大数据关键技术有哪些？-十年科技

大数据关键技术有哪些？

大数据 2024-05-03 浏览(0) 评论(0)

- N +

一、大数据关键技术有哪些？

大数据关键技术涵盖数据存储、处理、应用等多方面的技术，根据大数据的处理过程，可将其分为大数据采集、大数据预处理、大数据存储及管理、大数据处理、大数据分析及挖掘、大数据展示等。

二、多媒体的关键技术是数据？

多媒体计算机的关键技术是解决视频、音频信号的获取和处理，包括多媒体数据的压缩编码和解码技术以及多媒体数据的输出技术。主要应用于通信、娱乐和计算机的融合，为解决电视数字化及高清晰度提供了切实可行的方案。多媒体计算机可制作DVD及影视音响设备，以及制作多媒体家庭网关。

三、传统数据采集的关键技术有哪些？

大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。

一、大数据采集技术

数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化（或称之为弱结构化）及非结构化的海量数据，是大数据知识服务模型的根本。

二、大数据预处理技术

主要完成对已接收数据的辨析、抽取、清洗等操作。1）抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。2）清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

三、大数据存储及管理技术

大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。

四、大数据分析及挖掘技术

大数据分析技术。改进已有数据挖掘和机器学习技术；开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术；突破基于对象的数据连接、相似性连接等大数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

六、大数据展现与应用技术

大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。

四、地理大数据分析的关键技术？

大数据技术是从各种类型的数据中快速获取有价值信息的技术。大数据领域出现了大量的新技术，它们已经成为大数据收集、存储、处理和呈现的有力武器。大数据处理的关键技术一般包括大数据收集、大数据预处理、大数据存储和管理、分析和挖掘、大数据收集、大数据预处理、大数据存储和管理、大数据的表示和应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。

五、高级数据库，数据仓库有哪些关键技术？

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。先大概列一下互联网行业数据仓库、数据平台的用途：

整合公司所有业务数据，建立统一的数据中心；

提供各种报表，有给高层的，有给各个业务的；

为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

开发数据产品，直接或间接为公司盈利；

建设开放数据平台，开放公司数据；

。。。。。。

上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；

其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；

建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。

整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：

逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。

我们从下往上看：

数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。

数据源的种类比较多：

网站日志：

作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，

一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；

业务数据库：

业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。

当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS

来自于Ftp/Http的数据源：

有可能一些合作伙伴提供的数据，需要通过Ftp/Http等定时获取，DataX也可以满足该需求;

其他数据源：

比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成

数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。

离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；

当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》

实时计算部分，后面单独说。

数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；

前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据；和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。

另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。

数据应用

业务产品

业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；

报表

同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；

即席查询

即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；

这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。

即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。

当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。

OLAP

目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；

这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；

比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。

其它数据接口

这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。

实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。

我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。

做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。

任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；

这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始；这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。

前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。

总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

六、数据处理和分析是大数据的关键技术之一？

　　一、大数据采集技术

　　数据采集是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化（或称之为弱结构化）及非结构化的海量数据，是大数据知识服务模型的根本。重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术；突破高速数据解析、转换与装载等大数据整合技术；设计质量评估模型，开发数据质量技术。

　　大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。重点攻克分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数据的网络传输与压缩技术，大数据隐私保护技术等。

　　二、大数据预处理技术

　　主要完成对已接收数据的辨析、抽取、清洗等操作。

　　1、抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。

　　2、清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

　　三、大数据存储及管理技术

　　大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文件系统（DFS）、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术；突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术；突破大数据索引技术；突破大数据移动、备份、复制等技术；开发大数据可视化技术。

　　开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指的是NoSQL数据库，分为：键值数据库、列存数据库、图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统以及NewSQL数据库。

　　开发大数据安全技术。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术；突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。

　　四、大数据分析及挖掘技术

　　数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘涉及的技术方法很多，有多种分类法。

　　根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；

　　根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web；

　　根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

　　从挖掘任务和挖掘方法的角度，着重突破：

　　1、可视化分析。数据可视化无论对于普通用户或是数据分析专家，都是最基本的功能。数据图像化可以让数据自己说话，让用户直观的感受到结果。

　　2、数据挖掘算法。图像化是将机器语言翻译给人看，而数据挖掘就是机器的母语。分割、集群、孤立点分析还有各种各样五花八门的算法让我们精炼数据，挖掘价值。这些算法一定要能够应付大数据的量，同时还具有很高的处理速度。

　　3、预测性分析。预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。

　　4、语义引擎。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。语言处理技术包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。

　　5、数据质量和数据管理。数据质量与管理是管理的最佳实践，透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。

　　五、大数据展现与应用技术

　　大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。

　　在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。例如：商业智能技术，政府决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统（道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统），大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。

　　大数据分析处理关键技术有哪些？中琛魔方大数据表示在不久的将来，智慧的时代将完全进入我们的生活，对未来有兴趣进入尖端产业的朋友们，可以收集到智慧的时代，及时获取人工智能、大数据、云计算和物联网的尖端信息和基础知识，让我们共同努力，引领人工智能的未来！

七、物联网三大关键技术？

物联网的三大关键技术分别为传感器技术、RFID 标签和嵌入式系统技术。

传感器技术是物联网中非常重要的一部分，它是实现物联网感知层的关键。传感器可以将物理世界中的各种信息转化为电信号或其他形式的信号，以便于计算机进行处理和分析。

RFID 标签是物联网中用于标识和识别物品的关键技术。RFID 标签可以通过无线电波与读写器进行通信，实现对物品的自动识别和跟踪。

嵌入式系统技术是实现物联网智能化的关键技术。嵌入式系统是一种嵌入到其他设备中的计算机系统，它可以实现对设备的控制、监测和管理。在物联网中，嵌入式系统可以实现对传感器和其他设备的控制和管理，实现智能化的应用。

这三大关键技术的发展和应用，为物联网的发展提供了坚实的技术基础，使得物联网在各个领域得到了广泛的应用。

八、什么是数据中心？为什么需要数据中心互联DCI？数据中心互联需要哪些关键技术？

数据中心互联（DCI）是一种实现多个数据中心之间互联互通的网络解决方案。数据中心是数字化转型的重要基础设施，随着云计算、大数据、人工智能的兴起，企业数据中心的应用日益广泛。为满足跨地域运营、用户接入、异地灾备等场景的需求，越来越多的组织和企业在不同地域部署多个数据中心，此时就需要将多个数据中心互联起来。

什么是数据中心？

随着产业数字化转型的持续发展，数据成为关键生产要素，而数据中心肩负着数据的计算、存储和转发的重任，是新基建中最关键的数字基础设施。现代数据中心主要包括以下核心部件：

计算系统，包括用于部署业务的通用计算模块和提供超强算力的高性能计算模块等。
存储系统，包括海量存储模块、数据管理引擎、存储专用网络等。
能源系统，包括供电模块、温控模块、IT管理模块等。
数据中心网络，负责联接数据中心内部通用计算、高性能计算和存储模块，它们之间的所有数据交互都要通过数据中心网络实现。

数据中心的构成示意图

其中，直接承接用户业务的是通用计算模块，它依赖的物理基本单元是大量的服务器。如果说服务器是数据中心运转的机体，那么数据中心网络就是数据中心的灵魂。

为什么需要数据中心互联？

目前，各类组织和企业的数据中心建设已经很普遍，但是单一的数据中心已经很难适应新时代的业务需求，迫切需要多数据中心互联。主要体现在以下几个方面。

业务规模快速增长

当前，云计算、智能化等新兴业务正在快速发展，相关的应用数量也在迅速增加，而这些应用都强依赖于数据中心。因此，数据中心所承接的业务规模在迅猛增长，单个数据中心的资源很快就会不足。受限于数据中心建设的占地和能源供应等因素，单个数据中心不可能无限扩容，当业务规模增长到一定程度时，就需要在同城或异地建设多个数据中心。此时，多个数据中心之间需要互联起来，协同配合完成业务的支撑。

此外，在经济数字化转型的大背景下，为了实现共同的商业成功，同一行业内以及不同行业的企业之间需要经常进行数据层面的共享、合作，这也要求不同企业的数据中心之间进行互联互通。

跨地域用户接入日益普遍

近年来，数据中心的业务已经从以Web服务为中心转变为以云服务、数据服务为中心，相关组织和企业的用户范围早已不受地域的限制。特别是在移动互联网非常普及的情况下，用户期望可以随时随地享受到高质量的服务。为了满足上述诉求，并进一步提升用户体验，具备条件的企业通常在不同的地域建设多个数据中心，从而方便跨地域用户的就近接入。这就要求业务部署可以跨数据中心，需要支持多数据中心互联。

跨地域用户接入

异地备份和容灾的刚性需求

如今，人们的日常工作越来越依赖于各种应用系统，这些应用系统的连续性依赖于数据中心系统的稳定运行。同时，数据安全、业务的可靠性和连续性也越来越被重视，备份和容灾已经成为了刚性需求。现实环境是一个充满不确定性和各类风险的环境，数据中心时刻面临着各种自然灾害、人为攻击、偶然事故等潜在的威胁，通过在异地部署多数据中心来提高业务连续性、健壮性以及数据的高可靠性和可用性，已逐步成为业界普遍认可的有效解决方案。要在不同数据中心之间部署备份和容灾方案，首先需完成数据中心的互联。

异地备份和容灾

数据中心虚拟化和资源池化的趋势

伴随着云计算商业模式的逐步成熟，各类应用和传统IT服务都在“上云”，云业务正在成为新的价值中心。因此，传统数据中心向云化数据中心的转变已经成为主流趋势。虚拟化和资源池化是云化数据中心的关键特征，其核心思想就是将数据中心的最小功能单元由物理主机转变为VM（Virtual Machine，虚拟机）。这些VM与物理位置无关，资源占用可弹性伸缩，而且支持跨服务器、跨数据中心自由迁移，从而实现数据中心内部以及跨数据中心的资源整合，形成统一的资源池，大幅度提升资源利用的灵活性和效率。而数据中心之间的互联是实现VM跨数据中心迁移的前提，因此，数据中心互联也是实现数据中心虚拟化和资源池化的重要环节。

虚拟化和资源池化

数据中心互联有哪些可选方案？

为了更好的满足云化数据中心的需求，许多数据中心网络解决方案应运而生，例如华为数据中心交换机（CloudEngine系列）、华为数据中心控制器（iMaster NCE-Fabric）、智能网络分析平台（iMaster NCE-FabricInsight），提供了以下两种推荐的数据中心互联方案。

端到端VXLAN方案

基于端到端VXLAN隧道的数据中心互联是指：多个数据中心的计算、网络都是统一的资源池，统一由一套云平台和一套iMaster NCE-Fabric集中管理，多个数据中心是统一的端到端VXLAN域，用户的VPC（Virtual Private Cloud，虚拟私有云）和子网可跨数据中心部署，可直接实现业务互通，其部署架构如下图所示。

端到端VXLAN方案架构示意图

该方案中，多数据中心之间需建立端到端的VXLAN隧道。如下图所示，首先要求数据中心之间Underlay路由互通；其次，在Overlay网络层面，两个数据中心的Leaf设备之间要部署EVPN。这样两端的Leaf设备通过EVPN协议发现彼此，并通过EVPN路由互相传递VXLAN封装信息，从而触发建立端到端的VXLAN隧道。

端到端VXLAN隧道示意图

该方案主要用于匹配Muti-PoD场景。PoD（Point of Delivery）是指一组相对独立的物理资源，Multi-PoD是指用一套iMaster NCE-Fabric管理多个PoD，多个PoD组成一个端到端的VXLAN域。这种场景适用于同城近距的、规模不大的多个数据中心的互联。

Segment VXLAN方案

基于Segment VXLAN隧道的数据中心互联是指：在多数据中心场景下，每个数据中心的计算、网络都是独立的资源池，分别由各自的云平台和iMaster NCE-Fabric独立管理，每个数据中心是一个独立的VXLAN域，数据中心之间需要再建立一个DCI VXLAN域才能实现互通。而且，用户的VPC和子网都在各自的数据中心内部署，因此，不同数据中心之间的业务互通还需更上层的云管理平台统一编排，其部署架构如下图所示。

Segment VXLAN方案架构示意图

该方案中，数据中心内部、数据中心之间都要分别建立VXLAN隧道。如下图所示，首先要求数据中心之间Underlay路由互通；其次，在Overlay网络层面，数据中心内部的Leaf设备与DCI网关之间，以及不同数据中心的DCI网关之间都要部署EVPN。这样相关设备通过EVPN协议发现彼此，并通过EVPN路由互相传递VXLAN封装信息，从而触发建立Segment VXLAN隧道。

Segment VXLAN隧道示意图

该方案主要用于匹配Multi-Site场景，该场景适用于位于不同地域的多个数据中心的互联，或者物理距离太远而无法被同一套iMaster NCE-Fabric管理的多个数据中心的互联。

数据中心互联需要哪些关键技术？

VXLAN在本质上属于一种隧道技术，能够在任意路由可达的网络上叠加二层虚拟网络，通过VXLAN网关实现VXLAN网络内部的互通，同时，也可以实现与传统的非VXLAN网络的互通。VXLAN采用MAC in UDP封装技术来延伸二层网络，将以太报文封装在IP报文之上，通过IP路由在网络中传输，中间设备无需关注VM的MAC地址；而且IP路由网络无网络结构限制，具备大规模扩展能力，使VM迁移不受网络架构限制。

EVPN是下一代全业务承载的VPN解决方案。EVPN统一了各种VPN业务的控制面，利用BGP扩展协议来传递二层或三层的可达性信息，实现了转发面和控制面的分离。随着数据中心网络的深入发展，EVPN和VXLAN已逐步融合起来。VXLAN引入EVPN协议作为控制面，从而弥补了VXLAN起初无控制面的不足；EVPN使用VXLAN作为公网隧道，从而使EVPN在数据中心互联等场景中得到了更加广泛的应用。

原作者：华为

原出处：数据中心互联是什么？数据中心互联有哪些方案？

数据中心互联DCI行业分析报告

更多内容敬请关注微信公号“光通信之家”

九、绿色建筑十大关键技术？

十大关键技术：

1 透水地面设计；

2 CFD环境优化设计；

3 建筑节能设计；

4 太阳能热水系统；

5 绿色照明系统；

6 雨水回用系统；

7 节水灌溉；

8 土建装修一体化；

9 高效暖通设备系统；

10 智能化系统。

十、智能电厂十大关键技术？

十大关键技术包括：

1.智能电网管理：智能电厂可以通过智能电网技术对电力进行高效、安全、可靠的管理，包括智能电表、智能调度、智能控制技术等。

2.智能燃烧技术：智能电厂可以通过燃烧优化、燃烧控制技术实现高效、环保的燃烧。

3.大数据处理技术：智能电厂可以通过大数据处理技术对电力生产、管理、监控进行全面优化。

4.智能运行监测：智能电厂可以通过人工智能技术对设备进行智能监测和管理，包括电力设备的运行状态、故障诊断、维护等方面。

5.智能废弃物处理：智能电厂可以通过废弃物处理技术实现废弃物的高效、安全处理，包括智能废弃物收集、智能废弃物处理、智能废弃物燃烧技术等。

6.智能能源管理：智能电厂可以通过智能能源管理技术对电力生产、消费进行全面优化，包括智能能源监测、智能能源分配、智能能源控制技术等。

7.智能安全控制：智能电厂可以通过智能安全控制技术实现电力系统的安全性和可靠性，包括智能安全防护系统、智能安全监测系统、智能安全隐患分析系统等。

8.智能环境控制：智能电厂可以通过智能环境控制技术实现电力系统的环境友好性。

9.智能人机交互：智能电厂可以通过智能人机交互技术实现电力系统的人机交互，包括智能电表、智能调度控制、智能监控等。

10.智能能源循环：智能电厂可以通过智能能源循环技术实现电力系统的可持续发展，包括智能能源储存、智能能源转换技术等。

上一篇：数据制造的优点？

下一篇：大数据白皮书2014

十年科技推荐阅读：

大数据分析的方法？