传统大数据存储的架构有哪些?

传统架构与大数据架构

传统架构和大数据架构是两种不同的IT架构。传统架构主要关注如何提高系统性能和稳定性，而大数据架构则注重数据处理和分析能力。本文将从以下几个方面，对传统架构和大数据架构进行简单的比较和介绍。

1. 数据存储方式

传统架构通常采用关系数据库管理系统(RDBMS)作为数据存储和管理工具。这种方式的优点是容易理解和使用，能够提供强大的数据安全性和完整性。然而，RDBMS 在处理大型数据时存在瓶颈，难以扩展和满足大数据量实时查询的需求。

大数据架构则常常采用分布式存储系统，例如类别的Hadoop生态系统（HDFS、HBase、Spark等）。这种分布式存储系统可以方便地管理大量数据，并且能够扩展并行性能，满足以读写为中心的大规模数据存储和计算需求。

2. 工作负载

传统架构的工作负载是相对稳定和可预测的。例如，一个银行系统大部分时间只处理存款、提款、查询余额等操作，不会出现大量非常规操作。所以传统架构更注重如何提供高性能和高可用性，保证系统的稳定性。

大数据架构的工作负载则不一样。它们通常涉及大量的数据采集、存储、处理和分析，例如批处理、数据挖掘、机器学习等任务。这些工作负载对系统的可扩展性、容错性和实时性有很高的要求。因此，大数据架构更注重数据分散，分析并发处理，甚至在某些情况下接受牺牲部分数据一致性来换取更高的性能。

3. 架构处理模式

传统架构通常采用ACID处理模式，这意味着原子性、一致性、隔离性和持久性是保证数据安全的重要途径。ACID处理模式确保数据事务的完整性和正确性。但是这样的方式无法满足后来的业务需要，如更高的并发、更大的数据容量等。

大数据架构则通常采用CAP或者BASE模式，并且侧重保证高可用性和可伸缩性。C表示一致性、A表示可用性、P表示分区容忍性；BASE模式则指基本可用、软状态、最终一致性。这两种处理模式均接受数据不一致的风险，但是可以提供更快的响应时间和更好的性能。

4. 处理思路

传统架构和大数据架构的处理思路不同。传统架构通常采用先进先出（FIFO）的思路，即先处理最早到达的请求或者事务。这种方式缺乏灵活性和优化机制，难以适应新的需求和变化。

大数据架构则通常采用数据分散的处理思路，即将数据分散到不同的计算容器中，在容器内并发处理数据。这种方式可以提供更高的并发性和更好的水平伸缩性，提高了吞吐量和整体性能。

结语

传统架构和大数据架构都有自己的优点和局限性，根据不同的业务需求和场景选择不同的架构方式非常重要。需要在高效性、可扩展性、容错性等指标上进行权衡，同时注意安全性和数据真实性问题。未来，随着大数据技术的发展和逐渐普及，大数据架构将有更加重要的作用。