与其他虚拟化一样，数据虚拟化是一种允许用户访问、管理和优化异构基础架构的方法，好比它们是一种单一、且在逻辑上是统一的资源一样。这使得用户能够从一些服务、功能或其他资源的内部部署中对外部界面进行抽象化。与支持逻辑上统一的访问、查询、报告、预测分析，以及针对关系型、Hadoop、NoSQL等不同后端数据库应用的任何“SQL-虚拟化”解决方法相同，数据虚拟化的核心是抽象层。
当然，数据虚拟化可能会转而依靠其他的基础设施虚拟化层，例如存储与服务器平台。在某些情况下，数据虚拟化可能会在地理上和多云环境中进行扩张。而在我们讨论的众多层中，虚拟化无疑是这些枯燥数据话题的一个缩影。但是如果你希望自己的大数据云平台能够解决以下业务需求，那么它们无疑是最基础的。
具体的业务需求：
基于弹性、灵活拓扑结构的先进分析型资源
汲取源自任何来源、格式和方案的纯消费性资源
在价值链中扩展，在私有云和公有云中扩张的联合资源
能够留存、聚合、处理任何动静结合信息的“延迟-灵敏”资源
能够让你通过现有工具和应用，调整、扩展和升级后端数据平台的无缝互操作资源
毋庸置疑,这是一项艰巨的任务，数据虚拟化和虚拟的基础架构实践起来比说起来困难的多。此外，部署、管理和优化的工作也需要花费大量的资金。
对于大部分的大数据专业人员而言，解决这一难题就如同天文学家试图绘制出宇宙中的暗物质一样困难。他们知道这项工作既重要，但又十分的乏味和烦琐。实际上，大数据专业人员更喜欢从事Hadoop和NoSQL的研究，因为它们正在新的技术领域中闪烁着最耀眼的光芒。
在私有云中，大数据平台融合需要一个虚拟化架构，以将新的方案与之前的投资相关联起来。然而，融合将会阻止用户持续的平台现代化与迁移尝试，妨碍用户将创新和适合的平台整合到云中，阻碍厂商的“产品-改良”循环。除非将所有的大数据方案都放到“通用的”公有云服务上，否则用户在多种组合方案中需要虚拟化公有云、私有云和混合云架构的访问。
而能沿着“数据-虚拟化”路线走多远，将取决于用户业务需求和大数据环境的复杂性。此外，还取决于用户对风险、复杂性和困难的承受程度。
在未来，随着分析模型、规则和大数据云上汇聚的信息日益复杂，平台将成为虚拟化访问、执行和管理的核心。在这一新领域内，MapReduce将成为关键的开发框架。此外，MapReduce还将成为针对内联分析和交易计算的虚拟化架构的一部分。不过，目前这一虚拟化架构虽然涵盖范围更广，但是大部分仍没有被明确定义。迄今为止，还没有人能够对这些将云与大数据世界拼接在一起的层、界面和抽象化展开进一步概述，而这也是一项摆在我们面前的艰巨任务。
