大数据挖掘与分析的关键技术研究
基于Hadoop电商大数据的挖掘与分析技术研究
技术平台基于Hadoop电商大数据的挖掘与分析技术研究陈娥祥（福州工商学院，福建 福州 350715）摘 要：随着社会经济水平的不断提高和互联网时代的不断发展，全球数据逐渐呈现出大规模增长的趋势，为了满足海量数据处理需求，大数据挖掘与分析技术应运而生。
Hadoop的出现和应用不仅能科学、高效地处理海量数据，还能可视化展现海量数据最终处理结果，为电商企业的健康、可持续发展提供重要的数据参考和支持。
基于以上情况，以福州地区美容行业的电商系统为例，在介绍相关理论与技术的基础上分析了数据挖掘算法，从系统的整体设计、数据准备、数据挖掘分析三个方面入手，研究了电商大数据挖掘系统的设计，从实验环境、实验数据准备和实验结果分析三方面入手，探讨了系统可视化实现与效果。
希望通过这次深度分析与研究，对公司的运营决策提供有力帮助，为电商平台各方参与者、相关领域技术人员提供有效的借鉴和参考。
关键词：Hadoop；电商大数据；挖掘分析；可视化技术随着社交媒体的不断发展，企业处理数据的途径日益增加、规模日益扩大，并形成了海量的数据流。
在这样的背景下，我国逐渐进入了大数据时代，大数据的生成速度呈现出指数爆炸形式，加上数据在处理的过程中无法分解为常用的数据库，这无疑增加了企业访问和处理数据的难度。
目前，在我国电商行业的迅猛发展下，数据规模递增，为了实现对消费者购买行为相关数据的深入、全面挖掘，进一步提高电商企业的销售业绩，在Hadoop框架的应用背景下，加大对大数据挖掘与分析技术的科学应用，实现数据挖掘技术与电商平台的有效融合，是相关领域技术人员必须思考和解决的问题。
1 相关理论与技术研究1.1 Hadoop平台相关技术研究Hadoop作为一种开源编程框架，被广泛应用于Apache基础项目中。
该框架的编写语言主要以Java语言为主，能够为海量数据集的分布处理提供重要支持。
同时，在部署的过程中，使用的服务器购买价格普遍较低，缩小了物力成本，这样一来，作为开发人员就可以投入较低的成本，实现Hadoop集群搭建，极大地提高了开发效率和效果。
大数据处理与分析的关键技术研究
大数据处理与分析的关键技术研究随着数字化时代的到来，数据量呈指数级增长。
互联网、无人机、机器人、物联网、传感器、社交媒体等技术的发展和普及，不断产生着海量的数据。
而这些数据蕴含着巨大的价值，但由于数据规模过大，传统的数据处理和分析方法已经无法胜任。
为了更好地挖掘和利用这些数据，研究大数据处理和分析的关键技术就显得尤为重要。
本文将从以下几个方面进行探讨。
一、大数据处理的关键技术1. 分布式存储大数据处理过程中，首先需要解决的是海量数据的存储问题。
传统的关系型数据库已经无法胜任，因此出现了一种新型的分布式存储技术——Hadoop。
Hadoop可以把数据分散到多台服务器上进行存储，实现了海量数据的存储和管理。
2. 并行计算在大数据处理中，数据量巨大，计算任务繁重，为了提高计算效率，必须采用并行计算技术。
MapReduce是一种并行计算模型，具有高可靠性、高可扩展性、可自动并行化等特点。
在Hadoop中，MapReduce可实现大规模数据处理，提高处理效率。
3. 数据压缩大数据处理过程中，数据量大，传输和存储成本高，因此需要进行数据压缩。
Hadoop中采用的是LZO压缩算法，该算法具有快速压缩速度和较高的解压速度，可以有效地减小数据的存储和传输成本。
二、大数据分析的关键技术1. 数据挖掘数据挖掘是一种通过在大数据中发现隐藏模式、关系和趋势的方法。
通过数据挖掘，可以深入了解数据本身的特点和规律，帮助企业发现和利用商业机会。
同时，数据挖掘也可以帮助企业识别和解决潜在的问题，提高企业的决策能力。
2. 机器学习机器学习是一种通过机器自主学习提高自身性能的方法。
通过对数据的分析和挖掘，可以获得数据的特征和规律，并利用这些信息来训练机器，提高其预测和决策能力。
机器学习在大数据分析中具有广泛的应用，可以用于推荐系统、情感分析、预测和分类等方面。
3. 可视化分析可视化分析是一种将大数据转换为易于理解、清晰直观的图形化表达方式。
基于大数据的数据挖掘和分析方法研究
基于大数据的数据挖掘和分析方法研究在信息时代，数据积累迅速，对于数据处理的需求也变得越来越强烈。
数据挖掘和分析就是一种利用数学、计算机科学、统计学等方法，从大规模的数据中提取出有用的信息的技术。
而基于大数据的数据挖掘和分析方法更是为数据挖掘和分析提供了更广阔的空间和更精密的工具。
近年来，随着互联网的不断发展，产生了海量的数据，传统的数据分析方法显得无能为力。
此时，基于大数据的数据挖掘和分析方法应运而生。
大数据技术可以挖掘数据的真实价值，协助企业或个人进行更加精确地决策。
而在大数据技术的支持下，数据挖掘和分析的应用场景也在不断拓展。
一、基于大数据的数据挖掘和分析方法大数据技术一般包括数据处理和分析两个方面。
数据处理主要是指从数据源中提取数据，并进行清洗、预处理和存储。
而数据分析则是针对数据进行一系列的分析操作，提取出有用信息。
在大数据技术支持下，数据挖掘和分析的方法有以下几种类型：1.关联规则挖掘：通过发现数据集中的相互关联和依赖关系，以及研究这些关联和依赖关系，从而识别出有趣的关联规则。
2.聚类分析：聚类分析是将一组具有相似特征的数据对象划分到同一组中，同时将不同组之间具有较大差异的数据对象分开，通过研究分类结果进行对数据的理解与解释。
3.分类分析：是通过训练样本，来创建分类模型，然后通过实时数据的判断，将某个数据对象划分到分类模型中。
4.时间序列分析：是通过分析某个数据对象在时间上的变化，确定该数据对象的走势和变化规律，同时借此预测未来的发展趋势。
二、数据挖掘和分析的应用场景基于大数据的数据挖掘和分析可以应用于各种领域。
在商业领域，可以通过大数据挖掘和分析实现更加精准的营销策略，帮助企业快速发现市场机会。
在金融领域，可以通过数据挖掘和分析实现比传统方法更准确的风险控制和投资建议。
在医疗领域，可以通过数据挖掘和分析实现更加精准的疾病诊断和治疗方案。
例如，在金融领域，大数据技术已经成为了风险控制的重要工具。
大数据分析与挖掘的方法与技术
大数据分析与挖掘的方法与技术近年来，随着各行业的数字化进程不断加速，大数据逐渐成为了一种无所不在的存在。
各大企业和机构纷纷开始运用大数据分析和挖掘技术，从海量数据中提取出有价值的信息，这不仅提升了工作效率，同时也促进了各行各业的发展。
那么，大数据分析和挖掘究竟包含哪些方法和技术呢？本文将为您一一进行介绍。
一、数据挖掘数据挖掘是从海量数据中发掘未知、潜在、有价值的信息的过程。
在应用大数据分析和挖掘技术时，首要的步骤就是进行数据挖掘。
在这个过程中，主要的任务是发现数据中的规律和关系，以及发掘潜在的价值。
那么，数据挖掘的具体方法是什么呢？常见的几种方法包括分类、聚类、关联规则挖掘和异常检测等。
分类是指对事物进行分组；聚类是将相似的事物聚在一起；关联规则挖掘是通过数据的联系来分析数据项之间的关系；而异常检测则是针对异常数据点的寻找。
二、机器学习机器学习是一种让计算机能够自主学习的方法，通过给出大量的数据和标签，让计算机逐渐学习到其中的规律和模式。
在大数据分析和挖掘中，机器学习常被应用来进行自动分类、预测和推荐等。
机器学习的算法方法非常多，包括决策树、支持向量机、神经网络等。
其中决策树是一种用于分类和预测的常见方法，支持向量机则主要应用于分类和回归问题，神经网络是一种类人类大脑学习的技术，被广泛应用于图像识别、语音识别等领域。
三、数据可视化数据可视化是将抽象的数据通过图表和图形等形式进行视觉化呈现的过程。
在大数据分析和挖掘中，数据可视化常被用于帮助人们更好地理解和分析复杂的数据信息。
数据可视化的方法和技术非常多，例如线图、柱状图、饼图、气泡图、散点图等。
这些方法和技术可以将数据信息转化为图形化的呈现，使得人们更加直观地了解数据的关系和趋势。
四、自然语言处理自然语言处理是一种使计算机能够理解和处理自然语言的方法。
在大数据分析和挖掘中，自然语言处理常被用于处理文本数据，例如情感分析、命名实体识别、关键词抽取等。
工程大数据分析与挖掘技术研究
工程大数据分析与挖掘技术研究随着信息技术的飞速发展，大数据成为当今社会的热门话题。
工程领域对于大数据的分析和挖掘技术有着迫切的需求，以应对复杂的工作环境和庞大的数据量。
本文将探讨工程大数据分析与挖掘技术的研究进展和应用前景。
工程大数据分析的目标是从大规模数据中发现隐藏的模式和知识，以支持工程决策和优化。
其中，工程领域的大数据包括传感器数据、监控数据、实验数据、文档和图纸等多种形式的数据。
利用这些数据，可以对工程项目进行实时监控和预测，识别潜在的风险和问题，并改进工程设计和施工过程。
在工程大数据分析中，数据挖掘技术发挥着重要的作用。
数据挖掘是从大量数据中提取有用信息和知识的过程，包括分类、聚类、关联规则挖掘、异常检测等方法。
这些技术可以帮助工程师发现数据中的隐藏模式和规律，为工程决策提供依据。
例如，通过分析历史施工数据，可以预测特定材料和施工方案的性能，从而指导工程设计和施工过程。
除了数据挖掘技术，工程大数据分析还需要借助机器学习和人工智能等领域的技术。
机器学习是一种通过让计算机系统从数据中学习和改进性能的方法。
工程中的数据可以用于训练机器学习模型，从而实现自动化的工程决策和优化。
人工智能技术可以模拟人类智能，帮助工程师处理复杂的问题和场景。
例如，在工程设计中，可以利用人工智能算法自动生成创新的设计方案，并优化设计参数。
工程大数据分析与挖掘技术在实际工程中已经得到了广泛的应用。
首先，它可以提高工程项目的效率和质量。
通过实时监控和数据分析，可以及时检测到工程项目中的异常情况，并采取相应的措施。
其次，它可以降低工程项目的风险和成本。
通过数据挖掘技术，可以发现导致工程问题和事故的根本原因，并采取相应的措施预防类似问题的发生。
此外，工程大数据分析还可以为工程师提供参考和决策支持，减少主观因素的影响。
然而，工程大数据分析与挖掘技术在实际应用中仍面临一些挑战。
首先，工程领域的数据通常具有多样性、复杂性和异构性。
大数据分析的关键技术与方法
大数据分析的关键技术与方法随着信息技术的快速发展和互联网的普及应用，人们已经进入了一个大数据时代。
大数据的涌现给各个领域带来了巨大的机遇和挑战。
为了从海量的数据中提取有用的信息，大数据分析技术应运而生。
本文将介绍大数据分析的关键技术与方法，以帮助读者深入了解和掌握该领域的知识。
一、数据预处理数据预处理是大数据分析的第一步，它的目的是清洗、过滤和转换原始数据，使其适应后续的分析工作。
数据预处理的关键技术包括数据清洗、缺失值处理、异常值检测和数据转换等。
数据清洗主要是去除数据中的噪声、错误和冗余信息，确保数据的有效性和准确性。
缺失值处理是解决数据中存在缺失的情况，常用的方法包括删除缺失数据、插补缺失数据和建立模型预测缺失值。
异常值检测是为了发现和处理数据中的异常值，以避免对后续分析结果的影响。
二、数据挖掘与机器学习算法数据挖掘是指从大规模数据中发现隐藏信息和知识的过程，而机器学习是实现数据挖掘的重要手段之一。
在大数据分析中，常用的机器学习算法包括聚类算法、分类算法、关联规则挖掘和预测算法等。
聚类算法主要用于将数据集划分为若干个相似的类别或簇，以便于后续的数据分析和决策。
分类算法则是通过训练样本数据建立分类模型，对新的数据进行分类或预测。
关联规则挖掘技术是为了发现事务数据中的潜在关联关系，并从中提取出有用的知识。
预测算法则是通过建立数学模型，对未来的事件进行预测和推测。
三、分布式处理与并行计算由于大数据的规模巨大，传统的计算机和算法已无法胜任分析任务，因此分布式处理和并行计算技术成为大数据分析的关键。
分布式处理是将数据和计算任务分发到多个计算节点上进行并行处理，以提高计算速度和处理效率。
常见的分布式处理框架有Hadoop和Spark等。
并行计算则是利用多个计算单元同时进行计算，从而加快算法的执行速度。
并行计算技术涵盖了并行算法、并行编程和并行计算框架等。
四、数据可视化与敏捷开发大数据分析的结果通常是非结构化和复杂的数据信息，为了更好地理解和解释这些信息，数据可视化成为不可或缺的手段。
基于数据挖掘的大数据分析技术研究
基于数据挖掘的大数据分析技术研究随着网络技术的不断发展和普及，大数据时代已经到来。
在现今信息社会中，大量的数据被不断地产生和积累，大数据的价值和应用愈发凸显。
数据挖掘作为一种重要的大数据分析技术，已经成为数据科学领域不可或缺的一部分。
一、什么是数据挖掘数据挖掘指通过数据分析的方法，从大型数据集中发掘出潜在的、未知的、先前未被预测的信息和模式。
其目的是发现数据中的规律以及隐含的关系，进一步分析这些规律和关系所代表的含义，从而为人们提供更加准确的预测和决策依据。
数据挖掘技术可以应用于各个领域，如智能推荐、金融风险评估、医疗诊断和市场营销等。
二、数据挖掘技术在大数据分析中的应用数据挖掘技术在大数据领域的应用十分广泛，以下列举几个常见的应用场景。
1.智能推荐通过分析用户行为和偏好，在海量的商品数据中推荐用户可能感兴趣的商品，这是智能推荐系统的基本功能。
一般采用协同过滤算法、内容过滤算法和基于深度学习的神经网络算法等。
2.金融风险评估金融机构可通过数据挖掘技术进行风险评估。
包括信用评估、反欺诈、交易监控等，基于风险评估结果，金融机构可结合其他数据，为企业和个人提供贷款、信用卡等服务。
3.医疗诊断医疗影像、病历和诊断数据，以及生物信息数据是大数据中的一个重要部分。
利用数据挖掘技术，可对这些数据进行分析，提高医学诊断的准确性和效率。
4.市场营销企业可利用数据挖掘技术，对自己的产品、广告、促销等进行分析，从而调整自己的市场营销策略。
同时，企业还可以通过数据挖掘技术，了解客户需求和消费习惯，为客户提供更好的产品和服务。
三、数据挖掘技术的主要方法1.分类分类是数据挖掘中最常用的方法之一，其目的是根据数据集中的属性特征，将数据分为不同的类别，从而为后续的分析和决策提供依据。
常见的分类算法包括朴素贝叶斯、决策树、支持向量机等。
2.聚类聚类是指将数据按照某种规则或变量进行分组或分类的过程，相似的数据放在一组中。
聚类后可以用于研究数据之间的相互关系，挖掘数据潜在的规律和内在的结构。
大数据技术中的数据挖掘和分析方法
大数据技术中的数据挖掘和分析方法随着互联网和数字化时代的到来，大数据技术成为一个热门话题。
大数据技术包括数据收集、存储、处理和分析等多个方面。
其中，数据挖掘和分析是非常重要的组成部分。
本文将从数据挖掘和分析的方法入手，探讨大数据技术在这方面的应用。
一、数据挖掘的方法数据挖掘是通过自动或半自动的方式，挖掘数据中价值信息的过程。
数据挖掘涉及的多个方面，包括数据预处理、特征选择、模型建立和模型评估等。
下面，我们就分别来看看这几个方面在数据挖掘中的具体应用。
1. 数据预处理数据预处理是数据挖掘中至关重要的一步。
它包括对数据进行清洗、过滤、整合等处理，以达到准确、可靠的分析结果。
数据清洗是指去除噪声数据、填充缺失值、剔除异常值等操作，以保证数据质量。
数据过滤是指根据数据的特征进行筛选，保留对研究有利的数据。
数据整合是将多个数据源进行整合，达到有效利用各数据之间价值信息的目的。
2. 特征选择特征选择是指从原始数据中找出与研究问题有关的特征，去除无用数据，从而简化数据集并提高分类器性能。
特征选择的方法有很多种，包括卡方检验、相关系数、主成分分析等。
在选择特征的过程中，要分析不同特征对数据挖掘的作用，以确定哪些特征可以被保留。
3. 模型建立模型建立是指根据特定的目标和需求来选择最适合的算法，对数据进行分类、聚类、预测等任务。
常用的模型有决策树、神经网络、支持向量机等。
在选择模型时，要根据数据类型和任务性质来选择合适的算法，以提高数据挖掘的效果和准确率。
4. 模型评估模型评估是指对建立的模型进行验证和检验，评估其性能和优劣。
评估方法包括交叉验证、ROC曲线、混淆矩阵等。
在进行模型评估的过程中，要根据数据挖掘的目标和需求来确定评估指标，以便对模型进行优化和改进。
二、数据分析的方法数据分析是针对大量数据进行统计分析、数据显示和建模的过程。
数据分析的目的是为了从数据中发现模式和趋势，并帮助人们做出更好的商业决策。
下面，我们就从数据分析中的常用方法和技术入手，探讨数据分析在大数据技术中的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一
大、 数 据 类 型 繁 多、 价值 密度 低 以 及 处 理 速 度 快 。 随 着人 们 生 活 节 奏 的 不 断 变快 ， 可 以看 出大 数 据 在 我 们 的 生 活 中受 到 广
泛 的 应 用是 社 会 发 展 必 然的 结 果
在 日常 生 活 中 ， 人 们 所 用到 的各 种 移 动 端 手 机 Ａ Ｐ Ｐ ， 社 交 网络 、 传 感 网络 、 电 商 网络 以及 各 种 的 移 动 设 备 都 有 可 能 随 时
随 地 产 生 大量 的 各 种 类 型 的数 据 。 这 个 人 们 日常使 用 的 网 络 环 境 的 使 用 造 成 了 不 小 的 压 力 但 是 利 用 大 数 据 的 数 据 体 量
２ ０ １ ７年 ９月上
通信设计与应用 ５ ５
大 数 据 挖 掘 与分 析 的关键 技 术研 究
曹存 洋 （ 南京南瑞集团公司， 江苏 南京 ２ １ １ １ ０ ６ ）
【 摘 要 】 随着经济 的不断发展 ， 我 国互联 网、 云计算 以及物联 网的发展越来越迅速 ， 这就使得数据量不 断增 加而且他 的增长速度也在 不断地
２ ． ２ 大数据 挖掘 与 分析 的意 义
随 着 互联 网 、 云 计 算 以及 物 联 网 的发 展 ， 以及 计 算 技 术不 断创 新 ． 人 们 在 对 于 互联 网、 云 计 算 以及 物 联 网 的 发 展 ， 以及 计 算技 术 所 产 生 的数 据 在 做 分析 的 时 候 ，对 于 大 数 据 这 项 技 术 的 应 用 的依 赖 性 越 来越 强 烈 。 众所周知 ， 大数 据这 项技 术的 产 生是 在 分 析 数 据 的过 程 中 产 生 的 ， 所 以 毫 无 疑 问大 数 据 工 作 的核 心 是 对 数 据 进 行 分析 ． 以 此 可 以从 这 些 数 据 中得 到 更 有 价 值 的 信 息 和 更 为 准 确 以及 更 为深 层 次 的知 识 。 通 过 大 数 据 获 得 有 价 值 的 信 息可 以是 一 个 企业 管理 者进 行 决 策 的 重 要 因素 。同 时这 些信 息还 可 以 让 管 理 者 发 现 自 己本 行 业 之 中许 多潜 在 的发 展 空 间与 价 值 。这 对 于 企 业 的 发展 来说 是 十 分 重 要 的 。同时 间接 对社 会 与 国 家的 发 展 来 说 也 是 非 常 有 意 义 的 。
巨大 、 数 据 类 型繁 多 、 价 值 密度 低 以及 处 理 速 度 快 等 特 点 可 以
很 好 的 解 决 这 一 问 题
２ 大数据
人 们 目前 的 生 活 、 学习、 工作 以及 企 业 的 正 常 运 作 已经 离 不 开 大 数 据 这 项技 术 的 支 持 了。 换 句话 说 ． 大数 据 已 经 渗透 我 们 生 活 中的 方 方 面 面 ． 在 我 们 的 生 活 中起 着 至 关 重要 的 作 用 。 所 以 了解 大 数 据 已经 是 我 们 每 一 个 学 习与 计 算 机 专 业 有 关 的
学 生 都 必 须 要 知 道 的 知识 之 一
３ 大数据挖掘 与分析 的关键 技术研 究
大 数 据 挖 掘 与 分 析 的 关键 技 术研 究 一般 都 包括 了大 数 据
２ ． １ 大数 据 的定 义与 特征
大数 据 预 处理 、 大数据存储及管理 、 大 数 据 实时 处 理 、 大 大 数 据 并 不 是 简 单 对 人 们 所 用 到 的 各 种 移 动 端 手 机 采 集 、 其 中每 项 技 术 都 是 大数 据 工 Ａ Ｐ Ｐ ， 社 交 网络 、 传感 网络 、 电 商 网络 以 及 各 种 的 移 动 设 备 所 数 据 可 视 化 和 应 用 等 几 个 方 面 作 时必 不 可 少的 一 项 作 业 ， 大数 据 的 采 集 一般 都 是 通过 感 知 产 生 的 大 量 的数 据进 行 统 计 与 分 析 ． 而是 将 人 们 所 用 到 的 各 感知 、 适配 、 传输、 接入 。与此同 种 移动 端手机 Ａ Ｐ Ｐ， 社 交 网络 、 传 感 网络 、 电 商 网 络 以及 各 种 层 来 进 行 对 大数 据 源 的 识 剐 、 时 大数 据 服 务 平 台所 需 的 虚 拟 服 务 器 、数 据 库 及 物联 网 络 资 的 移 动 设备 产 生 的 巨大 到 无 法 通 过 目前 主 流 的 软 件 工 具 的 所 涉及 数 据 规 模 在 合 理 的 时 间 内进 行 撷 取 、 管理、 处理 、 挖掘 ， 最 源 等 处 理技 术 则是 由基 础 支 持 层 来 提 供 的 。 完成 了 大数 据 的 接 下 来 的 工作 就 是 对 大数 据 的 预 处 理 。 这 项技 术 在 完 成 后 将这些经过撷 取 、 管理 、 处理 、 挖 掘 的 数 据 规 模 整 理 成 为 企 采 集 ． 通 常会 用 到 的 方 法 有 数 据 清 理 、 数 据 业 经 营 决策 有 用 的信 息 大 数 据 工 作 的核 心 是 在 各 种 移 动 端 大 数 据 的 预 处 理 的 时 候 ，
【 关键 词 】 研究 ； 关键技术 ； 大数据 ； 挖掘与分析
【 ￣１ ］ ｉ ｔ 分类号 】 Ｔ Ｐ ３ １ １ ． １ ３
【 文献标识码 】 Ａ
【 文章编号 】 １ ０ ０ ６ — ４ ２ ２ ２ ｛ ２ ０ １ ７ ）Байду номын сангаас１ ７ — ０ ０ ５ ５ — ０ ２
１ 前 言
当今 社 会 已经 是 大数 据 的社 会 ，这 是 因 为 随 着全 球 互联 网 、云 计 算 以及 物 联 网在 人 们 日常 生 活 中不 断普 及 以及 他 们
提升。 如 果没 有 一 项 技术 来 对 这 些数 据 来 进 行 一 些有 效 的 处理 的话 ， 就会 有 可 能 给 互联 网、 云计 算 以及 物联 网 的发展 造 成 许 多 不好 的影 响。 在 这 种 背景 下 ， 大 数据 因 为 自身 拥 有数 据 体 量 巨 大 、 数 据 类 型繁 多、 价 值 密度 低 以及 处理 速 度 快 等特 点 ， 成 为 了互 联 网 、 云计 算 以及 物 联 网研 究 的重 点 。