『壹』 伺服器怎麼選擇才好
建網站過程中一定會遇到的一個問題是：伺服器如何選擇。伺服器的選擇大概分為以下幾種情況：
一、個人網站或者入門級網站，這類網站由於網站內容和訪問量都相對比較低，所以對伺服器的要求也較低，選擇入門級的伺服器即可，而且價格會比較便宜。
二、如果是一般的企業網站，企業的產品數量有限，需要存儲的內容也有限的話，一般1核、2G、1M的就夠用。
三、如果是做開發游戲、數據分析、在線商城等業務或者有高網路包收發需求的企業，這類網站對訪問速度、訪問量、存儲量、穩定性等的要求都比較高，所以建議考慮計算型伺服器。
四、如果有大數據計算與存儲分析需求，比如互聯網行業、金融行業等，最好選擇大數據型的伺服器，這種伺服器的優勢是可以隨意升降配置。
在具體選擇伺服器的過程中，有幾個重要參數是一定要慎重考慮的：
1、CPU：伺服器的CPU代表了主機的運算能力，靜態頁面對CPU的消耗比較小，動態頁面對CPU消耗比較大，所以如果是靜態頁面一般1核的CPU就夠了，如果是動態頁面則建議選擇2核以上的CPU。
2、內存：伺服器內存越大，網站打開速度越快。對有資料庫運行需求的中小型網站來說最少選擇1G以上內存，因為資料庫運行也是比較消耗內存的。
3、硬碟：硬碟需要根據程序體量以及資料庫大小來定了，此外系統本身會佔用一部分硬碟空間，所以開通以後看到硬碟已經被使用了一部分空間。
4、帶寬：如果選擇VPS或者雲伺服器，他們對流量是沒限制的，重點要考慮帶寬。帶寬越大訪問網站時速度越快。所以可根據訪問量大小及未來的發展規劃選擇帶寬。
5、線路：大陸常用的線路一般是三大運營商的，移動、聯通、電信；境外的有香港、美國的。可以根據業務面向用戶市場區域選擇。
『貳』 大數據的數量級是幾位元組
大數據的數量級有 MB (兆位元組)，GB(吉位元組)，TB，PB，EB，它們之間的進率都是1024，即2^10。所以大數據的數量級多以TB或PB為單位，GB量級偏小。
普通個人電腦所能存儲的數據，一般是幾百個GB到幾個TB的級別。例如，常見的固態硬碟，512GB就已經比較大了；常見的機械硬碟，可達1TB/2TB/4TB的容量。
而大數據是PB/EB級別。其實就是在TB的基礎上每一級接著乘以1024。
PB（Peta Byte）— 皮位元組，也就是1024TB
EB（Exa Byte）— 艾位元組，也就是1024PB
ZB（Zetta Byte）— 澤位元組，也就是1024EB
YB（Yotta Byte）— 堯位元組，也就是1024ZB
上述的這些大的單位在日常生活中幾乎接觸不到，而且常人也已經無法直觀地感受到這些單位能大到什麼讓人吃驚的程度。
『叄』 大數據的大量指的是至少要有多大數據量A100K位元組B100位元組C100M位元組D100T位元組8
大數據的大量指的是至少要有 100T 位元組。
在計算機領域中，數據量的單位通常使用位元組（Byte）來表示。常用的數據量單位有 K、M、G、T 等。其中，K 表示千，M 表示百萬，G 表示十億，T 表示萬億。因此，100K 位元組表示 100 * 1000 = 10^5 個位元組，100M 位元組表示 100 * 1000 * 1000 = 10^8 個位元組，100T 位元組表示 100 * 1000 * 1000 * 1000 = 10^12 個位元組。
可以看出，100T 位元組是一個很大的數據量，至少要有這么大的數據量，才能稱之為大數據。
希望這對你有幫助！
『肆』 雲計算，大數據和人工智慧三者之間的關系
雲計算、大數據、人工智慧這三者的發展不能分開來講，三者是有著緊密聯系的，互相聯系，互相依託的，脫離了誰都不能更好的發展，讓我們具體來看一下！
一、大數據
大數據指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
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)這樣捷徑，而採用所有數據進行分析處理。大數據的5V特點(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多樣)、Value(低價值密度)、Veracity(真實性)。
數據每天都在產生，各行各業都有，數據量也是相當之大，但如何整合數據，清洗數據，然後實現數據價值，這才是當今大數據行業的研究重點。大數據最後要實現的是數據超融合，應用到應用場景，大數據的價值才會體現出來。
人工智慧就是大數據應用的體現。
二、雲計算
雲計算(cloud computing)是基於互聯網的相關服務的增加、使用和交付模式，通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。雲是網路、互聯網的一種比喻說法。過去在圖中往往用雲來表示電信網，後來也用來表示互聯網和底層基礎設施的抽象。因此，雲計算甚至可以讓你體驗每秒10萬億次的運算能力，擁有這么強大的計算能力可以模擬核爆炸、預測氣候變化和市場發展趨勢。用戶通過電腦、筆記本、手機等方式接入數據中心，按自己的需求進行運算。
對雲計算的定義有多種說法。對於到底什麼是雲計算，至少可以找到100種解釋。現階段廣為接受的是美國國家標准與技術研究院(NIST)定義：雲計算是一種按使用量付費的模式，這種模式提供可用的、便捷的、按需的網路訪問， 進入可配置的計算資源共享池(資源包括網路，伺服器，存儲，應用軟體，服務)，這些資源能夠被快速提供，只需投入很少的管理工作，或與服務供應商進行很少的交互。
說白了，雲計算計算的是什麼？雲存儲存儲的是什麼？還是大數據！所以離開大數據談雲計算，離開雲計算談大數據，這都是不科學的。
三、人工智慧
人工智慧(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種復雜工作的理解是不同的。
人工智慧其實就是大數據、雲計算的應用場景。
現在已經比較火熱的VR，沉浸式體驗，就是依賴與大數據與雲計算，讓用戶能夠由更加真切的體驗，並且VR技術是可以使用到各行各業的。
人工智慧不同於傳統的機器人，傳統機器人只是代替人類做一些已經輸入好的指令工作，而人工智慧則包含了機器學習，從被動到主動，從模式化實行指令，到自主判斷根據情況實行不同的指令，這就是區別。
大數據的概念在前幾年已經炒得火熱，但是也就是近兩年才開始慢慢落地，依賴於雲計算的發展，以及人們對人工智慧的預期。
『伍』 大數據問題
大數據問題，確切來說是很大數據量下的空間限制問題，解決方法有以下7種（圖源左程雲基礎班）：
先思考用一個大的HashMap的情況。 key是某個整數，value是該整數出現的次數，這樣可以統計詞頻，然後得出TOP10詞頻。計算此時使用的內存，4位元組無符號整數范圍是0到42億多（如果是有符號整數范圍是-21億多到21億多），范圍是比40億大的。最差情況下如果40億個數都不同，此時HashMap使用的空間為40億條記錄，每條記錄中key（無符號整數）是4位元組，value（詞頻）也是4位元組（int類型），總共8位元組，總計320億位元組，即32G（10億位元組可估算為1G），哈希表爆掉了。
這里先補充一下哈希函數的特徵：
特徵1.輸入域無窮大，輸出域相對有限。
特徵2.沒有任何隨機的成分，是確定規則的函數。輸入相同那麼輸出一定相同；不同的輸入可能會有相同輸出（哈希碰撞）。
特徵3. 輸入哪怕很接近，最終的計算結果也很離散，和輸入規律沒有關系。這一點也是最關鍵的特徵。
特徵4.輸出再模上一個數，取模的結果也是離散的
反推1G內存的HashMap可以有多少條記錄，保守點1億條，意味著該HashMap處理的包含數的種類（不是個數）不要超過1億種，怎麼處理？40億個整數的大文件，每個數字用哈希函數處理完再取模100，只會是0到99。根據哈希函數特徵3，不同輸入會均勻分布到0到99上，40億個數如果擁有的不同數的種類是K種的話，這樣處理完後，每個小文件里幾乎有100/k這么多種數，這樣每個小文件里就不到1億種了。再用HashMap一個一個文件去處理詞頻，搞出100個文件各自的TOP10，哈希函數相同輸入則相同輸出，所以不會出現一個數字落到不同文件里的情況。對文件的TOP10合並，就得到全局TOP10。
上面取模取40其實就可以了，40億個數種類數K小於等於40億，所以K/40小於等於1億，符合上面要求的1G內存，但取的是100而不是40是為了更保險。
使用點陣圖，用某個bit表示某個數出現過還是沒出現過。如果是哈希表，表示一個數出現與否需要用一個鍵值對，鍵和值都佔4位元組，那麼一條記錄所佔的空間就是64bit（8位元組）。用點陣圖的話，1bit表示1個數，數范圍多大就用多少位bit；42億多bit/8 = 5億多byte = 500多M（10億byte=1G）；在1G空間內拿下。
用兩個bit位表示某個數字出現的頻率。00表示出現0次；01表示出現1次；10表示出現2次；11表示出現3次，如果出現次數更多大於3次，11不變。這樣最後統計下來就可以知道所有出現2次的數字，與原來相比就多了一倍空間，1G空間拿下。
點陣圖不能用了，3KB空間太小了。先計算3KB能做多長的無符號數組，一個無符號數大小為4B，3KB/4B=750，然後750距離2的某次方哪個最近，512，那就申請一個長度為512的無符號整型數組arr（arr佔用空間大小顯然不超過3KB）。題目中數字范圍是0到2的32次方減一（一共有2的32次方這么多個數），因為和512一樣都是2的某次方，所以2的32次方一定可以均分成512份（每一份大小是8388608）；arr[0]表示512份里的第0份（范圍0~8388607），表示這一份上的詞頻統計；而且因為一共只有40億個數，那麼arr[0]統計的數字一定不會溢出（40億 < 2的32次方減一 = 42億多，一無符號數是32位）；如果統計所有數出現的頻率到對應范圍的份上，一定有某一份詞頻不夠83888608；假設不足的那一份是第a份，那麼下次把3KB在第a份這個范圍上再分512份，最終往下分，總能找到哪個數字沒出現。
總體時間復雜度：以 512 為底的 2的32次方 的對數。這是個很小的數。且按行讀文件佔用內存是很少的，讀文件並不是一次性把所有文件都load到內存里去，而是在硬碟文件里用偏移量找到某一行數據，讀下一行的時候前一行的空間就可以被釋放了；所以維持一個句柄句尾還有偏移量就可以按行讀文件了。
整個范圍是0到2的32次方減一。計算出中點Mid並統計0到Mid范圍出現多少個數記為a，統計Mid+1到結尾范圍出現多少數記為b個；a和b中一定有一個不滿，不滿的那個再二分，最終一定能定位到某個數字沒出現，遍歷次數以 2 為底 2的32次方 對數次，即32次
面對空間限制類題目，從范圍數據狀況入手，分區間統計的思想。
用哈希函數把URL分配到很多機器上去，每台機器上的文件再用哈希函數分成小文件，每個小文件分區間統計之後，找到重復的URL
利用堆、外排序來做多個處理單元的結果合並
通過1G內存分流文件，這1G用於存儲哈希表。哈希函數特性是同樣的URL會進到一個文件里去，文件大小為分流到1G可以統計下為止，從而把100億個URL的大文件分流成小文件。哈希表的key是64位元組（URL大小），value是long類型（因為是100億個，無符號整數不夠用）8位元組。然後算1G內存最多可以放多少條這種記錄，就可以知道小文件容忍的的不同的URL最多有多少條；從而反推出假設100億個URL都是不同的，需要多少個小文件保證1G不超。
計算：64+8=72位元組，哈希表內部可能有索引空間的佔用，可以算的富裕一點，算作一條記錄要100位元組；1G=10億位元組，得出哈希表最多放1千萬條記錄，即記錄1千萬種不同的URL；最壞情況100億個URL都不同，100億/1千萬得需要1千個小文件，那麼原來的URL大文件用哈希函數算完再模上1千，分到對應的小文件里（根據哈希函數的性質，每個小文件里種類差不多是均分的，而且每個文件里記錄數差不多1千萬左右，不會超出多少）。然後在這1G空間里統計每個小文件里詞頻的TOP100，1千個文件有1千個TOP100，然後在每個文件里建立用詞頻作為排序的大根堆。
把每個堆的堆頂再組成一個大根堆，構成堆上堆，二維堆（即上圖中的二叉樹結構）；例如上圖里包含甲、乙、丙；a、b、c；α、β、θ三個堆，現在堆頂元素甲、a、α構成大根堆
如上圖所示，假如調整完發現α是最大的，那麼α與a交換時是α這一串與a這一串交換，就輸出了α作為整個詞頻中TOP1。
如上圖所示，α輸出後β頂上來，但β未必是全局最大值，所以堆頂元素組成的大根堆開始heapify；假如甲此時是全局最大值，那麼甲這一串與β那一串交換......如此循環往復，每次堆上堆輸出一個最大值，下面的元素頂上來，然後堆上堆再調整，整個串交換；二維堆每次輸出一個，輸出100次就是TOP100。
如果是遍歷，時間代價O(100)；用堆結構可以加速到O(log100)。從這里可以看出外排每次決定一個東西是遍歷一遍每個堆堆頂並比較大小。
假設給的空間限制為3KB，和前面一樣分成512份且每一份都能統計下詞頻，第一份假設這些數出現a個，第二份假設這些數出現b個，第三份假設這些數出現c個，所有段的詞頻都有，然後把a、b、c……加起來，看在哪個范圍上剛超20億或剛好20億，就把第20億定位在這個范圍上了。
舉例假如第 i 份加完是19億個，第 i + 1份加完是21億個，那麼20億就在第 i + 1份上且是第 i + 1份上的第1億個，接下來在第 i + 1份上再分512份去詞頻統計，看哪一份是剛超1億或剛好到1億，如此下去，總有統計出來的時候。
『陸』 大數據是什麼多大的數據叫大數據
你好
多大的數據才算「大數據」
什麼是大數據有一個故事，說的是一位顧客訂購披薩時，披薩店可以立即調出這位顧客的許多信息，比如送披薩上門必有的家庭、單位等地址和電話，顧客的消費習慣從而推薦適合他的披薩種類，顧客名下的銀行卡透支情況從而確定他的支付方式，甚至顧客要自取披薩時，還能根據顧客名下車輛的停放位置預估他的到店時間等等。
從這個故事，我們可以看出大數據的一些關鍵特徵，比如容量大、類型多、關聯性強、有價值等等。「大數據是以高容量、多樣性、存取速度快、應用價值高為主要特徵的數據集合，正快速發展為對數量巨大、來源分散、格式多樣的數據進行採集、存儲和關聯分析，從中發現新知識、創造新價值、提升新能力的新一代信息技術和服務業態。」工信部信息化和軟體服務業司副司長李冠宇接受經濟日報·中國經濟網記者采訪時說。
若能給你帶來幫助，請幫忙點擊採納，謝謝！！！