1、Volume：数据量大，包括采集、存储和计算的量都非常大。大数据的起始计量单位至少是P（1000个T）、E（100万个T）或Z（10亿个T）。Variety：种类和来源多样化。
2、大数据是指由庞大的数据集组成，具有以下五个主要特征：大量性：大数据的最显著特征是其庞大的规模，通常以TB、PB或更高级别的数据量来衡量。这种大规模的数据集包含了丰富的信息和多样的内容。
3、大数据具有5v特征包括： Volume（大容量）：大数据的“容量”指的是数据量非常庞大，远远超过了传统数据库处理能力的范围。这些数据可能是结构化的，也可能是非结构化的，例如文本、图像、音频和视频等。大数据技术可以处理海量的数据，这就要求存储和处理系统具备足够的容量来应对这种大规模的数据。
4、大数据的定义涵盖了无法在短时间内利用常规工具进行处理的庞大数据集。 大数据具备五大特性：规模巨大（Volume）、流动迅速（Velocity）、类型繁多（Variety）、价值密度较低（Value）、信息真实性（Veracity）。 与传统统计学不同，大数据分析不依赖于抽样，而是关注实时数据捕捉和追踪。
5、回复或转发信息，因而网络数据成了对社会状态的直接反映。突发性 有些信息在传播过程中会在短时间内引起大量新的网络数据与信息的产生，并使相关的网络用户形成网络群体，体现出网络大数据以及网络群体的突发特性。高噪性 网络数据来自众多不同的网络用户，具有很高的噪声。
6、**Velocity（速度）**：大数据不仅在数量上增长迅速，其处理速度也要求极快，对数据的时效性有很高的要求。例如，搜索引擎需要能够在几分钟内索引到最新的新闻，而个性化的推荐算法则期望能够实时完成推荐。这种对速度的追求是大数据区别于传统数据挖掘的一个显著特征。
1、HDFS：分布式文件系统。用于存储文件，通过目录树来定位文件。由多台服务器联合起来实现其功能，集群中的服务器有各自的角色。适合一次写入，多次读出的场景，且不支持文件修改。适合做数据分析，不适合做网盘应用。
2、HDFS不适合以下五个场景，分别是交互式处理、多个写入者操作、实时数据处理、小规模数据存储、数据安全性要求较高场景。交互式处理 HDFS适用于批量数据的处理，但不适用于交互式处理。其设计目标是通过流式的数据访问保证高吞吐量，而不适合对低延迟用户响应的应用。
3、HDFS对存储在DataNode上的数据块，计算并存储校验和（CheckSum）。在读数据时，重新计算读取出来的数据的校验和，校验不正确就抛异常，应用程序捕获异常后就到其他DataNode上读取备份数据。
本题考查大数据。大数据的特性包括：数据量大、数据多样性、价值密度低、数据的产生和处理速度快。
数据之间关联性强，频繁交互，如游客在旅游途中上传的照片和日志，就与游客的位置、行程等信息有很强的关联性。高速性 这是大数据区分于传统数据挖掘最显著的特征。大数据与海量数据的重要区别在两方面：一方面，大数据的数据规模更大；另一方面，大数据对处理数据的响应速度有更严格的要求。
大数据的特性包括大量化、多样性、快速化、价值密度低。大量化 指数据的数量巨大。日新月异的信息存储技术使得存储大量数据的成本越来越低，特别是分布式存储技术的日益成熟，逐渐使得存储 PB、EB 甚至 ZB 级别的数据成为可能。多样性 指数据的种类繁多。
容量（Volume）：数据的大小决定所考虑的数据的价值和潜在的信息。种类（Variety）：数据类型的多样性。速度（Velocity）：指获得数据的速度。可变性（Variability）：妨碍了处理和有效地管理数据的过程。真实性（Veracity）：数据的质量。复杂性（Complexity）：数据量巨大，来源多渠道。
一维interpl插值算法在数据海洋中，interpl插值算法如同精准的指南针，它以离散数据点为坐标，通过构建连接线，为你在任意位置找到函数值。它的步骤如下：输入自变量 和因变量的离散数据，按照顺序排列，找到插值区间，利用直线拟合，运用公式轻松计算出目标点的函数值。
插值算法基础在二维空间中，griddata插值法基于给定的数据点（ 和 作为自变量， 为因变量），构建一个网格，每个网格点（ ）都有其对应的函数值 。核心步骤是采用线性、最近邻或三次样条等插值方法，估算网格点上的函数值，对于任何待插值点，通过网格查找找到其近邻数据点，进行插值计算。
实例展示 1 先看一个实例，最后再来说明一维插值在matlab中的用法。实例如下图，用13个节点作三种插值，并比较结果。2 首先启动matlab，选择编辑器，再新建一个命令文件。3 然后，在编辑器窗口中输入本题的代码。如下图所示。并保存，此处命名为yiwei。
nearest：执行速度最快，输出结果为直角转折；linear：默认值，在样本点上斜率变化很大；spline：最花时间，但输出结果也最平滑；cubic：最占内存，输出结果与spline差不多。
你可以使用 Matlab 的interp1 函数来进行线性插值。
’v5cubic’：在MATLAB 0 中的三次插值。对于超出x 范围的xi 的分量，使用方法’nearest’、’linear’、’v5cubic’的插值算法，相应地将返回NaN。对其他的方法，interp1 将对超出的分量执行外插值算法。
是的，边缘AI是指将AI算力下沉至边缘节点，也就是离数据源头更近的地方。边缘AI技术的核心是边缘计算，其通过在数据源头附近的设备上即时处理和存储数据，可以有效降低网络延迟，提升系统响应速度，提高系统的实时性。此外，边缘AI还可以减少数据传输的带宽需求，从而降低数据传输成本。
边缘节点平台可同时处理多个传感器和设备生成的海量数据，能够实现实时分析和响应。这对于需要快速反应的场景非常重要，如车辆的自动驾驶、智能工厂的生产控制等。随着物联网和大数据的不断发展，边缘节点平台的市场前景非常广阔。
边缘节点服务即CDN节点，是相对于网络的复杂结构而提出的一个概念，指距离最终用户接入具有较少的中间环节的网络节点，对最终接入用户有较好的响应能力和连接速度。可用于网站加速、将源站内容分发至最接近用户的节点，使用户可就近取得所需内容，提高用户访问的响应速度和成功率。
SuperEdge：由腾讯、Intel、VMware、虎牙直播、寒武纪、首都在线和美团联合开源，采用边缘节点 Remote Node方案。基于Kubernetes针对边缘计算场景中常见的技术挑战提供了解决方案，如：单集群节点跨地域、云边网络不可靠、边缘节点位于 NAT 网络等。这些能力可以让应用很容易地部署到边缘计算节点上，并且可靠地运行。
CDN节点的类型 CDN节点的类型包括边缘节点、中心节点和超级节点。边缘节点是CDN网络中最靠近用户的一层，可以直接为用户提供服务。中心节点是CDN网络的核心，主要负责缓存数据和分发数据。而超级节点则是负责将缓存的数据从中心节点传输到边缘节点。
