5g的三大核心技术

5G的三大核心技术分别是SBA、CUPS和网络切片。

什么是SBA？

SBA（ServiceBasedArchitecture），即基于服务的架构。它基于云原生构架设计，借鉴了IT领域的“微服务”理念。

众所周知，传统网元是一种紧耦合的黑盒设计，NFV（网络功能虚拟化）从黑盒设备中解耦出网络功能软件，但解耦后的软件依然是“大块头”的单体式构架，需进一步分解为细粒度化的模块化组件，并通过开放API接口来实现集成，以提升应用开发的整体敏捷性和弹性。

为此，业界提出了基于CloudNative的设计原则。

CloudNative的使命是改变世界如何构建软件，其主要由微服务架构、DevOps和以容器为代表的敏捷基础架构几部分组成，目标是实现交付的弹性、可重复性和可靠性。

微服务就是指将Monolithic（这个词太难传神翻译了，本文翻译成单体式应用程序）拆分为多个粒度更小的微服务，微服务之间通过API交互，且每个微服务独立于其他服务进行部署、升级、扩展，可在不影响客户使用的情况下频繁更新正在使用或盯的应用。

正是基于这样的设计理念，传统网元先是转换为网络功能（NF），然后NF再被分解为多个“网络功能服务”。

SBA=网络功能服务+基于衫弯和服务的接口。网络功能可由多个模块化的“网络功能服务”组成，并通过“基于服务的接口”来展现其功能，因此“网络功能服务”可以被授权的NF灵活使用。

其中，NRF（NFRepositoryFunction，NF贮存功能）支持网络功能服务注册登记、状态监测等，实现网络功能服务自动化管理、选择和可扩展。

CUPS

CUPS（ControlandUserPlaneSeparation），即控制与用户面分离。目的是让网络用户面功能摆脱“中心化”的囚禁，使其既可灵活部署于核心网（中心数据中心），也可部署于接入网（边缘数据中心），最终实现可分布式部署。

事实上，核心网一直沿着控制面和用户面分离的方向演进。比如，从R7开始，通过DirectTunnel技术将控制面和用户面分离，在3GRNC和GGSN之间建立了直连用户面隧道，用户面数据流量直接绕过SGSN在闹皮RNC和GGSN之间传输。到了R8，出现了MME这样的纯信令节点。

只是到了4.5G和5G时代，这一分离的趋势更加彻底，也更加必要。

其中一大原因就是，为了满足5G网络毫秒级时延的KPI。

光纤传播速度为200km/ms，数据要在相距几百公里以上的终端和核心网之间来回传送，显然是无法满足5G毫秒级时延的。物理距离受限，这是硬伤。

因此，需将内容下沉和分布式的部署于接入网侧（边缘数据中心），使之更接近用户，降低时延和网络回传负荷。

网络切片

5G服务是多样化的，包括车联网、大规模物联网、工业自动化、远程医疗、VR/AR等等。

这些服务对网络的要求是不一样的，比如工业自动化要求低时延、高可靠但对数据速率要求不高；高清视频无需超低时延但要求超高速率；一些大规模物联网不需要切换，部分移动性管理对之而言是信令浪费等等，为此5G要像一把瑞士军刀一样，多功能满足差异化的网络服务。

于是，我们就要把网络切成多个虚拟且相互隔离的子网络，分别应对不同的服务。

当然，这么灵活的切片工作岂是传统大块头的黑盒设备能担当的，自然要虚拟化、软件化，再将网络功能进一步细粒度模块化，才能实现灵活组装业务应用。

因此，3GPP就确认了由中国移动牵头26家公司提出的SBA构架为5G核心网基础构架。

大数据方面核心技术有哪些？

大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。

1、数据采集与预处理：FlumeNG实时日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据；Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务，提供数据同步服务。

2、数据存储：Hadoop作为一个开源的框架，专为离线和大规模数据分析而设计，HDFS作为其核心的存储引擎，已被广泛用于数据存储。HBase，是一个分布式的、面向列的开源数据库，可以认为是hdfs的封装，本质是数据存储、NoSQL数据库。

3、数据清洗：MapReduce作为Hadoop的查询引擎，用于大规模数据集的并行计算。

4、数据查询分析：Hive的核心工作就是把SQL语句翻译成MR程序，可以将结构化的数据映射为一张数据库表，并提供HQL(HiveSQL)查询功能。Spark启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

5、数据可视化：对接一些BI平台，将分析得到的数据进行可视化，用于指导决策服务。

大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。

1、数据采集与预处理：

Flume NG实时日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据；

Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务，提供数据同步服务。

2、数据存储：

Hadoop作为一个开源的框架，专为离线和大规模数据分析而设计，HDFS作为其核心的存储引擎，已被广泛用于数据存储。

HBase，是一个分布式的、面向列的开源数据库，可以认为是hdfs的封装，本质是数据存储、NoSQL数据库。

3、数据清洗：MapReduce作为Hadoop的查询引擎，用于大规模数据集的并行计算

4、数据查询分析：

Hive的核心工作就是把SQL语句翻译成MR程序，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能。

Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

5、数据可视化：对接一些BI平台，将分析得到的数据进行可视化，用于指导决策服务。

简单来说，从大数据的生命周期来看，无外乎四个方面：大数据采集、大数据预处理、大数据存储、大数据分析，共同组成了大数据生命周期里最核心的技术，下面分开来说：

大数据采集

大数据采集，即对各种来源的结构化和非结构化海量数据，所进行的采集。

数据库采集：流行的有Sqoop和ETL，传统的关系型数据库MySQL和Oracle 也依然充当着许多企业的数据存储方式。当然了，目前对于开源的Kettle和Talend本身，也集成了大数据集成内容，可实现hdfs，hbase和主流Nosq数据库之间的数据同步和集成。

网络数据采集：一种借助网络爬虫或网站公开API，从网页获取非结构化或半结构化数据，并将其统一结构化为本地数据的数据采集方式。

文件采集：包括实时文件采集和处理技术flume、基于ELK的日志采集和增量采集等等。

大数据预处理

大数据预处理，指的是在进行数据分析之前，先对采集到的原始数据所进行的诸如“清洗、填补、平滑、合并、规格化、一致性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理主要包括四个部分：数据清理、数据集成、数据转换、数据规约。

数据清理：指利用ETL等清洗工具，对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)、不一致数据进行处理。

数据集成：是指将不同数据源中的数据，合并存放到统一数据库的，存储方法，着重解决三个问题：模式匹配、数据冗余、数据值冲突检测与处理。

数据转换：是指对所抽取出来的数据中存在的不一致，进行处理的过程。它同时包含了数据清洗的工作，即根据业务规则对异常数据进行清洗，以保证后续分析结果准确性。

数据规约：是指在最大限度保持数据原貌的基础上，最大限度精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据压缩、数值规约、概念分层等。

大数据存储，指用存储器，以数据库的形式，存储采集到的数据的过程，包含三种典型路线：

1、基于MPP架构的新型数据库集群

采用Shared Nothing架构，结合MPP架构的高效分布式计算模式，通过列存储、粗粒度索引等多项大数据处理技术，重点面向行业大数据所展开的数据存储方式。具有低成本、高性能、高扩展性等特点，在企业分析类应用领域有着广泛的应用。

较之传统数据库，其基于MPP产品的PB级数据分析能力，有着显著的优越性。自然，MPP数据库，也成为了企业新一代数据仓库的最佳选择。

2、基于Hadoop的技术扩展和封装

基于Hadoop的技术扩展和封装，是针对传统关系型数据库难以处理的数据和场景（针对非结构化数据的存储和计算等），利用Hadoop开源优势及相关特性（善于处理非结构、半结构化数据、复杂的ETL流程、复杂的数据挖掘和计算模型等），衍生出相关大数据技术的过程。

伴随着技术进步，其应用场景也将逐步扩大，目前最为典型的应用场景：通过扩展和封装 Hadoop来实现对互联网大数据存储、分析的支撑，其中涉及了几十种NoSQL技术。

3、大数据一体机

这是一种专为大数据的分析处理而设计的软、硬件结合的产品。它由一组集成的服务器、存储设备、操作系统、数据库管理系统，以及为数据查询、处理、分析而预安装和优化的软件组成，具有良好的稳定性和纵向扩展性。

四、大数据分析挖掘

从可视化分析、数据挖掘算法、预测性分析、语义引擎、数据质量管理等方面，对杂乱无章的数据，进行萃取、提炼和分析的过程。

1、可视化分析

可视化分析，指借助图形化手段，清晰并有效传达与沟通信息的分析手段。主要应用于海量数据关联分析，即借助可视化数据分析平台，对分散异构数据进行关联分析，并做出完整分析图表的过程。

具有简单明了、清晰直观、易于接受的特点。

2、数据挖掘算法

数据挖掘算法，即通过创建数据挖掘模型，而对数据进行试探和计算的，数据分析手段。它是大数据分析的理论核心。

数据挖掘算法多种多样，且不同算法因基于不同的数据类型和格式，会呈现出不同的数据特点。但一般来讲，创建模型的过程却是相似的，即首先分析用户提供的数据，然后针对特定类型的模式和趋势进行查找，并用分析结果定义创建挖掘模型的最佳参数，并将这些参数应用于整个数据集，以提取可行模式和详细统计信息。

3、预测性分析

预测性分析，是大数据分析最重要的应用领域之一，通过结合多种高级分析功能（特别统计分析、预测建模、数据挖掘、文本分析、实体分析、优化、实时评分、机器学习等），达到预测不确定事件的目的。

帮助分用户析结构化和非结构化数据中的趋势、模式和关系，并运用这些指标来预测将来事件，为采取措施提供依据。

4、语义引擎

语义引擎，指通过为已有数据添加语义的操作，提高用户互联网搜索体验。

5、数据质量管理

指对数据全生命周期的每个阶段（计划、获取、存储、共享、维护、应用、消亡等）中可能引发的各类数据质量问题，进行识别、度量、监控、预警等操作，以提高数据质量的一系列管理活动。

以上是从大的方面来讲，具体来说大数据的框架技术有很多，这里列举其中一些：

文件存储：Hadoop HDFS、Tachyon、KFS

离线计算：Hadoop MapReduce、Spark

流式、实时计算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL数据库：HBase、Redis、MongoDB

资源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ

查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式协调服务：Zookeeper

集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

数据挖掘、机器学习：Mahout、Spark MLLib

数据同步：Sqoop

任务调度：Oozie

中国人工智能发展迅猛，政府对人工智能也是很重视的。人工智能的专业方向有科学研究、工程开发、计算机方向、软件工程、应用数学、电气自动化、通信、机械制造，人工智能的前景虽然很好，但是它的难度系数很高，目前人工智能的人才需求量很大，相比于其他技术岗位，竞争度降低，薪资相对来说是较高的，因此，现在是进入人工智能领域的大好时机。人工智能的发展前景还是很不错的，原因有几点，智能化是未来的重要趋势之一、产业互联网的发展必然带动人工智能的发展、人工智能技术将成为职场人的必备技能之一。

目前，人工智能在计算机领域得到了广泛的重视，我相信在未来的应用前景也会更加广泛。

总的来说大数据有5个部分。数据采集，数据存储，数据清洗，数据挖掘，数据可视化。还有新兴的实时流处理，可能还有别的

标签：