english
近年来，随着互联网信息技术的不断发展，大量传感器，终端接入互联网，上传了海量的数据。所以使用hadoop之类的大数据平台存储大量数据成了许多公司的选择。
但随着不断有新的大数据离线计算、实时计算任务新增到生产环境机器中来。目前的计算资源大都用于实时计算。为了不影响实时计算的时效性，离线计算部分的资源只有很少一部分。并且离线任务的启动会给实时计算带来很大的压力，容易产生数据延时等问题。下面介绍部分实践中的问题，并提供我方的解决思路，希望达到抛砖引玉的效果。
一）大数据平台消息处理拥塞的问题
下图显示了在数据流量小时，大数据平台能够轻易的同时处理实时和历史计算业务。两者能够和谐共处，各行其是。
而一旦实时数据业务和历史分析业务发生资源争抢时，情况就会发生如下图的逆转，对整个平台信息处理的时效性造成毁灭性打击，导致客户体验直线下降。
二）web前台展示分析过于依赖传统关系型数据库
大数据平台类似于hadoop平台对于sql的支持非常差，尤其是复杂的sql（大量join，distinct）几乎是无能为力。导致了最终web与大数据平台严重割裂的结果，数据需要大数据组件处理完，再导入到mysql类的关系型数据库中，导致数据处理的时效和mysql数据库严重的性能问题。
大数据平台处理完的数据均需要录入到mysql这种传统关系型数据库里面才能供前台web使用，导致作为中间数据承载的mysql数据库承担了巨大的压力。尽管mysql可以读写分离，新建从节点解决一部分读的问题，或者联合使用redis内存缓存来解决热点低变化数据的读取问题。终归是治标不治本，一旦达到mysql集群扩展的性能极限。伪分布式九游会国际的解决方案终究会遇到无法解决的性能问题
