數(shù)據(jù)存儲(chǔ)曾經(jīng)是大數(shù)據(jù)的***挑戰(zhàn)。由于云計(jì)算基礎(chǔ)設(shè)施的進(jìn)步，存儲(chǔ)數(shù)據(jù)不再是關(guān)鍵問(wèn)題。如今，數(shù)據(jù)科學(xué)家所面臨的***問(wèn)題是數(shù)據(jù)收集。

集群化使得大數(shù)據(jù)分析更容易。然而，集群也給數(shù)據(jù)工程師帶來(lái)了必須解決的問(wèn)題。

什么是數(shù)據(jù)集群?

數(shù)據(jù)集群的概念可追溯到至少20年前。美國(guó)俄亥俄州立大學(xué)計(jì)算機(jī)科學(xué)和工程系教授Anil Kumar Jain博士在他的白皮書(shū)之一中對(duì)這一術(shù)語(yǔ)進(jìn)行了很好的描述：

“集群是模式(觀察，數(shù)據(jù)項(xiàng)或特征向量)到組(集群)的無(wú)監(jiān)督分類(lèi)。集群?jiǎn)栴}在許多領(lǐng)域和許多學(xué)科的研究人員那里都得到了解決;這反映了其廣泛的吸引力和實(shí)用性，作為探索性數(shù)據(jù)分析的步驟之一。然而，集群的組合是一個(gè)困難的問(wèn)題，不同社區(qū)的假設(shè)和背景差異使得有用的通用概念和方法的傳遞變得緩慢。“

換句話說(shuō)，數(shù)據(jù)工程師使用集群來(lái)識(shí)別原始數(shù)據(jù)中的趨勢(shì)和模式。他們需要將其分解成群集。

數(shù)據(jù)集群的主要挑戰(zhàn)是什么?

自從大數(shù)據(jù)的概念誕生以來(lái)，集群一直是一個(gè)挑戰(zhàn)。這個(gè)問(wèn)題源于數(shù)據(jù)量和處理限制。拉巴特大學(xué)列出了大數(shù)據(jù)集群的首要關(guān)注點(diǎn)。

(1) 數(shù)量

大多數(shù)網(wǎng)絡(luò)上存儲(chǔ)的數(shù)據(jù)量呈指數(shù)級(jí)增長(zhǎng)。隨著數(shù)據(jù)量的增加，提取數(shù)據(jù)變得更加困難。備份數(shù)據(jù)也可能放大這些問(wèn)題。

(2) 速度

數(shù)據(jù)生成的速度是數(shù)據(jù)科學(xué)家面臨的另一個(gè)集群挑戰(zhàn)。這個(gè)問(wèn)題不僅限于網(wǎng)絡(luò)上的數(shù)據(jù)量。當(dāng)網(wǎng)絡(luò)以***的速度生成新數(shù)據(jù)時(shí)，他們將很難實(shí)時(shí)地提取它。

造成的問(wèn)題是雙重的：

• 新的模式將不斷地從已知的數(shù)據(jù)集涌現(xiàn)。數(shù)據(jù)分析師可能認(rèn)為他們很難從數(shù)據(jù)中得出準(zhǔn)確的結(jié)論，而事實(shí)上，他們的分析更能代表他們所建模的問(wèn)題。他們可能不知道什么時(shí)候分析他們現(xiàn)有的數(shù)據(jù)集，以及何時(shí)等待收集更多的數(shù)據(jù)。
• 如果數(shù)據(jù)的創(chuàng)建速度比提取的它速度快，那么當(dāng)他們?cè)噲D收集數(shù)據(jù)時(shí)，趨勢(shì)可能會(huì)發(fā)生變化。

隨著網(wǎng)絡(luò)使用物聯(lián)網(wǎng)(IoT)從更多的設(shè)備收集數(shù)據(jù)，他們能夠以更快的速度收集數(shù)據(jù)，問(wèn)題將會(huì)越來(lái)越嚴(yán)重。

(3) 品種

集群數(shù)據(jù)存儲(chǔ)在許多不同的表單中，這使得很難進(jìn)行精確的比較。有些數(shù)據(jù)以結(jié)構(gòu)化格式存儲(chǔ)，而其他數(shù)據(jù)集可能是完全非結(jié)構(gòu)化的。

如何解決這些問(wèn)題?

有各種各樣的工具和策略可以簡(jiǎn)化抽取和分析集群數(shù)據(jù)的過(guò)程。

(1) K均值集群

K均值集群方法是一種基于分組的解決方案，需要網(wǎng)絡(luò)將對(duì)象分配給一個(gè)集群。這消除了單個(gè)對(duì)象可能通過(guò)出現(xiàn)在多個(gè)數(shù)據(jù)集中而偏離分析的擔(dān)心。

(2) 無(wú)監(jiān)督分類(lèi)算法

無(wú)監(jiān)督分類(lèi)算法是基于預(yù)定義參數(shù)合并非常大的數(shù)據(jù)集的數(shù)據(jù)挖掘工具。這是處理日益增長(zhǎng)的數(shù)據(jù)量的一個(gè)很好的解決方案，特別是使用強(qiáng)大的Hadoop工具。

(3) COALA

COALA使用實(shí)例級(jí)約束來(lái)避免類(lèi)似分組引起的問(wèn)題。不需要滿足100%的約束條件。

(4) 降低維度

每個(gè)數(shù)據(jù)有兩個(gè)維度：

• 變量
• 實(shí)例

隨著變量數(shù)量的增加，總數(shù)據(jù)量呈指數(shù)增長(zhǎng)?？梢酝ㄟ^(guò)使用降低維度策略(也就是所謂的降維變換)來(lái)緩解問(wèn)題。

確定數(shù)據(jù)集群挑戰(zhàn)的新解決方案

數(shù)據(jù)集群是解決存儲(chǔ)大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)所帶來(lái)的許多問(wèn)題的解決方案。然而，這不是一個(gè)可靠的解決方案，因?yàn)閿?shù)據(jù)仍然需要盡可能快速準(zhǔn)確地被訪問(wèn)和分析。幸運(yùn)的是，有一些很好的工具和方法可以簡(jiǎn)化流程。