問題一：大數據技術有哪些 非常多的，問答不能發link，不然我給你link了。有譬如Hadoop等開源大數據項目的，編程語言的，以下就大數據底層技術說下。
簡單以永洪科技的技術說下，有四方面，其實也代表了部分通用大數據底層技術：
Z-Suite具有高性能的大數據分析能力，她完全摒棄了向上升級(Scale-Up)，全面支持橫向擴展(Scale-Out)。Z-Suite主要通過以下核心技術來支撐PB級的大數據：
跨粒度計算(In-Databaseputing)
Z-Suite支持各種常見的匯總，還支持幾乎全部的專業統計函數。得益於跨粒度計算技術，Z-Suite數據分析引擎將找尋出最優化的計算方案，繼而把所有開銷較大的、昂貴的計算都移動到數據存儲的地方直接計算，我們稱之為庫內計算(In-Database)。這一技術大大減少了數據移動，降低了通訊負擔，保證了高性能數據分析。
並行計算(MPP puting)
Z-Suite是基於MPP架構的商業智能平台，她能夠把計算分布到多個計算節點，再在指定節點將計算結果匯總輸出。Z-Suite能夠充分利用各種計算和存儲資源，不管是伺服器還是普通的PC，她對網路條件也沒有嚴苛的要求。作為橫向擴展的大數據平台，Z-Suite能夠充分發揮各個節點的計算能力，輕松實現針對TB/PB級數據分析的秒級響應。
列存儲 (Column-Based)
Z-Suite是列存儲的。基於列存儲的數據集市，不讀取無關數據，能降低讀寫開銷，同時提高I/O 的效率，從而大大提高查詢性能。另外，列存儲能夠更好地壓縮數據，一般壓縮比在5 -10倍之間，這樣一來，數據佔有空間降低到傳統存儲的1/5到1/10 。良好的數據壓縮技術，節省了存儲設備和內存的開銷，卻大大了提升計算性能。
內存計算
得益於列存儲技術和並行計算技術，Z-Suite能夠大大壓縮數據，並同時利用多個節點的計算能力和內存容量。一般地，內存訪問速度比磁碟訪問速度要快幾百倍甚至上千倍。通過內存計算，CPU直接從內存而非磁碟上讀取數據並對數據進行計算。內存計算是對傳統數據處理方式的一種加速，是實現大數據分析的關鍵應用技術。
問題二：大數據使用的資料庫是什麼資料庫 ORACLE、DB2、SQL SERVER都可以，關鍵不是選什麼資料庫，而是資料庫如何優化！ 需要看你日常如何操作，以查詢為主或是以存儲為主或2者，還要看你的數據結構，都要因地制宜的去優化！所以不是一句話說的清的！
問題三：什麼是大數據和大數據平台 大數據技術是指從各種各樣類型的數據中，快速獲得有價值信息的能力。適用於大數據的技術，包括大規模並行處理（MPP）資料庫，數據挖掘電網，分布式文件系統，分布式資料庫，雲計算平台，互聯網，和可擴展的存儲系統。
大數據平台是為了計算，現今社會所產生的越來越大的數據量。以存儲、運算、展現作為目的的平台。
問題四：常用大型資料庫有哪些 FOXBASE
MYSQL
這倆可算不上大型資料庫管理系統
PB 是資料庫應用程序開發用的ide，根本就不是資料庫管理系統
Foxbase是dos時代的產品了，進入windows時代改叫foxpro，屬於桌面單機級別的小型資料庫系統，mysql是個中輕量級的，但是開源，大量使用於小型網站，真正重量級的是Oracle和DB2，銀行之類的關鍵行業用的多是這兩個，微軟的MS SQLServer相對DB2和Oracle規模小一些，多見於中小型企業單位使用，Sybase可以說是日薄西山，不行了
問題五：幾大資料庫的區別 最商業的是ORACLE,做的最專業,然後是微軟的SQL server,做的也很好,當然還有DB2等做得也不錯,這些都是大型的資料庫,,,如果掌握的全面的話,可以保證數據的安全. 然後就是些小的資料庫access,mysql等,適合於中小企業的資料庫100萬數據一下的數據.如有幫助請採納,謝!
問題六：全球最大的資料庫是什麼 應該是Oracle，第一，Oracle為商業界所廣泛採用。因為它規范、嚴謹而且服務到位，且安全性非常高。第二，如果你學習使用Oracle不是商用，也可以免費使用。這就為它的廣泛傳播奠定了在技術人員中的基礎。第三，Linux/Unix系統常常作為伺服器，伺服器對Oracle的使用簡直可以說極其多啊。建議樓梗多學習下這個強大的資料庫
問題七：什麼是大數據？ 大數據(big data)，或稱巨量資料，指的是所涉及的資料量規模巨大到無法通過目前主流軟體工具，在合理時間內達到擷取、管理、處理、並整理成為幫助企業經營決策更積極目的的資訊。(在維克托・邁爾-舍恩伯格及肯尼斯・庫克耶編寫的《大數據時代》中大數據指不用隨機分析法（抽樣調查）這樣的捷徑，而採用所有數據的方法[2]）大數據的4V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價值）。
說起大數據，就要說到商業智能：
商業智能（Business Intelligence，簡稱：BI），又稱商業智慧或商務智能，指用現代數據倉庫技術、線上分析處理技術、數據挖掘和數據展現技術進行數據分析以實現商業價值。
商業智能作為一個工具，是用來處理企業中現有數據，並將其轉換成知識、分析和結論，輔助業務或者決策者做出正確且明智的決定。是幫助企業更好地利用數據提高決策質量的技術，包含了從數據倉庫到分析型系統等。
商務智能的產生發展
商業智能的概念經由Howard Dresner(1989年)的通俗化而被人們廣泛了解。當時將商業智能定義為一類由數據倉庫（或數據集市）、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以幫助企業決策為目的技術及其應用。
商務智能是20世紀90年代末首先在國外企業界出現的一個術語，其代表為提高企業運營性能而採用的一系列方法、技術和軟體。它把先進的信息技術應用到整個企業，不僅為企業提供信息獲取能力，而且通過對信息的開發，將其轉變為企業的競爭優勢，也有人稱之為混沌世界中的智能。因此，越來越多的企業提出他們對BI的需求，把BI作為一種幫助企業達到經營目標的一種有效手段。
目前，商業智能通常被理解為將企業中現有的數據轉化為知識，幫助企業做出明智的業務經營決策的工具。這里所談的數據包括來自企業業務系統的訂單、庫存、交易賬目、客戶和供應商資料及來自企業所處行業和競爭對手的數據，以及來自企業所處的其他外部環境中的各種數據。而商業智能能夠輔助的業務經營決策既可以是作業層的，也可以是管理層和策略層的決策。
為了將數據轉化為知識，需要利用數據倉庫、線上分析處理（OLAP）工具和數據挖掘等技術。因此，從技術層面上講，商業智能不是什麼新技術，它只是ETL、數據倉庫、OLAP、數據挖掘、數據展現等技術的綜合運用。
把商業智能看成是一種解決方案應該比較恰當。商業智能的關鍵是從許多來自不同的企業運作系統的數據中提取出有用的數據並進行清理，以保證數據的正確性，然後經過抽取（Extraction）、轉換（Transformation）和裝載（Load），即ETL過程，合並到一個企業級的數據倉庫里，從而得到企業數據的一個全局視圖，在此基礎上利用合適的查詢和分析工具、數據挖掘工具、OLAP工具等對其進行分析和處理（這時信息變為輔助決策的知識），最後將知識呈現給管理者，為管理者的決策過程提供支持。
企業導入BI的優點
1.隨機查詢動態報表
2.掌握指標管理
3.隨時線上分析處理
4.視覺化之企業儀表版
5.協助預測規劃
導入BI的目的
1.促進企業決策流程(Facilitate the Business Decision-Making Process)：BIS增進企業的資訊整合與資訊分析的能力，匯總公司內、外部的資料，整合成有效的決策資訊，讓企業經理人大幅增進決策效率與改善決策品質。
......>>
問題八：資料庫有哪幾種？ 常用的資料庫：oracle、sqlserver、mysql、access、sybase 2、特點。 -oracle： 1.資料庫安全性很高，很適合做大型資料庫。支持多種系統平台（HPUX、SUNOS、OSF/1、VMS、 WINDOWS、WINDOWS/NT、OS/2）。 2.支持客戶機/伺服器體系結構及混合的體系結構（集中式、分布式、 客戶機/伺服器）。 -sqlserver: 1.真正的客戶機/伺服器體系結構。 2.圖形化用戶界面，使系統管理和資料庫管理更加直觀、簡單。 3.具有很好的伸縮性，可跨越從運行Windows 95/98的膝上型電腦到運行Windows 2000的大型多處理器等多種平台使用。 -mysql: MySQL是一個開放源碼的小型關系型資料庫管理系統，開發者為瑞典MySQL AB公司，92HeZu網免費贈送MySQL。目前MySQL被廣泛地應用在Internet上的中小型網站中。提供由於其體積小、速度快、總體擁有成本低，尤其是開放源碼這一特點，許多中小型網站為了降低網站總體擁有成本而選擇了MySQL作為網站資料庫。 -access Access是一種桌面資料庫，只適合數據量少的應用，在處理少量數據和單機訪問的資料庫時是很好的，效率也很高。 但是它的同時訪問客戶端不能多於4個。 -
問題九：什麼是大數據 大數據是一個體量特別大，數據類別特別大的數據集，並且這樣的數據集無法用傳統資料庫工具對其內容進行抓取、管理和處理。 大數據首先是指數據體量(volumes)?大，指代大型數據集，一般在10TB?規模左右，但在實際應用中，很多企業用戶把多個數據集放在一起，已經形成了PB級的數據量；其次是指數據類別(variety)大，數據來自多種數據源，數據種類和格式日漸豐富，已沖破了以前所限定的結構化數據范疇，囊括了半結構化和非結構化數據。接著是數據處理速度（Velocity）快，在數據量非常龐大的情況下，也能夠做到數據的實時處理。最後一個特點是指數據真實性（Veracity）高，隨著社交數據、企業內容、交易與應用數據等新數據源的興趣，傳統數據源的局限被打破，企業愈發需要有效的信息之力以確保其真實性及安全性。
數據採集：ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取：關系資料庫、NOSQL、SQL等。
基礎架構：雲存儲、分布式文件存儲等。
數據處理：自然語言處理(NLP，NaturalLanguageProcessing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機理解自然語言，所以自然語言處理又叫做自然語言理解(NLU，NaturalLanguage Understanding)，也稱為計算語言學(putational Linguistics。一方面它是語言信息處理的一個分支，另一方面它是人工智慧(AI, Artificial Intelligence)的核心課題之一。
統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數據挖掘：分類 （Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測：預測模型、機器學習、建模模擬。
結果呈現：雲計算、標簽雲、關系圖等。
要理解大數據這一概念，首先要從大入手，大是指數據規模，大數據一般指在10TB(1TB=1024GB)規模以上的數據量。大數據同過去的海量數據有所區別，其基本特徵可以用4個V來總結(Vol-ume、Variety、Value和Veloc-ity)，即體量大、多樣性、價值密度低、速度快。
第一，數據體量巨大。從TB級別，躍升到PB級別。
第二，數據類型繁多，如前文提到的網路日誌、視頻、圖片、地理位置信息，等等。
第三，價值密度低。以視頻為例，連續不間斷監控過程中，可能有用的數據僅僅有一兩秒。
第四，處理速度快。1秒定律。最後這一點也是和傳統的......>>
問題十：國內真正的大數據分析產品有哪些 國內的大數據公司還是做前端可視化展現的偏多，BAT算是真正做了大數據的，行業有硬性需求，別的行業跟不上也沒辦法，需求決定市場。
說說更通用的數據分析吧。
大數據分析也屬於數據分析的一塊，在實際應用中可以把數據分析工具分成兩個維度：
第一維度：數據存儲層――數據報表層――數據分析層――數據展現層
第二維度：用戶級――部門級――企業級――BI級
1、數據存儲層
數據存儲設計到資料庫的概念和資料庫語言，這方面不一定要深鑽研，但至少要理解數據的存儲方式，數據的基本結構和數據類型。SQL查詢語言必不可少，精通最好。可從常用的selece查詢，update修改，delete刪除，insert插入的基本結構和讀取入手。
Access2003、Access07等，這是最基本的個人資料庫，經常用於個人或部分基本的數據存儲；MySQL資料庫，這個對於部門級或者互聯網的資料庫應用是必要的，這個時候關鍵掌握資料庫的庫結構和SQL語言的數據查詢能力。
SQL Server2005或更高版本，對中小企業，一些大型企業也可以採用SQL Server資料庫，其實這個時候本身除了數據存儲，也包括了數據報表和數據分析了，甚至數據挖掘工具都在其中了。
DB2，Oracle資料庫都是大型資料庫了，主要是企業級，特別是大型企業或者對數據海量存儲需求的就是必須的了，一般大型資料庫公司都提供非常好的數據整合應用平台。
BI級別，實際上這個不是資料庫，而是建立在前面資料庫基礎上的，企業級應用的數據倉庫。Data Warehouse，建立在DW機上的數據存儲基本上都是商業智能平台，整合了各種數據分析，報表、分析和展現！BI級別的數據倉庫結合BI產品也是近幾年的大趨勢。
2、報表層
企業存儲了數據需要讀取，需要展現，報表工具是最普遍應用的工具，尤其是在國內。傳統報表解決的是展現問題，目前國內的帆軟報表FineReport已經算在業內做到頂尖，是帶著數據分析思想的報表，因其優異的介面開放功能、填報、表單功能，能夠做到打通數據的進出，涵蓋了早期商業智能的功能。
Tableau、FineBI之類，可分在報表層也可分為數據展現層。FineBI和Tableau同屬於近年來非常棒的軟體，可作為可視化數據分析軟體，我常用FineBI從資料庫中取數進行報表和可視化分析。相對而言，可視化Tableau更優，但FineBI又有另一種身份――商業智能，所以在大數據處理方面的能力更勝一籌。
3、數據分析層
這個層其實有很多分析工具，當然我們最常用的就是Excel，我經常用的就是統計分析和數據挖掘工具；
Excel軟體，首先版本越高越好用這是肯定的；當然對excel來講很多人只是掌握了5%Excel功能，Excel功能非常強大，甚至可以完成所有的統計分析工作！但是我也常說，有能力把Excel玩成統計工具不如專門學會統計軟體；
SPSS軟體：當前版本是18，名字也改成了PASW Statistics；我從3.0開始Dos環境下編程分析，到現在版本的變遷也可以看出SPSS社會科學統計軟體包的變化，從重視醫學、化學等開始越來越重視商業分析，現在已經成為了預測分析軟體；
SAS軟體：SAS相對SPSS其實功能更強大，SAS是平台化的，EM挖掘模塊平台整合，相對來講，SAS比較難學些，但如果掌握了SAS會更有價值，比如離散選擇模型，抽樣問題，正交實驗設計等還是SAS比較好用，另外，SAS的學習材料比較多，也公開，會有收獲的！
JMP分析：SAS的一個分析分支
XLstat：Excel的插件，可以完......>>
B. 求15-16年所有日本劇場版動畫 ova oad 只要片名就可以 一共8個季度
Fate/kaleid liner 魔法少女☆伊莉雅 2wei Herz!
SHOW BY ROCK!!
小長門有希的消失
元氣少女緣結神第二季
歌之王子殿下第三季
黑子的籃球第三季
科學小飛俠 Crowds第二季
OAD&OVA&TVSP
2015年DIABOLIK LOVERS OAD
2015年強襲魔女OVA 勝利之矢 愛琴海的女神（1月10日先行劇場公開）
劇場版
攻殼機動隊 新劇場版
進擊的巨人劇場版後篇 自由之翼
虐殺器官
調和
百日紅
福音戰士新劇場版:||
A-1 Pictures新作動畫電影「青春群像劇 第2彈」（標題未定）
放送形式未定
2015年春數碼獸大冒險新系列
K續篇
夜之小雙俠
7月新番動畫列表
TV
2015年7月無頭騎士異聞錄×2 轉
OAD&OVA&TVSP
2015年7月25日咲日和OAD
2015年8月21日鬼燈的冷徹OAD3
劇場版
2015年7月約會大作戰DATE A LIVE 劇場版
2015年7月Code Geass亡國的阿基德汪賣鬧 第4章
4月新番動畫列表
TV
2015年4月忍者殺手
2015年4月Fate/stay night [Unlimited Blade Works]第二季
2015年4月女高網球部第四季
2015年4月網球優等生第二季[3]
2015年4月浦和小調
2015年4月魯邦三世新系列
2015年4月我的青春戀愛物語果然有問題。續
OAD&OVA&TVSP
2015年4月6日親吻姐姐OAD最終話
2015年4月9日進擊的巨人OAD 後篇 無悔的選擇
2015年4月25日Fate/kaleid liner 魔法少女☆伊莉雅 2wei！OAD
2015年5月15日山田君與7位魔女OAD2
2015年5月22日鬼燈的冷徹OAD2
2015年5月27日翠星之加爾剛蒂亞～遙遠的巡迴航路～ 後篇
2015年春機動戰士高達 THE ORIGIN I 藍瞳的卡斯巴爾
劇場版
2015年4月天才傻瓜 復活的弗蘭德之犬
2015年5月Code Geass亡國的阿基配灶德 第3章
2015年春境界的彼方劇場版
2015年春玉響劇場版
2015年春LOVE LIVE!劇場版
2015年春龍珠Z新劇場版
2015年春蠟筆小新劇場版
1月新番動畫列表
TV
2015年1月5日東京食屍鬼第二季
2015年1月少年好萊塢-HOLLY STAGE FOR 50-
2015年1月銃皇無盡的法夫納
2015年1月ALDNOAH ZERO第二季
2015年1月純潔的瑪利亞
2015年1月困罩DOG DAYS第三季
2015年1月艦隊Collection
2015年1月幸腹塗鴉
2015年1月暗殺教室
2015年1月蒼穹之法芙娜EXODUS
2015年1月不起眼女主角培育法
2015年1月無頭騎士異聞錄×2 承
2015年1月偶像大師 灰姑娘女孩
2015年1月JOJO的奇妙冒險：星塵鬥士 埃及篇【全26話】
2015年1月美男高中地球防衛部LOVE!
2015年1月百合熊嵐
2015年1月聖劍使的禁咒詠唱
2015年1月偵探歌劇：少女福爾摩斯TD
2015年1月變形金剛護航隊之謎
2015年1月Doamaiger D
2015年1月ISUCA
2015年1月THE ROLLING GIRLS（翻轉少女）
2015年1月新妹魔王的契約者
OAD&OVA&TVSP
2015年1月7日魔女的使命OAD[4]
2015年1月16日蟲奉行 OVA3
2015年1月28日Hybrid ChildOVA4
2015年2月4日偽戀OVA2
C. 大型資料庫伺服器配置（訪問量在3萬左右）具體清單里有什麼
訪問量在3W左右的話，算比較大的了。這種大亮大型資料庫伺服器對cpu性能，內存容量，磁碟讀寫速度要求都非常高的。x0dx0ax0dx0a你可以看看國產品牌正睿的這款雙路八核伺服器，標配寬碧2個Xeon E5-2690八核心十六線程處理器（2.9GHz，8GT，20M緩存）、24G DDR3 REG ECC容錯校驗內存，SSD 512G 6Gbps高性能固態硬碟，2U熱插拔機構，可以在不關機的情況下增加或更換硬碟，四個千兆網卡。如果以後隨著業務量的增長，覺得性能不夠用了，還可以擴展到兩顆處理器，達成16顆處理核心32條計算線程（任務管理器那裡可以看到32個處理器格子，相當恐怖- -~），最大支持512GB DDR3 REG ECC高速容錯校驗內存，怎麼也夠用了。x0dx0a產品型號：I22S2-88916RHVKx0dx0a產品類型：雙路八核機架式伺服器x0dx0a 處 理 器：Xeon E5-2690×2x0dx0a內 存：32G DDR3 REG ECCx0dx0a硬 盤：SSD 512Gx0dx0a機 構：2U機架式 x0dx0a價 格：￥69800x0dx0a 銀牌服務x0dx0a全國敬巧豎三年免費上門售後服務，關鍵部件三年以上免費質保。x0dx0ax0dx0a這個配置跑你的大型資料庫怎麼也夠用了，CPU性能時頂級配置了，沒辦法再升了。硬碟是超高性能的SSD硬碟，讀可以達到500MB/s，寫可以達到260MB/s，如果加上3個做raid5，那讀速度可以達到1200MB/s，寫可以達到500MB/s左右，所向無敵。所以可以考慮增加到3個，做raid5陣列，這樣既保證數據安全，又可以提升讀寫性能。x0dx0ax0dx0a給你推薦的是國產品牌正睿的伺服器產品，他們的產品性價比很高，做工很專業，兼容性，質量之類的都有保障，售後也很完善，3年免費質保，3年免費上門售後服務，在業界口碑很不錯。
D. 16年新番動漫大全
絕對可御山憐小孩 新作
歌之王子殿下第四季
初戀怪獸
anHappy♪
爆音少女！！
Hundred百武裝戰記
巴哈姆特之怒鎮橘中GENESIS第二季
Super Lovers
漂流武士
命運石之門0
MIRAI ARISE
濱虎動畫Q版
人家怎麼可能不在意伍凱貓田。
Taboo Tattoo（禁忌咒紋）
Ange Vierge
甲鐵城的卡巴內利
月歌
E. 資料庫的發展簡史
使用計算機後，隨著數據處理量的增長，產生了數據管理技術。
數據管理技術的發展與計算機硬體（主要是外部存儲器）系統軟體及計算機應用的范圍有著密切的聯系。
數據管理技術的發展經歷了以下四個階段：人工管理階段、文件系統階段、資料庫階段和高級資料庫技術階段。
數據管理的誕生
資料庫的歷史可以追溯到五十年前，那時的數據管理非常簡單。
通過大量的分類、比較和表格繪制的機器運行數百萬穿孔卡片來進行數據的處理，其運行結果在紙上列印出來或者製成新的穿孔卡片。
而數據管理就是對所有這些穿孔卡片進行物理的儲存和處理。
然而，1950 年雷明頓蘭德公司（Remington Rand Inc）的一種叫做Univac I 的計算機推出了一種一秒鍾可以輸入數百條記錄的磁帶驅動器，從而引發了數據管理的革命。
1956 年IBM生產出第一個磁碟驅動器—— the Model 305 RAMAC。
此驅動器有50 個碟片，每個碟片直徑是2 英尺，可以儲存5MB的數據。
使用磁碟最大的好處是可以隨機存取數據，而穿孔卡片和磁帶只能順序存取數據。
1951： Univac系統使用磁帶和穿孔卡片作為數據存儲。
資料庫系統的萌芽出現於二十世紀60 年代。
當時計算機開始廣泛地應用於數據管理，對數據的共享提出了越來越高的要求。
傳統的文件系統已經不能滿足人們的需要，能夠統一管理和共享數據的資料庫管理系統（DBMS）應運而生。
數據模型是資料庫系統的核心和基礎，各種DBMS軟體都是基於某種數據模型的。
所以通常也按照數據模型的特點將傳統資料庫系統分成網狀資料庫、層次資料庫和關系資料庫三類。
最早出現的網狀DBMS，是美國通用電氣公司Bachman等人在1961年開發的IDS（Integrated Data Store）。
1964年通用電氣公司（General ElectricCo.）的Charles Bachman 成功地開發出世界上第一個網狀DBMS也即第一個資料庫管理系統——集成數據存儲（Integrated Data Store IDS），奠定了網狀資料庫的基礎，並在當時得到了廣泛的發行和應用。
IDS 具有數據模式和日誌的特徵，但它只能在GE主機上運行，並且資料庫只有一個文件，資料庫所有的表必須通過手工編碼生成。
之後，通用電氣公司一個客戶——BF Goodrich Chemical 公司最終不得不重寫了整個系統，並將重寫後的系統命名為集成數據管理系統（IDMS）。
網狀資料庫模型對於層次和非層次結構的事物都能比較自然的模擬，在關系資料庫出現之前網狀DBMS要比層次DBMS用得普遍。
在資料庫發展史上，網狀資料庫佔有重要地位。
層次型DBMS是緊隨網路型資料庫而出現的，最著名最典型的層次資料庫系統是IBM 公司在1968 年開發的IMS（Information Management System），一種適合其主機的層次資料庫。
這是IBM公司研製的最早的大型資料庫系統程序產品。
從60年代末產生起，如今已經發展到IMSV6，提供群集、N路數據共享、消息隊列共享等先進特性的支持。
這個具有30年歷史的資料庫產品在如今的WWW應用連接、商務智能應用中扮演著新的角色。
1973年Cullinane公司（也就是後來的Culli軟體公司），開始出售Goodrich公司的IDMS改進版本，並且逐漸成為當時世界上最大的軟體公司。
網狀資料庫和層次資料庫已經很好地解決了數據的集中和共享問題，但是在數據獨立性和抽象級別上仍有很大欠缺。
用戶在對這兩種資料庫進行存取時，仍然需要明確數據的存儲結構，指出存取路徑。
而後來出現的關系資料庫較好地解決了這些問題。
1970年，IBM的研究員E.F.Codd博士在刊物《munication of the ACM》上發表了一篇名為「A Relational Model of Data for Large Shared Data Banks」的論文，提出了關系模型的概念，奠定了關系模型的理論基礎。
盡管之前在1968年Childs已經提出了面向 *** 的模型，然而這篇論文被普遍認為是資料庫系統歷史上具有劃時代意義的里程碑。
Codd的心願是為資料庫建立一個優美的數據模型。
後來Codd又陸續發表多篇文章，論述了範式理論和衡量關系系統的12條標准，用數學理論奠定了關系資料庫的基礎。
關系模型有嚴格的數學基礎，抽象級別比較高，而且簡單清晰，便於理解和使用。
但是當時也有人認為關系模型是理想化的數據模型，用來實現DBMS是不現實的，尤其擔心關系資料庫的性能難以接受，更有人視其為當時正在進行中的網狀資料庫規范化工作的嚴重威脅。
為了促進對問題的理解，1974年ACM牽頭組織了一次研討會，會上開展了一場分別以Codd和Bachman為首的支持和反對關系資料庫兩派之間的辯論。
這次著名的辯論推動了關系資料庫的發展，使其最終成為現代資料庫產品的主流。
1969年Edgar F.「Ted」 Codd發明了關系資料庫。
1970年關系模型建立之後，IBM公司在San Jose實驗室增加了更多的研究人員研究這個項目，這個項目就是著名的System R。
其目標是論證一個全功能關系DBMS的可行性。
該項目結束於1979年，完成了第一個實現SQL的 DBMS。
然而IBM對IMS的承諾阻止了System R的投產，一直到1980年System R才作為一個產品正式推向市場。
IBM產品化步伐緩慢的三個原因：IBM重視信譽，重視質量，盡量減少故障；IBM是個大公司，官僚體系龐大，IBM內部已經有層次資料庫產品，相關人員不積極，甚至反對。
然而同時，1973年加州大學伯克利分校的Michael Stonebraker和Eugene Wong利用System R已發布的信息開始開發自己的關系資料庫系統Ingres。
他們開發的Ingres項目最後由Oracle公司、Ingres公司以及矽谷的其他廠商所商品化。
後來，System R和Ingres系統雙雙獲得ACM的1988年「軟體系統獎」。
1976年霍尼韋爾公司(Honeywell)開發了第一個商用關系資料庫系統——Multics Relational Data Store。
關系型資料庫系統以關系代數為堅實的理論基礎，經過幾十年的發展和實際應用，技術越來越成熟和完善。
其代表產品有Oracle、IBM公司的 DB2、微軟公司的MS SQL Server以及Informix、ADABAS D等等。
1974年IBM的Ray Boyce和Don Chamberlin將Codd關系資料庫的12條准則的數學定義以簡單的關鍵字語法表現出來，里程碑式地提出了SQL(Structured Query Language)語言。
SQL語言的功能包括查詢、操縱、定義和控制，是一個綜合的、通用的關系資料庫語言，同時又是一種高度非過程化的語言，只要求用戶指出做什麼而不需要指出怎麼做。
SQL集成實現了資料庫生命周期中的全部操作。
SQL提供了與關系資料庫進行交互的方法，它可以與標準的編程語言一起工作。
自產生之日起，SQL語言便成了檢驗關系資料庫的試金石，而SQL語言標準的每一次變更都指導著關系資料庫產品的發展方向。
然而，直到二十世紀七十年代中期，關系理論才通過SQL在商業資料庫Oracle和DB2中使用。
1986年，ANSI把SQL作為關系資料庫語言的美國標准，同年公布了標准SQL文本。
SQL標准有3個版本。
基本SQL定義是ANSⅨ3135-89，「Database Language - SQL with Integrity Enhancement」[ANS89]，一般叫做SQL-89。
SQL-89定義了模式定義、數據操作和事務處理。
SQL- 89和隨後的ANSⅨ3168-1989，「Database Language-Embedded SQL」構成了第一代SQL標准。
ANSⅨ3135-1992[ANS92]描述了一種增強功能的SQL，叫做SQL-92標准。
SQL-92包括模式操作，動態創建和SQL語句動態執行、網路環境支持等增強特性。
在完成SQL-92標准後，ANSI和ISO即開始合作開發SQL3標准。
SQL3的主要特點在於抽象數據類型的支持，為新一代對象關系資料庫提供了標准。
1976年IBM E.F.Codd發表了一篇里程碑的論文「R系統：資料庫關系理論」，介紹了關系資料庫理論和查詢語言SQL。
Oracle的創始人Ellison非常仔細地閱讀了這篇文章，被其內容震驚，這是第一次有人用全面一致的方案管理數據信息。
作者E.F.Codd 1966年就發表了關系資料庫理論，並在IBM研究機構開發原型，這個項目就是R系統，存取數據表的語言就是SQL。
Ellison看完後，敏銳意識到在這個研究基礎上可以開發商用軟體系統。
而當時大多數人認為關系資料庫不會有商業價值。
Ellison認為這是他們的機會：他們決定開發通用商用資料庫系統Oracle，這個名字來源於他們曾給中央情報局做過的項目名。
幾個月後，他們就開發了Oracle 1.0。
但這只不過是個玩具，除了完成簡單關系查詢不能做任何事情，他們花相當長的時間才使Oracle變得可用，維持公司運轉主要靠承接一些資料庫管理項目和做顧問咨詢工作。
而IBM卻沒有計劃開發，為什麼藍色巨人放棄了這個價值上百億的產品，原因有很多：IBM的研究人員大多是學術出身，他們最感興趣的是理論，而非推向市場的產品，從學術上看，研究成果應公開發表論文和演講能使他們成名，為什麼不呢？還有一個很主要的原因就是IBM當時有一個銷售得還不錯的層次資料庫產品IMS。
直到1985年IBM才發布了關系資料庫DB2 ，Ellision那時已經成了千萬富翁。
Ellison曾將IBM 選擇Microsoft 的MS-DOS作為IBM-PC機的操作系統比為：「世界企業經營歷史上最嚴重的錯誤，價值超過了上千億美元。」IBM發表R系統論文，而且沒有很快推出關系資料庫產品的錯誤可能僅僅次之。
Oracle的市值在1996年就達到了280億美元。
隨著信息技術和市場的發展，人們發現關系型資料庫系統雖然技術很成熟，但其局限性也是顯而易見的：它能很好地處理所謂的「表格型數據」，卻對技術界出現的越來越多的復雜類型的數據無能為力。
九十年代以後，技術界一直在研究和尋求新型資料庫系統。
但在什麼是新型資料庫系統的發展方向的問題上，產業界一度是相當困惑的。
受當時技術風潮的影響，在相當一段時間內，人們把大量的精力花在研究「面向對象的資料庫系統(object oriented database)」或簡稱「OO資料庫系統」。
值得一提的是，美國Stonebraker教授提出的面向對象的關系型資料庫理論曾一度受到產業界的青睞。
而Stonebraker本人也在當時被Informix花大價錢聘為技術總負責人。
然而，數年的發展表明，面向對象的關系型資料庫系統產品的市場發展的情況並不理想。
理論上的完美性並沒有帶來市場的熱烈反應。
其不成功的主要原因在於，這種資料庫產品的主要設計思想是企圖用新型資料庫系統來取代現有的資料庫系統。
這對許多已經運用資料庫系統多年並積累了大量工作數據的客戶，尤其是大客戶來說，是無法承受新舊數據間的轉換而帶來的巨大工作量及巨額開支的。
另外，面向對象的關系型資料庫系統使查詢語言變得極其復雜，從而使得無論是資料庫的開發商家還是應用客戶都視其復雜的應用技術為畏途。
二十世紀六十年代後期出現了一種新型資料庫軟體：決策支持系統(DSS)，其目的是讓管理者在決策過程中更有效地利用數據信息。
於是在1970年，第一個聯機分析處理工具——Express誕生了。
其他決策支持系統緊隨其後，許多是由公司的IT部門開發出來的。
1985年，第一個商務智能系統(business intelligence)由Metaphor計算機系統有限公司為Procter & Gamble公司開發出來，主要是用來連接銷售信息和零售的掃描儀數據。
同年， Pilot軟體公司開始出售第一個商用客戶/伺服器執行信息系統——mand Center。
同樣在這年，加州大學伯克利分校Ingres項目演變成Postgres，其目標是開發出一個面向對象的資料庫。
此後一年， Graphael公司開發了第一個商用的對象資料庫系統—Gbase。
1988年，IBM公司的研究者Barry Devlin和Paul Murphy發明了一個新的術語—信息倉庫，之後，IT的廠商開始構建實驗性的數據倉庫。
1991年，W.H. Bill Inmon出版了一本「如何構建數據倉庫」的書，使得數據倉庫真正開始應用。
1991： W.H.「Bill」 Inmon發表了」構建數據倉庫」
二十世紀九十年代，隨著基於PC的客戶/伺服器計算模式和企業軟體包的廣泛採用，數據管理的變革基本完成。
數據管理不再僅僅是存儲和管理數據，而轉變成用戶所需要的各種數據管理的方式。
Inter的異軍突起以及XML語言的出現，給資料庫系統的發展開辟了一片新的天地。
F. 教你設計大型Oracle資料庫
本文教你如何設計大型Oracle資料庫 希望對大家有所幫助
一 概論
超大型系統的特點為
處理的用戶數一般都超過百萬 有的還超過千萬 資料庫的數據量一般超過 TB;
系統必須提供實時響應功能 系統需不停機運行 要求系統有很高的可用性及可擴展性
為了能達到以上要求 除了需要性能優越的計算機和海量存儲設備外 還需要先進的資料庫結構設計和優化的應用系統
一般的超大型系統採用雙機或多機集群系統 下面以資料庫採用Oracle 並行伺服器為例來談談超大型資料庫設計方法
確定系統的ORACLE並行伺服器應用劃分策略迅盯
資料庫物理結構的設計
系統硬碟的劃分及分配
備份及恢復策略的考慮
二 Oracle並行伺服器應用劃分策略
Oracle並行伺服器允許不同節點上的多個INSTANCE實例同時訪問一個資料庫 以提高系統的可用性 可擴展性及性能 Oracle並行伺服器中的每個INSTANCE實例都可將共享資料庫中的表或索引的數據塊讀入本地的緩沖區中 這就意味著一個數據塊可存在於多個INSTANCE實例的SGA區中 那麼保持這些緩沖區的數據的一致性就很嘩亮重要 Oracle使用 PCM( Parallel Cache Management)鎖維護緩沖區的一致性 Oracle同時通過I DLM(集成的分布式鎖管理器)實現PCM 鎖 並通過專門的LCK進程實現INSTANCE實例間的數據一致
考慮這種情況 INSTANCE 對BLOCK X塊修改 這時INSTANCE 對BLOCK X塊也需要修改 Oracle並行伺服器利用PCM鎖機制 使BLOCK X從INSTANCE 的SGA區寫入資料庫數據文件中 又從數據文件中把BLOCK X塊讀入INSTANCE 的SGA區中 發生這種情況即為一個PING PING使原來 個MEMORY IO可以完成的工作變成 個DISK IO和 個 MEMORY IO才能夠完成 如果系統中有過多的PING 將大大降低系統的性能
Oracle並行伺服器中的每個PCM鎖可管理多個數據塊 PCM鎖管理的數據塊的個數與分配給一個數據文件的PCM鎖的個數及該數據文件的大小有關 當INSTANCE 和INSTANCE 要操作不同的BLOCK 如果這些BLOCK 是由同一個PCM鎖管理的 仍然會發生PING 這些PING稱為FALSE PING 當多個INSTANCE訪問相同的BLOCK而產生的PING是TRUE PING
合理的應用劃分使不同的應用訪問不同的數據 可避免或減少TRUE PING;通過給FALSE PING較多的數據文件分配更多的PCM鎖可減少 FALSE PING的次數 增加PCM鎖不能減少TRUE PING
所以 Oracle並行伺服器設計的目的是使系統交易處理合理的分布在INSTANCE實例間 以最小化PING 同時合理的分配PCM鎖 減少FALSE PING 設計的關鍵是找出可能產生的沖突 從而決定應用劃分的策略 應用劃分有如下四種方法
根據功能模塊劃分 不同的節點運行不同的應用
根據用戶劃分 不同類型的用戶運行在不同的節點上
根據數據劃分 不同的節點訪問不同的數據或索引
根據時間劃分 不同的應用在不同的時間段運行
應用劃分的兩個重要原則是使PING最小化及使各節點的負載大致均衡
三 資料庫物理結構的設計
資料庫物理結構設計包括確定表及索引的物理存儲參數 確定及分配數據畝蘆和庫表空間 確定初始的回滾段 臨時表空間 redo log files等 並確定主要的初始化參數 物理設計的目的是提高系統的性能 整個物理設計的參數可以根據實際運行情況作調整
表及索引數據量估算及物理存儲參數的設置
lishixin/Article/program/Oracle/201311/18944
G. 如何評價16年四月新番《超時空要塞Δ》這部動畫
2016的四月初，對於一部分人來說，是十分難忍的開始。
自2011年開始啟動的lovelive企劃第一部分，隨著東蛋的最後一場演唱會而完滿謝幕。loveliver們哭天喊地，捶胸頓足，為繆斯的光彩離去痛心疾首，然後眼含熱淚地在高呼著「μ』sic forever」的同時，點開了四月新番列表。
《甲鐵城的卡巴內瑞》，什麼玩意。好像不錯。
看了看，沒了。
他咋能沒呢？算了。看看別的。
《代號D計劃》，名字有點高大上。然而看片的人數量不多，很大一部分觀眾是沖著男性聲優去的。
《re：balabalabalabala》，有點俗。
《線上游戲的比利海靈頓不可能是基佬》，也有點俗。
翻著翻著，瞌睡連天。
「ギリギリeye～ギリギリmind～」
咣當一聲，魔音灌耳。
這是啥？《超時空要塞delta》。啥玩意？
點進去。
這也是個偶像番嗎……不對，機戰番嗎？……
……
我再聽一遍就出去。
再聽一遍。
不行啊明天要升旗啊！不能再聽了！
……
於是中毒。
自《高達》和《宇宙戰艦大和號》等一系列憑借其宏大背景和美麗夢想而博得一眾觀眾喜愛的作品在1970年代閃亮登場後，《超時空要塞》系列也隨即出現，並以「歌聲，機甲與三角戀」作為主打招牌，從而在機甲名作遍地開花的日本動漫界站穩了腳跟。
值得一提的是，與其他作品相對比較單一的模式不同，Macross系列一直在追求著與時代的同步。
林明美，Fire Bomber，雪莉露諾姆及蘭態爛卡李等等角色的音樂，幾乎都能夠反映它們所誕生的年代孝豎的流行音樂的特徵。和情節結合出色的音樂能夠誕生出更加驚艷的感染力，從而讓觀眾更加深切地獲得多重的享受。
此外，Macross中登場的VF系列（及其對手等）可變形式戰機也穩穩地抓住了一些對戰機情有獨鍾的愛好者的G點。相比起隔壁各式各樣的戰斗機甲，能夠在不同形態間切換的VF要多出一項優勢：有的人可以喜歡機甲形態，有的人則可以研究戰機形態，這拓寬了受眾面。
而作為Macross系列又一精髓的三角關系，則是最容易讓作品成為議論焦點的重中之重。飛行員優勢論，誰唱我的男友和情敵是飛行員誰完蛋論，年紀小的搶不過年紀大的論，在宇宙連鎖娘娘餐廳打工詛咒論等等等等，不一而足。各種各樣亂七八糟的總結和爭論始終都未能平息，即便是時至今日，人們仍然會為昔日女神林明美的離去而扼腕嘆息，也會有部分下限太低的人到處狂刷「綠毛必須死」。這種橫貫整個系列而不停息的罵仗，在其他的同類作品裡幾乎是可謂罕見。
作為16年4月的番劇，MΔ不僅憑借其對過去作品的致敬等情懷因素而爭取回老觀眾，也因為與lovelive第一企劃完美對接等緣故而吸收到一大批聽完《仆光》就彷彿丟了靈魂的宇宙惡魔loveliver（霧）和眾多看到大姐姐放毒就挪不動道的傑特拉帝觀眾。
加上國內外各種異次元因素的影帆慎漏響及不可抗力，以及萬代等模型大廠不遺餘力的坑錢計劃，MΔ憑借其不要錢一樣的預算和馬拉松一樣的半年番設定，註定將為失去了繆斯的2016年，帶來屬於walkure和風之牛郎團的獨特魅力。
最後，給芙蕾雅續一小時。
H. 如何看待國產資料庫SequoiaDB開源
總的來說，我認為有幾點吧
1）相比mongo還是有中文的齊全文檔，作為中國的碼農。。英文文檔看得還是頭疼啊。
2）應該說開源社區這邊的支持還是比較快速的，在群里提問基本當天都會有人回答，然後在剛開始配置和對接程序的時候原廠的同學還在區裏手把手教了我們的工程師。。還是很給力的
3）總體上說使用和遷移轉換時候不會不上手，不過現在據說多了SQL的支持，還沒有嘗試過，聽起來很厲害的樣子，不過他們原生的操作語句也還是很好理解的
Yandex在2016年6月15日開源了一個數據分析的資料庫，名字叫做ClickHouse，這對保守俄羅斯人來說是個特大事。悉困更讓人驚訝的是，這個列式存儲資料庫的跑分要超過很多流行的商業MPP資料庫軟體，例如Vertica。如果你沒有聽過Vertica，那你一定聽過 Michael Stonebraker，2014年圖靈獎的獲得者，PostgreSQL和Ingres發明者（Sybase和SQL Server都是繼承 Ingres而來的）, Paradigm4和SciDB的創辦者。Michael Stonebraker於2005年創辦Vertica公司，後來該公司被HP收購，HP Vertica成為MPP列式存儲商業資料庫的高性能代表，Facebook就購買了Vertica數據用於用戶行為分析。
簡單的說，ClickHouse作為分析型資料庫，有三大特點：一是跑分快， 二是功能多 ，三是文藝范
1. 跑分快： ClickHouse跑分是Vertica的5倍快：
ClickHouse性能超過了市面上大部分的列式存儲資料庫，相比傳統的數據ClickHouse要快100-1000X，ClickHouse還是有非常大的優勢：
100Million 數據集:
ClickHouse比Vertica約快5倍，比Hive快279倍，比My SQL快801倍
1Billion 數據集:
ClickHouse比Vertica約快5倍，MySQL和Hive已經無法完成任務了
2. 功能多：ClickHouse支持數據統計分析各種場景
- 支持類SQL查詢，
- 支持繁多庫函數（例如IP轉化，URL分析等，預估計算/HyperLoglog等）
- 支持數組(Array)和嵌套數據結構鏈譽(Nested Data Structure)
- 支持資料庫異地復制部署
3.文藝范：目前ClickHouse的限制很多，生來就是為小資服務的
- 目前只支持Ubuntu系統
- 不提供設計和架構文檔，設計很神秘的樣子，只有開源的C++源碼
- 不理睬Hadoop生態，走自己的路
其實有點類似，谷歌開放安卓系統給大家免費用，
某些技術別人要模仿不難，而且專利有效期也不長，
谷歌可能覺得還不如一下子公開了，大家一起弄，能迅速佔領市場
內網。內棚陸段鬼和外面的黑客一起合作搞的。內鬼的話就比較容易了。
測試過 TokuMX, 性能確實不錯，但穩定性堪憂，mongodb 3.0 後引入了 wiredtiger engine，與 tokumx 差距縮小了
研究過 TokuMX 和 TokuDB 用的索引數據結構，很巧妙的設計，雖然樹的深度加倍了，但插入時間確實大幅度降低了。
最後沒有採用。
免費開源CRM基本上很難滿足企業的實際業務需求，可以考慮一款支持用戶個性化定製的CRM，百會的CRM就不錯，它可以根據用戶需求，在最短時間內定製出來並讓用戶看到效果。滿意之後再付費，沒有後顧之憂。定製工具簡單，定製速度快。用戶完全可以自己操作去滿足未來業務的變化。另外它基於SAAS模式的在線租用形勢，可以為企業節省購買硬體、安裝調試、後期升級的費用成本。定期的售後回訪還可以解決不少使用中的問題。
React Native項目成員Tom Ohino發表的React Native: Bringing modern web techniques to mobile（牆外地址）詳細描述了React Native的設計理念。Ohino認為盡管Native開發成本更高，但現階段Native仍然是必須的，因為Web的用戶體驗仍無法超越Native：
1. Native的原生控制項有更好的體驗；
2. Native有更好的手勢識別；
3. Native有更合適的線程模型，盡管Web Worker可以解決一部分問題，但如圖像解碼、文本渲染仍無法多線程渲染，這影響了Web的流暢性。
Ohino沒提到的還有Native能實現更豐富細膩的動畫效果，歸根結底是現階段Native具有更好的人機交互體驗。筆者認為這些例子是有說服力的，也是React Native出現的直接原因。
圖3 - Ohino在F8分享了React Native（Keynote）
Learn once, write anywhere
「Learn once, write anywhere」同樣出自Ohino的文章。因為不同Native平台上的用戶體驗是不同的，React Native不強求一份原生代碼支持多個平台，所以不提「Write once, run anywhere」（Java），提出了「Learn once, write anywhere」。
圖4 - 「Learn once, write anywhere」
這張圖是筆者根據理解畫的一張示意圖，自下而上依次是：
1. React：不同平台上編寫基於React的代碼，「Learn once, write anywhere」。
2. Virtual DOM：相對Browser環境下的DOM（文檔對象模型）而言，Virtual DOM是DOM在內存中的一種輕量級表達方式（原話是ligheight representation of the document），可以通過不同的渲染引擎生成不同平台下的UI，JS和Native之間通過Bridge通信（React Native通信機制詳解 « bang』s blog）。
3. Web/iOS/Android：已實現了Web和iOS平台，Android平台預計將於2015年10月實現（Blog | React）。
前文多處提到的React是Facebook 2013年開源的Web開發框架，筆者在翻閱其發布稿時，發現這么一段：
圖5 - 摘自React發布稿（2013）
1. 加亮文字顯示2013年已經在開發React Native的原型，現在也算是厚積薄發了。
2. 最近另一個比較火的項目是Flipboard/react-canvas · GitHub（詳見 @rank），渲染層使用了Web Canvas來提升交互流暢性，這和上圖第一個嘗試類似。
React本身也是個龐大的話題不再展開，詳見facebook/react Wiki · GitHub。
筆者認為「Write once, run anywhere」對提升效率仍然是必要的，並且和「Learn once, write anywhere」也沒有沖突，我們內部正在改造已有的組件庫和HybridAPI，讓其適配（補齊）React Native的組件，從而寫一份代碼可以運行在iOS和Web上，待成熟後開源出來。
持續更新...
二、規劃
下圖展示了業務和技術為React Native所做的改造：
圖6 - 業務和技術改造圖6 - 業務和技術改造
自下而上：
1. React Node：React支持服務端渲染，通常用於首屏服務端渲染；典型場景是多頁列表，首屏服務端渲染翻頁客戶端渲染，避免首次請求頁面時發起2次請求。
2. React Native基礎環境：
2.1. Framework集成：盡管React Native放出了Integration with Existing App文檔，集成到現有復雜App中仍然會遇到很多細節問題，比如集成到天貓iPad客戶端就花了組里iOS同學2天的時間。
2.2. Neorking改造：主要是重新建立session，而session通常存放於 header cookie中，React Native提供的網路IO fetch和XMLHttpRequest不支持改寫cookie。所以要不在保證安全的條件下實現fetch的擴展，要麼由native負責網路IO（已有session機制）再通過HybridAPI由JS調用，暫時選擇了後者。
2.3. 緩存/打包方案：只要有資源從伺服器端載入就避免不了這個話題，React Native也是如此，緩存用於解決資源二次訪問時的載入性能，打包解決的是資源首次訪問時的載入性能。
3. MUI是一套組件庫，目前會採用向React Native組件補齊的思路進行改造。
4. HybridAPI是阿里一組Hybrid API，此前也在多個公開場合（如感測器 @杭JS）分享過不再累述，React Native建立了自己的通信機制，看起來更高效（未驗證），改造成本不大。
5. 最快的一個業務將於4月中上線，通過最初幾個業務改造推動整體系統的改造，如果效果如預期則會啟動更大規模的業務改造。
更多詳細規劃和進展，以及性能、穩定性、擴展性的數據隨後放出。
三、風險
1. 盡管Facebook有3款App（Groups、Ads Manager、F8）使用了React Native，隨著React Native大規模應用，Appstore的政策是否有變不得而知，我們只能往前走一步。
* 更新：
2015.7.28 AppStore審核政策調整：允許運行於JavascriptCore的動態載入代碼，下圖是此前的審核政策，對比加亮部分的改變。
應用程序很多情況下需要操作資料庫。QT支持多種資料庫，但是很多情況需要安裝DLL驅動。這就有點麻煩，想當初想用MYSQL的結果就是因為驅動很難裝，然後就使用了SQLITE。如果對資料庫的要求不是很高的話，Sqlite應該可以滿足需求了。
隨著數據的積累，一些記載對象的業務狀態的數據越來越多，所以就慢慢的形成各行業的大數據，當然有些大資料庫，是有可用之處，有些大數據就是個垃圾。
請採納！