (22) 5.5.1、R安装 (22) 5.5.2、可视化分析MySQL中的数据 (23) 可视化商业智能大数据分析平台技术白皮书 XXX技术有限公司 2018年7月 目录 1.背景概述 (5) 2.现状分析 (6) 2.1.主流BI模式 (6) 2.1.1.传统BI模式 (6) 2.1.2.敏捷BI模式 (7) 2.2.平台推荐模式 (8) 3.整体需求 (10) 3.1.数据源支持 (10) 3.2.自助式查询 (10) 3.3.OLAP联机分析 (11) 3.4.UI编排功能 (12) 3.5.丰富的组件 (13) 3.6.多种展示方式 (13) 1 3.7.外部数据服务 (14) 4.总体设计 (15) 4.1.数据分析 (16) 4.2.设计运行 (16) 4.3.系统管理 (16) 4.4.可视化展示 (16) 5.功能设计 (17) 5.1.数据分析 (17) 5.1.1.多数据源 (17) 5.1.2.数据建模 (18) 5.1.3.多维BI分析 (18) 5.2.设计运行 (20) 5.2.1.UI编排 (20) 5.2.2.丰富组件 (21) 5.2.3.事件引擎 (24) 5.2.4.运行引擎 (24) 2 5.3.系统管理 (26) 5.3.1.我的报表 (26) 5.3.2.工程化管理 (27) 5.3.3.主题管理 (27) 5.3.4.布局管理 (27) 5.3.5.数据源管理 (27) 5.3.6.基础管理 (28) 5.4.可视化展示 (29) 5.4.1.决策仪表盘 (29) 5.4.2.大屏综合显示 (30) 5.4.3.交互式WEB界面 (30) 5.4.4.基于GIS的数据可视 (33) 5.5.其他功能 (38) 5.5.1.数据探索 (38) 5.5.2.事件定义 (38) 5.5.3.项目管理 (39) 3 龙源期刊网 https://www.360docs.net/doc/9410011061.html, 大数据分析平台 作者：郑纬民陈文光 来源：《中兴通讯技术》2016年第02期 摘要：认为现有以MapReduce/Spark等为代表的大数据处理平台在解决大数据问题的挑战问题方面过多考虑了容错性，忽视了性能。大数据分析系统的一个重要的发展方向就是兼顾性能和容错性，而图计算系统在数据模型上较好地考虑了性能和容错能力的平衡，是未来的重要发展方向。 关键词：大数据；分布与并行处理；并行编程；容错；可扩展性 Abstract：Existing big data analytic platforms， such as MapReduce and Spark， focus on scalability and fault tolerance at the expense of performance. We discuss the connections between performance and fault tolerance and show they are not mutually exclusive. Distributed graph processing systems are promising because they make a better tradeoff between performance and fault tolerance with mutable data models. Key words：big data； distributed and parallel processing； parallel programming； fault tolerance； scalability 随着信息化技术的发展，人类可以产生、收集、存储越来越多的数据，并利用这些数据进行决策，从而出现了大数据的概念。大数据的定义很多，比较流行的定义是Gartner公司提出的简称为3V的属性，即数据量大（Volume），到达速度快（Velocity）和数据种类多（Variety）。大数据分析利用数据驱动的方法，在科学发现、产品设计、生产与营销、社会发展等领域具有应用前景。 由于大数据的3V属性，需要在多台机器上进行分布与并行处理才能满足性能要求，因此传统的关系型数据库和数据挖掘软件很难直接应用在大数据的处理分析中。传统的超级计算技术，虽然具有很强的数据访问和计算能力，但其使用的MPI编程模型编程较为困难，对容错 和自动负载平衡的支持也有缺陷，主要运行在高成本的高性能计算机系统上，对于主要在数据中心运行的大数据分析不是非常适合。 为了解决大数据的分析处理所面临的编程困难，负载不平衡和容错困难的问题，业界发展出了一系列技术，包括分布式文件系统、数据并行编程语言和框架以及领域编程模式来应对这些挑战。以MapReduce[1]和Spark[2]为代表的大数据分析平台，是目前较为流行的大数据处理生态环境，得到了产业界的广泛使用。 但是在文章中，我们通过分析认为：MapReduce和Spark系统将容错能力作为设计的优先原则，而在系统的处理性能上做了过多的让步，使得所需的处理资源过多，处理时间很长，这样反而增加了系统出现故障的几率。通过进一步分析性能与容错能力的关系，我们提出了一种 在大数据时代，个人、企业和机构都会面临大数据的问题。建设面向服务的大数据平台，可以为众多的中小企业和个人用户提供大数据处理和分析的能力。面向服务的大数据分析平台以区域性智能数据中心及高速互联网为基础设施，以互联网服务体系为架构，以大数据存储、处理、挖掘和交互式可视化分析等关键技术为支撑，通过多样化移动智能终端及移动互联网为用户提供数据存储、管理及分析服务。 一、平台架构 大数据分析平台的拓扑架构如下图所示： 其中部署在多个地方的智能数据中心提供大数据存储及计算平台，通过平台服务器提供系统调用功能。门户服务中心将整合所有的智能数据中心存储和计算资源，并通过 web应用服务器和 Open API 服务器以 web 调用和Open API 调用的方式提供大数据存储、管理及挖掘服务。终端用户利用移动智能终端通过互联网访问门户服务中心，使用其提供的大数据存储、管理及挖掘服务。 大数据分析平台的系统架构如下图所示： 系统包含 3 个层次：平台层为整个大数据分析平台提供基础平台支持;功能层提供基本的大数据存储和挖掘功能;服务层为用户提供基于互联网的大数据服务。具体包括： (1)平台层：为大数据存储和挖掘提供大数据存储和计算平台，为多区域智能中心的分析架构提供多数据中心调度引擎; (2)功能层：为大数据存储和挖掘提供大数据集成、存储、管理和挖掘功能; (3)服务层：基于 Web 和 Open API 技术提供大数据服务。 二、关键技术 建设面向服务的大数据分析平台，需要研究和开发一系列关键技术，主要包括： 1. 平台层 (1)大数据分布式存储系统：针对数据不断增长的挑战，需要研究大规模、非结构化数据的存储问题，突破大数据的存储、管理和高效访问关键技术，当前需要构建至少 PB 级存储能力的大数据平台才能满足一般的科研和应用需求。大数据分析平台技术要求
网络空间安全态势感知与大数据分析平台建设方案V1.0
大数据分析平台的需求报告模板
大数据处理技术的总结与分析
工程大数据分析平台
大数据分析平台技术要求
大数据可视化分析平台介绍
大数据处理平台构架设计说明书
最新石油行业大数据分析平台方案
中国电商行业大数据分析报告
教你如何快速搭建一个大数据分析平台
大数据处理综合处理服务平台的设计实现分析范文
大数据智能分析软件
大数据分析平台
基于工业互联网的大数据分析平台
大数据实例：网站用户行为分析
可视化商业智能大数据分析平台技术白皮书
大数据分析平台
大数据-面向服务的大数据分析平台解决方案