使用缓存，比如memcache,redis,因为它们是在内存中运行，所以处理数据，返回数据非常快，版所以可以应对权高并发。
2.增加带宽和机器性能，1M的带宽同时处理的流量肯定有限，所以在资源允许的情况下，大带宽，多核cpu,高内存是一个解决方案。
3.分布式，让多个访问分到不同的机器上去处理，每个机器处理的请求就相对减少了。
简单说些常用技术，负载均衡，限流，加速器等
② php能做大数据分析吗
数据挖掘现在用的比较多的是python。
数据分析这块现在用的比较多的是scala。
php不适合做大数据分析
③ 大数据敏感文字比如打电话发微信
大数据敏感文字主要是以个人信息为主、比如手机号、银行卡、身份证、地址、姓名、车牌号等，包括能够体现个人信息的有关证件如护照、港澳通行证、毕业证、军官证等等。商业方面主要有组织机构代码、营业执照代码等。
大数据敏感文字一般是说敏感数据，主要包括客户资料、技术资料、个人信息等高价值数据，这些数据以不同形式存在于用户资产中。敏感数据的泄露会给企业带来严重的经济和品牌损失。
大数据敏感文字通过设置敏感字段标注问题来解决。数据仓库里，多多少少会有一些敏感字段，一旦泄露危害很大。而数据仓库需要尽可能方便让用户使用，同时又要保护敏感字段不能随意访问，一方面需要知道哪些字段是敏感的，另一方面是对敏感字段做更高级别的权限控制。
④ php，mysql大数据查询，分表查询，自动分表
兄弟连里面肯定有，自己去看看目录然后挑合适自己看的就好了
⑤ 微软小冰nlp知识库
1.微软小冰的工作原理
微疯客我为你回答，类似小冰这样的产品说简单也简单，说复杂也复杂。
单纯从外面看你会觉得小冰与去年人人网上流行的小黄鸡类似，但在技术实现上有本质的差异。此类应用的大致流程都是：用户输入一段话（不一定只是单词）->后端语义引擎对用户输入的语句进行语义解析->推断用户最可能的意图->调用对应的知识库、应用、计算引擎->返回结果给用户。
1、最初级的实现方法：关键词匹配建一个关键词词库，对用户输入的语句进行关键词匹配，然后调用对应的知识库。此种方式入门门槛很低，基本上是个程序员指行都能实现，例如现在微信公众平台的智能回复、诸多网站的敏感词过滤就是此类。
但此种方式存在诸多问题，例如：a、由于是关键词匹配，如果用户输入的语句中出现多个关键词，此时由于涉及关键词权重（与知识库的关键词对比）等等问题，此时关键词匹配的方法就不擅长了b、不存在对用户输入语句语义的理解，导致会出现答非所问的现象。当然在产品上对回答不上的问题就采用卖萌的方式来规避掉。
c、基本上无自学习能力，规则只能完全由人工维护，且规则基本是固定死的。d、性能、扩展性较差。
还是上面的一句话中包含多个关键词的例子，采用普通程序语言来做关键词匹配，性能奇差。即便采用一些文本处理的算法来做（例如Double-array trie tree），也很难满足大规模场景需求。
2、稍微高级点的实现方法：基于搜索引擎、文本挖掘、自然语言处理（NLP）等技术来实现相对于1的关键词匹配，此种实现方法要解决的核心的问题可以大致理解为：根据一段短文本（例如用户问的一句话）的语义，推测出用户最可能的意图，然后从海量知识库内容中找出相似度最高的结果。具体技术实现就不细说了。
举一个很粗糙的例子来简单说一下此种实现方法处理的思路（不严谨，只是为了说明思路）。假如用户问：北京后天的温度是多少度？如果采用纯搜索引擎的思路（基于文本挖掘、NLP的思路不尽相同，但可参考此思路），此时实际流程上分御悄成几步处理：1、对输入语句分词，得到北京、后天、温度3个关键词。
分词时候利用了预先建好的行业词库，“北京”符合预先建好的城市库、“后天”符合日期库、“温度”符合气象库2、将上述分词结果与规则库按照一定算法做匹配，得出匹配度最高的规则。假定在规则库中有一条天气的规则：城市库+日期库+气象库，从而大致可以推测用户可能想问某个地方某天的天气。
3、对语义做具体解析，知道城市是北京，日期是后天，要获取的知识是天气预报4、调用第三方的天气接口，例如中国天气网-专业天气预报、气象服务门户 的数据5、将结果返回给用户以上例子其实很粗糙，实际上还有诸多问题没提到：语义上下文、语义规则的优先级等等。例如用户上一句问：北京后天的温度是多少度？下一句问：后天的空气质量呢？这里实际上还涉及语义上下文、用户历史喜好数据等等诸多问题。
此种处理方法存在的最大问题：规则库还主要依赖于人工的建立，虽然有一定的学习能力，但自我学习能力还是较弱。可以借助一些训练算法来完善规则，但效果并不是很好。
而这也是目前流行的深度挖掘技术所擅长的。3、当下时髦且高级的玩法：基于深度挖掘、大数据技术来实现这是cornata、google now等后端的支撑技术，至于小冰，感觉应该是以2为主+部分领域知识的深度挖掘。
并非原创，转自 hu。
2.微软小冰的工作原理
微疯客我为你回答，
类似小冰这样的产品说简单也简单，说复杂也复杂。单纯从外面看你会觉得小冰与去年人人网上流行的小黄鸡类似，但在技术实现上有本质的差异。
此类应镇逗渣用的大致流程都是：用户输入一段话（不一定只是单词）->；后端语义引擎对用户输入的语句进行语义解析->；推断用户最可能的意图->；调用对应的知识库、应用、计算引擎->；返回结果给用户。
1、最初级的实现方法：关键词匹配
建一个关键词词库，对用户输入的语句进行关键词匹配，然后调用对应的知识库。
此种方式入门门槛很低，基本上是个程序员都能实现，例如现在微信公众平台的智能回复、诸多网站的敏感词过滤就是此类。
但此种方式存在诸多问题，例如：
a、由于是关键词匹配，如果用户输入的语句中出现多个关键词，此时由于涉及关键词权重（与知识库的关键词对比）等等问题，此时关键词匹配的方法就不擅长了
b、不存在对用户输入语句语义的理解，导致会出现答非所问的现象。当然在产品上对回答不上的问题就采用卖萌的方式来规避掉。
c、基本上无自学习能力，规则只能完全由人工维护，且规则基本是固定死的。
d、性能、扩展性较差。还是上面的一句话中包含多个关键词的例子，采用普通程序语言来做关键词匹配，性能奇差。即便采用一些文本处理的算法来做（例如Double-array trie tree），也很难满足大规模场景需求。
2、稍微高级点的实现方法：基于搜索引擎、文本挖掘、自然语言处理（NLP）等技术来实现
相对于1的关键词匹配，此种实现方法要解决的核心的问题可以大致理解为：根据一段短文本（例如用户问的一句话）的语义，推测出用户最可能的意图，然后从海量知识库内容中找出相似度最高的结果。
具体技术实现就不细说了。举一个很粗糙的例子来简单说一下此种实现方法处理的思路（不严谨，只是为了说明思路）。
假如用户问：北京后天的温度是多少度？
如果采用纯搜索引擎的思路（基于文本挖掘、NLP的思路不尽相同，但可参考此思路），此时实际流程上分成几步处理：
1、对输入语句分词，得到北京、后天、温度3个关键词。分词时候利用了预先建好的行业词库，“北京”符合预先建好的城市库、“后天”符合日期库、“温度”符合气象库
2、将上述分词结果与规则库按照一定算法做匹配，得出匹配度最高的规则。假定在规则库中有一条天气的规则：城市库+日期库+气象库，从而大致可以推测用户可能想问某个地方某天的天气。
3、对语义做具体解析，知道城市是北京，日期是后天，要获取的知识是天气预报
4、调用第三方的天气接口，例如中国天气网-专业天气预报、气象服务门户 的数据
5、将结果返回给用户
以上例子其实很粗糙，实际上还有诸多问题没提到：语义上下文、语义规则的优先级等等。
例如用户上一句问：北京后天的温度是多少度？下一句问：后天的空气质量呢？这里实际上还涉及语义上下文、用户历史喜好数据等等诸多问题。
此种处理方法存在的最大问题：规则库还主要依赖于人工的建立，虽然有一定的学习能力，但自我学习能力还是较弱。可以借助一些训练算法来完善规则，但效果并不是很好。而这也是目前流行的深度挖掘技术所擅长的。
3、当下时髦且高级的玩法：基于深度挖掘、大数据技术来实现
这是cornata、google now等后端的支撑技术，至于小冰，感觉应该是以2为主+部分领域知识的深度挖掘。
并非原创，转自 hu。
3.微信机器人怎么弄得
微信机器人比微软小冰更人性化更易操作的个人微信机器人来了。不需要添加为好友，它同样在被用户添加为好友后，能拉到微信群中群聊，但它不会查看你的朋友圈。比起窥视用户的隐私，它更感兴趣的是调侃你的朋友们。
微信机器人比微软小冰更人性化更易操作的个人微信机器人来了。不需要添加为好友，它同样在被用户添加为好友后，能拉到微信群中群聊，但它不会查看你的朋友圈。比起窥视用户的隐私，它更感兴趣的是调侃你的朋友们。
微信机器人特色
1.赋予软硬产品流畅自然的中文聊天能力
精准的语义分析，可正确识别用户意图
支持多种上下文结构，满足连续对话及多重对话需要
基于DeepQA技术，匹敌人类回答问题能力
具备自学能力，产品越来越聪明
2.支持可自定义的NLP智能知识库系统
基于NLP技术的高智能知识库，满足不同场景的个性化及商业需求
3.融合上百个生活场景实用功能
打包超过500种实用生活服务功能，支持自然语言唤醒，在对话与聊天中满足生活需求
4.那个微软小冰一开始跟她聊的很好,没问题,怎么到最后,回答的不是
您好，WP8酷七网团队为你解答：微软小冰是中国团队2014年5月29日发布一款智能聊天机器人，“微软小冰” *** 了中国近7亿网民多年来积累的、全部公开的文献记录，凭借微软在大数据、自然语义分析、机器学习和深度神经网络方面的技术积累，精炼为1500万条真实而有趣的语料库（此后每天净增0.7%），通过理解对话的语境与语义，实现了超越简单人机问答的自然交互。
是通过云计算、大数据、深度神经网络等技术，让机器逐渐能够具有一种基于数据相关性所产生的基本智能。毕竟和人的大脑思维不同难免会出错。
满意请采纳，不懂请追问。
5.微软小冰除了聊天还会干什么
微软亚洲互联网工程院在2014年5月29日发布一款人工智能伴侣虚拟机器人，并取名“微软小冰”。
微软小冰除了智能对话之外，”微软小冰“还兼具群提醒、网络、天气、星座、笑话、交通指南、餐饮点评等实用技能。
二代小冰完全专属于用户，在跨平台的移动互联网应用中，帮助用户完成越来越多的事务，并不断自我完善升级。
微软表示，第三代小冰整合微软多项全球领先的人工智能图像与语音识别技术，除了原有的长程情感对话能力，还具备能看、能听和能说的全新人工智能感官。
具体来说就是，第三代小冰现在支持识图功能，能够“看”到用户发送的图片甚至视频内容，并根据图片内容进行相应对话。这主要得益于微软在图片识别技术方面的突破，据微软以前的新闻称，微软识图技术已经接近人类。除此之外，第三代小冰现在也能够开口说话了，而不只是文字回复。
所以小冰是一个正在成长的伴侣型人工智能。
⑥ php 更新大数据时很慢
没必要一次性查出100W条。每次请求3-5W数据update，分页用递归。
控制好变量内存，不要内存溢出。
⑦ php 怎么解决 大数据量 插入数据库（1次几千条数据）
$safe_mode = (boolean)ini_get('safe_mode');
$max_execution_time
= is_numeric(ini_get('max_execution_time'))
? intval(ini_get('max_execution_time'))
: intval(get_cfg_var('max_execution_time'))
;
foreach
。。抄。。。
if (!$safe_mode) {
set_time_limit($max_execution_time);
}
endforeach；
如果你担心时间的话，可以把下面那句话加到循环里。
⑧ adminer.php适合大数据管理吗
可以。
Adminer是一个类似于phpMyAdmin的MySQL管理客户端。整个程序只有一个PHP文件，易于使用和安装。Adminer支持多语言（已自带11种翻译语言文件，可以按自己的需求翻译相应的语言）。支持PHP4.3+，MySQL 4.1+以上的版本。提供的功能包括：
1：创建，修改，删除索引/外键/视图/存储过程和函数。
2：查询，合计，排序数据。
3：新增/修改/删除记录。
4：支持所有数据类型，包括大字段。
5：能够批量执行SQL语句。
6：支持将数据，表结构，视图导成SQL或CSV。
7：能够外键关联打印数据库概要。
8：能够查看进程和关闭进程。
9：能够查看用户和权限并修改。
10：管理事件和表格分区（MySQL5.1才支持）
⑨ phpcms 真的有千万级的数据承载吗
就算是也不用上，哪有那么的查询量啊！就算有，硬件也不支持，带宽出口也存在问题
⑩ PHP-大数据量怎么处理优化
大数据的话可以进行以下操作：
减少对数据库的读取，也就是减少调用数据库，
进行数据缓存，
利用数据库的自身优化技术，如索引等
精确查询条件，有利于提高查找速度