无论是电信及金融行业，或是新兴的物联网、云计算，还是新应用层出不穷的互联网，每一刻都生成大量半结构化、非结构的数据。诸如目前最热门的微博应用，在非常显著的促进了用户交流和信息共享，但是由此也产生了大量信息，对于数据的定位和检索非常不便。市场调研公司麦肯锡表示，全球数据正以每年40%的速度增加，到2020年全球电子设备存储的数据将暴增30倍，达到35ZB（相当于10亿块1TB的硬盘的容量）。由此对各行各业电信运营商、电商、税务、金融、公安、等各个行业都会面对大数据计算的挑战。
大数据计算的挑战
1、 数据格式的挑战：数据的格式包括结构化数据、半结构化数据、非结构化数据、每种数据的处理方法和分析方法都有区别，分析和计算的难度大。
2、 数据分析方法的挑战：大数据技术的数据挖掘分为，关联分析、聚类分析、异常分析、特性群组分析、演变分析等，分析的数学模型需要很强的适应性。
3、 计算的时效性挑战：数据挖掘的实时计算，需要毫秒级的用户体验，需要瞬间把握数据动向和趋势。
4、 计算的成本的挑战：数据的存储和安全以及在未来访问和使用这些数据的存储成本、计算资源的成本必须改变过去大型机、小型机的计算模式，改为采用通用硬件的分布式计算的技术模式。
作为行业深度定制化智能网络及云计算解决方案提供商，汉柏在电信、政府等行业在数据挖掘积累了丰富的经验。汉柏大数据计算系统提供了高性能存储和查询检索，并提供简单可靠的存储扩展，从而能够提供便捷快速的数据搜索和检索定位。该方案通过云的手段提供海量数据挖掘的方法，提高了挖掘的效率，增加了挖掘的精度，有效提升客户业务效能。
汉柏数据挖掘模型
汉柏大数据计算模型
汉柏大数据计算的体系结构
某客户应用案例
诸如，某省级电信运营商提供车载、手持和手机三个定位终端，上传轨迹数据，服务器获取数据后通过GIS（地理信息系统）在地图上实时展示终端当前的地理位置。车载和手持定位终端最小每隔10秒上传一次轨迹数据（包括终端ID、经纬度、方向、速度、里程、状态信息等）。静止状态下，终端页会每隔300秒上传一次数据，一次上传的数据大小为512字节，一个终端每天上传的数据约为2000条左右，数据大小约为1M。目前，该运营商约有20万个终端，每天的反馈数据量为4亿条，一天上传的数据容量为200GB。在采用了汉柏大数据计算系统后，不但良好支持了上亿数量级终端即千亿条记录，更能够横向扩展，从而良好解决数据分析的时效性、经济性，保证了数据的可靠性。
目前，汉柏大数据计算方案已经在广电行业、银行业以及某部委付诸实施，并与汉柏的多款定制化产品配合，取得了良好的应用效果。
