智能支持。 2.2 MSTP 平台的原理 MSTP 的实现基础是充分利用 SDH 技术对传输业务数据流提供 保护恢复能力和较小的延时性能，并针对网络业务支撑层加以改造， 将传送节点与各种业务节点融合在一起，完成传送网和业务网一体 化，为用户提供具有灵活调整带宽和以太网接入功能，接入速率在 2Mbps 到 1000Mbps 之间的数据专线 MSTP 平台的功能特点 (1) 端到端带宽保证， 传送可靠， 业务安全性高； (2) 带宽灵活配置： 可根据需求增加或减少带宽， 而不需频繁更换 用户端设备， 网络调整更方便； (3) 支持 VLAN 划分功能对数据进行分离， 提供以太网接入， 不需 购买 ATM 或 POS 板卡， 不需占用更多的槽位， 成本低， 接入方便； (4) 支持网络边缘节点到中心节点的汇聚调度， 支持多业务承载

　　气象信息传输网络肩负着提供天气、 气候、 生态与农业、 雷电、 综 预报服务等多种关系民生数据的重要任务。为了保障气象数 合观测、 据的不间断传输， 经过调研和调试， 阿克苏气象局利用 MSTP 平台完 成了区、 县三级网络系统的建设， 地、 大幅度提高了信息与技术保障体 系对气象信息监测预警服务的支撑能力，

　　结构化信息仍在继续增长。随着企业将更多的数据和业务流程移向 公共和私有云， 这一局面变得更加复杂。 海 量 交 互 数 据 ： 这 一 新 生 力 量 由 源 于 Facebook、 Twitter、 LinkedIn 及其他来源的社交媒体数据构成。它包括了呼叫详细记录 ） 设备和传感器信息、 GPS 和地理定位映射数据、 通过管理文 （CDR 、 件传输 （Manage File Transfer 协议传送的海量图像文件、 ） Web 文本 和点击流数据、 科学信息、 电子邮件等等。 海量数据处理：大数据的涌现已经催生出了设计用于数据密集 型处理的架构， 例如具有开放源码、 在商品硬件群中运行的 Apache 难题在于以具备成本效益的方式快速可靠 Hadoop。对于企业来说， 地从 Hadoop 中存取数据。 定义二： 大数据包括 A、 C 三个要素 B、 大数据意 如何理解大数据？NetApp 大中华区总经理陈文认为， 味着通过更快获取信息来使做事情的方式变得与众不同，并因此实 现突破。大数据被定义为大量数据 （通常是非结构化的 ， ） 它要求我们 管理和恢复数据。 重新思考如何存储、 那么， 多大才算大呢？考虑这个问题的一种方式就是， 它是如此 之大， 以至于我们今天所使用的任何工具都无法处理它， 因此， 如何 消化数据并把它转化成有价值的洞见和信息，这其中的关键就是转 变。 基于从客户那里了解的工作负载要求， NetApp 所理解的大数据 包括 A、 C 三 个 要 素 ： 析 B、 分 （Analytic） 带 宽 、 （Bandwidth ）和 内 容 ） （Content 。 1.大分析 （Big Analytics ） 帮助获得洞见， 指的是对巨大数据集进行实时分析的要求， 它能 带来新的业务模式， 更好的客户服务， 并实现更好的结果。 2.高带宽 （Big Bandwidth ） 帮助走得更快， 指的是处理极端高速的关键数据的要求。它支持 快速有效地消化和处理大型数据集。 3.大内容 （Big Content ） 不丢失任何信息，指的是对于安全性要求极高的高可扩展的数 而 据存储， 并能够轻松实现恢复。它支持可管理的信息内容存储库， 不只是存放过久的数据， 并且能够跨越不同的大陆板块。 大数据是一股突破性的经济和技术力量，它为 IT 支持引入了新 的基础架构。 大数据解决方案消除了传统的计算和存储的局限。 借助 于不断增长的私密和公开数据， 一种划时代的新商业模式正在兴起， 它有望为大数据客户带来新的实质性的收入增长点以及富于竞争力 的优势。(中关村在线)

　　文： 涂兰敬 多年前， 业界就在讨论一个话题： 如何应对海量数据？ 特别是一些 需要存储大量用户数据的行业， 金融、 电信、 保险等热门行业。用户几 乎在一天的每个小时， 都有可能产生大量数据， 这些行业的存储设备， 随着数据量的迅速增 必须要将期间产生的数据一丝不苟地记录下来。 加， 很多行业用户开始想办法变 “数” 为宝， 从海量数据中挖掘有价值 的信息。 如果仅仅是海量的结构性数据，那么解决的办法就比较单一， 用 户通过购买更多的存储设备，提高存储设备的效率等解决此类问题。 然而， 当人们发现数据库中的数据可以分为三种类型： 结构性数据、 非 结构性数据以及半结构性数据等复杂情况时， 问题似乎就没有那么简 单了。 体量是指聚合在一起供分析的数据量必须是非常庞大的。 而速度则是指数据处理的速度必须很快。 并非总是说有数百个 TB 才算得上。根据实际使用情 “大数据” 况， 有时候数百个 GB 的数据也可称为大数据， 这主要要看它的第三 个维度， 也就是速度或者时间维度。 Garter 表示， 全球信息量正在以 59%以上的年增长率增长， 而量 是在管理数据、 业务方面的显著挑战， 领袖必须侧重在信息量、 IT 种类 和速度上。 量： 企业系统内部的数据量的增加是由交易量、 其他传统数据类 型和新的数据类型引发的。过多的量是一个存储的问题， 但过多的数 据也是一个大量分析的问题。 种类： 领袖在将大量的交易信息转化为决策上一直存在困扰， IT 现在有更多类型的信息需要分析， 主要来自社交媒体和移动 （情景感 知 。种类包括表格数据 ） （数据库 、 ） 分层数据、 文件、 电子邮件、 计量数 当类型复杂的数据汹涌袭来时，对于用户 IT 系统的冲击又会是 另外一种处理方式。 很多业内专家和第三方调查机构通过一些市场调 这些复杂数据中有 查数据发现， 大数据时代即将到来。有调查发现， 85%的数据属于广泛存在于社交网络、 物联网、 电子商务等之中的非 结构化数据。这些非结构化数据的产生往往伴随着社交网络、 移动计 算和传感器等新的渠道和技术的不断涌现和应用。 如今大数据的概念也存在着很多的炒作和大量的不确定性。为 此， 编者向一些业内专家详细了解了有关方面的问题。 有人将多 TB 数据集也称作“大数据” 。据市场研究公司 IDC 统 计， 数据使用预计将增长 44 倍， 全球数据使用量将达到大约 35.2ZB （1ZB=10 亿 TB 。然而， ） 单个数据集的文件尺寸也将增加， 导致对更 大处理能力的需求以便分析和理解这些数据集。 EMC 曾经表示， 它的 1000 多个客户在其阵列中使用 1PB （千兆 兆 以上的数据， ） 这个数字到 2020 年将增长到 10 万。一些客户在一 两年内还将开始使用数千倍多的数据， （1 艾字节 =10 亿 GB 或 1EB ） 者更多的数据。 对大企业而言， 大数据的兴起部分是因为计算能力可用更低的成 本获得， 且各类系统如今已能够执行多任务处理。 其次， 内存的成本也 在直线下降， 企业可以在内存中处理比以往更多的数据。另外是把计 算机聚合成服务器集群越来越简单。IDC 认为， 这三大因素的结合便 催生了大数据。同时， 还表示， IDC 某项技术要想成为大数据技术， 首 先必须是成本可承受的， 其次是必须满足 IBM 所描述的三个 “V” 判据 中的两个： 多样性(variety)、 体量(volume)和速度(velocity)。 多样性是指数据应包含结构化的和非结构化的数据。 Informatica 中国区首席产品顾问但彬认为： 大数据” “ 包含了 “海 量数据” 的含义， 而且在内容上超越了海量数据， 简而言之， 大数据” “ 是 “海量数据” 复杂类型的数据。 但彬进一步指出： 大数据包括交易和交互数据集在内的所有数据 集，其规模或复杂程度超出了常用技术按照合理的成本和时限捕捉、 管理及处理这些数据集的能力。 大数据由三项主要技术趋势汇聚组成： 海量交易数据：在从 ERP 应用程序到数据仓库应用程序的在线 ） 传统的关系数据以及非结构化和半 交易处理 （OLTP 与分析系统中， 定义一： 大数据 = 海量数据 复杂类型的数据 尽管 “Big Data” 可以翻译成大数据或者海量数据， 但大数据和海 量数据是有区别的。 据、 视频、 静态图像、 音频、 股票行情数据、 金融交易和其他更多种类。 速度： 这涉及到数据流、 结构化记录的创建， 以及访问和交付的可 速度意味着正在被生成的数据有多快和数据必须被多快地处理 用性。 以满足需求。 虽然大数据是一个重大问题， Gartner 分析师表示， 真正的问题是 让大数据更有意义， 在大数据里面寻找模式帮助组织机构做出更好的 商业决策。