项目计划书(version10).docVIP

健康大数据项目 规划建议书 Authorizedforissueby: 签名(Signature) 日期(Date) 签名(Signature) 日期(Date) 东北大学计算机应用技术研究所 2014年10月26日 Version1.1  关于本文档 文档信息 文档名称 健康大数据项目规划建议书 作者 杨雷 审批者  说明 文件名称 修订历史(REVISIONHISTORY) Rev Section Type Date Author Remarks 1.0 All New 杨雷 项目前期准备、技术路线以、人员安排及总体规划 内容范围 本文档的目的是为了健康大数据项目。 适用的对象 本文档仅适用健康大数据项目。 目录 1 术语表 2 2 项目架构设计 3 2.1 总体架构 3 2.2 阶段目标分解 4 3 技术路线 5 3.1 2. 离线计算 Hadoop 5 3.2 Hadoop家族学习路线图 7 术语表 对本文档中所使用的各种术语进行说明。如果一些术语在需求规格说明书中已经说明过了，此处不用再重复，可以指引读者参考需求说明。  项目架构设计 总体架构 阶段目标分解 了解开发技术-开发应用-通过应用开发总结平台功能-完成平台搭建及工具开发-开发示范应用 时间范围 技术目标 应用目标 2014.11-2015.3 搭建基础运行环境 研究大数据处理技术 调试demo程序 调研应用需求、业务模式 系统功能初步设计 2015.3-2015.7 搭建基础运行环境 设计应用场景 开发典型应用 总结开发技术 完善功能设计 2015.8-2015.12 平台关键功能技术攻关 总结应用开发过程 凝聚平台模块功能 确定技术难点 2016.1-2016.9 平台功能模块开发 调研应用需求、业务模式 调研荣科示范模式，完善设计 2016.9-2016-12 平台功能模块开发 基于平台开发应用 平台模块完善 调研应用需求、业务模式 2017.1-2017.12 完善功能 开发示范应用 协助应用示范 技术路线 目前大数据处理的基本路线较为清晰，两类计算框架 在线计算（strom/spark） 离线计算（hadoop/MapReduce） 2. 离线计算 Hadoop Hadoop家族产品 Apache?Hadoop: 是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。 Apache?Hive: 是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 Apache?Pig: 是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。 Apache HBase: 是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。 Apache Sqoop: 是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。 Apache Zookeeper: 是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务 Apache?Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。 Apache?Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身 Apache?Avro: 是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制 Apache?Ambari: 是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。 Apache?Chukwa: 是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合 Hadoop 处理