分布式文件系统
- Hadoop分布式文件系统（HDFS）：是为了能够在普通硬件上运行而设计的分布式文件系统，具有高容错性和高可扩展性，能够处理大规模的数据集。它将数据分成多个块，并分布存储在集群中的多个节点上，通过副本机制保证数据的可靠性.
- 网络文件系统（NFS）：最早由Sun微系统公司作为TCP/IP网上的文件共享系统开发。用户可以连接到共享计算机并像访问本地硬盘一样访问共享计算机上的文件，其本质在于用户间计算机的共享，可提供对无盘工作站的支持以降低网络开销，并简化应用程序对远程文件的访问.
- Andrew文件系统（AFS）：由卡内基·梅隆大学信息技术中心开发，现由前ITC职员组成的Transarc公司负责开发和销售。AFS较NFS有所增强，它通过基于单元的结构生成一种可管理的分布式环境，用户可以和同一单元中其他用户方便地共享信息，也可以和其他单元内的用户共享信息，这取决于那些单元中的机构所授予的访问权限.
NoSQL数据库
- 键值存储数据库：如Redis，是一种内存数据存储系统，能够以极高的速度存储、检索数据，并支持多种数据结构的操作，包括字符串、列表、集合、哈希、有序集合等。Redis设计的初衷是为了提高数据处理效率，提供对数据的高效读写访问，常被用于缓存、实时数据处理、计数器与排行榜功能等场景.
- 文档数据库：如MongoDB，以文档的形式存储数据，支持动态模式，非常适合存储和处理具有复杂结构的大数据。文档数据库中的文档可以包含不同类型和数量的字段，能够更好地适应不断变化的数据结构和需求，常用于内容管理系统、移动应用后端、物联网等领域.
- 列族数据库：如HBase，是基于Hadoop的列族数据库，适合存储大规模的稀疏数据和时序数据。它具有高可扩展性和高性能的读写能力，能够支持实时查询和分析，常用于互联网公司的用户行为数据存储、物联网数据存储等场景.
- 图形数据库：如Neo4j，主要用于存储和处理图形数据，如社交网络、知识图谱等。图形数据库能够高效地处理节点和边的关系查询，支持复杂的图形算法和分析，对于需要进行关系型数据分析和挖掘的场景非常有用.
数据仓库
- Hive：是基于Hadoop的数据仓库工具，提供了类似于SQL的查询语言Hive SQL，方便用户对存储在Hadoop中的数据进行查询和分析。Hive将SQL语句转换为MapReduce任务来执行，适用于处理大规模的结构化和半结构化数据，常用于数据仓库的构建和数据分析.
- Presto：是一个分布式的SQL查询引擎，能够快速查询大规模的数据集。它支持多种数据源，包括Hadoop、Cassandra、MySQL等，可以直接在不同的数据源上进行查询和分析，无需将数据导入到特定的数据仓库中，具有高性能和低延迟的特点，适用于实时数据分析和交互式查询.
- Snowflake：是一种基于云的数据仓库服务，提供了可扩展的、高性能的数据存储和分析平台。Snowflake采用了独特的架构，将存储和计算分离，能够自动优化查询性能和资源利用，支持大规模的数据分析和数据共享，适用于企业级的数据仓库和数据分析需求 。
