大數(shù)據(jù)時(shí)代

班級(jí):電信111大數(shù)據(jù)簡(jiǎn)介數(shù)據(jù)正在迅速膨脹并變大，它決定著企業(yè)的未來(lái)發(fā)展，雖然很多企業(yè)可能并沒(méi)有意識(shí)到數(shù)據(jù)爆炸性增長(zhǎng)帶來(lái)問(wèn)題的隱患，但是隨著時(shí)間的推移，人們將越來(lái)越多的意識(shí)到數(shù)據(jù)對(duì)企業(yè)的重要性。哈佛大學(xué)社會(huì)學(xué)教授加里·金說(shuō)：“這是一場(chǎng)革命，龐大的數(shù)據(jù)資源使得各個(gè)領(lǐng)域開(kāi)始了量化進(jìn)程，無(wú)論學(xué)術(shù)界、商界還是政府，所有領(lǐng)域都將開(kāi)始這種進(jìn)程?！贝髷?shù)據(jù)簡(jiǎn)介隨著云時(shí)代的來(lái)臨，大數(shù)據(jù)（Bigdata）也吸引了越來(lái)越多的關(guān)注。大數(shù)據(jù)分析常和云計(jì)算聯(lián)系到一起，因?yàn)閷?shí)時(shí)的大型數(shù)據(jù)集分析需要像MapReduce（分布式計(jì)算）一樣的框架來(lái)向數(shù)十、數(shù)百或甚至數(shù)千的電腦分配工作。大數(shù)據(jù)到底有多大？一組名為“互聯(lián)網(wǎng)上一天”的數(shù)據(jù)告訴我們，一天之中，互聯(lián)網(wǎng)產(chǎn)生的全部?jī)?nèi)容可以刻滿1.68億張DVD；發(fā)出的郵件有2940億封之多（相當(dāng)于美國(guó)兩年的紙質(zhì)信件數(shù)量）；發(fā)出的社區(qū)帖子達(dá)200萬(wàn)個(gè)（相當(dāng)于《時(shí)代》雜志770年的文字量）；賣(mài)出的手機(jī)為37.8萬(wàn)臺(tái)……這樣的趨勢(shì)會(huì)持續(xù)下去。我們現(xiàn)在還處于所謂“物聯(lián)網(wǎng)”的最初級(jí)階段，而隨著技術(shù)成熟，我們的設(shè)備、交通工具和迅速發(fā)展的“可穿戴”科技將能互相連接與溝通?？萍嫉倪M(jìn)步已經(jīng)使創(chuàng)造、捕捉和管理信息的成本降至2005年的六分之一，而從2005年起，用在硬件、軟件、人才及服務(wù)之上的商業(yè)投資也增長(zhǎng)了整整50%，達(dá)到了4000億美元。四個(gè)特征數(shù)據(jù)量大（Volume）第一個(gè)特征是數(shù)據(jù)量大。大數(shù)據(jù)的起始計(jì)量單位至少是P（1000個(gè)T）、E（100萬(wàn)個(gè)T）或Z（10億個(gè)T）。類型繁多（Variety）第二個(gè)特征是數(shù)據(jù)類型繁多。包括網(wǎng)絡(luò)日志、音頻、視頻、圖片、地理位置信息等等，多類型的數(shù)據(jù)對(duì)數(shù)據(jù)的處理能力提出了更高的要求。價(jià)值密度低（Value）第三個(gè)特征是數(shù)據(jù)價(jià)值密度相對(duì)較低。如隨著物聯(lián)網(wǎng)的廣泛應(yīng)用，信息感知無(wú)處不在，信息海量，但價(jià)值密度較低，如何通過(guò)強(qiáng)大的機(jī)器算法更迅速地完成數(shù)據(jù)的價(jià)值“提純”，是大數(shù)據(jù)時(shí)代亟待解決的難題。速度快時(shí)效高（Velocity）第四個(gè)特征是處理速度快，時(shí)效性要求高。這是大數(shù)據(jù)區(qū)分于傳統(tǒng)數(shù)據(jù)挖掘最顯著的特征。大數(shù)據(jù)分析與處理方法介紹眾所周知，大數(shù)據(jù)已經(jīng)不簡(jiǎn)簡(jiǎn)單單是數(shù)據(jù)大的事實(shí)了，而最重要的現(xiàn)實(shí)是對(duì)大數(shù)據(jù)進(jìn)行分析，只有通過(guò)分析才能獲取很多智能的，深入的，有價(jià)值的信息。那么越來(lái)越多的應(yīng)用涉及到大數(shù)據(jù)，而這些大數(shù)據(jù)的屬性，包括數(shù)量，速度，多樣性等等都是呈現(xiàn)了大數(shù)據(jù)不斷增長(zhǎng)的復(fù)雜性，所以大數(shù)據(jù)的分析方法在大數(shù)據(jù)領(lǐng)域就顯得尤為重要，可以說(shuō)是決定最終信息是否有價(jià)值的決定性因素。大數(shù)據(jù)分析的五個(gè)基本方面1.AnalyticVisualizations（可視化分析）不管是對(duì)數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具最基本的要求?？梢暬梢灾庇^的展示數(shù)據(jù)，讓數(shù)據(jù)自己說(shuō)話，讓觀眾聽(tīng)到結(jié)果。2.DataMiningAlgorithms（數(shù)據(jù)挖掘算法）可視化是給人看的，數(shù)據(jù)挖掘就是給機(jī)器看的。集群、分割、孤立點(diǎn)分析還有其他的算法讓我們深入數(shù)據(jù)內(nèi)部，挖掘價(jià)值。這些算法不僅要處理大數(shù)據(jù)的量，也要處理大數(shù)據(jù)的速度。3.PredictiveAnalyticCapabilities（預(yù)測(cè)性分析能力）數(shù)據(jù)挖掘可以讓分析員更好的理解數(shù)據(jù)，而預(yù)測(cè)性分析可以讓分析員根據(jù)可視化分析和數(shù)據(jù)挖掘的結(jié)果做出一些預(yù)測(cè)性的判斷。大數(shù)據(jù)分析的五個(gè)基本方面4.SemanticEngines（語(yǔ)義引擎）我們知道由于非結(jié)構(gòu)化數(shù)據(jù)的多樣性帶來(lái)了數(shù)據(jù)分析的新的挑戰(zhàn)，我們需要一系列的工具去解析，提取，分析數(shù)據(jù)。語(yǔ)義引擎需要被設(shè)計(jì)成能夠從“文檔”中智能提取信息。5.DataQualityandMasterDataManagement（數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理）數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理是一些管理方面的最佳實(shí)踐。通過(guò)標(biāo)準(zhǔn)化的流程和工具對(duì)數(shù)據(jù)進(jìn)行處理，可以保證一個(gè)預(yù)先定義好的高質(zhì)量的分析結(jié)果。大數(shù)據(jù)處理周濤博士說(shuō)：大數(shù)據(jù)處理數(shù)據(jù)時(shí)代理念的三大轉(zhuǎn)變：要全體不要抽樣，要效率不要絕對(duì)精確，要相關(guān)不要因果。具體的大數(shù)據(jù)處理方法其實(shí)有很多，但是根據(jù)長(zhǎng)時(shí)間的實(shí)踐，此處總結(jié)了一個(gè)基本的大數(shù)據(jù)處理流程。整個(gè)處理流程可以概括為四步，分別是采集、導(dǎo)入和預(yù)處理、統(tǒng)計(jì)和分析，以及挖掘。采集：大數(shù)據(jù)的采集是指利用多個(gè)數(shù)據(jù)庫(kù)來(lái)接收發(fā)自客戶端（Web、App或者傳感器形式等）的數(shù)據(jù)，并且用戶可以通過(guò)這些數(shù)據(jù)庫(kù)來(lái)進(jìn)行簡(jiǎn)單的查詢和處理工作。比如，電商會(huì)使用傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)MySQL和Oracle等來(lái)存儲(chǔ)每一筆事務(wù)數(shù)據(jù)，除此之外，Redis和MongoDB這樣的NoSQL數(shù)據(jù)庫(kù)也常用于數(shù)據(jù)的采集。在大數(shù)據(jù)的采集過(guò)程中，其主要特點(diǎn)和挑戰(zhàn)是并發(fā)數(shù)高，因?yàn)橥瑫r(shí)有可能會(huì)有成千上萬(wàn)的用戶來(lái)進(jìn)行訪問(wèn)和操作，比如火車票售票網(wǎng)站和淘寶，它們并發(fā)的訪問(wèn)量在峰值時(shí)達(dá)到上百萬(wàn)，所以需要在采集端部署大量數(shù)據(jù)庫(kù)才能支撐。并且如何在這些數(shù)據(jù)庫(kù)之間進(jìn)行負(fù)載均衡和分片的確是需要深入的思考和設(shè)計(jì)。大數(shù)據(jù)處理導(dǎo)入/預(yù)處理：雖然采集端本身會(huì)有很多數(shù)據(jù)庫(kù)，但是如果要對(duì)這些海量數(shù)據(jù)進(jìn)行有效的分析，還是應(yīng)該將這些來(lái)自前端的數(shù)據(jù)導(dǎo)入到一個(gè)集中的大型分布式數(shù)據(jù)庫(kù)，或者分布式存儲(chǔ)集群，并且可以在導(dǎo)入基礎(chǔ)上做一些簡(jiǎn)單的清洗和預(yù)處理工作。導(dǎo)入與預(yù)處理過(guò)程的特點(diǎn)和挑戰(zhàn)主要是導(dǎo)入的數(shù)據(jù)量大，每秒鐘的導(dǎo)入量經(jīng)常會(huì)達(dá)到百兆，甚至千兆級(jí)別。統(tǒng)計(jì)/分析：統(tǒng)計(jì)與分析主要利用分布式數(shù)據(jù)庫(kù)，或者分布式計(jì)算集群來(lái)對(duì)存儲(chǔ)于其內(nèi)的海量數(shù)據(jù)進(jìn)行普通的分析和分類匯總等，以滿足大多數(shù)常見(jiàn)的分析需求，在這方面，一些實(shí)時(shí)性需求會(huì)用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存儲(chǔ)Infobright等，而一些批處理，或者基于半結(jié)構(gòu)化數(shù)據(jù)的需求可以使用Hadoop。統(tǒng)計(jì)與分析這部分的主要特點(diǎn)和挑戰(zhàn)是分析涉及的數(shù)據(jù)量大，其對(duì)系統(tǒng)資源，特別是I/O會(huì)有極大的占用。大數(shù)據(jù)處理挖掘：與前面統(tǒng)計(jì)和分析過(guò)程不同的是，數(shù)據(jù)挖掘一般沒(méi)有什么預(yù)先設(shè)定好的主題，主要是在現(xiàn)有數(shù)據(jù)上面進(jìn)行基于各種算法的計(jì)算，從而起到預(yù)測(cè)（Predict）的效果，從而實(shí)現(xiàn)一些高級(jí)別數(shù)據(jù)分析的需求。比較典型算法有用于聚類的K-Means、用于統(tǒng)計(jì)學(xué)習(xí)的SVM和用于分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過(guò)程的特點(diǎn)和挑戰(zhàn)主要是用于挖掘的算法很復(fù)雜，并且計(jì)算涉及的數(shù)據(jù)量和計(jì)算量都很大，還有，常用數(shù)據(jù)挖掘算法都以單線程為主。處理理和和分分析析工工具具用于于分分析析大大數(shù)數(shù)據(jù)據(jù)的的工工具具主主要要有有開(kāi)開(kāi)源源與與商商用用兩兩個(gè)個(gè)生生態(tài)態(tài)圈圈。。開(kāi)源源大大數(shù)數(shù)據(jù)據(jù)生生態(tài)態(tài)圈圈：：1、、HadoopHDFS、、HadoopMapReduce,HBase、、Hive漸漸次次誕誕生生，，早早期期Hadoop生生態(tài)態(tài)圈圈逐逐步步形形成成。。2、、.Hypertable是是另另類類。。它它存存在在于于Hadoop生生態(tài)態(tài)圈圈之之外外，，但但也也曾曾經(jīng)經(jīng)有有一一些些用用戶戶。。3、、NoSQL，，membase、、MongoDB商用用大大數(shù)數(shù)據(jù)據(jù)生生態(tài)態(tài)圈圈：：1、、一一體體機(jī)機(jī)數(shù)數(shù)據(jù)據(jù)庫(kù)庫(kù)/數(shù)數(shù)據(jù)據(jù)倉(cāng)倉(cāng)庫(kù)庫(kù)：：IBMPureData(Netezza),OracleExadata,SAPHana等等等等。。2、、數(shù)數(shù)據(jù)據(jù)倉(cāng)倉(cāng)庫(kù)庫(kù)：：TeradataAsterData,EMCGreenPlum,HPVertica等等等等。。3、、數(shù)數(shù)據(jù)據(jù)集集市市：：QlikView、、Tableau、、以以及及國(guó)國(guó)內(nèi)內(nèi)的的YonghongDataMart。。處理理和和分分析析工工具具Hadoop據(jù)IDC的預(yù)預(yù)測(cè)測(cè)，，全全球球大大數(shù)數(shù)據(jù)據(jù)市市場(chǎng)場(chǎng)2015年將將達(dá)達(dá)170億美美元元規(guī)規(guī)模模，，市市場(chǎng)場(chǎng)發(fā)發(fā)展展前前景景很很大大。。而而Hadoop作為為新一一代代的的架架構(gòu)構(gòu)和和技技術(shù)術(shù)，，因因?yàn)闉橛杏欣谟诓⒉⑿行蟹址植疾继幪幚砝怼啊按蟠髷?shù)數(shù)據(jù)據(jù)””而而備備受受重重視視。。ApacheHadoop是一一個(gè)個(gè)用用java語(yǔ)言言實(shí)實(shí)現(xiàn)現(xiàn)的的軟軟件件框框架架，，在在由由大大量量計(jì)計(jì)算算機(jī)機(jī)組組成成的的集集群群中中運(yùn)運(yùn)行行海海量量數(shù)數(shù)據(jù)據(jù)的的分分布布式式計(jì)計(jì)算算，，它它可可以以讓讓?xiě)?yīng)應(yīng)用用程程序序支支持持上上千千個(gè)個(gè)節(jié)節(jié)點(diǎn)點(diǎn)和和PB級(jí)別別的的數(shù)數(shù)據(jù)據(jù)。。Hadoop是項(xiàng)項(xiàng)目目的的總總稱稱，，主主要要是是由由分分布布式式存存儲(chǔ)儲(chǔ)（（HDFS）、、分分布布式式計(jì)計(jì)算算（（MapReduce）等等組組成成。。優(yōu)點(diǎn)點(diǎn)：：可擴(kuò)擴(kuò)展展：：不論論是是存存儲(chǔ)儲(chǔ)的的可可擴(kuò)擴(kuò)展展還還是是計(jì)計(jì)算算的的可可擴(kuò)擴(kuò)展展都都是是Hadoop的設(shè)設(shè)計(jì)計(jì)根根本本。。經(jīng)濟(jì)濟(jì)：：框架架可可以以運(yùn)運(yùn)行行在在任任何何普普通通的的PC上。。可靠靠：：分布布式式文文件件系系統(tǒng)統(tǒng)的的備備份份恢恢復(fù)復(fù)機(jī)機(jī)制制以以及及MapReduce的任任務(wù)務(wù)監(jiān)監(jiān)控控保保證證了了分分布布式式處處理理的的可可靠靠性性。。高效效：：分布布式式文文件件系系統(tǒng)統(tǒng)的的高高效效數(shù)數(shù)據(jù)據(jù)交交互互實(shí)實(shí)現(xiàn)現(xiàn)以以及及MapReduce結(jié)合合LocalData處理理的的模模式式，，為為高高效效處處理理海海量量的的信信息息作作了了基基礎(chǔ)礎(chǔ)準(zhǔn)準(zhǔn)備備。。處理理和和分分析析工工具具HadoopHadoop原原本本來(lái)來(lái)自自于于谷谷歌歌一一款款名名為為MapReduce的的編編程程模模型型包包。。谷谷歌歌的的MapReduce框框架架可可以以把把一一個(gè)個(gè)應(yīng)應(yīng)用用程程序序分分解解為為許許多多并并行行計(jì)計(jì)算算指指令令，，跨跨大大量量的的計(jì)計(jì)算算節(jié)節(jié)點(diǎn)點(diǎn)運(yùn)運(yùn)行行非非常常巨巨大大的的數(shù)數(shù)據(jù)據(jù)集集。。使使用用該該框框架架的的一一個(gè)個(gè)典典型型例例子子就就是是在在網(wǎng)網(wǎng)絡(luò)絡(luò)數(shù)數(shù)據(jù)據(jù)上上運(yùn)運(yùn)行行的的搜搜索索算算法法。。Hadoop實(shí)實(shí)現(xiàn)了一一個(gè)分布布式文件件系統(tǒng)（（HadoopDistributedFileSystem），簡(jiǎn)簡(jiǎn)稱HDFS。。HDFS有高高容錯(cuò)性性的特點(diǎn)點(diǎn)，并且且設(shè)計(jì)用用來(lái)部署署在低廉廉的（low-cost）硬硬件上；；而且它它提供高高吞吐量量（highthroughput）來(lái)來(lái)訪問(wèn)應(yīng)應(yīng)用程序序的數(shù)據(jù)據(jù)，適合合那些有有著超大大數(shù)據(jù)集集（largedataset）的應(yīng)應(yīng)用程序序。HDFS放放寬了（（relax））POSIX的的要求，，可以以以流的形形式訪問(wèn)問(wèn)（streamingaccess））文件系系統(tǒng)中的的數(shù)據(jù)。。Hadoop的的框架最最核心的的設(shè)計(jì)就就是：HDFS和MapReduce.HDFS為海量量的數(shù)據(jù)據(jù)提供了了存儲(chǔ)，，則MapReduce為海海量的數(shù)數(shù)據(jù)提供供了計(jì)算算。MapReduceHDFSHBasePigChuKwaHiveZooKeeperHadoop體系架構(gòu)構(gòu)Pig是一個(gè)基基于Hadoop的大規(guī)模模數(shù)據(jù)分分析平臺(tái)臺(tái)，Pig為復(fù)雜的的海量數(shù)數(shù)據(jù)并行行計(jì)算提提供了一一個(gè)簡(jiǎn)易易的操作作和編程程接口Chukwa是基于Hadoop的集群監(jiān)監(jiān)控系統(tǒng)統(tǒng)，由yahoo貢獻(xiàn)hive是基于Hadoop的一個(gè)工工具，提提供完整整的sql查詢功能能，可以以將sql語(yǔ)句轉(zhuǎn)換換為MapReduce任務(wù)進(jìn)行行運(yùn)行ZooKeeper：高效的的，可擴(kuò)擴(kuò)展的協(xié)協(xié)調(diào)系統(tǒng)統(tǒng),存儲(chǔ)和協(xié)協(xié)調(diào)關(guān)鍵鍵共享狀狀態(tài)HBase是一個(gè)開(kāi)開(kāi)源的，，基于列列存儲(chǔ)模模型的分分布式數(shù)數(shù)據(jù)庫(kù)HDFS是一個(gè)分分布式文文件系統(tǒng)統(tǒng)。有著著高容錯(cuò)錯(cuò)性的特特點(diǎn)，并并且設(shè)計(jì)計(jì)用來(lái)部部署在低低廉的硬硬件上，，適合那那些有著著超大數(shù)數(shù)據(jù)集的的應(yīng)用程程序MapReduce是一種編編程模型型，用于于大規(guī)模模數(shù)據(jù)集集（大于于1TB）的并行行運(yùn)算HDFS——分布式文文件系統(tǒng)統(tǒng)NameNode可以看作作是分布布式文件件系統(tǒng)中中的管理理者，存存儲(chǔ)文件件系統(tǒng)的的meta-data，主要負(fù)負(fù)責(zé)管理理文件系系統(tǒng)的命命名空間間，集群群配置信信息，存存儲(chǔ)塊的的復(fù)制。。DataNode是文件存存儲(chǔ)的基基本單元元。它存存儲(chǔ)文件件塊在本本地文件件系統(tǒng)中中，保存存了文件件塊的meta-data，同時(shí)周周期性的的發(fā)送所所有存在在的文件件塊的報(bào)報(bào)告給NameNode。Client就是需要要獲取分分布式文文件系統(tǒng)統(tǒng)文件的的應(yīng)用程程序。HDFS是一個(gè)高高度容錯(cuò)錯(cuò)性的分分布式文文件系統(tǒng)統(tǒng)，能提提供高吞吞吐量的的數(shù)據(jù)訪訪問(wèn)，非非常適合合大規(guī)模模數(shù)據(jù)集集上的應(yīng)應(yīng)用。MapReduceMap：任務(wù)的的分解Reduce：結(jié)果的的匯總兩大核心心設(shè)計(jì)HDFSNameNode：文件管管理DataNode：文件存存儲(chǔ)Client：文件獲獲取Hadoop核心設(shè)計(jì)計(jì)HDFS具體操操作文件寫(xiě)入入：1.Client向向NameNode發(fā)發(fā)起文件件寫(xiě)入的的請(qǐng)求2.NameNode根據(jù)據(jù)文件大大小和文文件塊配配置情況況，返回回給Client它所所管理部部分DataNode的信息息。3.Client將將文件劃劃分為多多個(gè)文件件塊，根根據(jù)DataNode的地址址信息，，按順序序?qū)懭氲降矫恳粋€(gè)個(gè)DataNode塊塊中。文件讀取?。?.Client向向NameNode發(fā)發(fā)起文件件讀取的的請(qǐng)求2.NameNode返回回文件存存儲(chǔ)的DataNode的信信息。3.Client讀讀取文件件信息。。MapReduce———映射、化化簡(jiǎn)編程程模型1.根據(jù)輸入入數(shù)據(jù)的的大小和和參數(shù)的的設(shè)置把把數(shù)據(jù)分分成splits,每個(gè)split對(duì)于一個(gè)個(gè)map線程。2.Split中的數(shù)據(jù)據(jù)作為Map的輸入，，Map的輸出一一定在Map端。3.Map的輸出到到Reduce的輸入的的過(guò)程(shuffle過(guò)程)：第一階段段：在map端完成內(nèi)內(nèi)存->排序->寫(xiě)入磁盤(pán)盤(pán)->復(fù)制第二階段段：在reduce端完成映映射到reduce端分區(qū)->合并->排序4.Reduce的輸入到到Reduce的輸出最后排好好序的key/value作為Reduce的輸入，，輸出不不一定是是在reduce端。MapReduce是一種編編程模型型，用于于大規(guī)模模數(shù)據(jù)集集的并行行運(yùn)算。。Map（映射））和Reduce（化簡(jiǎn)）），采用用分而治治之思想想，先把把任務(wù)分分發(fā)到集集群多個(gè)個(gè)節(jié)點(diǎn)上上，并行行計(jì)算，，然后再再把計(jì)算算結(jié)果合合并，從從而得到到最終計(jì)計(jì)算結(jié)果果。多節(jié)節(jié)點(diǎn)計(jì)算算，所涉涉及的任任務(wù)調(diào)度度、負(fù)載載均衡、、容錯(cuò)處處理等，，都由MapReduce框架完成成，不需需要編程程人員關(guān)關(guān)心這些些內(nèi)容。。HBASE———分布式數(shù)據(jù)存儲(chǔ)儲(chǔ)HBase––HadoopDatabase，是一個(gè)個(gè)高可靠靠性、高高性能、、面向列列、可伸伸縮的分分布式存存儲(chǔ)系統(tǒng)統(tǒng)；HBase位于結(jié)構(gòu)構(gòu)化存儲(chǔ)儲(chǔ)層，HDFS為HBase提供了高高可靠性性的底層層存儲(chǔ)支支持,MapReduce為HBase提供了高高性能的的計(jì)算能能力，Zookeeper為HBase提供了穩(wěn)穩(wěn)定服務(wù)務(wù)和failover機(jī)制；Pig和Hive還為HBase提供了高高層語(yǔ)言言支持，，使得在在HBase上進(jìn)行數(shù)數(shù)據(jù)統(tǒng)計(jì)計(jì)處理變變的簡(jiǎn)單單。大數(shù)據(jù)行行業(yè)應(yīng)用用金融行業(yè)業(yè)互聯(lián)網(wǎng)醫(yī)療行業(yè)業(yè)能源行業(yè)業(yè)電信行業(yè)業(yè)政府行業(yè)業(yè)

隨著互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)的發(fā)展，運(yùn)營(yíng)商的網(wǎng)絡(luò)將會(huì)更加繁忙，用于