3.2.2大数据服务机制
服务是大数据发展的核心，唯有将重点放在数据的分析挖掘和应用上，才能最大程度实现大数据的真正价值，也唯有分析与应用才是大数据及大数据产业发展的重中之重。因此可以认为，以数据为中心，为满足用户对数据的分析应用需求而提供的大数据服务将是大数据发展的核心。同时，大数据服务不是一种通用型的服务，而是与基础数据和用户需求息息相关的定制化服务、知识型服务。
3.3大数据建模分析方法和深度学习理论 3.3.1大数据建模分析方法
第一，自动预测趋势和行为。数据挖掘自动在大型数据库中寻找预测性信息，以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。
第二，关联分析。数据关联是数据库中存在的一类重要的可被发现的知识，若两个或多个变量的取值之间存在某种规律性，就称为关联。关联分析旨在找出具有强相关关系的几个属性。典型案例是啤酒和尿布的关联分析，关联分析经常用在电子商务的产品推荐中。
第三，聚类。数据库中的一些相类似的记录可以划归到一起，即聚类。聚类常常帮助人们对事物进行再认识。在社交网络分析中经常用到聚类技术。
大数据分析技术经过这几年的发展，已经形成了一些比较成熟稳定的模型算法。常见的模型算法有关联规则分析、决策树、神经网络、K-MEANS聚类、支持向量机、多元线性回归、广义线性回归、贝叶斯网络、Cox以及K近邻等。这些算法模型有的适合预测趋势和行为，有的适合关联分析，有的适合聚类分析;每种模型算法都有各自的优劣性，我们可以针对不同的场景选择合适的算法模型进行大数据分析挖掘。
五、以网络信息安全为例，阐述该领域的大数据分析过程和方法
在网络信息安全领域，应有效利用大数据中的价值，比如棱镜门，就是在监听有价值的信息，
六、大数据分析未来发展展望
展望未来，面对大数据，将有几个核心的问题需要研究分析。
大数据的复杂性度量，数据使人们处理计算问题时获得了前所未有的大规模样本，但同时大数据也呈现出前所未有的复杂特征，不得不面对更加复杂的数据对象，其典型的特性是类型和模式多样、关联关系繁杂、质量良莠不齐、大数据内在的复杂性使得数据的感知、表达、理解和计算等多个环节面临着巨大的挑战，导致了传统数据计算模式
下时空维度上计算复杂度的激增。如何量化定义大数据复杂性的本质特征及其外在度量指标，进而研究网络数据复杂性的内在机理是个重要的研究问题。
数据计算需要新模式与新范式，大数据的诸多突出特性使得传统的数据分析，数据挖掘，数据处理的方式方法都不再适用。因此，面对大数据，我们需要有数据密集型计算的基本模式和新型的计算范式，需要提出数据计算的效率评估方法等基本理论。
新型的IT基础框架，大数据对于系统，不管是存储系统、传输系统还是计算机系统都提出了很多苛刻的要求。因此，需要考虑整个IT框架进行革命性的重构，而存储能力的增长远远赶不上数据的增长，因此设计最合理的分层存储架构。
数据的安全和隐私问题，只要有数据，就必然存在安全与隐私的问题，随着数据的增多，网络大数据面临着重大的风险和威胁，需要遵守更多更合理的规定，而传统的数据保护方法无法满足这一要求。因此，面对大数据的安全与隐私保护，有大量的问题急需得到解决。
6、总结
这是一个信息爆炸的时代，不管是研究领域、商业领域还是工业领域，都要同数据打交道.随着科技的迅猛发展，更加先进的存储技术的出现，使得人们必须而对规模更加巨大、结构更加复杂的数据，并函待从中挖掘出有用的信息。目前对于大数据的研究尚属起步阶段，还有很多问题函待解决.大数据时代己经来临，如何从海量数据中发现知识、获取信息，寻找隐藏在大数据中的模式、趋势和相关性，揭示社会运行和发展规律，以及可能的科研、商业、工业等应用前景，都需要我们更加深入的了解大数据，并具有更加深刻的数据洞察力。
相关推荐：
loading