理解大数据-实践大数据

1、内容,对大数据的理解 xxx大数据产品布局和应用实践,反对派认为，我们现在处在一个盲目的大数据崇拜时代,大数据产生的背景,数据的爆发式增长和社会化趋势，新摩尔定律 大数据已经成为一种自然资源 机器数据日益重要 大数据不被利用就是成本,大数据产生的背景,现有的商业软件难以处理大数据的规模和复杂性 获取(capture) 存贮(storage) 搜索(search) 分享(sharing) 分析(analysis) 可视化(visualization),奥巴马大数据战略,2012年3月29日，白宫发布美国政府的大数据计划 通过提高从大型复杂的数字数据集中提取知识和观点的能力，承诺帮助加快在科学与工

2、程中的步伐，加强国家安全，并改变教学研究,大数据的4V特性,体量Volume,多样性Variety,价值密度Value,速度Velocity,非结构化数据的超大规模和增长 总数据量的8090% 比结构化数据增长快10倍到50倍 是传统数据仓库的10倍到50倍,大数据的异构和多样性 很多不同形式（文本、图像、视频、机器数据） 无模式或者模式不明显 不连贯的语法或句义,大量的不相关信息 对未来趋势与模式的可预测分析 深度复杂分析（机器学习、人工智能Vs传统商务智能(咨询、报告等）,实时分析而非批量式分析 数据输入、处理与丢弃 立竿见影而非事后见效,对大数据的理解,大数据比云计算更为落地 大数据不仅

3、仅是“大” 软件是大数据的引擎 大数据的应用不仅仅是精准营销 管理大数据“易”，理解大数据“难”,1、大数据比云计算更为落地,商业模式驱动,应用需求驱动,云计算本身也是大数据的一种业务模式,2、大数据不仅仅是“大”,多大？ PB 级,比大更重要的是数据的复杂性，有时甚至大数据中的小数据如一条微博就具有颠覆性的价值,3、软件是大数据的引擎,和数据中心（Data Center） 一样，软件是大数据的驱动力，软件改变世界,大数据生态：软件是引擎,4、大数据的应用不仅仅是精准营销,通过用户行为分析实现精准营销是大数据的典型应用，但是大数据在各行各业特别是公共服务领域具有广阔的应用前景,消费行业,金融服

4、务,食品安全,医疗卫生,军事,交通环保,电子商务,气象,5、管理大数据“易”理解大数据“难”,虽然大数据是一个重大问题，真正的问题是让大数据更有意义 目前大数据管理多从架构和并行等方面考虑，解决高并发数据存取的性能要求及数据存储的横向扩展，但对非结构化数据的内容理解仍缺乏实质性的突破和进展，这是实现大数据资源化、知识化、普适化的核心 非结构化海量信息的智能化处理：自然语言理解、多媒体内容理解、机器学习等,xxx大数据产品布局,TRS机器数据挖掘引擎,TRS SMAS 舆情云服务,TRS 大数据管理系统V7.0,TRS 大数据管理系统发展历程,TRS 全文数据库,TRS 非结构化数据库,TRS

5、大数据 管理系统,TRS 大数据管理系统V7.0,TRS 大数据管理系统V7.0,分布式并行计算、多副本机制、没有单点的高可靠体系架构，兼容Hadoop标准 支持结构化、半结构化、非结构化数据的管理和搜索 支持实时及用户行为数据的高效管理和分析 支持PB级的海量数据管理 支持海量用户的高并发访问（千万级用户、万级并发） 充分释放硬件的潜力（多核、大内存等） 大规模部署的自动化和运行状态监控 创新的多检索引擎机制，提供开放的二次开发接口,数据备份,大数据管理系统,数据存储,开发接口,基于Hadoop的数据分析,CKM文本挖掘与数据挖掘,关联规则与序列模式挖掘,推荐引擎的离线分析,MapReduc

6、e,数据库监控,机器数据搜索引擎,用户行为挖掘与推荐引擎,基于时间分段的大数据检索与索引接口,搜索引擎,日志采集监控,数据存储层,数据分析层,日志发送节点,Angent 1,Angent 2,Angent 3,Angent n,日志接收集群,Collector 1,Collector 2,Collector 3,Collector n,Master管理集群,Master 1,Master 2,Master n,日志采集,TRS 机器数据挖掘引擎,TRS 机器数据挖掘引擎特点,支持主流格式机器数据的实时采集、解析、管理和搜索。 基于时间分段和负载均衡的大数据索引与检索机制。 基于Web的机器数据

7、搜索与分析界面。 兼容Hadoop平台的日志挖掘和用户行为分析。 基于多种推荐模型的在线推荐引擎 大规模部署的自动化和运行状态监控,TRS SMAS功能框架图,舆情管理,服务共享,信息挖掘,信息来源,新闻,论坛,博客,搜索引擎,微博,wiki,自动排重、自动分类、自动摘要、自动分析,舆情分类,热点跟踪,热点统计,微博分析,人物分析,微博运营,趋势分析,整合统计,关联图谱,动态走势,兴趣图谱,未知探索,热点变化,意见领袖,传播图谱,关系分类,个性展示,敏感预警,自由分布,数图导出,图表切换,多维检索,探针追踪,元搜索,外网 微博 论坛 SNS 网媒,官网 提高 销量 用户 满意度,用户设计,趋势

8、分析,竞争分析,质量缺陷,设计缺陷,使用缺陷,KOL维护,声誉管理,危机预警,事件评估,行为分析,产品,公关,营销,SMAS 用户感知,研发,情绪感知,及时服务,口碑监测,媒介监测,S- CRM,广义 服务,TRS SMAS 作用于企业2.0,TRS 在大数据领域的应用实践,新华社多媒体数据库 国家知识产权局专利检索系统 某部信息监控系统 TRS SMAS 云服务（大数据服务） 国家质监局 国家药监局 北京市环保局 国家气象局 每日微博热点分析,新华社多媒体数据库系统,是新华社的核心业务支撑，典型的非结构化数据管理应用场景，持续IT投资已经超过6亿人民币 以新华社遍布全球的新闻信息及采集网络为

9、依托，全面整合新华社的文字、图片、图表、音视频、报刊等全部资源和社会上有价值的新闻信息资源，拥有包括中、英、法、俄、西、阿及中文繁体在内的 6个文种，数据量超PB 最早采用文件系统，后来改为Oracle，效率很低，再改为Oracle+TRS ，持续服务至今 从大型机改为PC服务器集群,1.5亿条 原创新闻资讯,26000小时 权威原创视频,700万张图片,27000家 注册用户,8000多种 资源分类,PB级数据量,多语种数据,新华社多媒体数据库数据流转图,新华社多媒体库的技术特点,非结构化数据和结构化数据统一管理 TRS多语言检索引擎 全面采用TRS文本挖掘技术 良好的集群扩展能力 索引服务

10、器读写分离,国家知识产权局专利检索服务系统,1998年专利局引进了欧洲EPOQUE系统，基于大型机的专利检索系统，每年的系统维护费用就达数千万元 2005年开始建设自主可控可持续发展的专利检索和服务系统，采用大量的PC服务器 典型的非结构化/半结构化数据应用场景 目前公共检索和审查员检索系统全部使用TRS检索引擎,专利检索系统的需求特点,数据多样性 结构化、半结构化和非结构化数据的结合 申请人、申请号、名称等著录项很多; 权利要求书、说明书等全文数据规模大 各库数据结构差异大 查询要求高 严格的查全和查准要求 基于领域知识的智能检索 结构化和非结构化信息联合查询 相关专利推荐,专利检索与服务系

11、统的数据种类与规模,6亿多条 专利记录,多渠道异构 资源整合,100%查全率,1秒 响应时间,700-1000并发,724 稳定可靠,1万注册用户,专利检索引擎数据流转图,专利检索与服务系统-外观图像检索,专利图像外观检索,局部检索 形状检索 纹理检索 不变性特征检索 草图检索 数据分类 数据聚类 基于相关反馈的检索 跨语言检索,600万幅专利图片 查询性能从原来的分钟级提高到秒级 索引性能从原来的天级提高到现在的小时级,某部网监智能搜索和挖掘系统,系统特点： 巨大的数据量 多样性数据 数据极快速增长 系统现状 已经部署数千台服务器，满足了业务需求 挑战 性能和可扩展性 整合和调度,数据量远超

12、过互联网，目前部署TRS 系统2000多套,SMAS的用户,国家质检总局,2012.1 蒙牛致癌门,2012.2 苏泊尔质量门,2012.3 辽源注水肉,2012.3 315质量报告,2012.4 含氯可口可乐,2012.4 蜜饯质量问题,2012.5菲律宾香蕉质量,2012,仅在2012年上半年，xxx运营团队就为质检总局在产品质量、食品安全方面提供超过40余项服务，借助数据中心的大数据与云服务平台，进行全面的整合、统计与分析。,国家质检总局,质检总局的服务依托云服务平台（SMAS），从媒体调性、平台分布、网民意见、趋势发展等多种角度进行解析，结合系统的自动分析与分析团队的整合，最终以专题报

13、告的方式，第一时间呈现，为质检总局在公共服务的决策提供重要参考。,国家药监局,2012年4月15日央视曝光的“毒胶囊”事件掀起药品行业的巨大波澜，SMAS运营团队对该事件进行了长时间的跟踪与分析，并用一系列的数据、图表和报告捕获了网络数据里的真相与民意。,国家药监局,关键人物,传播趋势,主流观点,关键地区,SMAS分析团队连续30天跟踪毒胶囊事件，从整体传播趋势、观点、人物、地区等视角，还原了这起颇具影响力的公共事件。,-毒胶囊事件-,北京市环保局PM2.5分析,报 道 量 排 行,高,低,两会代表委员热议PM2.5 “京V”排放标准首规定PM限值,珠三角成首个公布PM2.5城市群 珠三角PM

14、2.5严重超标 环保局回应PM2.5数据质疑,借助数据中心的大数据与云服务平台，从区域分布的角度对PM2.5的相关信息进行归类，进行全面的整合、统计与分析，得到上图分析内容。,北京市环保局PM2.5分析,PM2.5均匀分布， 监测点为何 不均匀分布？,PM2.5监测不能 背离公众感受,PM2.5监测, 关键词是“真实”,20亿元清单， 能否换来清新？,微博TOP10意见领袖排行,作家,通过SMAS平台的抽样分析，提取网民热点话题内容，得到TOP10意见领袖排行。对意见领袖的代表性微博进行传播链分析，可知“意见领袖”巨大的传播影响力。,第一层,第二层,第三层,第四层,第五层,第六层,传播了712次 占转发数百分比：54.39%,传播了432次 占转发数百分比：33.00%,博主自身的二次转发,北京市环保局PM2.5分析,气象舆情监测,日本 核辐射,极端天气频发，有多少是人为之祸？公众对气象部门的气象服务有了全新的期待。,依托数据中心与云服务平台，xxx运营团队还原热点气象事件引发的网络舆情，总结气象部门应对气象危机的得失，为气象部门开拓气象服务新领