-
大数据在医疗领域的应用
大数据顾名思义就是拥有海量的数据，并且因为既有大量性、多样性、 快速性、价值和真实这五大特性被应用在各个领域。本文讲了大数据在医疗领域的技术层面、业务层面的应用。
-
大数据平台的两种建设路径对比
一个完善的大数据平台要如何构建？我们立刻会想到各种组件Hive、Spark、Flink……大数据平台涉及的组件众多，上下游关系复杂，需要支持的业务可以说是多种多样，如果团队强大，有实力、有时间，选择自己构建一定不会错！
-
Kafka给大数据运维留下了多少坑？
滴滴大数据 DKafka 集群，基于社区 2.12-0.10.2.0 版本。在运维过程中，遇到了不少痛点，如磁盘 IO 不均、存储容量不均、CPU 利用率不均等负载不均问题，尤其是在高峰期出现瓶颈或故障发生后，想要快速扩容止损成为了一个棘手的问题。
-
金融行业大数据容器化混部难点分析
关于大数据平台物理部署和容器化部署，在系统运行稳定性方面，很多人自然会理解物理部署系统稳定性肯定会好于容器化部署，其实只要容器化大数据作业管理组件设计好HA机制，在稳定性层面和传统部署并没有什么区别。只有容器化提供同样的稳定性，业务才愿意迁移作业到容器化集群里。
-
B站内核隔离技术的应用与实践之大数据混部篇
随着B站大数据业务的高速发展，各类业务资源需求也随之快速增长。与此同时，大数据集群有效的资源利用率低于预期，究其原因主要有以下两点，
-
大数据与人工智能初了解
人工智能的核心是机器学习，其他人工智能技术基本上都在它的基础上发展和进化。简单来说，机器学习就是计算机模仿人类的学习过程和学习行为，从以往的数据或经验中获取新的知识或技能，优化自身性能，并对未来进行预测。
-
B站内核隔离技术的应用与实践之大数据混部篇
随着B站大数据业务的高速发展，各类业务资源需求也随之快速增长。与此同时，大数据集群有效的资源利用率低于预期，究其原因主要有以下两点，业务出于性能、稳定性考量会向平台申请过量的系统资源，导致平台不会调度更多任务上来运行。对于高低优任务资源隔离能力不足导致有竞争时，高优任务受影响甚至被误杀。
-
微信云原生大数据平台构建及落地实践
微信大数据平台架构的演进，从早期的自研资源调度平台到基于Kubernetes的云原生大数据平台。探讨了大数据上云基础建设，包括计算框架接入Kubernetes的不同方案、统一接入策略、Pod设计、大数据配套能力、运行日志持久化、外部访问、计算组件云环境适配等。
-
大数据平台与云原生技术的发展与演进
需求催生技术革新，在海量数据需求的推动下，数据平台架构持续演进，经过数十年的发展，历经了数据库、数据仓库、数据湖、湖仓一体等概念。
-
如何做一个好的大数据平台架构
可扩展性意味着为满足日益增长的用户服务需求，同时不用对底层架构或者代码，可以通过现有机器添加内存或者磁盘资源来实现(垂直扩展)，或者可以通过在集群中添加机器实现(水平扩展)。
