女人被狂躁到高潮呻吟小说,蜜桃成人网,女人与公豬交交30分钟视频,久久无码精品一区二区三区,浓毛老太交欧美老妇热爱乱

中國移動研究院常耀斌:商用大數據平臺的研發(fā)之路

我是中國移動研究院的資深架構師常耀斌。2007年,我加入中國電科,參與并主導設計的“全軍一體化指揮作戰(zhàn)平臺”榮獲國家科技進步特等獎。2009年,我出任華為云第一代架構師,帶領團隊研制并運營了國內首個公有云平臺?;厥?0年多的科研工作歷程,也是中國經濟高速發(fā)展的10多年,中國高鐵、核電、航空、互聯網、云計算、大數據、人工智能等領域無不銘刻著“中國名片”,這就是科技是第一生產力的實踐驗證!2007年,獲得北郵計算機工學碩士后信心滿滿的踏上了科研之路,一干就是十多年,有苦有淚有艱辛,但收獲的是一種為國家科技發(fā)展能奉獻和敢擔當的責任感。

今天,又一次站在了移動互聯網這個朝陽產業(yè)的跑道上,和諸多大數據和人工智能的世界級大咖共商創(chuàng)新發(fā)展!2012年加入中國移動集團研究院,擔任資深大數據專家和研究員,主攻大數據和人工智能平臺架構設計和關鍵技術研究,并多次受邀在大數據行業(yè)和主流峰會進行學術交流,在見證我的學生們歷練為BAT/TMD的技術專家同時,也悄然實現著我的技術夢想-讓高科技研發(fā)標準化和平民化。今天有幸分享商用大數據平臺研發(fā)經驗,讓大數據知識圖譜在各位的腦海里轉起來,并形成商用產品的作戰(zhàn)體系,這是“作為架構師,何謂正確?”的行動基礎。我分享四大部分:知識分類,系統架構,核心技術,經驗分享。具體如下:

大數據知識結構歸類:

* 文件存儲:

Hadoop HDFS、Tachyon、KFS

* 離線計算:

Hadoop MapReduce、Spark

* 流式、實時計算:

Storm、Spark Streaming

* K-V、NOSQL數據庫:

HBase、Redis、MongoDB

* 資源管理:

YARN、Mesos

* 日志收集:

Flume、Scribe、Logstash、Kibana

* 消息系統:

Kafka、StormMQ、ZeroMQ、RabbitMQ

* 查詢分析:

Hive、Impala、Pig、SparkSQL、Flink

* 分布式協調服務:

Zookeeper

* 集群管理與監(jiān)控:

Ambari、Ganglia、Nagios、Cloudera Manager

* 數據挖掘、機器學習:

Mahout、Spark MLLib

* 數據同步:

Sqoop

* 任務調度:

Oozie

知識匯總及系統架構形成:

以物聯網大數據平臺的架構為例,圍繞著這條主線:基礎架構-》離線分析-》離線遷移-》離線同步-》實時計算-》實時交換-》實時調度-》實時存儲-》智能分析。

核心技術(10個單元)

第一單元:基礎架構-Hadoop的破冰之旅

Hadoop是一個由Apache基金會所開發(fā)的分布式系統基礎架構。Hadoop是實現了真正意義上的去“IOE”,尤其是開啟了擺脫國外高科技公司的全球壟斷時代,讓全球用戶可以輕松地在免費的Hadoop上開發(fā)和運行處理海量數據的應用程序。建議先把Hadoop集群構建起來,具體操作見我的博客:https://blog.csdn.net/peter_changyb/article/details/81195920。它主要有以下幾個優(yōu)點:

* 高可靠性。

Hadoop按位存儲和處理數據的能力值得人們信賴。

* 高擴展性。

Hadoop是在可用的計算機集簇間分配數據并完成計算任務的,這些集簇可以方便地擴展到數以千計的節(jié)點中。

* 高效性。

Hadoop能夠在節(jié)點之間動態(tài)地移動數據,并保證各個節(jié)點動態(tài)平衡,因此處理速度非???。

* 高容錯性。

Hadoop能夠自動保存數據的多個副本,并且能夠自動將失敗的任務重新分配。

Hadoop可以算是大數據存儲和計算的開山鼻祖,現在大多開源的大數據框架都依賴Hadoop或者與它能很好的兼容。具備如下:

* Hadoop 1.0、Hadoop 2.0

* MapReduce、HDFS

* NameNode、DataNode

* JobTracker、TaskTracker

* Yarn、ResourceManager、NodeManager

1.1 HDFS是Hadoop的關鍵技術所在

HDFS目錄操作命令;上傳、下載文件命令;提交運行MapReduce示例程序;打開Hadoop WEB界面,查看Job運行狀態(tài),查看Job運行日志。知道Hadoop的系統日志在哪里。

1.2 了解并行計算的核心原理

MapReduce:分而治之的優(yōu)秀思想;HDFS:數據分片和數據復制為核心的技術。數據到底在哪里,什么是副本;

Yarn如何用分層管理思想革命性的改變了MapReduce的核心架構?NameNode職責?;Resource Manager職責?

1.3 親自寫MapReduce程序

第二單元:離線分析

2.1 SQL On Hadoop之Hive

什么是Hive?官方解釋如下:The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.

數據倉庫物理上是數據庫,邏輯上倉庫。有兩個特點:海量數據、相對穩(wěn)定的;相對穩(wěn)定,指很少會被更新和刪除,只會被大量查詢。而Hive,也是具備這兩個特點,因此,Hive適合做海量數據的數據倉庫工具,而不是數據庫工具。Hive核心技術講解參見我的博客 https://blog.csdn.net/Peter_Changyb/article/details/81977665

2.2 安裝配置Hive

2.3 使用Hive

2.4 Hive核心原理

2.5 Hive的基本命令:

創(chuàng)建、刪除表;加載數據到表;下載Hive表的數據,需要你掌握如下技能:

* MapReduce的原理;

* HDFS讀寫數據的流程;

* 學會查看日志解決問題;

* 會SELECT、WHERE、GROUP BY等SQL語句;

* Hive SQL轉換成MapReduce的關鍵流程;

* Hive中常見的語句:創(chuàng)建表、刪除表、往表中加載數據、分區(qū)、將表中數據下載到本地;

第三單元:離線遷移

3.1 HDFS PUT操作

put命令在實際環(huán)境中也比較常用,通常配合shell、python等腳本語言來使用。

3.2 HDFS API調用

HDFS提供了寫數據的API,自己用編程語言將數據寫入HDFS,put命令本身也是使用API。實際環(huán)境中一般自己較少編寫程序使用API來寫數據到HDFS,通常都是使用其他框架封裝好的方法。比如:Hive中的INSERT語句,Spark中的saveAsTextfile等。

3.3 Sqoop遷移工具

Sqoop是一個主要用于Hadoop/Hive與傳統關系型數據庫,Oracle、MySQL、SQLServer等之間進行數據交換的開源框架。就像Hive把SQL翻譯成MapReduce一樣,Sqoop把你指定的參數翻譯成MapReduce,提交到Hadoop運行,完成Hadoop與其他數據庫之間的數據交換。自己下載和配置Sqoop。了解Sqoop常用的配置參數和方法。使用Sqoop完成從MySQL同步數據到HDFS;使用Sqoop完成從MySQL同步數據到Hive表;如果后續(xù)選型確定使用Sqoop作為數據交換工具,那么建議熟練掌握,否則,了解和會用Demo即可。Sqoop導入Hbase核心代碼見我的技術博客https://blog.csdn.net/Peter_Changyb/article/details/82557741

3.4 Flume分布式采集框架

Flume是一個分布式的海量日志采集和傳輸框架,因為“采集和傳輸框架”,所以它并不適合關系型數據庫的數據采集和傳輸。Flume可以實時的從網絡協議、消息系統、文件系統采集日志,并傳輸到HDFS上。因此,如果你的業(yè)務有這些數據源的數據,并且需要實時的采集,那么就應該考慮使用Flume。下載和配置Flume。使用Flume監(jiān)控一個不斷追加數據的文件,并將數據傳輸到HDFS;Flume的配置和使用較為復雜,如果你沒有足夠的興趣和耐心,可以先跳過Flume。核心技術參見我的技術博客https://blog.csdn.net/Peter_Changyb/article/details/81213997

第四單元:離線同步

Hive和MapReduce進行分析了。那么接下來的問題是,分析完的結果如何從Hadoop上同步到其他系統和應用中去呢?其實,此處的方法和第三章基本一致的。

4.1 HDFS GET命令

把HDFS上的文件GET到本地。

4.2 HDFS API

4.3 Sqoop

使用Sqoop完成將HDFS上的文件同步到MySQL;使用Sqoop完成將Hive表中的數據同步到MySQL。

4.4 DataX

DataX 是一個異構數據源離線同步工具,致力于實現包括關系型數據庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構數據源之間穩(wěn)定高效的數據同步功能。之所以介紹這個,是因為我們公司目前使用的Hadoop與關系型數據庫數據交換的工具,就是之前基于DataX開發(fā)的,非常好用。現在DataX已經是3.0版本,支持很多數據源。DataX本身作為離線數據同步框架,采用Framework + plugin架構構建。將數據源讀取和寫入抽象成為Reader/Writer插件,納入到整個同步框架中。三個核心模塊要理解。Reader:Reader為數據采集模塊,負責采集數據源的數據,將數據發(fā)送給Framework。Writer: Writer為數據寫入模塊,負責不斷向Framework取數據,并將數據寫入到目的端。Framework:Framework用于連接reader和writer,作為兩者的數據傳輸通道,并處理緩沖,流控,并發(fā),數據轉換等核心技術問題。

第五單元:實時計算

Spark對MapReduce做了大量的改進和優(yōu)化,主要包括以下個方面:

1)磁盤I/O的讀寫優(yōu)化:

中間結果緩存在內存中:隨著實時大數據應用越來越多,Hadoop作為離線的高吞吐、低響應框架已不能滿足這類需求。Hadoop MapReduce的map端將中間輸出和結果存儲在磁盤中,reduce端又需要從磁盤讀寫中間結果,從而造成磁盤I/O成為瓶頸。Spark則允許將map端的中間輸出和結果緩存在內存中,從而使得reduce端在拉取中間結果時避免了大量的磁盤I/O;應用程序上傳的資源文件緩存在Driver本地文件服務的內存中:Hadoop YARN中的ApplicationMaster申請到Container后,具體任務需要利用NodeManager從HDFS的不同節(jié)點下載任務所需的資源(如Jar包),增加了磁盤I/O。Spark則將應用程序上傳的資源文件緩存在Driver本地文件服務的內存中,當Executor執(zhí)行任務時直接從Driver的內存中讀取,從而節(jié)省了大量的磁盤I/O。

2)任務的并行處理優(yōu)化:

由于將中間結果寫到磁盤與從磁盤讀取中間結果屬于不同的環(huán)節(jié),Hadoop將它們簡單地通過串行執(zhí)行銜接起來。而Spark則把不同的環(huán)節(jié)抽象為Stage,允許多個Stage既可以串行執(zhí)行,又可以并行執(zhí)行。

3)任務調度中的資源過濾:

當Stage中某個分區(qū)的Task執(zhí)行失敗后,會重新對此Stage調度,但在重新調度的時候會過濾已經執(zhí)行成功的分區(qū)任務,所以不會造成重復計算和資源浪費。

4)Shuffle排序:

Hadoop MapReduce在Shuffle之前會將中間結果按key的hash值和key值大小進行兩層排序,確保分區(qū)內部的有序性。而Spark則可以根據不同場景選擇在map端排序還是reduce端排序。

5)內存管理優(yōu)化:

Spark將內存分為堆上的存儲內存、堆外的存儲內存、堆上的執(zhí)行內存、堆外的執(zhí)行內存4個部分。Spark既提供了執(zhí)行內存和存儲內存之間固定邊界的實現,又提供了執(zhí)行內存和存儲內存之間“軟”邊界的實現。Spark默認使用“軟”邊界的實現,執(zhí)行內存或存儲內存中的任意一方在資源不足時都可以借用另一方的內存,最大限度地提高資源的利用率,減少對資源的浪費。Spark由于對內存使用的偏好,內存資源的多寡和使用率就顯得尤為重要,為此Spark的內存管理器提供的Tungsten實現了一種與操作系統的內存Page非常相似的數據結構,用于直接操作操作系統內存,節(jié)省了創(chuàng)建的Java對象在堆中占用的內存,使得Spark對內存的使用效率更加接近硬件。Spark會給每個Task分配一個配套的任務內存管理器,對Task粒度的內存進行管理。Task的內存可以被多個內部的消費者消費,任務內存管理器對每個消費者進行Task內存的分配與管理,因此Spark對內存有著更細粒度的管理。核心技術參考我的博客https://blog.csdn.net/Peter_Changyb/article/details/81904066

5.1 關于Spark和SparkSQL

什么是Spark,什么是SparkSQL。Spark有的核心概念及名詞解釋。SparkSQL和Spark是什么關系,SparkSQL和Hive是什么關系。SparkSQL為什么比Hive跑的快。

5.2 如何部署和運行SparkSQL

Spark有哪些部署模式?如何在Yarn上運行SparkSQL?使用SparkSQL查詢Hive中的表。Spark不是一門短時間內就能掌握的技術,因此建議在了解了Spark之后,可以先從SparkSQL入手,循序漸進。關于Spark和SparkSQL,如果你認真完成了上面的學習和實踐,此時,你的”大數據平臺”應該是這樣的。

第六單元:實時交換

在實際業(yè)務場景下,特別是對于一些監(jiān)控日志,想即時的從日志中了解一些指標,這時候,從HDFS上分析就太慢了,盡管是通過Flume采集的,但Flume也不能間隔很短就往HDFS上滾動文件,這樣會導致小文件特別多。為了滿足數據的一次采集、多次消費的需求,這里要說的便是Kafka。

6.1 關于Kafka

什么是Kafka?Kafka的核心概念及名詞解釋。

6.2 如何部署和使用Kafka

使用單機部署Kafka,并成功運行自帶的生產者和消費者例子。使用Java程序自己編寫并運行生產者和消費者程序。Flume和Kafka的集成,使用Flume監(jiān)控日志,并將日志數據實時發(fā)送至Kafka。

這時,使用Flume采集的數據,不是直接到HDFS上,而是先到Kafka,Kafka中的數據可以由多個消費者同時消費,其中一個消費者,就是將數據同步到HDFS。

* 為什么Spark比MapReduce快。

* 使用SparkSQL代替Hive,更快的運行SQL。

* 使用Kafka完成數據的一次收集,多次消費架構。

* 自己可以寫程序完成Kafka的生產者和消費者。

第七單元:實時調度

不僅僅是分析任務,數據采集、數據交換同樣是一個個的任務。這些任務中,有的是定時觸發(fā),有點則需要依賴其他任務來觸發(fā)。當平臺中有幾百上千個任務需要維護和運行時候,僅僅靠crontab遠遠不夠了,這時便需要一個調度監(jiān)控系統來完成這件事。調度監(jiān)控系統是整個數據平臺的中樞系統,類似于AppMaster,負責分配和監(jiān)控任務。

7.1 Apache Oozie

1. Oozie是什么?有哪些功能?當你的系統引入了spark或者hadoop以后,基于Spark和Hadoop已經做了一些任務,比如一連串的Map Reduce任務,但是他們之間彼此右前后依賴的順序,因此你必須要等一個任務執(zhí)行成功后,再手動執(zhí)行第二個任務。

* Oozie是管理Hadoop作業(yè)的工作流調度系統

* Oozie的工作流是一系列的操作圖,Oozie協調作業(yè)是通過時間(頻率)以及有效數據觸發(fā)當前的Oozie工作流程

* Oozie是針對Hadoop開發(fā)的開源工作流引擎,專門針對大規(guī)模復雜工作流程和數據管道設計

* Oozie圍繞兩個核心:工作流和協調器,前者定義任務的拓撲和執(zhí)行邏輯,后者負責工作流的依賴和觸發(fā)。

2. Oozie可以調度哪些類型的任務(程序)?

3. Oozie可以支持哪些任務觸發(fā)方式?

4. 安裝配置Oozie。

7.2 其他開源的任務調度系統

Azkaban,light-task-scheduler,Zeus,等等。另外,我這邊是之前單獨開發(fā)的任務調度與監(jiān)控系統。

第八單元:實時處理

在介紹Kafka的時候提到了一些需要實時指標的業(yè)務場景,實時基本可以分為絕對實時和準實時,絕對實時的延遲要求一般在毫秒級,準實時的延遲要求一般在秒、分鐘級。對于需要絕對實時的業(yè)務場景,用的比較多的是Storm,對于其他準實時的業(yè)務場景,可以是Storm,也可以是Spark Streaming。

8.1 Storm

1. 什么是Storm?有哪些可能的應用場景?

2. Storm由哪些核心組件構成,各自擔任什么角色?

3. Storm的簡單安裝和部署。

4. 案例實戰(zhàn)參見我的技術博客https://blog.csdn.net/Peter_Changyb/article/details/82380603

8.2 Spark Streaming

1. 什么是Spark Streaming,它和Spark是什么關系?

2. Spark Streaming和Storm比較,各有什么優(yōu)缺點?

3. 使用Kafka + Spark Streaming,完成實時計算的Demo程序。

第九單元:實時存儲

HBase屬于存儲層,是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統,可在廉價PC Server上搭建起大規(guī)模結構化存儲集群。Hbase依托于很多框架和工具。其中,Hadoop HDFS為HBase提供了高可靠性的底層存儲支持,Hadoop MapReduce為HBase提供了高性能的計算能力,Zookeeper為HBase提供了穩(wěn)定服務和failover機制。Pig和Hive還為HBase提供了高層語言支持,使得在HBase上進行數據統計處理簡單快捷。Sqoop為HBase提供了方便的RDBMS數據導入功能,使得傳統數據庫數據向HBase中遷移更靈活。

HBase的 Client客戶端借助HBase的RPC機制與HMaster和HRegionServer進行通信,Zookeeper Quorum中除了存儲了-ROOT-表的地址和HMaster的地址,HRegionServer也注冊到Zookeeper中,使得HMaster可以隨時感知到各個HRegionServer的存活狀態(tài)。HMaster解決了單點故障問題,HBase中可以啟動多個HMaster,通過Zookeeper的Master Election機制保證總有一個Master運行,HMaster在功能上主要負責Table和Region的管理工作,包括管理用戶對Table的增、刪、改、查操作,管理HRegionServer的負載均衡,調整Region分布,在Region Split后負責新Region的分配,在HRegionServer停機后負責失效HRegionServer 上的Regions遷移。

HRegionServer職責是負責響應用戶I/O請求,向HDFS文件系統中讀寫數據,屬于HBase中最核心的模塊。它內部管理了一系列HRegion對象,每個HRegion對應了Table中的一個Region,HRegion中由多個HStore組成。每個HStore對應了Table中的一個Column Family的存儲,每個Column Family就是一個集中的存儲單元,設計師最好將具備共同IO特性的column放在一個Column Family中,一般來說,我們只設置一個Column Family。HStore存儲是HBase存儲的核心,其中由兩部分組成,一是MemStore,二是StoreFiles。MemStore是Sorted Memory Buffer,用戶寫入的數據首先會放入MemStore,當MemStore滿了以后會Flush成一個StoreFile(底層實現是HFile),當StoreFile文件數量增長到一定閾值,會觸發(fā)Compact合并操作,將多個StoreFiles合并成一個StoreFile,合并過程中會進行版本合并和數據刪除,所以HBase其實只有增加數據,所有的更新和刪除操作都是在后續(xù)的compact過程中進行的,這使得用戶的寫操作只要進入內存中就可以立即返回,保證了HBase I/O的高性能。

第十單元:智能分析

機器學習核心技術參見我的技術博客https://blog.csdn.net/Peter_Changyb/article/details/82347169。常用的機器學習解決的問題有三類:

* 分類問題:

包括二分類和多分類,二分類就是解決了預測的問題,就像預測一封郵件是否垃圾郵件;多分類解決的是文本的分類;

* 聚類問題:

從用戶搜索過的關鍵詞,對用戶進行大概的歸類。

* 推薦問題:

根據用戶的歷史瀏覽和點擊行為進行相關推薦。

經驗分享

總之,對商用大數據平臺而言,我們要考慮應用場景,用戶規(guī)模和數據處理能力,以及未來3年的目標等。在應用場景的設計中,會考慮業(yè)務和技術的結合度量,業(yè)務的規(guī)模和流程設計。用戶規(guī)模和數據處理能力,會考慮技術選型和架構設計。具體要考慮架構設計。架構中重要的核心指標:性能、可用性、伸縮性、擴展性的等。

一、性能

性能就是核心要素之一,具體如下:

* CDN加速

* 反向代理

* 分布式緩存

* 異步化:

通過分布式消息隊列來實現削峰的目的。通過業(yè)務配合技術來解決問題。

* 集群:

采用集群也是服務虛擬化的一個體現。用以避免單點問題,同時提供更加高可用,高性能的服務。

* 代碼優(yōu)化:

多線程中,如果是密集型計算,線程數不宜超過CPU核數。如果是IO處理,則線程數=[任務執(zhí)行時間/(任務執(zhí)行時間-IO等待時間)] * CPU核數。除此之外,我們應該將對象設計成無狀態(tài)對象,多采用局部對象,適當將鎖細化。進行資源復用。比如采用單例模式,比如采用連接池。合理設置JVM參數。

* 存儲性能優(yōu)化:

關系型數據庫的索引采用B+樹進行實現。而很多的nosql數據庫則采用了LSM樹進行存儲。LSM在內存中保留最新增刪改查的數據,直到內存無法放下,則與磁盤的下一級LSM樹進行merge。所以對于寫操作較多,而讀操作更多的是查詢最近寫入數據的場景,其性能遠高于b+樹;采用HDFS結合map reduce進行海量數據存儲和分析。其能自動進行并發(fā)訪問和冗余備份,具有很高的可靠性。其等于是實現了RAID的功能。

* 數據訪問接口優(yōu)化:

數據庫層其實是最脆弱的一層,一般在應用設計時在上游就需要把請求攔截掉,數據庫層只承擔“能力范圍內”的訪問請求,所以,我們通過在服務層引入隊列和緩存,讓最底層的數據庫高枕無憂。

二、高可用性

衡量一個系統架構設計是否滿足高可用的目標,就是假設系統中任何一臺或者多臺服務器宕機時,以及出現各種不可預期的問題時,系統整體是否依然可用。一般就三個手段、冗余、集群化、分布式。高可用的主要手段就是冗余,應用部署在多臺服務器上同時提供服務,數據存儲在多臺服務器上相互備份。安全服務是指計算機網絡提供的安全防護措施,包括認證服務、訪問控制、數據機密性服務、數據完整性服務和不可否認服務。特定的安全機制是用來實施安全服務的機制,包括加密機制、數據簽名機制、訪問控制機制、數據完整性機制、認證交換機制、流量填充機制、路由控制機制和公證機制。普遍性的安全機制不是為任何特定的服務而特設的,屬于安全管理方面,分為可信功能度、安全標記、事件檢測、安全審計跟蹤和安全恢復。

三、高擴展性

擴展性指對現有系統影響最小的情況下,系統功能可持續(xù)擴展或提升的能力。表現在系統基礎設施穩(wěn)定不需要經常變更,應用之間較少依賴和耦合,當系統增加新功能時,不需要對現有系統的結構和代碼進行修改。擴展性依賴于前期良好的架構設計。合理業(yè)務邏輯抽象,水平/垂直切割分布式化等等。可擴展架構的主要手段是事件驅動架構和分布式服務。事件驅動通常利用消息隊列實現,通過這種方式將消息生產和處理邏輯分隔開。服務器服務則是將業(yè)務和可復用服務分離開來,通過分布式服務框架調用。新增加產品可用通過調用可復用的服務來實現自身的業(yè)務邏輯,而對現有產品沒有任何影響。

四、高伸縮性

服務盡量同構。DB、cache在考慮分布式時盡量提前設計好擴展方案。也可以采用一些主流的對水平伸縮支持較好的nosql、memcached、hbase等。

免責聲明:本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網站出現的信息,均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性,但不保證有關資料的準確性及可靠性,讀者在使用前請進一步核實,并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏,概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時,應及時向本網站提出書面權利通知或不實情況說明,并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后,將會依法盡快聯系相關文章源頭核實,溝通刪除相關內容或斷開相關鏈接。

2019-03-26
中國移動研究院常耀斌:商用大數據平臺的研發(fā)之路
中國移動研究院常耀斌:商用大數據平臺的研發(fā)之路,我是中國移動研究院的資深架構師常耀斌。2007年,我加入中國電科,參與并主導設計的全軍一體化指揮作戰(zhàn)

長按掃碼 閱讀全文