1、1 Copyright 2013 Pivotal. All rights reserved.2 Copyright 2013 Pivotal. All rights reserved.Be Internetional大数据，盛名难负3 Copyright 2013 Pivotal. All rights reserved.Agenda 1.大数据的时代背景 2.大数据时代的典型技术4 Copyright 2013 Pivotal. All rights reserved.1.大数据的时代背景5 Copyright 2013 Pivotal. All rights reserved.大数据浪潮兴
2、起的主要脉络l 2008年l9月，NATURE，“SPECIALS: Big Data”l12月，计算社区联盟，“Big Data Computing: Creating Revolutionary Breakthroughs in Commerce, Science, and Society”l 2009年l10月，Toy Hey, “The 4th Paradigm: Data-Intensive Science Discovery”l 2011年l2月，SCIENCE，“SPECIALS: Dealing with Data”l5月，EMC World2011, “Cloud Meets
3、 Big Data”l6月，麦肯锡，“Big Data: The Next Frontier for Innovation, competition, and productivity”l6月，IDC( Sponsored by EMC )，“DIGTIAL UNIVERSE: Extracting Value from Chaos”l 2012年l1月，达沃斯世界经济论坛，“Big Data, Big Impact: New Possibilities for International Development”l3月，美国奥巴马政府，“Big Data Research and Devel
4、opment Initiative”l5月，联合国，“Big Data for Development: Challenges and Opportunities”6 Copyright 2013 Pivotal. All rights reserved.美国政府的大数据计划具有很强烈的宣传符号色彩美国政府的大数据计划具有很强烈的宣传符号色彩l3月29日：奥巴马政府以“Big Data is a Big Deal”为题发布新闻。宣布投资2亿美元启动“大数据研究和发展计划”以图增强收集海量数据、分析萃取信息的能力。与工业界、大学研究界、非营利性机构与管理者一起利用大数据所创造的机会。l5月23日
5、：在TechCrunch Disrupt大会上，透露了5项将要颁布的重要联邦举措。其核心是政府开放数据计划，将政府数据和一些企业数据公开，以图改善美国人的生活方式，进而创造工作岗位。l6个首先启动大数据计划的政府部门中，国家科学基金会的研究内容提到要“形成一个包含数学、统计基础和计算机算法的独特科学”，其他大多是应对挑战的数据工程类项目，如国防部高级技术研究局多尺度异常检测项目网络内部威胁项目INSIGHT(网络威胁自动识别)Machine Reading项目Minds Eys(机器视觉)项目VIRAT(军事图像分析与预警)XDATA(半结构化与非结构化数据的计算技术与软件工具)7 Copyr
6、ight 2013 Pivotal. All rights reserved.Obama Election TOP Contributor8 Copyright 2013 Pivotal. All rights reserved.9 Copyright 2013 Pivotal. All rights reserved.麦肯锡的咨询报告比较系统的确立了大数据的概念10 Copyright 2013 Pivotal. All rights reserved.11 Copyright 2013 Pivotal. All rights reserved.更为深远的可能是更为深远的可能是“数据科学数据
7、科学”的最终兴起的最终兴起All the models are wrong, and increasingly you can succeed without them. - From Peter Norvig, GOOGLEl2007年，已故图灵奖得主吉姆.格雷（Jim Gray）在他最后一次演讲中描绘了数据密集型科研“第四范式”（The 4th Paradigm）的愿景。l即相对于试验科学（第一范式）、理论科学（第二范式）、计算科学（第三范式）而言。l数据科学继承了统计学的很多东西。强调后见之明（hindsight）或预见（foresight）而非洞察（insight）强调相关关系（cor
8、relation）而非因果关系（causality）Correlation is enough and the end of theory!* “Data Science”在字眼上最早由EMC提出。12 Copyright 2013 Pivotal. All rights reserved.BigData 是什么 用于承载所有的概念 BigData 的定义 盛名之下，其实难负广义的:大数据已经不再局限于技术领域。如今，大数据已成为一项业务上优先考虑的工作任务，因为它能够对全球整合经济时代的商务产生深远的影响。除了为应对长期存在的业务挑战提供解决方案之外，大数据还为流程、组织、整个行业、甚至社会
9、本身的转型激发了许多新的方式。狭义的:BigData 泛指数据集的大小，产生的速度和数据类型超过了通常的数据库，数据管理软件在限定的时间范围内所能获取，存储，管理和分析的范畴。这是一个相对的概念，不能从绝对意义上指明某一个数值来定义，而且这个相对的标准根据所处的行业和客户的不同千差万别13 Copyright 2013 Pivotal. All rights reserved.市场曲线14 Copyright 2013 Pivotal. All rights reserved.2.大数据时代的典型技术15 Copyright 2013 Pivotal. All rights reserved.
10、以GOOGLE为代表的互联网公司是大数据发展的始作俑者大数据可以说发轫于GOOGLE于2003年陆续发表的一些技术论文-“The Google File System”- “MapReduce: Simplified Data Processing on Large Cluster”- “Bigtable: A Distributed Storage System for Structured Data”l HDFS是GFS的开源实现l Fackbook的HayStack解决了海量小文件（如图片）的存储问题l NoSQL(Not Only SQL) GOOGLE的BIGTABLE AMAZON
11、的DYNAMO YAHOO的PNUTSl ACID vs BASE Basically available Soft state Eventually consistentl 以弱一致获取高可用l 基于SPANNER的混合型数据库F1(用于GOOGLE的广告系统)融合兼有了BIGTABLE的高扩展性与SQL数据库的可用性和功能性16 Copyright 2013 Pivotal. All rights reserved.BigData的代表技术 Agile provisioning Elastic compute power Scalable storage resources Device
12、management and analytics Geo location information Social business interactions Data streams analysis High performance Infrastructure Ultra low response time Horizontal scalabilityHadoopNoSQLStreaming Pure SQL and RDBMS approach Better horizontal scalability than traditional RDBMS Relative low hardwa
13、re infrastructureMPP DB17 Copyright 2013 Pivotal. All rights reserved.SQL On Hadoop数据库的扩展，延伸和增强数据库的扩展，延伸和增强是Hadoop技术在目前企业市场最迫切，最可行和可落地的需求Hadoop 技术的可接受度是一个大问题MapReduce 运算模式与以往的方式大相径庭，具有比较陡峭的学习曲线以Hadoop技术为平台的系统的设计，开发，实施，运维，优化对于企业来说是巨大的挑战SQL 支持为大数据技术的落地打开了一扇大门成熟的社区和技术体系架构业界大量的数据依然是结构化数据Pre-Processing H
14、ubQuery-able Archive Exploratory AnalysisInformation IntegrationData WarehouseStreamsReal-time processingHadoopLanding zone for all dataData WarehouseHadoopCan combine with unstructured information Data Warehouse1231 .海量数据集成预处理2.历史数据管理系统3 .跨域探索性分析18 Copyright 2013 Pivotal. All rights reserved.+Consi
15、stency AvailabilityTolerance to network PartitionsCAP Theorem你只能最多同时具备两个方面19 Copyright 2013 Pivotal. All rights reserved.分布式计算之分布式计算之MPP Shared-Nothing架构演进架构演进共享磁盘例如：Informix XPSOracle RACDB2 pureScaleDBSAN/共享磁盘DBDBDB网络SAN/FC完全共享例如：SMP服务器DB磁盘无共享例如：GreenplumDBDBDBDB网络磁盘磁盘磁盘磁盘MasterMPP注：蓝灰色表示共享资源20 Co
16、pyright 2013 Pivotal. All rights reserved.动态数据的实时分析流数据结构或非结构化动态数据流流计算实时对流数据进行分析计算静态数据上的历史数据分析批处理模式查询驱动：静态数据提交查询依靠数据库，数据仓库传统计算模式流计算模式QueriesMemoryDiskUpdatesMemoryDiskEvent DataQueriesAlerts Actions流计算21 Copyright 2013 Pivotal. All rights reserved.3.互联网和大数据环境下的金融实践22 Copyright 2013 Pivotal. All right
17、s reserved.23 Copyright 2013 Pivotal. All rights reserved.24 Copyright 2013 Pivotal. All rights reserved.25 Copyright 2013 Pivotal. All rights reserved.26 Copyright 2013 Pivotal. All rights reserved.这表明了什么? 商业模式的差异是巨大的 互联网所有的模式都是以客户中心，流量，入口，体验至上(真正的以人为本),有两个案例 1. XX行的警告短信 2. 某欧洲企业的前台，对于人的尊重，对比其他国内企业
18、 传统行业 怎么赚钱 怎么卖 怎么盈利 互联网不懂传统行业 这是劣势，也是优势(经验是一种桎梏，守成也许适用，但是开拓未必)27 Copyright 2013 Pivotal. All rights reserved.传统行业门口的野蛮人28 Copyright 2013 Pivotal. All rights reserved.整体趋势 脱媒和转型是中国金融业当前和未来的重要经营主题。 金融深化加剧金融脱媒效应，中国金融业面临转型和分化。 互联网金融的快速崛起和迅猛发展带来金融脱媒和互联网脱媒的双重挑战。 在这种背景下更新在这种背景下更新转型思金融重构价转型思金融重构价值链，是中国银行值链，
19、是中国银行业的重要变革方向业的重要变革方向。29 Copyright 2013 Pivotal. All rights reserved. 互联网的本质是通过技术手段，解决了信息不对称的问题,解决了“沟通”的问题，一切仰赖于信息封闭与不对称产生超额利润的模式与行业都会收到冲击与挑战30 Copyright 2013 Pivotal. All rights reserved.互联网法则 一. 用户，个人用户，尤其是有黏合性的用户，基于社会、组织、商业活动关系构成的虚拟社区用户，自组织的有目的的群体用户 二. 赢者通吃 三. 分散合作+开放 四. 用户体验至上 总则：信息对称、组织扁平、快速响应，
20、互联网代表的是一种平民化思潮31 Copyright 2013 Pivotal. All rights reserved.互联网为金融带来了什么 极为低廉的交易成本(x86&Cloud) 更有效的更快速的大数据分析方法(BigData&FastData) 无组织的组织力量-极致与动态的个性群体(以客户为中心) 新的自然垄断平台与生态环境(Unified platform&Ecosystem) 加上移动互联网之后更是如虎添翼，永远在线，模糊了线上线下的边界(Never offline) 全新的商业模式和意识形态32 Copyright 2013 Pivotal. All rights reser
21、ved.互联网金融环境下中国金融业面临的挑战 除了数据本身的大规模增长以外，银行业面临的更大的挑战是大数据带来的业务挑战，这包括： 微型企业贷款市场上，银行与互联网起家的小额贷款公司难以竞争； 在互联网支付中，网银支付所占比重越来越低，这使得银行越来越难以知道客户的消费行为； 互联网融资模式的出现，在未来可能会超过以银行为中心的间接融资和以交易所为中心的直接融资模式，这会使得银行逐渐被边缘化。所有这些挑战，本质上是因为银行对于客户的了解程度，数据的理解相对越来越弱数据量大PB Level的挑战互联网化带来的灵活敏捷性挑战对于数据价值的认识与挖掘能力的挑战33 Copyright 2013 Pi
22、votal. All rights reserved.互联网金融的主要表现形式 第三方支付平台 支付宝，快捷支付，PayPal，square 移动金融 Orange+巴克莱，法国电信网+巴黎银行，中移动+浦发，M-PESA 社交网络金融 Facebook F币，Twitter+PayPal = Twitpay 网络融资平台 P2P，众筹，阿里小贷，鲶乡小贷，余额宝34 Copyright 2013 Pivotal. All rights reserved.以余额宝来分析 产品特点 有活期存款的流动性，收益远高于活期，不设最低门槛的货币基金 建行的观察 通过制度规避监管风险 通过客户筛选控制市场
23、风险 借助大数据降低流动性风险(海量taobao数据的深度挖掘，支付宝支付规律，消费模式，实现实时流动性预估) 建行的启示尽快推出类似产品强化“以客户为中心”的创新意识(用户想要什么样的理财产品)加大信息技术与银行经营管理的深度融合(复杂的流程通过技术自动化，简化)35 Copyright 2013 Pivotal. All rights reserved.基于海量消费数据的动态定价能力是互联网金融的核心之一 风险的快速准确定价仰赖多源与维度的信息分析盈利 = 收益 坏账 成本价格 & 总贷款量 客户响应率 & 平均贷款额 价格价格总业务量价格坏账率赢利驱动成分收支平衡曲线逆向选择测试模型 P
24、rice (APR%)9.812坏账率不断测试和学习Price营业利润TP0影响最优价格的其它因素: 市场竞争 经济状况 Etc.TP1经济变好及竞争加剧TP2经济变坏未知的价格弹性价格降低Loan Size贷款量随价格降低而增加观察和分析Price最优定价Credit Loss Rate $ Loan Size Response Rate TP考虑费用因素36 Copyright 2013 Pivotal. All rights reserved.Taobao基于大数据平台的数据运算与挖掘37 Copyright 2013 Pivotal. All rights reserved.Data
25、Architecture of TaoBao - For huge data volume and huge transaction Horizontal sharding in user centerUser login data (90% log) and user master data (10% log) are separated, and stored to different db clusters, Online and offline data is separatedRead-write separation in trade centerChoose suitable p
26、artition keyRelieve the read bottleneck of master db, scale read nodesWrite only in one database for consistency. Deal with complex querySql is from complex to simpleMulti-table join - complex query on single table - query on primary keyRequestsPresentationSpringTrade Center Product CenterComment Ce
27、nterUser CenterTair distributed cacheData Access LayerHSFHorizontal sharding in user centerread-write separation in trade centerCASE1 CASE2 CASE3 Add search in product centerTFSTDDL Shard db, shard table Support subset of sql: join is not supported now. Limited transaction: not cross database, speci
28、al data sources Read-write separationTair Distributed cacheTFS Distributed storage for massive “small” file ( 想象空间太大 语音 - 机器人客服l 几个数字 3000千万持卡人已粉100万 每年上亿条的短信费用 呼叫中心成本50 Copyright 2013 Pivotal. All rights reserved.技术性探索也已未雨绸缪：某商业银行案例（续） 打通社会化大数据库，期待社会化数据内外通达社会化数据内外通达如何把品牌价值透过网络杂音直击目标客户，并及时发现客户的需求做好精
29、准服务是考验自身技术段位的如果把银行内部的客户号和新浪的微博号挂接起来，在一定程度上就可以做群体营销了。外部数据引入的动作很关键，把微博、QQ、邮箱等社交化的、能很快找到客户的方式能通达起来。跟传统的数据存储放一起，同等对待，建立一个更加立体丰富的数据库。基本信息、爱好信息、行为信息、分析信息 互联网金融模式新浪微博开发平台上做了一个缴费应用“V缴费”51 Copyright 2013 Pivotal. All rights reserved.国外典型案例：摩根大通 已经开始使用Hadoop技术以满足日益增多的用途，包括诈骗检验、IT风险管理和自助服务 150PB在线存储数据、30,000个数
30、据库和35亿个用户登录账号 Hadoop能够存储大量非结构化数据，允许公司收集和存储Web日志、交易数据和社交媒体数据。 数据被汇集至一个通用平台，以方便以客户为中心的数据挖掘与数据分析工具的使用。52 Copyright 2013 Pivotal. All rights reserved.Banking Solutions TreeImprove Company PerformanceCustomer IdentificationCustomer AttractionCustomer RetentionCustomer DevelopmentEntity ResolutionTarget C
31、ustomer AnalysisEconomic Value AddCustomer SegmentationLook-a-like ModelingOffer OptimizationNet Lift / Uplift ModelingChurn PredictionCustomer Lifetime ValueSentiment AnalysisLoyalty ModelingComplaints ManagementCustomer ProfilingUp Sell / Cross Sell OptimizationMarket Basket AnalysisPropensity Mod
32、elingOperationsPlanningAdministrative / GeneralFacilities ManagementIT / Security AnalyticsCost AnalysisDecision SupportBusiness ForecastingEvent SimulationWorkforce AnalyticsEmployee ChurnEmployee UtilizationMarketingServices / ProductsManagementConsumer Credit ModelingRisk ScorecardSpend AnalysisC
33、hannel PreferenceProduct OptimizationAsset Allocation AnalysisCommercial / BusinessRisk and Exposure AnalysisRetirement Benefits AnalyticsTreasury ManagementAsset Management ModelingGeneralEconomic ForecastingPricing StrategiesPortfolio OptimizationRegulatory Adherence Analysis53 Copyright 2013 Pivo
34、tal. All rights reserved.Phase 1Phase 2Phase 3Increase Spend EfficiencyCampaign AnalyticsTrade Promotion ModelingMarketing Mix ModelingIncrease Customer AcquisitionCustomer SegmentationChurn Prediction, Loyalty Program Analytics & Targeting Customer Lifetime ValueCustomer SegmentationSite SelectionD
35、igital Presence & Social Media AnalyticsCross Channel Customer ViewIncrease Basket SizeCorrelation AnalysisAffinity AnalysisCross-sell/Upsell & NBO Copyright 2012 EMC Corporation. All rights reserved.53发展方向建议-样例54 Copyright 2013 Pivotal. All rights reserved.5.超越大数据，发展与展望55 Copyright 2013 Pivotal. Al
36、l rights reserved.金融服务业“大数据”发展的10大趋势（Sungard）l 对更大的历史数据集的需要l 新的监管和合规要求更加深入的数据分析l 自身风险管理框架的完善对风险可审性与管理强度的要求l 利用更多服务交付渠道带来的更多数据及其分析需求l 市场中对数据处理基础设施的大量投资l 帮助金融服务业充分掌握数据价值、降低成本并发现套利l 需要重新设计ETL流程以适应数据扩展l 使用预测信用风险模型l 移动设备的普及要求处理和整合非结构化数据l 推动了对数据处理算法的需求风险管理数据集成分析&价值但最大的趋势可能是。56 Copyright 2013 Pivotal. All
37、rights reserved.金融业发展互联网金融和大数据的一些思考 金融的客户数据和交易数据是大数据的重要组成部分，是进行金融互联化最大的宝藏之一 外部/线上数据作为银行内部数据的补充，现阶段内部的客户行为数据和交易数据具有最大的价值 大数据的技术架构不一定马上能够解决，重要的是大数据应重要的是大数据应用的理念用的理念57 Copyright 2013 Pivotal. All rights reserved.金融机构的比较优势 垄断性的线下能力 金融专业能力 强大的资本实力和雄厚的客户资源 积累了非常多的客户资金数据58 Copyright 2013 Pivotal. All right
38、s reserved.当前金融业从事互联网金融和大数据的几大缺陷 战略上重视度不够，资源投入不足，缺乏有效的基础架构支持 内部管理中互联网文化与传统银行文化存在冲突 商业模式上对互联网精神尊重不足 银行创设的平台较为封闭，银行服务反而是短板 大数据人才(基础架构人才，应用开发人才，大数据分析人才)的缺乏。59 Copyright 2013 Pivotal. All rights reserved.为什么大数据现在在国内叫好不叫座 深层次的原因，数据化，量化管理和决策与我们的文化与习惯不太契合 案例:一个做BI和前端展现的朋友和我讲的一个企业老总的故事,数据裁剪 不分缘由的问责制，缺乏支持创新的
39、文化和氛围 现有的基础架构是面向功能性的，而不是面向主题和客户，导致数据的不一致性，质量问题和集成性问题。具有政治壁垒属性 技术的成熟度，最后一公里的实现 缺乏相应的技术人才，咨询人才和业务人才 能够实施和运维的基础技术人才 不多 将业务问题转换为大数据架构上的模型的咨询人才 非常少 运用新的技术力量提供的能力优化业务模型的 业务人才 几乎没有60 Copyright 2013 Pivotal. All rights reserved.互联网企业的比较优势 创新基因 更符合互联网精神的企业文化 监管套利 平台竞争方面的先发优势61 Copyright 2013 Pivotal. All rig
40、hts reserved.如何将推进大数据技术在传统企业落地 BigData需要仰赖一个可扩展的基础架构和大数据团队2BigData的应用需要在一开始就找准可度量的业务价值5围绕推进以客户为中心的创新1BigData要真正发挥力量需要依靠先进的分析技术4最初的努力需要着重于内部已有数据的利用和挖掘3实验精神和试错精神-Ready to fail!662 Copyright 2013 Pivotal. All rights reserved.大数据的愿景 我坚定的相信，如果传统的行业，金融，电信，医疗，政府与公共事业等等，能够善加利用和挖掘数据的宝藏一定会给人民群众带来更多的惊喜，便利，大幅的提
41、高客户的满意度和生活的幸福感。如同目前的互联网企业一样对于企业的影响我的建议IT和业务部门需要能够识别，利用大数据处理技术来给实际的业务，商业和企业发展以巨大的帮助CIO和IT领袖需要开始投入资源，或者使用一个实际的业务项目来演练大数据技术，锻炼整个相关的团队IT部门将要全面的支持大数据的方案，并且这种支持并不是暂时，而是长远的在进行技术路线或基础设施规划时，需要考虑投入适当的预算，人力和项目来应对大数据的挑战企业的数据仓库和数据集市面临巨大的变革来迎接大数据的时代，或者面临被淘汰的危险考虑使用新兴的大数据技术架构或适合于本行业的大数据方案来扩展和延伸当前的企业数据仓库商业分析人员在使用大数据
42、处理技术对业务提供指导必须要谨慎的考虑数据的真实性和分析结果的可信度以及数据隐私，否者会对商业产生不可估量的损害上线试点项目或者系统，持续收集反馈信息，积累经验，与成熟的有经验的厂商进行合作，确保整体规划方向正确，确保初创项目得到最好的咨询和实施服务63 Copyright 2013 Pivotal. All rights reserved.大数据技术未来的热点方向 大数据时代的信息隐私保护 用户偏好与客户把握与隐私保护为天然的矛盾 少数派报告关于一切数字化后，人类无处遁寻的灾难，信息隐私保护的问题，对于再无隐秘可言的担心。人们会被预测将要犯罪而被逮捕。 黑镜子第三季 关于虚拟人生的探讨 基于
43、大数据的建模预测分析技术 真正带来价值的部分 统计学习,机器学习 Deep Learning 图片视频等非结构化数据的实时分析 非结构化数据的处理 中文文本的语义级别信息挖掘 NLP,智能问答系统 冬天能穿多少穿多少，夏天能穿多少穿多少 。 64 Copyright 2013 Pivotal. All rights reserved.Static websiteWeb frontend User DBQueueAnalytics DBBackground workersAPI endpointnginx 1.5 + modsecurity + openssl + bootstrap 2post
44、gresql + pgv8 + v8hadoop + hive + thrift + OpenJDKRuby + Rails + sass + UnicornRedis + redis-sentinelPython 3.0 + celery + pyredis + libcurl + ffmpeg + libopencv + nodejs + phantomjsPython 2.7 + Flask + pyredis + celery + psycopg + postgresql-clientDevelopment VMQA serverPublic CloudDisaster recover
45、yContributors laptopProduction ServersMultiplicity of StacksMultiplicity of hardware environmentsProduction ClusterCustomer Data CenterDo services and apps interact appropriately?Can I migrate smoothly and quickly?目前传统IT架构-非互联网化架构日益受到的挑战65 Copyright 2013 Pivotal. All rights reserved. 超越大数据,大数据已是过去时!
46、66 Copyright 2013 Pivotal. All rights reserved.Software-Defined DatacenterNew Data-fabricsThe Software Defined Data CenterNew ExperiencesNew Biz Modelspioneered by new Consumer Internet giantsInternet-of-thingsPervasive telemetryMainframeClient-Server & WebCLOUD ERAAWSVMW.ETC超越大数据-云时代的新平台建议大数据大数据快数据
47、快数据快速迭代开发快速迭代开发与集成与集成FromVMwareFromEMCIaaS云抽象化与应用自动部署扩容与运维67 Copyright 2013 Pivotal. All rights reserved.新一代金融的IT服务层次以云服务为基础，以数据为核心，以分析为手段基础云服务数据云服务应用云服务 “整合” 互联网基础设施化，建立互联网基础设施云服务平台，提供支撑互联网银行的IT基础设施“创新” 以渠道拓展和风控加强两个层面为基础，去进行业务、服务、营销和服务创新，提升业务“关键” 扎实的数据服务基础和云服务能力是支撑互联网银行各服务正常和低风险运转的重要保障68 Copyright
48、2013 Pivotal. All rights reserved.新一代金融的IT服务细化数据的核心价值基础云服务数据云服务应用云服务69 Copyright 2013 Pivotal. All rights reserved.ETC支持开放标准并与开源有效互动以数据为中心不与特定云平台绑定,方便灵活部署针对企业的需求针对开发者的需求3个平台无缝集成1.应用虚拟化平台，支持多种IaaS2. 数据中心平台3.应用开发与服务平台可伸缩的存储和计算: HDFS/Object支持多种语言提供应用框架内存计算数据加载、查询、实时处理数据分析服务提供各种服务IaaS云抽象 (可移植)自动化: 应用供应和
49、生命周期管理服务注册和服务目录重新定义企业级 PaaS70 Copyright 2013 Pivotal. All rights reserved.自由选择的世界-互联网的基因Runtime/FrameworksBuildpacksService Brokers and Custom Runtimes and Custom ServicesCloud Provider Interface (CPI)App ServicesClouds and Custom Clouds71 Copyright 2013 Pivotal. All rights reserved.Static websiteWe
50、b frontend User DBQueueAnalytics DBDevelopment VMQA serverPublic CloudContributors laptop互联网架构开箱即用的理念和架构模式Multiplicity of StacksMultiplicity of hardware environmentsProduction ClusterCustomer Data CenterDo services and apps interact appropriately?Can I migrate smoothly and quicklyOperator: Configure
