半速有什么用

回4楼逸家阳光的帖子 没有这么夸张吧，嘻嘻，谢了啊！ ------------------------- 回8楼游荡的帖子 我现在已经基本放弃wp了，受不了的龟速，博客系统现在比较看好Typecho，那速度，才叫速度！ ------------------------- 回9楼ksacn的帖子 已经看过了，确实速度不错！ ------------------------- 回13楼句号的帖子 RDS免费半年，接下来的半年很便宜，好像20还是30来，第二年就贵了，先便宜用上一年再说呗，不过自从用了rds，wdcp占用资源少了不少。 ------------------------- 回14楼呼他爸的帖子 谢谢，我山东的，有需要测速的时候喊一声哈！ ------------------------- 回19楼句号的帖子 以后可以再转回来啊，一年以后再说呗！ ------------------------- 回 24楼(张小亮) 的帖子 备案10天左右吧，貌似现在不用邮寄材料了，要快，前提是之前有通过的备案！ ------------------------- 回 33楼(淮滨百姓网) 的帖子 是啊，我一直就是1M的！ ------------------------- 回 38楼(dingeemedia) 的帖子 小站，自己做着玩的，没怎么有人，基本够用。 ------------------------- 刚解决一个影响速度的问题，感觉速度还可以！ ------------------------- 为什么用在线检测就是一片红呢？ ------------------------- 回 50楼(蠢萌) 的帖子 linux

转自DT财经 ，作者陷入焦虑的DT君 前两周播出的《明星大侦探—MGQ时尚风云》中，节目组设计了一个与中年危机相关的案件： 撒贝宁在这期节目中饰演一位40岁“上有老，下有狗”的杂志社时装编辑，虽然月入12w，但是每个月刨去房贷、车贷、儿子补习班费用、父母医疗保健费用以及各种家庭开支后，只能剩下1块钱。被主编无理辞退后，他由于年龄过大而迟迟找不到新工作，在家庭经济重担的支配下，对老板心生杀机…… 节目中的设定确实有些夸张，但剧本却是来源于真实生活的情绪。2019年“太南了”的一系列感叹中，充满了中年职场人的辛酸与苦涩。 微博上#35岁以上职场人去了哪儿#、#35岁定律#等话题屡屡冲上热搜，随便就能收获近亿的阅读量，知乎、朋友圈、头条……到处充斥着怎么应对35岁危机的回答和文章，“35岁危机”俨然已经成为一个大家公认的专有名词。 （图片说明：百度百科收录的“35岁危机”词条） 这让还未到35岁的小编，内心多少有些焦虑：35岁的职场人就业真有这么难吗？他们都面临着怎样的中年危机？难道除了卖保险，真的就无处可去了吗？ DT财经联合智联招聘共同做了个小研究，通过招聘方与应聘者的数据，来看看35岁职场人真实的生存情况。 35岁真的很难吗？ 首先，我们想知道，35岁真的面临一个更残酷的世界吗？ 从人口结构的大盘面粗略判断，当代中年所面临的竞争，其实并不如他们的前辈或后辈那样激烈。 根据2010年国家第六次人口普查数据，到2019年我国34-43岁的中年人口数量为1.98亿，而44-53岁人口数量为2.42亿，24-33岁人口数量为2.27亿。 也就是说，不管是曾经的，还是未来的中年人，都比现在叫嚷着中年危机的劳动力数量旺盛不少，而他们所面临的，可并不是高速发展的黄金十年。 既然如此，为什么35岁危机的话题一直不绝于耳呢？ 招聘方对岗位需求的描述，一定程度上能反映出职场的变幻风向。 从招聘需求来看，2019年第三季度所有的招聘岗位中，只有5%明确要求求职者的年龄低于35岁。 这个看起来并不高的比例，可能并不能完全说明市场的真实需求情况，毕竟从大家的日常吐槽和我们的小范围调研来看，许多公司对年龄的苛刻要求很多时候秉持着只干不说的原则，并不会明晃晃地写在岗位简介里。 但我们注意到一个变化趋势，明确要求求职者35岁以下的岗位比例，与两年前相比上涨了2个百分点，涨幅其实挺大的（60%）。这事实上表明，35岁职场人面临的境遇，确实是比两年前更难了些。 以这5%要求35岁以下的招聘职位作为研究样本，我们大致研究了下不同地方对中年职场人的友好度。 在各类企业中，要求35岁以下的职位比例最高的是国企，而民营公司在岗位要求中对35岁的求职者其实相对温和。 而从公司规模来看，规模越大的公司，要求35岁以下的职位比例就越高。10000人以上的超大公司在2017年就已超过6%；500-999人肩部大公司在两年前的比例还仅有2.1%，但两年间提高了近4个百分点至6%。 哪些行业更看重35岁的年龄线？ 要求35岁以下的职位比例越来越高，其实与就业大环境和新兴行业的发展有关。 Linda在一家大数据创业公司做HR，她告诉小编：“这两年在招人的时候确实会优先选择35岁以下，甚至是30岁以下的年轻人，尤其是18年的裁员潮过后，大家其实都不好过。一般达到35岁的职场人在公司都担任比较重要的职务，而我们大数据属于新兴行业，公司的业务变化很快，在探索阶段并不需要那么多指挥官，我们更需要富有创造力、行动力强听指挥的战士。” Linda的话意味着，是否能在35岁前找到一家托付终身的企业至关重要。 可是，在35岁就找到能够让自己奋斗一生的公司，就和20岁就找到长相厮守的老伴一样不靠谱。这时候，选对行业很关键。 小编整理了2019年招聘需求中要求35岁以下职位比例最高和最低的行业。 我们发现，在众多行业中，银行、外包服务、中介服务、保险和通信行业对年龄的限制最大。也就是说，这些行业中有相对更多的岗位只需要年轻力壮的劳动力。 但也有计算机行业、检验检测、IT服务、学术科研和教育培训等行业，在招聘需求中对35岁以上的职场人相对比较宽容。 如果看一下这些行业给大家的固有印象，我们可以认为，在招聘中更看重35岁年龄线的行业，多属于大家印象中的传统行业；而在要求35岁以下职位比例最低的队伍中，新兴行业的比例会更高些。 从岗位来看，商超、保健、银行、房地产、社区等技术门槛较低的基础类岗位，在招聘中要求35岁以下的职位比例最高。 总结下来就是，工作内容更简单或对知识性技能要求更低的岗位，会更偏爱年轻人，毕竟人到中年，精力和体力都无法和年轻人相比。对于用人单位来说，与其去招一个成本更高的中年员工，不如多招几个应届大学生，年轻力壮，生产力更强。 而要求35岁以下职位比例最低的10个岗位中，IT、软件、硬件开发、IT管理、互联网产品、IT运维等互联网/技术岗位占去了大半，这都是对专业技术、创新性要求更高的行业岗位。至少从招聘需求来看，他们并不会太多强调年龄。 显然，这与我们的日常感受并不一致。 35岁话题中最常被吐槽的，恰好是这些不那么强调年龄的岗位从业者，而那些在招聘需求中有更多年龄限制的岗位，存在感并不太强。 这到底是为啥？ 为什么35岁的你觉得“太南了” 我们需要明确的是，一个行业或岗位对年龄的限制少，并不意味着中年的求职者就会获得青睐。 35岁求职者的优势在于有更多经验与技能积累，而劣势在于体力和精力不够充沛，只有在更需要经验而非体力的岗位，中年职场人才会有更强的竞争力。 即使我们默认那些并没有对35岁划线的岗位都不需要干体力活，也并不意味着在这些岗位上，经验、积累和阅历就会有比较大的增值效果——如果年龄buff不能增效，用人单位自然会聘请更年轻、薪资要求更低的求职者。 所以，关键点在于，中年职场人是否进入了自己具备优势的行业。 根据智联招聘2019年第三季度的数据，互联网、房地产、教育培训、专业服务、计算机软件等行业，挤下了最多的35岁及以上求职者，而行政/后勤、销售业务、财务/审计/税务、人力资源和软件/互联网开发/系统集成等则是他们投递最多的职位。 我们计算了各个行业和岗位中简历投递数量与最终录用数量的比值，命名为竞争指数，以此来衡量应聘竞争的激烈程度。 我们发现，互联网、房地产、计算机软件、IT服务的行业竞争都格外激烈，而从职位来看，软件/互联网开发/系统集成的竞争指数更是一骑绝尘，97个人参与摸奖，只有1个人能获得offer，另外财务/审计/税务、人力资源、行政等职位的竞争指数也挺高。 这就意味着，上述岗位中，中年职场人不仅要和同龄人竞争，还要和年轻人竞争。 那么，在这些岗位中，中年职场人能获得年龄加成从而脱颖而出吗？ 我们统计了各个职位要求工作经验10年以上的岗位数量，数量排名越靠前，则意味着这个职位对经验和阅历的需求度就更高，中年职场人也就相对更有优势。 从结果来看，要求工作经验10年以上岗位数量最多的职位主要可以分为两类，一类是管理向的，包括占比最多的高级管理，以及销售管理、生产管理、项目管理、质量管理等各类管理岗；一类是专业向的，包括土木建筑、财务审计、医院医疗、机械设计等等。 前面提到的竞争激烈的财务/审计/税务、人力资源和房地产相关职位，对工作经验的需求度都排在前列，中年职场人在这些赛道上握着更多本钱。 但相信你也注意到了，挤满了35岁以上求职者的互联网/IT/技术相关职位中，对于工作经验的需求度并没有那么高。虽然这是个典型的高薪赛道，但年龄并不会给中年求职者带来加成效果，如果薪资要求还比较高，实在很难竞争得过除了经验、什么都有的年轻人。 我们总结上述分析，被35岁危机困扰的核心问题可能在于，“理想”的薪资和岗位期望与“现实”竞争力存在分歧，而互联网、IT服务、计算机软件等行业的分歧更为严重。 38岁的陈斌曾经在一家互联网公司做新媒体运营，现在和朋友经营一家外贸公司，他也认同有些中年求职者理想与现实不匹配的问题：“见识过各行各业形形色色的中年求职者，他们对薪资的要求都很高，但被问到有什么核心竞争力的时候，又讲不出个所以然，对自己的未来也没有什么明确的规划。” 同样经历过35岁的他，认为并不存在什么35岁危机，没有能力每个年龄段其实都有危机：“足球运动员到了30岁一般都要大幅降薪，我觉得35岁的普通职场人应该要接受这个事实。你不接受，社会的毒打会让你清醒的。勿骄勿躁，努力提升自己，同时做好期望管理，少听媒体瞎bb。” 这话说得挺残酷，但从“35岁危机”中脱困的最好办法，确实是找到问题根本那个“理想”与“现实”的差距，实实在在地缩短它。 当然，对于已经有了家庭羁绊、要努力维持生活品质的中年人，这又是另外一个要不断感叹“太南了”的过程。 写到这里，我们突然想用《黄金时代》里的一段话作为结尾： “那一天我二十一岁，在我一生的黄金时代。我有好多奢望。我想爱，想吃，还想在一瞬间变成天上半明半暗的云。后来我才知道，生活就是个缓慢受锤的过程，人一天天老下去，奢望也一天天消失，最后变得像挨了锤的牛一样。可是我过二十一岁生日时没有预见到这一点。我觉得自己会永远生猛下去，什么也锤不了我。” （应受访者要求，Linda、陈斌为化名）

【徐寅-南京大学- 阿里实习心得】 现在的心情非常复杂，因为小姐姐说看中了我的研究成果才让我参加这个实习心得分享的，但是我环顾四周只有我一个人的成果还没有发表出来！有一种青铜误入王者局的错乱感，不过在小姐姐大大的“不准退出”四个字面前，还得强撑着分享一点我的搬砖经历。 技术落地 来到菜鸟实习给了我在学校科研完全不一样的体验。这点感觉大家应该都深有体会。在学校是设计一个漂亮的齿轮，而在公司需要把这个齿轮安装到巨大的机器上，还要保证能够正常运行。结果就是来了菜鸟以后我花了很多时间在算法无关的事情上，比如说上线代码的编写和调试，比如说符合rtp接口的模型的训练和装载，比如和仓库运维人员的沟（扯）通（皮），争取更多的流量给我们的算法测试等等。在仓库这种大规模的现实复杂环境进行落地，为了数据的准确，只有到仓库实地考察测算以后你才能安下心来。 快乐工作 在我来阿里之前，关于阿里只听过马老师的“福报论”，因此以为可能会是一个从黑夜干到黑夜的血汗工厂。不过没想到实际上是10-6-5的八小时工作制，马老师的“福报论”只是鼓励大家要多奋斗而已。虽然大家都习惯了自愿加班到9点，不过有学长借的工牌，能够每天吃20块的夜宵。不过要是夜宵的种类能更丰富一点就好了，那种精致的小蛋糕总是可遇不可求。 回想一下，在杭州已经去过不少次西湖了，不过都是团建的活动。菜鸟ai部的团建应该是我最喜欢的团建类型了。在西湖的茶园美景边上，享受着清风和茶香，大家悠闲地玩着桌游或者聊天，让我这个ktv残疾人终于享受到了团建的快乐。 希望成果没事 半年多的实习一共攒出来两个工作，一个是偏理论的强化学习多目标环境自动分解技术，另一个是强化学习应用在仓库进行拣选单全局优化的工作，目前即将投稿Neurips20和NMI，希望能有一个好结果吧！ 【杨亚涛-中山大学- 我的RI实习经历和感受】 现在回想还能非常清晰的记得当初实习第一天的那个场景，经过一系列入职流程之后，在杭州那高温的鬼天气下，我和师兄搬着台式机从四号楼走到了七号楼。由于我属于那种营养过剩的体型，机器搬到七号楼时，我的整个上衣都感觉被汗打湿了。进入大厅中，好不容易从被高温天气折磨的懵逼的状态下解脱出来。我又进入到了一个新的懵逼阶段。师兄带着我掠过了无数个工位之后转身进入了最角落的一个小房间。嗯，没错，我在实习的第一天就被拉进阿里特色的双十一项目室了。环顾着周围的大佬，心中还是有些胆怯。懵逼的在各位大佬面前做完自我介绍。 之后，在师兄的帮助下装完各种实验环境。师兄带着我到了走廊并在玻璃上描绘着大家做的事情以及我要做的事情。呃。。。懵逼过后的我开始接触了一个全新的令我再次懵逼的研究内容-Query改写。简单来说就是淘宝的用户常常输入的Query和商品标题描述之间会存在GAP。如何消除这个GAP是需要Query改写来做的。举个例子，用户搜索“大容量冰箱”，很多相关的商品标题不会用“大容量”来描述。会用多少升来写。单用用户输入的Query进行商品召回，会有很多相关产品会被忽略，并且还有可能面临不相关产品被召回展示。为了增加相关商品召回以及准确度，就需要对用户输入的原始Query进行改写。呃。。。听完师兄的介绍之后，师兄说希望能在双十一检验下效果。那个时候的感觉就是，哪有时间懵逼啊，抓紧做吧。 接下来，每天就在师兄发资料、阅读资料、实验、分析数据中度过。实验结果逐渐从坏变成了好。不过最后还是很遗憾没有在双十一时候检测模型效果。不过，在双十一之后师兄上线测试效果。还是有明显的改进的。在看到师兄周报中线上指标的提升之后，我的内心不由的升起了些许成就感。之后就开始了写论文投论文。经过一轮SIGIR的Reject之后，该工作被CIKM接收。总体谈下实习的感受。在来到阿里做RI实习之前，在实验室都是做一些偏向于研究性质的工作。呃。。。简单来说就是做了很多脱离应用场景的的工作。就是为了发论文而发论文。在阿里做的都是实用的、能够迅速看到实际效果的工作。既能够发论文，自己每次打开淘宝搜索时又能获得满满的成就感。 【张心怡-北京大学- 在阿里数据库科研团队实习是种怎样的体验？】 作者简介： 张心怡，北京大学前沿交叉研究院研究生，中国人民大学信息学院本科生。从18年底开始在POLARDB-X团队智能数据库组的实习，现已在阿里度过了一年多的时光。 心怡说，对于有志于数据库领域研究的小伙伴，这里是最好的学习和工作平台。 优秀的同行人，助我成长 我所在组的研究方向是智能数据库，目标是利用机器学习和统计优化等技术，实现数据库系统各个组件的自动优化，如存储引擎，并发控制，SQL优化器等，以减少系统成本，提升系统性能，以实现一个self-driving的数据库系统。 这是一个很有前景的方向。大四上学期，初来实习的我内心其实颇为忐忑，面对组里的同事前辈，“跟不上进度”成了我最担心的事情。然而，进入到工作状态之后，我心里的石头落了地：mentor给实习生安排的任务是循序渐进的，一次次讨论与指导，使我能够快速上手。经过和mentor的讨论，我选择把“智能查询优化”作为第一个研究项目，并且与大四学期的毕设结合，基于阿里线上平台的实际问题，展开研究。查询优化属于数据库比较底层的部分，之前我没有很深的了解。在开展研究的过程中，除了自己阅读文献，同事成为了我的“知识宝库”。遇到场景落地问题时，我会请教PolarDB-X优化器开发的同事，他们往往能够一针见血地指出实际问题。 我的成长离不开组里各位老师的帮助与分享，组内还会定期或不定期组织reading group，讲解工作成果与学界进展。在这里，你会发现身边的同事大多对深耕于某一领域，实力扎实，与他们交流会收获很多！ 快乐工作，认真生活 “快乐工作，认真生活”，记得我刚刚入职时HR提到了这个观点，入职之后我发现这是阿里人身体力行的一句话。 在工作上，身边的人都很努力。在这种氛围的感召下，遇到难题，我也会情不自禁地在工位上多坐一会。暑期实习的时候，时常9点之后结束工作，打车回宿舍。生活上，团队里组织了丰富多彩的活动。聚餐已经成为了常规项目。工作间隙还可以去健身房锻炼一波，园区的按摩椅也成为了养生女孩的午休项目。印象最深的是团队组织的运动会，女子项目是平板支撑。听到这个消息之后，我基本每天都进行练习。运动会那天，杭州base、北京base、硅谷base进行了三地PK，在同事的加油下，我坚持了平板支持7分25秒，最后拿到了女子组冠军。 大家的工作与生活模式都很健康充实。在阿里，我见识到了工作发展的可持续性与优秀的团队交互模式。 阿里实习，带我打开科研大门 来到阿里之前，我是一个对科研比较懵懂的门外汉。特别幸运的是，在这里我遇到了很棒的mentor们指导我进行研究工作。不论是基础的代码风格还是研究思路、遇到的问题，mentor都会事无巨细地进行引导。以前我写代码，能跑起来、自己看得懂就行。 我在阿里提交的第一次merge request，有不少随意的空行和一些tricky且难以维护的逻辑。印象很深的是，当时mentor逐行写了comment指出问题。我认识到了代码的规范性和可维护性，以及别人是否能够理解自己的代码都是要考虑的问题。 2019年我从中国人民大学毕业，来到北京大学攻读数据科学研究生，感谢我的研究生导师崔斌老师对我在阿里实习的支持。当时，我在阿里研究的第一个课题，也画上了圆满的句号：我在NDBC（CCF National Database Conference）进行了课题报告，投稿论文并被评为best student paper。 我在阿里参与研究的第二个课题是数据库的智能调参。传统的数据库调参中DBA基于经验与尝试推荐参数值，而我们要做的是基于机器学习算法自动高效给出推荐。这个课题在进行过程中遇到了不少困难，算法的适用性与有效性是我们重点考虑的。在进行了很久的实验之后，会发现一些坑和问题，挫败感是有的，但是会马上被新的尝试与期待替代。 我发现，在这里的研究并不是为了学术灌水而做，有意义研究是问题导向的。mentor时常强调要找到可复现的场景和实际问题，这样才有实际意义。我的mentor base在硅谷，因为时差我时不时在早上收到消息和反馈，这成为了我起床开启新的一天的最大动力。mentor是我科研路上的引路人，也是并肩作战的战友，大家一起为了攻克问题而努力！ 阿里的实习经历，帮我找到了打开科研大门的钥匙，让我从对科研的懵懵懂懂，到爱上了这一发现问题、攻克问题的过程。我希望将来能继续数据库领域的研究工作，在玉洁冰清的逻辑世界继续追寻。 【张亚斌-华南理工大学- 搬砖有感之研究吐槽】 首先声明这是一份任务性报告，大家如果赶去吃饭就可以先撤了。大家如果正在排队，可以一起吐槽一下。 作为一名即将硕士毕业&博士入学的研究生，我的研究经验有限，所以以下感悟吐槽仅供大家茶余饭后一笑，偶有雷同，纯属巧合~ 选题 提到学术研究，首当其冲的就是选题啦。选题并不仅仅是选择自己喜欢的热点题目，要综合考虑很多其他因素： - Supervisor or coauthor的研究背景。该项涉及到可预期的帮助 - 可使用的硬件资源。对于cv和ml来说，有的课题需要占用很大的计算资源，如 - -ImageNet based NAS。硬件资源基本决定了试错的时间成本。 - 研究课题的研究价值。当时火的课题，有些做1-2年之后可能就过时了，有些1-2年之后可能更加火。决定性因素很大程度是其潜在应用空间。 该研究课题在工业界的价值。在阿里工作实习的我们的研究课题当然和公司项目有千丝万缕的联系。 自己的兴趣。 除了上述的热点课题或潜在热点课题，还有如下的选择： 自创新的课题，俗称挖坑。该方面需要对整个研究领域比较全面和比较深入的理解，然后对整个研究领域的研究方向进行建设性的预测。一般都是大佬在挖坑。 方法 选好课题之后，得到对应的解决问题的方法一般经由如下步骤： 1. 发现问题的能力：一般来说，对于新问题会有一个或几个直接的处理方法，此时就是比手速的时候了；不过很多时候这里真正较量的是发现问题的能力。 2.发现问题的能力again：后续像我这样的大多数研究人员都是在该框架上修修改改，当然也会有大牛直接开辟新的basic pipelines。如果我们聚焦在对现有框架的修改，首先第一步要做的是分析现有框架有什么遗留问题，然后针对该问题设计改进方法。 3.Naïve idea：我们一般会发现其实做出少量改进并发表论文是相对容易的，因为simple idea是比较容易获得的：如 https://mp.weixin.qq.com/s/vnyra_xcg9D6NUNVpKtP0Q所调侃，单纯的做方法A+方法B，或者A方法用于B领域就可以实现（或许这就是多看论文的巨大优势？调侃脸）。不过对于非入门同学来说，该method combine的方式形同饮鸩止渴。 4.Mature idea：相对于直接将其他论文中的方法“借”为己用，借鉴其他论文方法提出过程中的研究思路是一个更加合理的选择。也就是要分析出：该作者发现了哪些问题？对该问题提出了怎样的思考？如何从思考过渡到实际算法改进？甚至对于算法改进过程中碰到的问题的处理方法。这个分析过程是重要的也是必要的，我觉得这个过程是研究人员提升的过程，即发现问题，解决问题能力的全面提升。 5.Advanced idea: 特指原创性很强的，从无到有的idea。和上面说的大牛的basic pipelines应该基本重叠吧。 写作 基本方法验证之后，接下来论文写作了。 英文写作约等于逻辑+英文本身，其中逻辑占绝大比重。逻辑就是讲故事，如何条理分明将自己的工作讲给别人听，并让听者觉得该工作在整个研究的领域是重要的，有意义的。写作能力很重要，例如即使naive的idea 如果写作很好也是很有机会发表的。那么如何练习呢？我导师给的朴素建议是：多练习，每天把自己的工作进展和想法用英文formal 的写出来。 最后，也是最重要的，祝各位同学抱紧大腿，大腿紧抱。

大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。大数据技术，是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术，包括大规模并行处理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。 　　大数据有四个基本特征：一、数据体量巨大（Vomule），二、数据类型多样（Variety），三、处理速度快（Velocity），四、价值密度低（Value）。 　　在大数据的领域现在已经出现了非常多的新技术，这些新技术将会是大数据收集、存储、处理和呈现最强有力的工具。大数据处理一般有以下几种关键性技术：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。 　　大数据处理之一：采集。大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。 　　在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。 　　大数据处理之二：导入和预处理。虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。 　　导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。 　　大数据处理之三：统计和分析。统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。 　　统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。 　　大数据处理之四：挖掘。与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。 　　整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。 　　大数据的处理方式大致分为数据流处理方式和批量数据处理方式两种。数据流处理的方式适合用于对实时性要求比较高的场合中。并不需要等待所有的数据都有了之后再进行处理，而是有一点数据就处理一点，更多地要求机器的处理器有较快速的性能以及拥有比较大的主存储器容量，对辅助存储器的要求反而不高。批量数据处理方式是对整个要处理的数据进行切割划分成小的数据块，之后对其进行处理。重点在于把大化小——把划分的小块数据形成小任务，分别单独进行处理，并且形成小任务的过程中不是进行数据传输之后计算，而是将计算方法（通常是计算函数——映射并简化）作用到这些数据块最终得到结果。 　　当前，对大数据的处理分析正成为新一代信息技术融合应用的节点。移动互联网、物联网、社交网络、数字家庭、电子商务等是新一代信息技术的应用形态，这些应用不断产生大数据。通过对不同来源数据的管理、处理、分析与优化，将结果反馈到上述应用中，将创造出巨大的经济和社会价值。大数据也是信息产业持续高速增长的新引擎。面对大数据市场的新技术、新产品、新业态会不断涌现。在硬件与集成设备领域，大数据将对芯片、存储产业产生重要影响，还将催生一体化数据存储处理服务器、内存计算等市场。在软件与服务领域，大数据将引发数据快速处理分析、数据挖掘技术和软件产品的发展。大数据利用将成为提高核心竞争力的关键因素。各行各业的决策正在从“业务驱动”转变为“数据驱动”。对大数据的分析可以使零售商实时掌握市场动态并迅速做出应对；可以为商家制定更加精准有效的营销策略提供决策支持；可以帮助企业为消费者提供更加及时和个性化的服务；在医疗领域，可提高诊断准确性和药物有效性；在公共事业领域，大数据也开始发挥促进经济发展、维护社会稳定等方面的重要作用。大数据时代科学研究的方法手段将发生重大改变。例如，抽样调查是社会科学的基本研究方法。在大数据时代，可通过实时监测，跟踪研究对象在互联网上产生的海量行为数据，进行挖掘分析，揭示出规律性的东西，提出研究结论和对策。 　　目前大数据在医疗卫生领域有广为所知的应用，公共卫生部门可以通过覆盖全国的患者电子病历数据库进行全面疫情监测。5千万条美国人最频繁检索的词条被用来对冬季流感进行更及时准确的预测。学术界整合出2003年H5N1禽流感感染风险地图，研究发行此次H7N9人类病例区域。社交网络为许多慢性病患者提供了临床症状交流和诊治经验分享平台，医生借此可获得院外临床效果统计数据。基于对人体基因的大数据分析，可以实现对症下药的个性化治疗。 　　在医药研发方面，大数据的战略意义在于对各方面医疗卫生数据进行专业化处理，对患者甚至大众的行为和情绪的细节化测量成为可能，挖掘其症状特点、行为习惯和喜好等，找到更符合其特点或症状的药品和服务，并针对性的调整和优化。在医药研究开发部门或公司的新药研发阶段，能够通过大数据技术分析来自互联网上的公众疾病药品需求趋势，确定更为有效率的投入产品比，合理配置有限研发资源。除研发成本外，医药公司能够优化物流信息平台及管理，更快地获取回报，一般新药从研发到推向市场的时间大约为13年，使用数据分析预测则能帮助医药研发部门或企业提早将新药推向市场。 　　在疾病诊治方面，可通过健康云平台对每个居民进行智能采集健康数据，居民可以随时查阅，了解自身健康程度。同时，提供专业的在线专家咨询系统，由专家对居民健康程度做出诊断，提醒可能发生的健康问题，避免高危病人转为慢性病患者，避免慢性病患者病情恶化，减轻个人和医保负担，实现疾病科学管理。对于医疗卫生机构，通过对远程监控系统产生数据的分析，医院可以减少病人住院时间，减少急诊量，实现提高家庭护理比例和门诊医生预约量的目标。武汉协和医院目前也已经与市区八家社区卫生服务中心建立远程遥控联系，并将在未来提供“从医院到家”的服务。在医疗卫生机构，通过实时处理管理系统产生的数据，连同历史数据，利用大数据技术分析就诊资源的使用情况，实现机构科学管理，提高医疗卫生服务水平和效率，引导医疗卫生资源科学规划和配置。大数据还能提升医疗价值，形成个性化医疗，比如基于基因科学的医疗模式。 　　在公共卫生管理方面，大数据可以连续整合和分析公共卫生数据，提高疾病预报和预警能力，防止疫情爆发。公共卫生部门则可以通过覆盖区域的卫生综合管理信息平台和居民信息数据库，快速监测传染病，进行全面疫情监测，并通过集成疾病监测和响应程序，进行快速响应，这些都将减少医疗索赔支出、降低传染病感染率。通过提供准确和及时的公众健康咨询，将会大幅提高公众健康风险意识，同时也将降低传染病感染风险。 　　在居民健康管理方面，居民电子健康档案是大数据在居民健康管理方面的重要数据基础，大数据技术可以促进个体化健康事务管理服务，改变现代营养学和信息化管理技术的模式，更全面深入地从社会、心理、环境、营养、运动的角度来对每个人进行全面的健康保障服务，帮助、指导人们成功有效地维护自身健康。另外，大数据可以对患者健康信息集成整合，在线远程为诊断和治疗提供更好的数据证据，通过挖掘数据对居民健康进行智能化监测，通过移动设备定位数据对居民健康影响因素进行分析等等，进一步提升居民健康管理水平。 　　在健康危险因素分析方面，互联网、物联网、医疗卫生信息系统及相关信息系统等普遍使用，可以系统全面地收集健康危险因素数据，包括环境因素（利用GIS系统采集大气、土壤、水文等数据），生物因素（包括致病性微生物、细菌、病毒、真菌等的监测数据），经济社会因素（分析经济收入、营养条件、人口迁徙、城镇化、教育就业等因素数据），个人行为和心理因素，医疗卫生服务因素，以及人类生物遗传因素等，利用大数据技术对健康危险因素进行比对关联分析，针对不同区域、人群进行评估和遴选健康相关危险因素及制作健康监测评估图谱和知识库也成为可能，提出居民健康干预的有限领域和有针对性的干预计划，促进居民健康水平的提高。 答案来源于网络