在混合部署的场景下，实现资源的动态扩容和释放，确保资源的高效利用和应用性能的稳定是一个挑战。特别是在大数据平台中，像Spark这样的任务通常需要预设资源，这使得弹性扩缩容的配置和策略变得更加复杂 。我的建议是，结合日常运营的历史使用数据，比如监控历史数据，了解应用在不同...(more)

有用，感谢分享！

根据需求，主要是处理30亿条交易数据，并利用机器学习为交易地址打上标签，使用Hadoop和Spark是一个合适的大数据平台方案。数据量：Hadoop适合存储海量的数据，并提供了多种技术组件用于查询和分析，由于本需求是30亿条数据进行存储和处理，所以选择Hadoop是合适的。Spark是基于内存的...(more)

不全，打不开

可以可以可以

银行在线服务主要是交易类服务，主要负载出现在白天工作时间段，夜间交易负载较低，计算资源使用呈现日高夜低的特征。离线作业一般是大数据分析、批量任务或者模型训练，属于资源密集型服务，主要负载出现在夜间，可以容忍一定的时延甚至中断，计算资源使用呈现日低夜高的特征。这两类...(more)

以之前迁移一套oa系统为经验，先复制一套x86系统。然后用复制过的系统去迁移到信创，来进行测试验证。这样不影响正式系统的运行，记录所有花费时间，这样就能较为准确的估算出整个迁移时间，包括迁移时出现的问题。大大提高了数据迁移的准确性。做好实施计划，进行正式迁移。...(more)

技术有点老

GPU在hadoop环境在如何加速数据处理

可以讲的再细致点