基于大数据的智能审计平台研究

19

·2014年 第12期·

电信工程技术与标准化

C H I N A M O B I L E N E T W O R K A N

D I N F O R M AT I O N S

E C U R I T Y C O L U M N

基于大数据的智能审计平台研究

王欢，许暖，沈波

（中国移动通信集团安徽有限公司，合肥 230061）

摘　要　审计平台是信息安全管理工作的基础运维平台，随着公司业务系统的不断增多、业务逻辑日益复杂，各类审

计数据成几何级别的增长，传统的审计平台面对大数据的审计职能已经捉襟见肘。本文探讨了通过采用大数据分析技术，重构传统的审计平台，提升审计效率。

关键词　安全；大数据；审计；搜索；solr；Hadoop

中图分类号 TN918 文献标识码 A 文章编号 1008-5599（2014）12-0019-04

收稿日期：2014-11-22

1 背景介绍

随着接入4A 审计系统外系统逐渐增多，原有优化方案在数据库存储上采用分布式部署、分库、分表等方式已不能满足应用系统业务逻辑复杂、审计数据量庞大（要求标准化后的审计信息在60 s 内得到查询结果）、审计分析策略复杂、审计报表导出耗时较长等日益增长的现实问题。从传统技术角度解决大数据背景下的问题已无法在高效益低成本的前提下做出较好的解决方案，经过部门调研在众多可选择的提升方案中，我们选择Solr （企业级搜索应用服务器）和Hadoop（基于大数据分布式服务）技术与4A 审计管理平台整合，从技术框架进行优化和摒弃，最终解决安徽移动4A 安全系统建设面临的由审计日志量逐渐递增、审计日志基数过大而产生的报表分析导出过慢、日志查询性能不佳等突出问题。

为解决审计日志在大数据量下查询效率低下以及审计数据筛选出具报表耗时的问题，在实现架构上做了如下调整：由传统关系型数据库查询技术过渡到审计日志

全文搜索技术的解决方案；由根据筛选策略直接在数据库上进行数据筛选匹配导出报表过渡到将审计日志推送到Hadoop 大数据分布式策略分析集群，分布式并行进行策略分析、数据筛选、筛选结果入库、导出数据的流程。经过上述架构优化调整后，将提高的审计日志搜索性能、满足报表快速生成的需求，同时解决了传统关系型数据库数据搜索性能（RDBMS 要兼顾查询和DML 效率必有取舍）发展瓶颈问题，大大减轻了数据库运行压力。最终实现审计日志搜索和分析的性能提升、实现工作效率提升和经济成本节约。

2 技术方案及关键点

2.1 技术方案

基于大数据的审计平台不同于传统的审计平台，对数据检索和分析的性能要求大大提升，用以往传统的通过扫表、读库的方式进行数据筛选已经远远不能适应目前大数据的数据能力分析。而目前流行的Solr 全文搜索

大数据平台技术要求 1.技术构架需求 采用平台化策略，全面建立先进、安全、可靠、灵活、方便扩展、便于部署、操作简单、易于维护、互联互通、信息共享的软件。 技术构架的基本要求： ?采用多层体系结构，应用软件系统具有相对的独立性，不依赖任何特定的操作系统、特定的数据库系统、特定的中间件应用服务器和特定的硬 件环境，便于系统今后的在不同的系统平台、不同的硬件环境下安装、 部署、升级移植，保证系统具有一定的可伸缩性和可扩展性。 ?实现B（浏览器）/A（应用服务器）/D（数据库服务器）应用模式。 ?采用平台化和构件化技术，实现系统能够根据需要方便地进行扩展。2. 功能指标需求 2.1基础平台 本项目的基础平台包括：元数据管理平台、数据交换平台、应用支撑平台。按照SOA的体系架构，实现对我校数据资源中心的服务化、构件化、定制化管理。 2.1.1元数据管理平台 根据我校的业务需求，制定统一的技术元数据和业务元数据标准，覆盖多种来源统计数据采集、加工、清洗、加载、多维生成、分析利用、发布、归档等各个环节，建立相应的管理维护机制，梳理并加载各种元数据。 具体实施内容包括： ●根据业务特点，制定元数据标准，要满足元数据在口径、分类等方面的 历史变化。 ●支持对元数据的管理，包括：定义、添加、删除、查询和修改等操作，

支持对派生元数据的管理，如派生指标、代码重新组合等，对元数据管 理实行权限控制。 ●通过元数据，实现对各类业务数据的统一管理和利用，包括： ?基础数据管理：建立各类业务数据与元数据的映射关系，实现统一的 数据查询、处理、报表管理。 ?ETL：通过元数据获取ETL规则的描述信息，包括字段映射、数据转 换、数据转换、数据清洗、数据加载规则以及错误处理等。 ?数据仓库：利用元数据实现对数据仓库结构的描述，包括仓库模式、 视图、维、层次结构维度描述、多维查询的描述、立方体（CUBE）的 结构等。 ●元数据版本控制及追溯、操作日志管理。 2.1.2数据交换平台 结合元数据管理模块并完成二次开发，构建统一的数据交换平台。实现统计数据从一套表采集平台，通过数据抽取、清洗和转换等操作，最终加载到数据仓库中，完成整个数据交换过程的配置、管理和监控功能。 具体要求包括： ●支持多种数据格式的数据交换，如关系型数据库：MS-SQLServer、MYSQL、 Oracle、DB2等；文件格式：DBF、Excel、Txt、Cvs等。 ●支持数据交换规则的描述，包括字段映射、数据转换、数据转换、数据 清洗、数据加载规则以及错误处理等。 ●支持数据交换任务的发布与执行监控，如任务的执行计划制定、定期执 行、人工执行、结果反馈、异常监控。 ●支持增量抽取的处理方式，增量加载的处理方式； ●支持元数据的管理，能提供动态的影响分析，能与前端报表系统结合， 分析报表到业务系统的血缘分析关系； ●具有灵活的可编程性、模块化的设计能力，数据处理流程，客户自定义 脚本和函数等具备可重用性； ●支持断点续传及异常数据审核、回滚等交换机制。

大数据可视化分析平台 一、背景与目标 基于邳州市电子政务建设的基础支撑环境，以基础信息资源库（人口库、法人库、宏观经济、地理库）为基础，建设融合业务展示系统，提供综合信息查询展示、信息简报呈现、数据分析、数据开放等资源服务应用。实现市府领导及相关委办的融合数据资源视角，实现数据信息资源融合服务与创新服务，通过系统达到及时了解本市发展的综合情况，及时掌握发展动态，为政策拟定提供依据。 充分运用云计算、大数据等信息技术，建设融合分析平台、展示平台，整合现有数据资源，结合政务大数据的分析能力与业务编排展示能力，以人口、法人、地理，人口与地理，法人与地理，实现基础展示与分析，融合公安、交通、工业、教育、旅游等重点行业的数据综合分析，为城市管理、产业升级、民生保障提供有效支撑。 二、政务大数据平台 1、数据采集和交换需求：通过对各个委办局的指定业务数据进行汇聚，将分散的数据进行物理集中和整合管理，为实现对数据的分析提供数据支撑。将为跨机构的各类业务系统之间的业务协同，提供统一和集中的数据交互共享服务。包括数据交换、共享和ETL 等功能。 2、海量数据存储管理需求：大数据平台从各个委办局的业务系统里抽取的数据量巨大，数据类型繁杂，数据需要持久化的存储和访问。不论是结构化数据、半结构化数据，还是非结构化数据，经过数据存储引擎进行建模后，持久化保存在存储系统上。存储系统要具备高可靠性、快速查询能力。 3、数据计算分析需求：包括海量数据的离线计算能力、高效即

席数据查询需求和低时延的实时计算能力。随着数据量的不断增加，需要数据平台具备线性扩展能力和强大的分析能力，支撑不断增长的数据量，满足未来政务各类业务工作的发展需要，确保业务系统的不间断且有效地工作。 4、数据关联集中需求：对集中存储在数据管理平台的数据，通过正确的技术手段将这些离散的数据进行数据关联，即：通过分析数据间的业务关系，建立关键数据之间的关联关系，将离散的数据串联起来形成能表达更多含义信息集合，以形成基础库、业务库、知识库等数据集。 5、应用开发需求：依靠集中数据集，快速开发创新应用，支撑实际分析业务需要。 6、大数据分析挖掘需求：通过对海量的政务业务大数据进行分析与挖掘，辅助政务决策，提供资源配置分析优化等辅助决策功能，促进民生的发展。

大数据分析平台的需求报告 提供统一的数据导入工具，数据可视化工具、数据校验工具、数据导出工具和公共的数据查询接口服务管理工具是建立大数据分析平台的方向。 一、项目范围的界定 没有明确项目边界的项目是一个不可控的项目。基于大数据分析平台的需求，需要考虑的问题主要包括下面几个方面： （1）业务边界：有哪些业务系统的数据需要接入到大数据分析平台。 （2）数据边界：有哪些业务数据需要接入大数据分析平台，具体的包括哪些表，表结构如何，表间关系如何（区别于传统模式）。 （3）功能边界：提供哪些功能，不提供哪些功能，必须明确界定，该部分详见需求分析； 二、关键业务流程分析 业务流程主要考虑包括系统间数据交互的流程、传输模式和针对大数据平台本身涉及相关数据处理的流程两大部分。系统间的数据交互流程和模式，决定了大数据平台的架构和设计，因此必须进行专项分析。大数据平台本身需要考虑的问题包括以下几个方面： 2.1 历史数据导入流程 2.2 增量数据导入流程 2.3 数据完整性校验流程

2.4 数据批量导出流程 2.5 数据批量查询流程 三、功能性需求分析 3.1.历史数据导入3.1.1 XX系统数据3.1.1.1 数据清单 (3) 3.1.1.2 关联规则 (3) 3.1.1.3 界面 (3) 3.1.1.4 输入输出 (3) 3.1.1.5 处理逻辑 (3) 3.1.1.6 异常处理 (3) 3.2 增量数据导入3.3 数据校验 3.4 数据导出 3.5 数据查询 四、非功能性需求 4.1 性能

4.2 安全性 4.3 可用性 … 五、接口需求 5.1 数据查询接口 5.2 批量任务管理接口 5.3 数据导出接口 六、集群需求 大数据平台的技术特点，决定项目的实施必须考虑单独的开发环境和生产环境，否则在后续的项目实施过程中，必将面临测试不充分和性能无法测试的窘境，因此前期需求分析阶段，必须根据数据规模和性能需求，构建单独的开发环境和生产环境。 6.1开发环境 6.1.1 查询服务器 6.1.2 命名服务器 6.1.3 数据服务器 6.2 生产环境 6.2.1 查询服务器

工程大数据分析平台 随着大数据时代来临、无人驾驶和车联网的快速发展，汽车研发部门需要处理的数据量激增、数据类型不断扩展。相关数据涵盖车内高频CAN 数据和车外ADAS 视频非结构化数据、位置地理空间数据、车辆运营数据、用户CRM 数据、WEB 数据、APP 数据、和MES 数据等。 在此背景下，整车厂研发部门关心的是：如何将企业内部的研发、实验、测试、生产数据，社会用户的用车数据，互联网第三方数据等结合起来，将异构数据和同构数据整合到一起，并在此基础上，实现业务系统、分析系统和服务系统的一体化；怎样利用深度的驾驶员行为感知、智能的车辆预防性维护、与实时的环境状态交互，通过大数据与机器学习技术，建立面向业务服务与产品持续优化的车联网智能分析；最终利用数据来为产品研发、生产、销售、售后提供精准的智能决策支撑。这些都是整车厂在大数据时代下亟待解决的问题。 针对这一需求，恒润科技探索出以EXCEEDDATA 大数据分析平台为核心的汽车工程大数据整体解决方案。借助EXCEEDDATA 大数据分析平台，企业可以集成、处理、分析、以及可视化海量级别的数据，可实现对原始数据的高效利用，并将原始数据转化成产品所需的智能，从而改进业务流程、实现智慧决策的产业升级。 产品介绍: ●先进的技术架构 EXCEEDDATA 采用分布式架构、包含集成处理（ETL）与分析挖掘两大产品功能体系，共支持超过20 多个企业常见传统数据库和大数据源系统，超过50 多个分析处理算法、以及超过丰富的可视化智能展现库。用户可以自主的、灵活的将各种来源的原始数据与分析处

理串联应用，建立科学的数据模型，得出预测结果并配以互动的可视化智能，快速高效的将大数据智能实现至业务应用中。 平台包括分布式大数据分析引擎、智能终端展示、以及API。大数据分析引擎为MPP 架构，建立在开源的Apache Hadoop 与Apache Spark 之上，可简易的scale-out 扩展。在分析引擎的基础上包含数据源库、数据转换匹配器、数据处理操作库、机器学习算法库、可视化图形库等子模块。智能终端展示为行业通用的B/S 架构，用户通过支持跨操作系统和浏览器的HTML5/JS 界面与API 来与平台互动。

探索大数据和人工智能最全试题 1、2012年7月,为挖掘大数据的价值,阿里巴巴集团在管理层设立()一职,负责全面推进“数据分享平台”战略,并推出大型的数据分享平台。 A首席数据官 B.首席科学家 C.首席执行官 D.首席架构师 2、整个MapReduce的过程大致分为Map、Shuffle、Combine、()? A. Reduce B.Hash C. Clean D. Loading 3、在Spak的软件栈中,用于交互式查询的是 A. SparkSQL B.Mllib C.GraphX D. Spark Streaming 4、在数据量一定的情况下, MapReduce是一个线性可扩展模型,请问服务器数量与处( )理时间是什么关系? A数量越多处理时间越长

B.数量越多处理时间越短 C.数量越小处理时间越短 D.没什么关系 5、下列选项中,不是kafka适合的应用场景是? A.日志收集 B.消息系统 C.业务系统 D.流式处理 6、大数据的多样性使得数据被分为三种数据结构,那么以下不是三种数据结构之一的是 A.结构化数据 B.非结构化数据 C.半结构化数据 D.全结构化数据 7、下列选项中,不是人工智能的算法中的学习方法的是? A.重复学习 B.深度学习 C.迁移学习 D.对抗学习

8、自然语言处理难点目前有四大类,下列选项中不是其中之一的是 A.机器性能 B.语言歧义性 C.知识依赖 D.语境 9、传統的机器学习方法包括监督学习、无监督学习和半监督学习,其中监督学习是学习给定标签的数据集。请问标签为离散的类型,称为分类,标签为连续的类型,称为什么? A.给定标签 B.离散 C.分类 D.回归 10、中国移动自主研发、发布的首个人工智能平台叫做() A.九天 B. OneNET C.移娃 D.大云 11、HDFS中Namenodef的Metadata的作用是? A.描述数据的存储位置等属性 B.存储数据

大数据平台技术要求 1. 技术构架需求 采用平台化策略，全面建立先进、安全、可靠、灵活、方便扩展、便于部署、操作简单、易于维护、互联互通、信息共享的软件。 技术构架的基本要求： 采用多层体系结构，应用软件系统具有相对的独立性，不依赖任何特定的操作系统、特定的数据库系统、特定的中间件应用服务器和特定的硬 件环境，便于系统今后的在不同的系统平台、不同的硬件环境下安装、 部署、升级移植，保证系统具有一定的可伸缩性和可扩展性。 实现B（浏览器）/A（应用服务器）/D（数据库服务器）应用模式。 采用平台化和构件化技术，实现系统能够根据需要方便地进行扩展。2. 功能指标需求 2.1基础平台 本项目的基础平台包括：元数据管理平台、数据交换平台、应用支撑平台。按照SOA的体系架构，实现对我校数据资源中心的服务化、构件化、定制化管理。 2.1.1元数据管理平台 根据我校的业务需求，制定统一的技术元数据和业务元数据标准，覆盖多种来源统计数据采集、加工、清洗、加载、多维生成、分析利用、发布、归档等各个环节，建立相应的管理维护机制，梳理并加载各种元数据。 具体实施内容包括： ●根据业务特点，制定元数据标准，要满足元数据在口径、分类等方面的 历史变化。 ●支持对元数据的管理，包括：定义、添加、删除、查询和修改等操作，

支持对派生元数据的管理，如派生指标、代码重新组合等，对元数据管 理实行权限控制。 ●通过元数据，实现对各类业务数据的统一管理和利用，包括： ?基础数据管理：建立各类业务数据与元数据的映射关系，实现统一 的数据查询、处理、报表管理。 ?ETL：通过元数据获取ETL规则的描述信息，包括字段映射、数据转 换、数据转换、数据清洗、数据加载规则以及错误处理等。 ?数据仓库：利用元数据实现对数据仓库结构的描述，包括仓库模式、 视图、维、层次结构维度描述、多维查询的描述、立方体（CUBE） 的结构等。 ●元数据版本控制及追溯、操作日志管理。 2.1.2数据交换平台 结合元数据管理模块并完成二次开发，构建统一的数据交换平台。实现统计数据从一套表采集平台，通过数据抽取、清洗和转换等操作，最终加载到数据仓库中，完成整个数据交换过程的配置、管理和监控功能。 具体要求包括： ●支持多种数据格式的数据交换，如关系型数据库：MS-SQLServer、MYSQL、 Oracle、DB2等；文件格式：DBF、Excel、Txt、Cvs等。 ●支持数据交换规则的描述，包括字段映射、数据转换、数据转换、数据 清洗、数据加载规则以及错误处理等。 ●支持数据交换任务的发布与执行监控，如任务的执行计划制定、定期执 行、人工执行、结果反馈、异常监控。 ●支持增量抽取的处理方式，增量加载的处理方式； ●支持元数据的管理，能提供动态的影响分析，能与前端报表系统结合， 分析报表到业务系统的血缘分析关系； ●具有灵活的可编程性、模块化的设计能力，数据处理流程，客户自定义 脚本和函数等具备可重用性； ●支持断点续传及异常数据审核、回滚等交换机制。

2019年基于大数据和人工智能的视频云平台项目可行性研究报告

目录 一、大数据和人工智能的视频云平台项目概况 (3) 二、项目实施的必要性 (3) （1）行业发展与新技术融合的现实需求 (3) （2）顺应市场发展趋势，增强企业竞争力的需要 (4) ①提升资源使用效率 (4) ②为数据的融通提供可能 (5) ③解决海量视频图像信息大数据和人工智能处理的算力问题 (5) ④开放的云模式构建繁荣生态 (5) ⑤更为强大的智能化功能 (6) 三、项目实施对企业未来盈利能力的影响 (6) 四、项目实施对偿债能力和资本结构的影响 (6) 五、项目投资概算 (6) 六、项目建设期及实施进度 (7)

一、大数据和人工智能的视频云平台项目概况 企业计划在现有智能视频产品研发中心基础上组建基于大数据和人工智能的视频云平台开发团队，开发新一代视频云平台产品，提供对结构化、非结构化数据的统一存储、查询、分析和二次加工能力。 新一代视频云平台将利用云计算、大数据、智能视频等新技术升级改造现有视频图像监控系统，有效解决视频图像数据采集整合、价值信息提取、数据结构化处理及存储应用模式变革等问题，建设云架构下视频信息应用平台，为安防实战应用提供服务支撑。通过本项目的开发，企业将进一步提升服务于平安城市、雪亮工程和智慧城市项目的能力，满足市场发展需求，新一代视频云平台的具体建设内容包括：视频云基础设施平台、SVAC视音频数据解析平台、SVAC结构化大数据平台以及丰富多样的业务应用系统。 二、项目实施的必要性 新一代视频云平台产品有助于进一步提升中星技术的技术领先地位，保持企业在行业中的竞争力。 同时可以为政府、公安用户实现从网络监控向智能监控的迁移，扩大企业在平安城市、雪亮工程和智慧城市的市场份额，带动企业收入和利润的不断增长。 （1）行业发展与新技术融合的现实需求 云计算、物联网、大数据以及人工智能等创新技术的不断发展，推动着安防行业与IT技术愈发紧密的融合，云安防时代即将到来。

现在，公众安全的配置，网络系统的安全、信息中心，信息安全系统持续不断的发展和改革的扩展，迫切需要各种信息应用系统，灵活，高效的资源和云计算平台，以有效整合公共安全的各种信息资源，提高公安系统的稳定性、可扩展的，安全性。本文就为大家介绍一下大数据智能分析软件。 目前，互联网正在经历新一轮的信息技术变革，如物联网、移动互联网、云计算等。新技术往往是信息技术安全性的方法和推动变革的重要引擎，已成为公安信息资源战役的重要组成部分，也带给了整个社会管理创新显著变化。 “警务大数据分析系统”是一项非常具有创新性的公安管理建设，“警务”的改变在推动变为由“管制型”往“服务型公安”。这是经过近几年的发展，它变得越来越明显的特点是数字信息网络，提高了人、警、事的一个互动力，警务功能相互作用的能力随着智能化程度的提高和工作负荷传递的智能化程度的提高，“公安大数据分析系统”的建设已成为现代信息技术革命的时代潮流。 公安部正在推动的“扁平化指挥模式”是尽量降低指挥水平。现有的智能信息管理的优化，减少了中间环节，提高了快速反应能力，提高教学和减少战斗中，响应时间缩小一线部门和时空机制之间的距离。 并基于电信运营商、交管部门、数据中心融合空间采集、公安部门、社会公众的移动位

置等数据形成大数据环境，建立大数据分析平台，支持警情处理、宏观决策、情报分析等大数据专题应用。 大数据系统项目的信息分析的主要目标：建立密集的信息技术支持系统；建立专业的警察命令和战斗团队；建立扁平、快速的指挥调度体系等。 南京西三艾电子系统工程有限公司被评选为2012年度“中国100家具发展潜力品牌企业”、“中国杰出创新企业”等荣誉称号。公司96%的员工为大学本科或以上学历，还有多名离退休的高级工程师做为本公司的技术顾问。

一般的大数据平台从平台搭建到数据分析大概包括以下几个步骤： 1、Linux系统安装 一般使用开源版的Redhat系统--CentOS作为底层平台。为了提供稳定的硬件基础，在给硬盘做RAID和挂载数据存储节点的时，需要按情况配置。比如，可以选择给HDFS的namenode做RAID2以提高其稳定性，将数据存储与操作系统分别放置在不同硬盘上，以确保操作系统的正常运行。 2、分布式计算平台/组件安装 当前分布式系统的大多使用的是Hadoop系列开源系统。Hadoop的核心是HDFS，一个分布式的文件系统。在其基础上常用的组件有Yarn、Zookeeper、Hive、Hbase、Sqoop、Impala、ElasticSearch、Spark等。 使用开源组件的优点：1）使用者众多，很多bug可以在网上找的答案（这往往是开发中最耗时的地方）；2）开源组件一般免费，学习和维护相对方便；3）开源组件一般会持续更新；4）因为代码开源，如果出现bug可自由对源码作修改维护。

常用的分布式数据数据仓库有Hive、Hbase。Hive可以用SQL查询，Hbase 可以快速读取行。外部数据库导入导出需要用到Sqoop。Sqoop将数据从Oracle、MySQL等传统数据库导入Hive或Hbase。Zookeeper是提供数据同步服务，Impala是对hive的一个补充，可以实现高效的SQL查询 3、数据导入 前面提到，数据导入的工具是Sqoop。它可以将数据从文件或者传统数据库导入到分布式平台。

4、数据分析 数据分析一般包括两个阶段：数据预处理和数据建模分析。 数据预处理是为后面的建模分析做准备，主要工作时从海量数据中提取可用特征，建立大宽表。这个过程可能会用到Hive SQL，Spark QL和Impala。 数据建模分析是针对预处理提取的特征/数据建模，得到想要的结果。如前面所提到的，这一块最好用的是Spark。常用的机器学习算法，如朴素贝叶斯、逻辑回归、决策树、神经网络、TFIDF、协同过滤等，都已经在ML lib里面，调用比较方便。

大数据分析平台系统开发 1、搭建大数据平台离不开BI。在大数据之前,BI就已经存在很久了,简单把大数据等同于BI,明显就是不恰当的。但两者又就是紧密关联的,相辅相成的。BI就是达成业务管理的应用工具,没有BI,大数据就没有了价值转化的工具,就无法把数据的价值呈现给用户,也就无法有效地支撑企业经营管理决策;大数据则就是基础,没有大数据,BI就失去了存在的基础,没有办法快速、实时、高效地处理数据,支撑应用。所以,数据的价值发挥,大数据平台的建设,必然就是囊括了大数据处理与BI应用分析建设的。 2、大数据拥有价值。来瞧瞧数据使用金字塔模型,从数据的使用角度来瞧,数据基本有以下使用方式: 自上而下,可以瞧到,对数据的要求就是不一样的: ?数据量越来越大,维度越来越多。 ?交互难度越来越大。 ?技术难度越来越大。 ?以人为主,逐步向机器为主。 ?用户专业程度逐步提升,门槛越来越高。

企业对数据、效率要求的逐步提高,也给大数据提供了展现能力的平台。企业构建大数据平台,归根到底就是构建企业的数据资产运营中心,发挥数据的价值,支撑企业的发展。 整体方案思路如下: 建设企业的基础数据中心,构建企业统一的数据存储体系,统一进行数据建模,为数据的价值呈现奠定基础。同时数据处理能力下沉,建设集中的数据处理中心,提供强大的数据处理能力;通过统一的数据管理监控体系,保障系统的稳定运行。有了数据基础,构建统一的BI应用中心,满足业务需求,体现数据价值。 提到大数据就会提到hadoop。大数据并不等同于hadoop,但hadoop的确就是最热门的大数据技术。下面以最常用的混搭架构,来瞧一下大数据平台可以怎么 通过Kafka作为统一采集平台的消息管理层,灵活的对接、适配各种数据源采集(如集成flume),提供灵活、可配置的数据采集能力。 利用spark与hadoop技术,构建大数据平台最为核心的基础数据的存储、处理能力中心,提供强大的数据处理能力,满足数据的交互需求。同时通过sparkstreaming,可以有效满足企业实时数据的要求,构建企业发展的实时指标体系。 同时为了更好的满足的数据获取需求,通过RDBMS,提供企业高度汇总的统计数据,满足企业常规的统计报表需求,降低使用门槛。对大数据明细查询需求,则通过构建HBase集群,提供大数据快速查询能力,满足对大数据的查询获取需求。 一般的大数据平台从平台搭建到数据分析大概包括以下几个步骤:

一、数据分析平台层次解析 大数据分析处理架构图 数据源：除该种方法之外，还可以分为离线数据、近似实时数据和实时数据。按照图中的分类其实就是说明了数据存储的结构，而特别要说的是流数据，它的核心就是数据的连续性和快速分析性； 计算层：内存计算中的Spark是UC Berkeley的最新作品，思路是利用集群中的所有内存将要处理的数据加载其中，省掉很多I/O开销和硬盘拖累，从而加快计算。而Impala思想来源于Google Dremel，充分利用分布式的集群和高效存储方式来加快大数据集上的查询速度，这也就是我上面说到的近似实时查询；底层的文件系统当然是HDFS独大，也就是Hadoop的底层存储，现在大数据的技术除了微软系的意外，基本都是HDFS作为底层的存储技术。上层的YARN就是MapReduce的第二版，和在一起就是Hadoop最新版本。基于之上的应用有Hive，Pig Latin，这两个是利用了SQL的思想来查询Hadoop上的数据。 关键：利用大数据做决策支持。R可以帮你在大数据上做统计分析，利用R语言和框架可以实现很专业的统计分析功能，并且能利用图形的方式展现；而Mahout就是一个集数据挖掘、决策支持等算法于一身的工具，其中包含的都是

基于Hadoop来实现的经典算法，拿这个作为数据分析的核心算法集来参考还是很好的。 如此一个决策支持系统要怎么展现呢？其实这个和数据挖掘过程中的展现一样，无非就是通过表格和图标图形来进行展示，其实一份分类详细、颜色艳丽、数据权威的数据图标报告就是呈现给客户的最好方式！至于用什么工具来实现，有两个是最好的数据展现工具，Tableau和Pentaho，利用他们最为数据展现层绝对是最好的选择。 二、规划的数据平台产品AE(Accelerate Engine) 支持下一代企业计算关键技术的大数据处理平台：包括计算引擎、开发工具、管理工具及数据服务。计算引擎是AE的核心部分，提供支持从多数据源的异构数据进行实时数据集成、提供分布式环境下的消息总线、通过Service Gateway能够与第三方系统进行服务整合访问；设计了一个分布式计算框架，可以处理结构化和非结构化数据，并提供内存计算、规划计算、数据挖掘、流计算等各种企业计算服务。Data Studio包括了数据建模、开发、测试等集成开发环境。管理工具包括了实施、客户化及系统管理类工具。AE平台还可以通过UAP开发者社区提供丰富的数据服务。 AE架构图

关于举办“Hadoop与Spark大数据平台开发与案例分析”高级工程师 实战培训班的通知 地点北京上海 时间12月20-22 01月09-12 一、课程介绍 1.需求理解 Hadoop 设计之初的目标就定位于高可靠性、高可拓展性、高容错性和高效性，正是这些设计上与生俱来的优点，才使得Hadoop 一出现就受到众多大公司的青睐，同时也引起了研究界的普遍关注。 对电信运营商而言,用户上网日志包含了大量用户个性化需求、喜好信息,对其进行分析和挖掘,能更好地了解客户需求。传统经营分析系统小型机加关系型数据库的架构无法满足对海量非结构化数据的处理需求,搭建基于X86的Hadoop 平台,引入大数据处理技术的方式,实现高效率、低成本、易扩展的经营分析系统混搭架构成为电信运营商最为倾向的选择。本课程将全面介绍Hadoop平台开发和运维的各项技术，对学员使用该项技术具有很高的应用价值。2.培训课程架构与设计思路 （1）培训架构： 本课程分为三个主要部分： 第一部分：重点讲述大数据技术在的应用，使学员对大数据技术的广泛应用有清晰的认识，在这环节当中会重点介绍Hadoop技术在整个大数据技术应用中的重要地位和应用情况。 第二部分：具体对hadoop技术进行模块化分拆，从大数据文件存储系统技术和分布式文件系统平台及其应用谈起，介绍Hadoop技术各主要应用工具和方法，以及在运维维护当中的主流做法，使学员全面了解和掌握Hadoop技术的精华。 第三部分：重点剖析大数据的应用案例，使学员在案例当中对该项技术有更深入的感观印象 （2）设计思路：

本课程采用模块化教学方法，以案例分析为主线，由浅入深、循序渐进、由理论到实践操作进行设计。 （3）与企业的贴合点： 本课程结合企业转型发展及大数据发展战略，围绕企业大数据业务及行业应用市场拓展发展目标，重点讲授Hadoop的应用技术，提升企业IT技术人员的开发和运维能力，有很强的贴合度。 二、培训对象 各地企事业单位大数据产业相关人员，运营商 IT信息化和运维工程师相关人员，金融业信息化相关人员，或对大数据感兴趣的相关人员。 三、培训目标 掌握大数据处理平台（Hadoop、Spark、Storm）技术架构、以及平台的安装部署、运维配置、应用开发；掌握主流大数据Hadoop平台和Spark实时处理平台的技术架构和实际应用；利用Hadoop+Spark对行业大数据进行存储管理和分析挖掘的技术应用；讲解Hadoop生态系统组件，包括Storm，HDFS，MapReduce，HIVE，HBase，Spark，GraphX，MLib，Shark，ElasticSearch等大数据存储管理、分布式数据库、大型数据仓库、大数据查询与搜索、大数据分析挖掘与分布式处理技术 四、培训大纲 （1）课程框架 时间培训内容教学方式 第一天上午 第一部分：移动互联网、大数据、云计算相 关技术介绍 第二部分：大数据的挑战和发展方向 理论讲授+案例分 析 下午 第三部分：大数据文件存储系统技术和分布 式文件系统平台及其应用 第四部分：Hadoop文件系统HDFS最佳实战 理论讲授+案例分 析+小组讨论 第二天上午第五部分：Hadoop运维管理与性能调优 第六部分：NOSQL数据库Hbase与Redis 理论讲授+案例分 析+实战演练

可视化商业智能大数据分析平台技术白皮书 XXX技术有限公司 2018年7月

目录 1.背景概述 (5) 2.现状分析 (6) 2.1.主流BI模式 (6) 2.1.1.传统BI模式 (6) 2.1.2.敏捷BI模式 (7) 2.2.平台推荐模式 (8) 3.整体需求 (10) 3.1.数据源支持 (10) 3.2.自助式查询 (10) 3.3.OLAP联机分析 (11) 3.4.UI编排功能 (12) 3.5.丰富的组件 (13) 3.6.多种展示方式 (13) 1

3.7.外部数据服务 (14) 4.总体设计 (15) 4.1.数据分析 (16) 4.2.设计运行 (16) 4.3.系统管理 (16) 4.4.可视化展示 (16) 5.功能设计 (17) 5.1.数据分析 (17) 5.1.1.多数据源 (17) 5.1.2.数据建模 (18) 5.1.3.多维BI分析 (18) 5.2.设计运行 (20) 5.2.1.UI编排 (20) 5.2.2.丰富组件 (21) 5.2.3.事件引擎 (24) 5.2.4.运行引擎 (24) 2

5.3.系统管理 (26) 5.3.1.我的报表 (26) 5.3.2.工程化管理 (27) 5.3.3.主题管理 (27) 5.3.4.布局管理 (27) 5.3.5.数据源管理 (27) 5.3.6.基础管理 (28) 5.4.可视化展示 (29) 5.4.1.决策仪表盘 (29) 5.4.2.大屏综合显示 (30) 5.4.3.交互式WEB界面 (30) 5.4.4.基于GIS的数据可视 (33) 5.5.其他功能 (38) 5.5.1.数据探索 (38) 5.5.2.事件定义 (38) 5.5.3.项目管理 (39) 3

大数据分析工具开发平台汇总 大数据工具可以帮助大数据工作人员进行日常的大数据工作，以下是大数据工作中常用的工具： 1. Hivemall Hivemall结合了面向Hive的多种机器学习算法。它包括诸多高度扩展性算法，可用于数据分类、递归、推荐、k最近邻、异常检测和特征哈希。 支持的操作系统：与操作系统无关。 2. Mahout Mahout 是 Apache Software Foundation（ASF）旗下的一个开源项目，提供一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。Mahout包含许多实现，包括聚类、分类、推荐过滤、频繁子项挖掘。此外，通过使用 Apache Hadoop 库，Mahout 可以有效地扩展到云中。 3. MapReduce MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 4. Oozie Oozie是一种Java Web应用程序，它运行在Java servlet容器——即Tomcat ——中，并使用数据库来存储以下内容：

工作流定义 当前运行的工作流实例，包括实例的状态和变量 5. Pig Pig是一种数据流语言和运行环境，用于检索非常大的数据集。为大型数据集的处理提供了一个更高层次的抽象。Pig包括两部分：一是用于描述数据流的语言，称为Pig Latin；二是用于运行Pig Latin程序的执行环境。 6. Sqoop Sqoop(发音：skup)是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递，可以将一个关系型数据库（例如： 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。 7. Spark Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。 8. Tez Tez建立在Apache Hadoop YARN的基础上，这是“一种应用程序框架，允许为任务构建一种复杂的有向无环图，以便处理数据。”它让Hive和Pig可以简化复杂的任务，而这些任务原本需要多个步骤才能完成。 9. Zookeeper ZooKeeper是一个分布式的，开放源码的分布式应用程序协调服务，是

医疗健康大数据分析平台与智能服务项目可行性研究报告

第一章项目概述 1.1.项目名称 项目名称：医疗健康大数据分析平台与智能服务项目。 1.2.项目建设单位及负责人、项目责任人 1.3.可行性研究报告编制单位 编制单位：##设计有限公司 单位负责人： 项目负责人： 1.4.可行性研究报告编制依据 1.4.1.国家和省、市政府相关规划和文件 国务院《促进大数据发展行动纲要》（国发〔2015〕50号） 国务院《关于积极推进“互联网+”行动的指导意见》（国发〔2015〕40号） 国务院办公厅《关于推进分级诊疗制度建设的指导意见》（国办发〔2015〕70号） 国务院办公厅《关于城市公立医院综合改革试点的指导意见》（国办发〔2015〕38号） 国务院办公厅《深化医药卫生体制改革2014年工作总结和2015年重点工作任务》（国办发〔2015〕34号）

国务院《关于促进健康服务业发展的若干意见》（国发〔2013〕40号）中共中央、国务院《关于深化医药卫生体制改革的意见》（中发〔2009〕6号）。 建设单位提供的基础资料。 1.4. 2.国家、省及行业法律法规和政策性文件 《中华人民共和国合同法》 《中华人民共和国计算机信息网络国际连网管理暂行规定》 《中华人民共和国著作权法》 《国家信息化领导小组关于我国电子政务建设指导意见》 《电子政务网络技术和使用管理规范》 《计算机软件保护条例》 《##省信息化条例》 1.4.3.现行的行业技术质量标准规范 GB 4793.1-2007 《测量、控制和试验室用电气设备的安全要求》 GB 4943.1-2011《信息技术设备的安全》 GB 50348-2004《安全防范工程技术规范》 GBT 17626.1-2006《电磁兼容试验和测量技术抗扰度试验总论》 GB/T 19668.1－2005《信息化工程监理规范》 GB/T 8566-2007 信息技术软件生存周期过程 GB/T 9385-2008 计算机软件需求规格说明规范 GB/T 9386-2008 计算机软件测试文档编制规范

大数据平台框架选型分析 一、需求 城市大数据平台，首先是作为一个数据管理平台，核心需求是数据的存和取，然后因为海量数据、多数据类型的信息需要有丰富的数据接入能力和数据标准化处理能力，有了技术能力就需要纵深挖掘附加价值更好的服务，如信息统计、分析挖掘、全文检索等，考虑到面向的客户对象有的是上层的应用集成商，所以要考虑灵活的数据接口服务来支撑。 二、平台产品业务流程

三、选型思路 必要技术组件服务： ETL >非/关系数据仓储>大数据处理引擎>服务协调>分析BI >平台监管 四、选型要求 1．需要满足我们平台的几大核心功能需求，子功能不设局限性。如不满足全部，需要对未满足的其它核心功能的开放使用服务支持 2．国内外资料及社区尽量丰富，包括组件服务的成熟度流行度较高

3．需要对选型平台自身所包含的核心功能有较为深入的理解，易用其API或基于源码开发 4．商业服务性价比高，并有空间脱离第三方商业技术服务 5．一些非功能性需求的条件标准清晰，如承载的集群节点、处理数据量及安全机制等 五、选型需要考虑 简单性：亲自试用大数据套件。这也就意味着：安装它，将它连接到你的Hadoop安装，集成你的不同接口（文件、数据库、B2B等等），并最终建模、部署、执行一些大数据作业。自己来了解使用大数据套件的容易程度——仅让某个提供商的顾问来为你展示它是如何工作是远远不够的。亲自做一个概念验证。 广泛性：是否该大数据套件支持广泛使用的开源标准——不只是Hadoop和它的生态系统，还有通过SOAP和REST web服务的数据集成等等。它是否开源，并能根据你的特定问题易于改变或扩展？是否存在一个含有文档、论坛、博客和交流会的大社区？ 特性：是否支持所有需要的特性？Hadoop的发行版本（如果你已经使用了某一个）？你想要使用的Hadoop生态系统的所有部分？你想要集成的所有接口、技术、产品？请注意过多的特性可能会大大增加复杂性和费用。所以请查证你是否真正需要一个非常重量级的解决方案。是否你真的需要它的所有特性？ 陷阱：请注意某些陷阱。某些大数据套件采用数据驱动的付费方式（“数据税”），也就是说，你得为自己处理的每个数据行付费。因为我们是在谈论大数据，所以这会变得非常昂贵。并不是所有的大数据套件都会生成本地Apache Hadoop代码，通常要在每个Hadoop 集群的服务器上安装一个私有引擎，而这样就会解除对于软件提供商的独立性。还要考虑你使用大数据套件真正想做的事情。某些解决方案仅支持将Hadoop用于ETL来填充数据至数据仓库，而其他一些解决方案还提供了诸如后处理、转换或Hadoop集群上的大数据分析。ETL仅是Apache Hadoop和其生态系统的一种使用情形。

可视化商业智能大数据 分析平台 建 设 方 案

目录 第1章客户需求概述 (1) 1.1需求分析 (1) 第2章可视化商业智能大数据整体建设解决方案 (2) 2.1解决方案系统架构 (2) 2.2解决方案组成 (3) 2.2.1数据仓库（InfoSphere Warehouse Layer） (4) 2.2.2数据集市（Data Mart Layer） (4) 2.2.3数据ETL处理系统 (4) 2.2.4业务应用 (5) 2.2.4.1Cognos客户洞察分析报表 (5) 2.2.4.2报表门户 (5) 2.2.4.3多维数据集 (11) 2.3配置建议 (15) 2.4整体解决方案优势 (17) 第3章可视化商业智能数据仓库方案 (20) 3.1可视化商业智能数据仓库方案概述 (20) 3.2可视化商业智能数据仓库解决方案带来的价值 (21) 3.3可视化商业智能数据仓库方案功能特点 (21) 3.3.1数据分区技术 (DPF, Database Partitioning Feature) (22) 3.3.2深度压缩技术 (24) 3.3.3极限工作负载管理 (25) 3.3.4嵌入式分析 (26) 3.3.5数据挖掘、建模和打分 (26) 3.3.6非结构化信息分析 (28) 3.3.7OLAP Cubing 服务 (29) 3.3.8灵活包装和许可选项 (30) 3.4为什么选择I NFORMATION M ANAGEMENT软件 (32) 第4章可视化商业智能客户分析应用方案 (35)

4.1I NFO S PHERE DW P ACK FOR C USTOMER I NSIGHT 方案概述 (35) 4.2解决方案带来价值 (37) 4.3I NFO S PHERE DW P ACK FOR C USTOMER I NSIGHT功能特点 (38) 4.3.1物理数据模型 (38) 4.3.2Cognos 应用报表 (42) 4.4为什么选择I NFO S PHERE DW P ACK FOR C USTOMER I NSIGHT (45) 第5章数据抽取、转换和加载方案 (47) 5.1I NFO S PHERE D ATA S TAGE 方案概述 (47) 5.2I NFO S PHERE D ATA S TAGE ETL方案带来价值 (49) 5.3I NFO S PHERE D ATA S TAGE 软件功能特点 (51) 5.3.1DataStage基于Information Server的架构 (51) 5.3.1.1通用用户界面 (52) 5.3.1.2通用服务 (53) 5.3.1.3通用知识库 (53) 5.3.1.4通用并行处理引擎 (54) 5.3.1.5通用连接器 (54) 5.3.2直观易用的开发和维护环境 (55) 5.3.3企业级实施和管理 (57) 5.3.3.1作业顺序器 (57) 5.3.3.2任务资源使用预估 (59) 5.3.3.3图形化监控工具 (60) 5.3.4高扩展的体系架构 (62) 5.3.5具备线性扩充能力 (65) 5.3.6ETL元数据管理 (66) 5.4为什么选择I NFO S PHERE D ATA S TAGE软件 (68) 第6章COGNOS (71) 6.1C OGNOS 方案概述 (71) 6.2C OGNOS方案带来价值 (73)

19 ·2014年 第12期· 电信工程技术与标准化 C H I N A M O B I L E N E T W O R K A N D I N F O R M AT I O N S E C U R I T Y C O L U M N 基于大数据的智能审计平台研究 王欢，许暖，沈波 （中国移动通信集团安徽有限公司，合肥 230061） 摘　要　审计平台是信息安全管理工作的基础运维平台，随着公司业务系统的不断增多、业务逻辑日益复杂，各类审 计数据成几何级别的增长，传统的审计平台面对大数据的审计职能已经捉襟见肘。本文探讨了通过采用大数据分析技术，重构传统的审计平台，提升审计效率。 关键词　安全；大数据；审计；搜索；solr；Hadoop 中图分类号 TN918 文献标识码 A 文章编号 1008-5599（2014）12-0019-04 收稿日期：2014-11-22 1 背景介绍 随着接入4A 审计系统外系统逐渐增多，原有优化方案在数据库存储上采用分布式部署、分库、分表等方式已不能满足应用系统业务逻辑复杂、审计数据量庞大（要求标准化后的审计信息在60 s 内得到查询结果）、审计分析策略复杂、审计报表导出耗时较长等日益增长的现实问题。从传统技术角度解决大数据背景下的问题已无法在高效益低成本的前提下做出较好的解决方案，经过部门调研在众多可选择的提升方案中，我们选择Solr （企业级搜索应用服务器）和Hadoop（基于大数据分布式服务）技术与4A 审计管理平台整合，从技术框架进行优化和摒弃，最终解决安徽移动4A 安全系统建设面临的由审计日志量逐渐递增、审计日志基数过大而产生的报表分析导出过慢、日志查询性能不佳等突出问题。 为解决审计日志在大数据量下查询效率低下以及审计数据筛选出具报表耗时的问题，在实现架构上做了如下调整：由传统关系型数据库查询技术过渡到审计日志 全文搜索技术的解决方案；由根据筛选策略直接在数据库上进行数据筛选匹配导出报表过渡到将审计日志推送到Hadoop 大数据分布式策略分析集群，分布式并行进行策略分析、数据筛选、筛选结果入库、导出数据的流程。经过上述架构优化调整后，将提高的审计日志搜索性能、满足报表快速生成的需求，同时解决了传统关系型数据库数据搜索性能（RDBMS 要兼顾查询和DML 效率必有取舍）发展瓶颈问题，大大减轻了数据库运行压力。最终实现审计日志搜索和分析的性能提升、实现工作效率提升和经济成本节约。 2 技术方案及关键点 2.1 技术方案 基于大数据的审计平台不同于传统的审计平台，对数据检索和分析的性能要求大大提升，用以往传统的通过扫表、读库的方式进行数据筛选已经远远不能适应目前大数据的数据能力分析。而目前流行的Solr 全文搜索