当人们在说大数据的时候到底在说什么？

前言

今天新开了一个【大数据】分类，在整个的运维体系中，你稍微努力下，拿到12K-14k还是蛮容易的，但是想要拿到18k就稍微有些困难。想要冲刺20K，就几乎成了个梦想。

在以往的授课中，的确有人学历，年龄，都不够的情况下拿到了20K, 但这种情况已经与技术无关了，完全是靠沟通能力和运气。

如果你想在现有的运维体系中突破20K的薪资，在不考虑副业的情况下，只有通过继续深造，比如学学大数据的内容，不是因为你会了大数据的知识，薪资才提高的，而是因为大数据公司的薪资相对较高。

这就和你作为普通专科只能去小企业一样，你有了211本科就增加了去大公司的机会，相对来说大公司给的薪资高，与你是不是211有一定关系，但并不是因为你有了211本科就一定能去大公司。

大数据的定义

提到大数据，很多人会想起一些国外的电影，比如在《斯诺登》中就有一个识别恐怖分子的桥段，用的就是大数据手段，通过分析公民电话和社交软件的数据，最终定位恐怖分子。

当然我们生活中也有很多地方，比如电商平台，广告投放系统，导航系统，共享单车系统，旅行推荐系统等。

说个题外话，最近发现平时跟人聊天，手机也会根据你的聊天内容来推送你想要的商品。比如上次在办公室聊到了信用卡，第二天就有银行推荐办卡的短信发过来。

那什么是大数据呢？
维基百科有个定义：大数据是指无法在一定时间内用常规软件工具对其内容进行抓取，管理和处理的数据集合。

数据量大，不管是采集，存储，计算的数据都很大，以PB,EB ,ZB为单位
类型繁多，比如日志，音频，图片，视频，地理位置
速度极快，时效高。比如推荐系统
价值密度低，商业价值高，比如数据挖掘
想想抖音每天有多少视频上传，微博，微信每天有多少人转发小视频，发图片。

传统的数据处理和大数据技术互为补充

服务器的三大体系

从系统架构来看，目前商用服务器大体可以分为三类：

SMP ：对称多处理器结构
NUMA：非一致性存储访问结构
MPP 海量并行处理结构

1. SMP (Symmetric Multi-processor)

称多处理器结构，是指服务器中多个CPU对称工作，无主次或从属关系。各CPU共享相同的物理内存，每个 CPU访问内存中的任何地址所需时间是相同的，对SMP服务器进行扩展的方式包括增加内存、使用更快的CPU、增加CPU、扩充I/O或者添加磁盘存储

SMP 的CPU利用率最好的情况是2-4个CPU

2. NUMA(Non-Uniform Memory Access)

由于SMP在扩展能力上的限制，人们开始探究如何进行有效地扩展从而构建大型系统的技术，NUMA就是这种努力下的结果之一。利用NUMA技术，可以把几十个CPU(甚至上百个CPU)组合在一个服务器内

NUMA使用cpu模块，每个cpu模块通常由4个组成，并且有独立的本地内存及IO槽口，使性能更佳。但缺点是访问远地内存所造成的延迟远远大于本地内存，增加CPU，并不能线性增加系统性能。

3. MPP (Massive Parallel Processing)

MPP 由多个SMP服务器通过一定的节点互联网络进行连接，协同工作，完成相同的任务，从用户的角度来看是一个服务器系统
目前的技术可实现512个节点互联，数千个CPU ，每个节点都可以运行自己的操作系统和数据库。

数据处理系统架构的演进

SMP --SMP+MPP混合 --MPP – hadoop

大数据时代需要关注的几个点：

容量：海量数据不可能单机存储，为确保数据稳定和安全，还需要存多个副本，所以需要分布式存储
性能：数据量大，单机很难完成单独运算，只能使用分而治之的思想，大量的计算节点来分担运算量
成本：使用分布式系统，可以使用通用硬件来解决线性扩展，同时性能接近线性提升。

大数据运维工作职责

集群管理： hadoop,hbase ,spark kafak,redis
故障处理：商用硬件故障及其他故障
变更处理，配置管理和发布管理
容量管理：存储空间，运行链接数等
性能调优：不同的组件，性能的概念不一样，比如kafka注重的是吞吐量，hbase注重实时性可用性。
架构优化：优化大数据平台架构，支持平台能力和产品的不断迭代

大数据运维需要的能力

硬件，OS，网络，安全等相关知识
脚本能力： SHELL ，sql ，python，go
大数据组件知识：设计思想，适用范围，底层架构，常用命令，常用配置或者参数，常见问题处理方法
工具能力： zabbix，ELK，企业自己研发的工具
解决问题的能力：搜索能力（谷歌，百度，stackoverflow），java能力（根据代码异常分析问题产生的原因），英语阅读能力

运维的核心能力

重启：重启有问题的机器或者进程，使其正常工作，但是重启前一定要通知到正在用机器的所有人员，并确定自己知道机器上所有服务以及这些服务的启动方式，如有可能先设置开机自启动
切换：主备切换，主主切换，逐点排查
查杀：杀死有问题的进程或者不正常的连接

这三个方法可以处理90%以上的故障，但大多数时候治标不治本。

大多数公司的大数据系统使用廉价的二手机器，甚至虚拟机，硬件故障是常态，通过告警，日志，维护命令去识别故障，组织硬件更换，比如HADOOP 常见的故障就是硬盘损坏。

一般出现问题，都是集中在资源问题，权限问题，代码问题中的一种。

总结

工作就是娱乐，用娱乐的心态去工作，你将飞速进步。很多人玩游戏遇到困难从未想过放弃，学习遇到困难就很容易放弃，这是典型的本末倒置。