医疗大数据架构

Ⅰ 大数据医疗具体是指什么

医疗大数据是个很宽泛的概念，他有很多详细的分类，包括：电子病历数据，这是患者就医过程中所产生的数据，包括患者基本信息、疾病主诉、检验数据、影像数据、诊断数据、治疗数据等，这类数据一般产生及存储在医疗机构的电子病历中，这也是医疗数据最主要的产生地。电子化的医疗病历方便了病历的存储和传输，但是并未达到进行数据分析的要求。大约80%的医疗数据是自由文本构成的非结构化数据，其中不仅包括大段的文字描述，也包括包含非统一文字的表格字段。通过医学自然语言理解技术，将非结构化医疗数据转化为适合计算机分析的结构化形式是医疗大数据分析的基础。电子病历中所采集的数据是数据量最多、最有价值的医疗数据。通过和临床信息系统的整合，内容涵盖了医院内的方方面面的临床数据集。在电子病历的互通互联上，出于各自的利益性（限制病人转诊），各大电子病历企业也不愿意使数据互通互联。根据美国政府相关报告显示，其电子病历共享比例也仅为30%左右。
检验数据
医院检验机构产生了大量患者的诊断、检测数据，也有大量存在的第三方医学检验中心也在产生数据。检验数据是医疗临床子系统中的一个细分小类，但是可以通过检验数据直接患者的疾病发展和变化。目前临床检验设备得到迅速发展，通过LIS 系统对检验数据进行收集，可以对疾病的早发现早诊断和正确诊断做出贡献。
影像数据
随着数据库技术和计算机通讯技术的发展，数字化影像传输和电子胶片应运而生。医疗影像数据是通过影像成像设备和影像信息化系统产生的，医院影像科和第三方独立影像中心存储了大量的数字化影像数据。医学影像大数据，是由DR、CT、MR 等医学影像设备产生所产生并存储在PACS 系统内的大规模、高增速、多结构、高价值和真实准确的影像数据集合。与检验信息系统（LIS）大数据和电子病历（EMR）等同属于医疗大数据的核心范畴。医学影像数据量非常庞大，影像数据增速快，标准化程度高。影像数据和临床其他数据比较起来，它的标准化、格式化、统一性是最好的，价值开发也最早。
费用数据
医院门诊费用、住院费用、单病种费用、医保费用、检查和化验收入、卫生材料收入、诊疗费用、管理费用率、资产负债率等和经济相关的数据。除了医疗服务的收入费用之外，还包含医院所提供医疗服务的成本数据，包含药品、器械、卫生人员工资等成本数据。在DRGs 按疾病诊断相关组付费模式中，需要详细的成本数据核算。通过大样本量的测算，建立病种标准成本，加强病种成本核算和精细化成本管理。
基因测序数据
基因检测技术通过基因组信息以及相关数据系统，预测罹患多种疾病的可能性。基因测序会产大量的个人遗传基因数据，一次全面的基因测序，产生的个人数据则达到300GB。一家基因测序企业每月产生的数据量可以达到数百TB 甚至1PB。
智能穿戴数据
各种智能可穿戴设备的出现，使得血压、心率、体重、体脂、血糖、心电图等健康体征数据的监测都变成可能，患者的单一体征健康数据以及运动数据快速上传到云端，而且数据的采集频率和分析速度大大提升。除了生命体征之外，还有其他智能设备收集的健康行为数据，比如每天的卡路里摄入量、喝水量、步行数、运动时间、睡眠时间等等。智能穿戴设备虽然在这两年遇冷，用户很难形成粘性，但是并不意味着智能穿戴设备所产生的数据没有意义。提供健康数据和服务，可能是智能穿戴厂商未来的转型之路。健康大数据的收集必须依靠硬件载体，智能穿戴设备还将会遇到自己的第二春。
体检数据
体检数据是体检机构所产生的健康人群的身高、体重、检验和影像等数据。这部分数据来自医院或者第三体检机构，大部分是健康人群的体征数据。随着亚健康人群、慢病患者的增加，越来越多的体检者除了想从体检报告中了解自己的健康状况，还想从体检结果中获得精准的健康风险评估，以及如何进行健康、慢病管理。
移动问诊数据
通过移动设备端或者PC 端连接到互联网医疗机构，产生的轻问诊数据和行为数据。曾经通过互联网问诊企业春雨医生的数据，分析各地医生互联网问诊的活跃度、细分疾病种的问诊行为。通过这些数据的分析，对行业发展、互联网问诊企业的决策有非常重要的帮助。

Ⅱ 大数据行业对于医药行业有什么作用呢

一、大数据有助于精确医疗行业市场定位
医疗行业企业需要架构大数据战略，拓宽医疗行业调研数据的广度和深度，从大数据中了解医疗行业市场构成、细分市场特征、消费者需求和竞争者状况等众多因素，在科学系统的信息数据收集、管理、分析的基础上，提出更好的解决问题的方案和建议。
企业想进入或开拓某一区域医疗行业市场，首先要进行项目评估和可行性分析，这个区域人口是多少？消费水平怎么样？客户的消费习惯是什么？市场对产品的认知度怎么样？当前的市场供需情况怎么样？公众的消费喜好是什么等等，这些问题背后包含的海量信息构成了医疗行业市场调研的大数据。
随着大数据时代的来临，借助数据挖掘和信息采集技术不仅能给研究人员提供足够的样本量和数据信息，还能够建立基于大数据数学模型对未来市场进行预测。当然，依靠传统的人工数据收集和统计显然难以满足大数据环境下的数据需求，这就需要依靠相关大数据技术开发公司(如北京恒泰博远科技)来进行大数据采集、分析、监控、分发系统的开发。

二、大数据成为医疗行业市场营销的利器
互联网上的信息总量正以极快的速度不断暴涨，我们每天在不同平台上分享各种文本、照片、视频、音频、数据等信息高达的几百亿甚至几千亿条，这些信息涵盖着商家信息、个人信息、行业资讯、产品使用体验、商品浏览记录、商品成交记录、产品价格动态等等海量信息。这些数据通过聚类可以形成医疗行业大数据，其背后隐藏的是医疗行业的市场需求。
以医疗行业在对顾客的消费行为和趣向分析方面为例，消费者购买产品的花费、选择的产品渠道、偏好产品的类型、产品使用周期、购买产品的目的、消费者家庭背景、工作和生活环境、个人消费观和价值观等。如果企业收集到了这些数据，建立消费者大数据库，便可通过统计和分析来掌握消费者的消费行为、兴趣偏好和产品的市场口碑现状，再根据这些总结出来的行为、兴趣爱好和产品口碑现状制定有针对性的营销方案和营销战略。

三、大数据支撑医疗行业收益管理
大数据时代的来临，为企业收益管理工作的开展提供了更加广阔的空间。需求预测、细分市场和敏感度分析对数据需求量很大，而传统的数据分析大多是采集的是企业自身的历史数据来进行预测和分析，容易忽视整个医疗行业信息数据，因此难免使预测结果存在偏差。

四、大数据创新医疗行业需求开发
在微博、微信、论坛、评论版等平台随处可见网友使用某款产品优点点评、缺点的吐槽、功能需求点评、质量好坏与否点评、外形美观度点评、款式样式点评等信息，这些都构成了产品需求大数据。作为医疗行业企业，如果能对网上医疗行业的评论数据进行收集，建立网评大数据库，然后再利用分词、聚类、情感分析了解消费者的消费行为、价值趣向、评论中体现的新消费需求和企业产品质量问题，以此来改进和创新产品，制订合理的价格及提高服务质量，从中获取更大的收益。

Ⅲ 「医疗数据说」近百家企业仅跑出4家独角兽医疗大数据“金矿”待启

医疗大数据概念是从何时出现的？

早期，医疗大数据并非一个单独行业，更多的作为产业中的一个“元素”。上世纪90年代末，包括东软、卫宁 健康 、万达信息等老牌信息化厂商在公立医院建立根据地，为我国医疗大数据发展打下了基础。

经过十多年的 探索 ，国内的医疗大数据产业链已经初步形成。政策对于医疗大数据的监管和整合逐步推进，产业中也出现了以医疗大数据存储、挖掘、分析以及应用的创业企业。但总体来看，我国医疗大数据的发展速度并不快。

这一方面归咎于我国大数据的总量大，但质量较低、分散分布、不完整等特点；另一方面，由于医疗行业的高度政策导向性，国家对于医疗大数据的管控步伐走的仍然比较保守。

亿欧大 健康 对国内医疗大数据领域的企业进行了盘点，发现这些企业呈现出三大特征，并且在医疗大数据蓝海里，仍有座“金矿”亟待被挖掘。

根据医疗大数据产业链，亿欧大 健康 将其梳理为三个维度：基础层、技术层和应用层。基础层负责数据的采集、转换，技术层专注数据存储、加工、清洗和分析，应用层则聚焦在数据的价值挖掘的场景应用上。

在亿欧大 健康 的盘点中，有部分企业如腾讯、华大基因等企业在三个维度均有覆盖，也有例如博识医疗云等企业专注于医疗大数据的部分环节。

从上述三大层面来看，企业规模分异较为明显。 基础层多集中在上市公司，且多为医疗器械和医疗信息化企业。 由于近几年新成立的创业公司大多并没有太长时间用来沉淀数据，这一行为甚至与其商业化的方向相悖，因此，医疗 健康 大数据的“供给端”集中出现在与实体医院相连的HIT厂商和医疗器械尤其是智能可穿戴设备中。

细观技术层中的企业，大多是以提供医疗 健康 技术解决方案的形式进行服务。 这一类公司通常首先立足于某一病种，并以AI技术和数据加工分析能力为技术壁垒，服务覆盖医疗机构、药企、保险等几大角色。不同的是，各公司所覆盖的细分和范围有所差异。有意思的是，技术层的公司融资轮次都不高，在33家中，B轮及以下的企业有23家，上市公司仅有3家。

这一现象在应用层虽然有所缓解，但企业的体量分异仍然很明显。在应用层统计的34家企业中，B轮及以下公司占据50%，不过，表格中出现不少上市公司的身影。这一方面体现出上市公司医疗逐渐开始注意到了医疗大数据这块“肥肉”，另一方面，也不可避免的加剧了医疗大数据应用层的竞争程度。

很显然，相比AI应用于医疗辅助诊断或是互联网医疗，医疗大数据远还没有到达爆发的节点，对比其他行业，应用程度也没有零售、金融等行业成熟。但根据IDC Digital的预测，截至2020年医疗数据量将达40万亿GB，是2010年的30倍。

这是一片潜在的金矿，那么在医疗 健康 产业中，大数据有哪些应用场景？亿欧大 健康 总结出了6个方向。

1、大数据+医药研发。 在初步应用中，医疗大数据在缩短研发周期、降低研发成本、处理患者数据、模拟疾病模式等方面均有出色的表现，这给入局者们增强了不少信心。

2、大数据+临床决策。 在医疗机构信息化建设的架构上，医疗大数据可以对临床决策起到很好的辅助作用。目前来看，医疗大数据在辅助临床精准医疗、疾病风险预测方面应用较多，例如在患者出现某症状之前就计算出患病概率和时间节点，以便在临床上进行早期干预。

3、大数据+互联网医疗。 曾有行业人士表示，互联网+医疗的核心内容是大数据。在这一场景中，企业比较多的做法是将大数据和互联网医院、养老、 健康 管理和居民电子 健康 档案相结合，并辅助政府进行区域性 健康 信息管理。

4、大数据+医疗保险。 除了助力医疗保险精准服务、精确管理和科学决策，在医疗保险中，大数据还在例如单病种、DRGs等支付标准设计、完善药品数据和统一标准、完善医保智能监控系统等方面有巨大的发挥空间。

5、大数据+ 健康 管理。 “ 健康 管理”这把火并不是伴随着大数据的兴起而烧起来的，但准确来说，是大数据让“精准 健康 管理”开始在行业中成为一代网红，其中玩家包括妙 健康 、 健康 有益等在内的公司。当下，大数据 健康 管理更多地建立在EHR（电子 健康 档案）和EMR（电子病历）两种整理方式上。

6、大数据+智能诊断。 医学影像和辅助诊断的细分应用是医疗大数据最成熟的落地场景之一，但对于当下AI+医疗企业较为苦恼的事情是，一方面数据量级并不足够大，另一方面数据孤岛情况严重，这是制约其发展的很大一个因素。但无论如何，大数据+智能诊断仍广泛被行业所看好。在商业化落地上，这些企业的步伐也相对较快。

总体来看，医疗大数据的应用场景众多，但应用程度大多处于中度乃至弱；在上述表格中近百家医疗大数据企业，仅有丁香园、微医、零氪、思路迪迈入独角兽行列；除此之外，国内专注于医疗大数据的新资本也屈指可数。

这一系列现状实则展现了医疗大数据是一片蓝海，而蓝海之下蕴含的是巨大的商业价值。 在三医联动、分级诊疗等新政策的加持下，以及国家对于医疗 健康 大数据的逐步规整中，作为全行业底层支撑的医疗大数据，势必将迎来爆发的一天。

近年来，随着我国医疗需求攀升，医疗机构、药企、保险公司正不断寻求产业升级新机会，医疗 健康 大数据发展势如破竹。亿欧大 健康 频道策划了【医疗数据说】系列专访和选题报道，聚焦大数据给医疗产业链各环节带来的颠覆和变革。

如果您有合适的企业推荐，请联系亿欧大 健康 频道负责人郭铭梓（微信：Lelion8742390）。

Ⅳ 大数据医疗是什么

数据架构。大数据医疗是数据架构。大数据，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过主流软件工具。大数据医疗是一个行业的整体数据架构。

Ⅳ 智慧医疗整体解决方案

华宇智能数据（www.thunisoft.com）

医院抄运营管理辅助决策支持系统

随着医改的深入，国家对加强医院管理、提高医疗质量提出了更高的要求，在实现为群众提供安全、有效、优质、方便、价廉的医疗卫生服务的总体目标要求下，医院必须变被动服务为主动服务，通过各种信息的积累和挖掘分析，形成主动的智慧医疗服务以及精准的医院管理能力。

Ⅵ 医疗大数据的分析和挖掘发展现状如何未来会有什么样的应用前景

如今是大数据时代，前景自然好了，据前瞻产业研究院《2016-2021年中国行业大数据市场发展前景预测与投资战略规划分析报告》显示，总的来说，医疗大数据应用主要体现在临床操作、研发、新的商业模式、付款/定价、公众健康五大领域，在这些场景中，大数据的分析和应用都将发挥巨大的作用。
医疗大数据的应用对于临床医学研究、科学管理和医疗服务模式转型发展都具有重要意义，而大数据技术的运用前景是十分光明的。
医院和医疗行业面临的大数据主要有医学影像、视频(教学、监控)及文献等非结构化数据。由于这些数据增长很快且结构复杂，给数据管理和利用带来较大的压力，存储与管理成本不断提高，数据利用困难、利用率低。除了数据数量和形态的迅速增加，医疗数据还需要越来越长的保留期。一旦存储系统的安全性出现问题，导致医疗数据丢失，医院会面临严重不良局面。医疗大数据的应用要保证数据的全面性、准确性、实时性和使用的便捷性，要能快速运算和快速展现，要与日常工作平台紧密结合。
国人已经把健康大数据上升为国家战略，而面对“大数据”的挑战，医院必须考虑三大主要问题。
(1) 数据存储是否安全可靠?因为系统一旦出现故障，首先考验的就是数据的存储、灾备和恢复能力。如果数据不能迅速恢复，而且恢复不能到断点，则将对医院的业务、患者满意度构成直接损害。
(2) 如何提高医院运行和服务的效率?提高效率就是节省医生的时间，从而缓解医疗资源的紧张状况，在一定程度上可以帮助解决“看病难”的问题。
(3) 如何控制大数据的成本?存储架构是否合理，不仅影响医院IT系统的成本，而且关乎医院的运营成本，医疗数据激增，使医院普遍存在着较大的存储扩容压力。如今，医院的存储设备大多是由不同厂商构成的完全异构的存储系统。这些不同的存储设备利用各自不同的软件工具来进行控制和管理，这样就增加了整个系统的复杂性，使管理成本非常高。
未来，大数据必将影响医疗行业，未来医疗行业的大数据将会具体应用在：临床辅助决策，医疗质量监管，疾病预测模型，临床实验分析。其发展空间有：个人健康门户，慢病管理和健康管理，电子病历和临床质量监控，医学知识管理，临床路径和循证医学，远程医疗和移动医疗，医学研究数据仓库和共享平台，跨医疗机构协作平台。

Ⅶ 传统大数据存储的架构有哪些各有什么特点

数据时代，移动互联、社交网络、数据分析、云服务等应用的迅速普及，对数据中心提出革命性的需求，存储基础架构已经成为IT核心之一。政府、军队军工、科研院所、航空航天、大型商业连锁、医疗、金融、新媒体、广电等各个领域新兴应用层出不穷。数据的价值日益凸显，数据已经成为不可或缺的资产。作为数据载体和驱动力量，存储系统成为大数据基础架构中最为关键的核心。

传统的数据中心无论是在性能、效率，还是在投资收益、安全，已经远远不能满足新兴应用的需求，数据中心业务急需新型大数据处理中心来支撑。除了传统的高可靠、高冗余、绿色节能之外，新型的大数据中心还需具备虚拟化、模块化、弹性扩展、自动化等一系列特征，才能满足具备大数据特征的应用需求。这些史无前例的需求，让存储系统的架构和功能都发生了前所未有的变化。

基于大数据应用需求，“应用定义存储”概念被提出。存储系统作为数据中心最核心的数据基础，不再仅是传统分散的、单一的底层设备。除了要具备高性能、高安全、高可靠等特征之外，还要有虚拟化、并行分布、自动分层、弹性扩展、异构资源整合、全局缓存加速等多方面的特点，才能满足具备大数据特征的业务应用需求。

尤其在云安防概念被热炒的时代，随着高清技术的普及，720P、1080P随处可见，智能和高清的双向需求、动辄500W、800W甚至上千万更高分辨率的摄像机面市，大数据对存储设备的容量、读写性能、可靠性、扩展性等都提出了更高的要求，需要充分考虑功能集成度、数据安全性、数据稳定性，系统可扩展性、性能及成本各方面因素。

目前市场上的存储架构如下：

(1)基于嵌入式架构的存储系统

节点NVR架构主要面向小型高清监控系统，高清前端数量一般在几十路以内。系统建设中没有大型的存储监控中心机房，存储容量相对较小，用户体验度、系统功能集成度要求较高。在市场应用层面，超市、店铺、小型企业、政法行业中基本管理单元等应用较为广泛。

(2)基于X86架构的存储系统

平台SAN架构主要面向中大型高清监控系统，前端路数成百上千甚至上万。一般多采用IPSAN或FCSAN搭建高清视频存储系统。作为监控平台的重要组成部分，前端监控数据通过录像存储管理模块存储到SAN中。

此种架构接入高清前端路数相对节点NVR有了较高提升，具备快捷便利的可扩展性，技术成熟。对于IPSAN而言，虽然在ISCSI环节数据并发读写传输速率有所消耗，但其凭借扩展性良好、硬件平台通用、海量数据可充分共享等优点，仍然得到很多客户的青睐。FCSAN在行业用户、封闭存储系统中应用较多，比如县级或地级市高清监控项目，大数据量的并发读写对千兆网络交换提出了较大的挑战，但应用FCSAN构建相对独立的存储子系统，可以有效解决上述问题。

面对视频监控系统大文件、随机读写的特点，平台SAN架构系统不同存储单元之间的数据共享冗余方面还有待提高;从高性能服务器转发视频数据到存储空间的策略，从系统架构而言也增加了隐患故障点、ISCSI带宽瓶颈导致无法充分利用硬件数据并发性能、接入前端数据较少。上述问题催生了平台NVR架构解决方案。

该方案在系统架构上省去了存储服务器，消除了上文提到的性能瓶颈和单点故障隐患。大幅度提高存储系统的写入和检索速度;同时也彻底消除了传统文件系统由于供电和网络的不稳定带来的文件系统损坏等问题。

平台NVR中存储的数据可同时供多个客户端随时查询，点播，当用户需要查看多个已保存的视频监控数据时，可通过授权的视频监控客户端直接查询并点播相应位置的视频监控数据进行历史图像的查看。由于数据管理服务器具有监控系统所有监控点的录像文件的索引，因此通过平台CMS授权，视频监控客户端可以查询并点播整个监控系统上所有监控点的数据，这个过程对用户而言也是透明的。

(3)基于云技术的存储方案

当前，安防行业可谓“云”山“物”罩。随着视频监控的高清化和网络化，存储和管理的视频数据量已有海量之势，云存储技术是突破IP高清监控存储瓶颈的重要手段。云存储作为一种服务，在未来安防监控行业有着可观的应用前景。

与传统存储设备不同，云存储不仅是一个硬件，而是一个由网络设备、存储设备、服务器、软件、接入网络、用户访问接口以及客户端程序等多个部分构成的复杂系统。该系统以存储设备为核心，通过应用层软件对外提供数据存储和业务服务。

一般分为存储层、基础管理层、应用接口层以及访问层。存储层是云存储系统的基础，由存储设备(满足FC协议、iSCSI协议、NAS协议等)构成。基础管理层是云存储系统的核心，其担负着存储设备间协同工作，数据加密，分发以及容灾备份等工作。应用接口层是系统中根据用户需求来开发的部分，根据不同的业务类型，可以开发出不同的应用服务接口。访问层指授权用户通过应用接口来登录、享受云服务。其主要优势在于：硬件冗余、节能环保、系统升级不会影响存储服务、海量并行扩容、强大的负载均衡功能、统一管理、统一向外提供服务，管理效率高，云存储系统从系统架构、文件结构、高速缓存等方面入手，针对监控应用进行了优化设计。数据传输可采用流方式，底层采用突破传统文件系统限制的流媒体数据结构，大幅提高了系统性能。

高清监控存储是一种大码流多并发写为主的存储应用，对性能、并发性和稳定性等方面有很高的要求。该存储解决方案采用独特的大缓存顺序化算法，把多路随机并发访问变为顺序访问，解决了硬盘磁头因频繁寻道而导致的性能迅速下降和硬盘寿命缩短的问题。

针对系统中会产生PB级海量监控数据，存储设备的数量达数十台上百台，因此管理方式的科学高效显得十分重要。云存储可提供基于集群管理技术的多设备集中管理工具，具有设备集中监控、集群管理、系统软硬件运行状态的监控、主动报警，图像化系统检测等功能。在海量视频存储检索应用中，检索性能尤为重要。传统文件系统中，文件检索采用的是“目录-》子目录-》文件-》定位”的检索步骤，在海量数据的高清视频监控，目录和文件数量十分可观，这种检索模式的效率就会大打折扣。采用序号文件定位可以有效解决该问题。

云存储可以提供非常高的的系统冗余和安全性。当在线存储系统出现故障后，热备机可以立即接替服务，当故障恢复时，服务和数据回迁;若故障机数据需要调用，可以将故障机的磁盘插入到冷备机中，实现所有数据的立即可用。

对于高清监控系统，随着监控前端的增加和存储时间的延长，扩展能力十分重要。市场中已有友商可提供单纯针对容量的扩展柜扩展模式和性能容量同步线性扩展的堆叠扩展模式。

云存储系统除上述优点之外，在平台对接整合、业务流程梳理、视频数据智能分析深度挖掘及成本方面都将面临挑战。承建大型系统、构建云存储的商业模式也亟待创新。受限于宽带网络、web2.0技术、应用存储技术、文件系统、P2P、数据压缩、CDN技术、虚拟化技术等的发展，未来云存储还有很长的路要走。

Ⅷ 大数据系统架构

转： https://www.sohu.com/a/227887005_487103

数据分析工作虽然隐藏在业务系统背后，但是具有非常重要的作用，数据分析的结果对决策、业务发展有着举足轻重的作用。随着大数据技术的发展，数据挖掘、数据探索等专有名词曝光度越来越高，但是在类似于Hadoop系列的大数据分析系统大行其道之前，数据分析工作已经经历了长足的发展，尤其是以BI系统为主的数据分析，已经有了非常成熟和稳定的技术方案和生态系统，对于BI系统来说，大概的架构图如下：

总的来说，目前围绕Hadoop体系的大数据架构大概有以下几种：
传统大数据架构

Lambda架构算是大数据系统里面举足轻重的架构，大多数架构基本都是Lambda架构或者基于其变种的架构。Lambda的数据通道分为两条分支：实时流和离线。实时流依照流式架构，保障了其实时性，而离线则以批处理方式为主，保障了最终一致性。什么意思呢？流式通道处理为保障实效性更多的以增量计算为主辅助参考，而批处理层则对数据进行全量运算，保障其最终的一致性，因此Lambda最外层有一个实时层和离线层合并的动作，此动作是Lambda里非常重要的一个动作
优点： 既有实时又有离线，对于数据分析场景涵盖的非常到位。
缺点： 离线层和实时流虽然面临的场景不相同，但是其内部处理的逻辑却是相同，因此有大量荣誉和重复的模块存在。
适用场景： 同时存在实时和离线需求的情况。

Kappa架构

Unifield架构

总结
以上几种架构为目前数据处理领域使用比较多的几种架构，当然还有非常多其他架构，不过其思想都会或多或少的类似。数据领域和机器学习领域会持续发展，以上几种思想或许终究也会变得过时。