随着业务越来越大，数据也是越来越多，怎么能让业务在数据大的时候还能保证快呢。
互联网的业务无外乎线上OLTP场景和线下OLAP场景，这两种场景，数据量增大后，我们应该分别怎么应对呢。
【OLTP】
在业务初期，单库单表，就能满足绝大部分业务需求，其典型的架构为：
（1）DAS：数据访问层；
（2）DB：数据库；
当数据量越来越大，例如达到1亿注册量时，我们必然遇到性能和存储瓶颈，这时我们应该怎么做？
此时需要对数据库进行水平切分。
常见的水平切分算法有“范围法”和“哈希法”。
范围切分，一般就是按主键划分，采用区间的方式，将数据水平切分到多个数据库实例上去。
哈希法，一般我们会选定某个业务主键，采用哈希的方式，将数据水平切分到两个数据库实例上去。
通过对比，我们可以发现：
（1）范围切分，实现足够简单，但是存在后续负载不均衡的问题，不同的区间用户活跃度不一样。
（2）哈希法，通过hash随机，能实现数据和负载的均衡，但是扩容后存在hash数据迁移问题。
画外音：互联网通过水平扩展来应对大流量。
【OLAP】
在数据量上来后，我们一般都会采用大数据平台进行数据分析。MapReduce 能很好的解决大数据的计算问题，但是我们怎么能让数据更快呢？此时需要对数据进行实时计算了，比如Flink。
大数据实时分析主要基于流式数据，也就是数据源源不断的产生，并被计算。Flink 主要处理有界流和无界流两种形式。
（1）有界流，就是通常的批处理，Flink专为固定大小数据集特殊设计的算法，让批处理有出色的性能
（2）无界流的数据必须持续处理，因为输入是无限的，在任何时候输入都不会完成。Flink擅长精确的时间控制和状态化，使得运行时能够推断事件结果的完整性，从而运行任何处理无界流的应用。
Flink以及大数据各种计算引擎，到底怎么实现更大数据、更快处理的呢？相信大家一定愿意更加深入的了解。
福利来了！！！
免费直播，带你走进大数据计算引擎设计精华。
事件：三天突破大数据四大分布式计算引擎
人物：凤凰金融大数据一把手，王端阳老师
时间：8.18-8.20，20:00（先领资料预习，学习效果更好）
DAY1 (8.18)
（1）离线计算和实时计算的应用场景
（2）大数据离线计算框架MapReduce的编程模型
（3）MapReduce实现共同好友推荐的编程思路
（4）共同好友推荐的编程实现案例
（5）如何解决计算过程中遇到的数据倾斜
DAY2 (8.19)
（1）基于内存的大数据计算引擎Spark特性详解
（2）Spark最核心概念弹性分布式数据集RDD
（3）使用Scala编程语言实现网页浏览量统计
（4）理解数据处理系统的分类和特征
（5）从MR到Spark看大数据计算框架的演变
DAY3 (8.20)
（1）大数据实时计算框架Storm的体系架构
（2）Storm编程拓扑图与编程案例
（3）Mapreduce和Spark有哪些不足
（4）Flink的体系架构和编程案例
（5）从零开始到大数据架构师的成长之路
有技术资料预习么（以下所有课程，免费）？
《实现MapReduce》 《Kafka高性能的消息封装流程架构设计源码剖析》 《手写简单实现Hadoop》
如何参加免费训练营，领取课程资料？
扫码获取直播地址，免费领资料
祝大家在P8之路上前行，阅读原文，福利等你。
