海量存儲的發展史

1. 物聯網對海量信息存儲的需求促使了哪些技術的發展

物聯網對海量儲存技術促進的技術包括：快速儲存技術，網路存儲技術，雲存儲技術，大數據存儲技術。
網路存儲技術：直連式存儲（DirectAttachedStorage，DAS）、網路存儲設備（NetworkAttachedStorage，NAS）和存儲網路（StorageAreaNetwork，SAN）。
雲存儲技術是側重企業搭建的雲盤服務，
大數據存儲技術是側重於框架結構的不同。第一種是採用MPP架構的新型資料庫集群，重點面向行業大數據，採用Shared Nothing架構，第二種是基於Hadoop的技術擴展和封裝，圍繞Hadoop衍生出相關的大數據技術。第三種是大數據一體機，這是一種專為大數據的分析處理而設計的軟、硬體結合的產品

2. 什麼是雲存儲你如何看待雲存儲

雲存儲的幾十年發展歷程，其計算架構模型，也從Scale Up走向Scale Out。但是展望未來數字世界的海量需求，目前流行的模型還能夠持續滿足嗎？本文通過對雲存儲 歷史 的回顧，及對Scale Up和Scale Out兩種擴展模型的詮釋，來揭開雲存儲的未來模式。

1. 雲存儲及其 歷史

簡而言之，雲存儲（cloud storage）就是將數字內容安全的存儲在伺服器上，從而任何連接互聯網的設備可以方便的獲取。首先讓我們簡單回顧一下雲存儲的 歷史 。

雲存儲的早期雛形要回溯到上個世紀的90年代，也就是互聯網泡沫時期（dot-com boom），當時有許多家公司，例如EVault, NetMass, Arkeia和CommVault等等[1]均提供在線數據備份服務，當然它們絕大部分也隨著互聯網泡沫的破碎而煙消雲散了。少數倖存下來的有一家叫Veritas NetBackup最後也被Symantec收購，現在依舊提供Symantec NetBackup的在線存儲服務。

而真正讓大家耳熟能詳的雲存儲是2006年由Amazon提供的AWS S3雲存儲服務，其最具有革命意義的變革是，提出了即買即用（pay-per-use）的價格模型，使得雲存儲的使用像水電一樣可計算衡量。從此雲存儲以S3為標准一路絕塵，我們所熟悉的大廠，比如Netflix, Pinterest, Dropbox也是S3的顧客。尾隨的Microsoft和Google也於2010年分別發布了類似的Azure Blob Storage和Google Storage的存儲服務。

雲存儲真正發展的十幾年中，見證了移動互聯網的崛起，大數據的生機勃發，人工智慧的再次復興，並能夠展望到未來物聯網，無人駕駛及各類機器人自動化的世界。海量數據的產生，存儲，分析，預測及應用，快速以正反饋循環方式，推進著人類 社會 向數字世界大步邁進。所以，為了適應數據存儲新的需求，各家雲存儲產品的應用場景及價格模型，已從單一向多元發展，比如AWS S3就有Standard，Intelligent-Tiering， Standard-IA，One Zone-IA，Glacier和Glacier Deep Archive六類存儲產品來滿足各類使用場景，我會在未來的文章里針對性的細講一下。而本文重點所探討的是，目前雲存儲的基礎架構體系是否能夠適應未來數據存儲的要求和挑戰？為了回答這個問題，讓我們先簡單回顧一下計算機體系架構里的Scale Up和Scale Out擴展模型。

2. Scale Up和Scale Out？

Scale Up又稱為垂直擴展（scale vertically）[2]，意為在單節點上添加資源，如CPU，內存和存儲，在縱向上擴展從而獲得更多計算或存儲能力；Scale Up初期能夠快速達到升級目的，操作起來相對比較簡單，但隨著計算或存儲的要求越來越高，硬體資源的添加可能已經達到極限，不僅單節點的造價非常昂貴，維護成本很高，而且更容易留下單點故障的隱患。傳統的RAID（Rendant Array of Inexpensive Disks）存儲就是此種模式。

Scale Out又稱為水平擴展（scale horizontally）[2]，意為在分布式環境下，通過添加節點計算或存儲資源，在橫向上滿足更多的計算存儲需求；隨著計算和存儲單位價格的降低和效率的提升，使用低端的商用（commodity）系統，利用分布式技術可以搭建起「超級計算」中心，以及後來衍生出來的私有或公有雲平台解決方案。雖然分布式系統會帶來一定程度上的軟體復雜度和管理困難，但由軟體定義的計算和存儲解決方案，能夠以較低的價格和較高的魯棒性，優雅的解決了海量增長的計算存儲需求，也是目前雲平台的主流技術。但它就一定能夠承載未來的更加海量的需求嗎？雲存儲的未來是什麼？方向是向左還是向右？

3. 未來向左還是向右？

話說天下大勢, 分久必合, 合久必分，事物發展的規律似乎從來就沒有什麼絕對。當下，雲平台內部似乎已完全是Scale Out模式了，但當我們把鏡頭再拉遠一點，從雲平台在全球部署的每一個可用區來看，整體上它又是一個Scale Up模型，不是嗎？單點投入巨大，耗費能源，使用成本高昂。而相反，隨著強大的計算，存儲和帶寬能力能夠進入尋常家庭、工作和生活等邊緣節點，資源閑置或者不均衡使用也變得越來越明顯。

那麼，是否能夠將這些邊緣節點的計算存儲能力結合起來，組成一個真正意義上的Scale Out平台，提供人們日益增長的計算存儲需求？

可否將浪費或者不對等的資源重新組合，提供一個更加節能環保的綠色Scale Out平台？

可否摒棄中心化的單點故障和數據安全隱患，真正做到廉價高效，零數據泄露的Scale Out平台？

答案是應該可以而且必須可以！

縱觀雲存儲平台的發展 歷史 ，從單節點的Scale Up模式走向可用區內部的Scale Out模式，又從內部的Scale Out模式走向整體上相對的Scale Up模式。而未來數字世界的海量計算和存儲需求的滿足，一定需要真正意義上的全球Scale Out模型，那就是把邊緣節點和半中心化節點高效且系統的組織起來，減少浪費，提高效率，節省成本，去除中心。將天空中幾塊為數不多的白雲，變成漫天遍布的朵朵白雲，讓人們自由定價、自由選擇、自由組合。

挑戰雖然巨大，但未來很美好，讓我們一起努力迎接雲存儲的明天！

[1]: History of Online Storage

[2]: Wiki Scalability

文章作者：Bruce Lee（http://PP.IO總架構師）

轉載請註明出處

如果有關於PPIO的交流，可以通過下面的方式聯系我：

加我微信，注意備注來源

wechat：omnigeeker

雲存儲服務平台，很精練吧

網路解釋：雲存儲是在雲計算(cloud computing)概念上延伸和發展出來的一個新的概念，是一種新興的網路存儲技術，是指通過集群應用、網路技術或分布式文件系統等功能，將網路中大量各種不同類型的存儲設備通過應用軟體集合起來協同工作，共同對外提供數據存儲和業務訪問功能的系統。

雲存儲可以簡單的理解為將數據保存在一個第三方空間，隨時取用和處理。雲存儲也可以說是一個以數據存儲和管理為核心的雲計算系統。雲存儲對用戶來講，不只是一個簡單的設備，而是整個雲存儲系統的一種數據訪問服務。

通過集群應用，網路技術等功能把網路中不同類型的存儲設備通過應用軟體集合起來工作。

雲儲存就是企業的公用空間（伺服器)，定期有人維護不用自己操心不怕數據丟失，但是數據都會在企業無保密可言，

就是網上的存儲空間，不佔自身內存，要用時聯網下載

雲存儲是指通過集群應用、網格技術或分布式文件系統或類似網格計算等功能聯合起來協同工作，並通過一定的應用軟體或應用介面，對用戶提供一定類型的存儲服務和訪問服務。

雲存儲的優勢

樓主有需要的話可以了解一下企業共享辦公系統，可支持手機端、雲端、公司伺服器存儲、為企業獨立搭建維護企業網盤，從而實現文件歸檔存儲、文檔管理、協同辦公等功能。

雲存儲就是將文件內存存儲在雲端的一種方式，不佔用自己本身電腦或者手機的內存，海量存儲輕松搞定，解決了很多的存儲難與存儲傳輸難的問題。

使用呆貓雲盤的幾大好處，企業存儲資產更安全：

1、使用呆貓遠程桌面時可直接掛載雲盤，輕松上傳下載文件，支持在線修改文件。

2、項目資源統一集中管理，釋放本地存儲空間；支持彈性擴容，按需使用，降低本地硬體使用成本；

3、呆貓同一賬號內存儲互通，資源可異地共享，減少傳輸成本。

4、呆貓雲盤與渲雲網盤存儲互通，使用渲雲提交渲染任務時，內網同步，文件秒傳，節省傳輸時間。

5、支持高並發讀取資產文件，可同一賬號最多可支持上千台機器同時讀取雲盤文件，提高工作效率。

6、高性能存儲，百萬級IOPS，超高算力助力設計行業發展。

7、雲盤基於域控的安全策略，免受病毒攻擊；提供多副本可靠性機制，即使機器出現故障，也不會引起數據丟失。

把你需要存儲的數據放到網上，不佔用你自己設備的內存，當你需要使用時從網上下載。這之間會產生數據流量。

雲存儲其實我們都經歷過，2013年-2016年蓬勃發展，而後被玩壞的雲盤，就是典型代表，雖然我們控制權益不多，只能上傳下載，離線，共享，基本當作網路硬碟和交流工具使用，但卻解決了人們的燃眉之急。我們現在部分手機上還有雲端保存照片的功能。

實際的雲存儲並不是這么簡單，引用一下網路：

雲存儲是建立在雲計算的基礎上，為雲計算服務。對於我們似乎太深奧，但又息息相關，我們只需要知道它是好東西就行了。不單單能當作個人網路上的儲存空間。

3. 海量信息存儲的發展歷程

我也是她班的~~~~檔案的。。。。

在各種應用系統的存儲設備上，信息正以數據存儲的方式高速增長著，不斷推進著全球信息化的進程。隨之而來的是海量信息存儲的需求不斷增加。雖然文件伺服器和資料庫伺服器的存儲容量在不斷擴充，可還是會碰到空間在成倍增長，用戶仍會抱怨容量不足的情況，也正是用戶對存儲空間需求的不斷增加，推動海量信息存儲技術的不斷變化。
海量信息存儲早期採用大型伺服器存儲，基本都是以伺服器為中心的處理模式，使用直連存儲（Direct Attached Storage），存儲設備（包括磁碟陣列，磁帶庫，光碟庫等）作為伺服器的外設使用。隨著網路技術的發展，伺服器之間交換數據或向磁碟庫等存儲設備備份時，都是通過區域網進行，這是主要應用網路附加存儲（Network Attached Storage）技術來實現網路存儲，但這將佔用大量的網路開銷，嚴重影響網路的整體性能。為了能夠共享打容量，高速度存儲設備，並且不佔用區域網資源的海量信息傳輸和備份，就需要專用存儲網路來實現。

4. 大數據時代發展歷程是什麼

大數據技術發展史：大數據的前世今生

今天我們常說的大數據技術，其實起源於Google在2004年前後發表的三篇論文，也就是我們經常聽到的「三駕馬車」，分別是分布式文件系統GFS、大數據分布式計算框架MapRece和NoSQL資料庫系統BigTable。

你知道，搜索引擎主要就做兩件事情，一個是網頁抓取，一個是索引構建，而在這個過程中，有大量的數據需要存儲和計算。這「三駕馬車」其實就是用來解決這個問題的，你從介紹中也能看出來，一個文件系統、一個計算框架、一個資料庫系統。

現在你聽到分布式、大數據之類的詞，肯定一點兒也不陌生。但你要知道，在2004年那會兒，整個互聯網還處於懵懂時代，Google發布的論文實在是讓業界為之一振，大家恍然大悟，原來還可以這么玩。

因為那個時間段，大多數公司的關注點其實還是聚焦在單機上，在思考如何提升單機的性能，尋找更貴更好的伺服器。而Google的思路是部署一個大規模的伺服器集群，通過分布式的方式將海量數據存儲在這個集群上，然後利用集群上的所有機器進行數據計算。 這樣，Google其實不需要買很多很貴的伺服器，它只要把這些普通的機器組織到一起，就非常厲害了。

當時的天才程序員，也是Lucene開源項目的創始人Doug Cutting正在開發開源搜索引擎Nutch，閱讀了Google的論文後，他非常興奮，緊接著就根據論文原理初步實現了類似GFS和MapRece的功能。

兩年後的2006年，Doug Cutting將這些大數據相關的功能從Nutch中分離了出來，然後啟動了一個獨立的項目專門開發維護大數據技術，這就是後來赫赫有名的Hadoop，主要包括Hadoop分布式文件系統HDFS和大數據計算引擎MapRece。

當我們回顧軟體開發的歷史，包括我們自己開發的軟體，你會發現，有的軟體在開發出來以後無人問津或者寥寥數人使用，這樣的軟體其實在所有開發出來的軟體中佔大多數。而有的軟體則可能會開創一個行業，每年創造數百億美元的價值，創造百萬計的就業崗位，這些軟體曾經是Windows、Linux、Java，而現在這個名單要加上Hadoop的名字。

如果有時間，你可以簡單瀏覽下Hadoop的代碼，這個純用Java編寫的軟體其實並沒有什麼高深的技術難點，使用的也都是一些最基礎的編程技巧，也沒有什麼出奇之處，但是它卻給社會帶來巨大的影響，甚至帶動一場深刻的科技革命，推動了人工智慧的發展與進步。

我覺得，我們在做軟體開發的時候，也可以多思考一下，我們所開發軟體的價值點在哪裡？真正需要使用軟體實現價值的地方在哪裡？你應該關注業務、理解業務，有價值導向，用自己的技術為公司創造真正的價值，進而實現自己的人生價值。而不是整天埋頭在需求說明文檔里，做一個沒有思考的代碼機器人。

Hadoop發布之後，Yahoo很快就用了起來。大概又過了一年到了2007年，網路和阿里巴巴也開始使用Hadoop進行大數據存儲與計算。

2008年，Hadoop正式成為Apache的頂級項目，後來Doug Cutting本人也成為了Apache基金會的主席。自此，Hadoop作為軟體開發領域的一顆明星冉冉升起。

同年，專門運營Hadoop的商業公司Cloudera成立，Hadoop得到進一步的商業支持。

這個時候，Yahoo的一些人覺得用MapRece進行大數據編程太麻煩了，於是便開發了Pig。Pig是一種腳本語言，使用類SQL的語法，開發者可以用Pig腳本描述要對大數據集上進行的操作，Pig經過編譯後會生成MapRece程序，然後在Hadoop上運行。

編寫Pig腳本雖然比直接MapRece編程容易，但是依然需要學習新的腳本語法。於是Facebook又發布了Hive。Hive支持使用SQL語法來進行大數據計算，比如說你可以寫個Select語句進行數據查詢，然後Hive會把SQL語句轉化成MapRece的計算程序。

這樣，熟悉資料庫的數據分析師和工程師便可以無門檻地使用大數據進行數據分析和處理了。Hive出現後極大程度地降低了Hadoop的使用難度，迅速得到開發者和企業的追捧。據說，2011年的時候，Facebook大數據平台上運行的作業90%都來源於Hive。

隨後，眾多Hadoop周邊產品開始出現，大數據生態體系逐漸形成，其中包括：專門將關系資料庫中的數據導入導出到Hadoop平台的Sqoop；針對大規模日誌進行分布式收集、聚合和傳輸的Flume；MapRece工作流調度引擎Oozie等。

在Hadoop早期，MapRece既是一個執行引擎，又是一個資源調度框架，伺服器集群的資源調度管理由MapRece自己完成。但是這樣不利於資源復用，也使得MapRece非常臃腫。於是一個新項目啟動了，將MapRece執行引擎和資源調度分離開來，這就是Yarn。2012年，Yarn成為一個獨立的項目開始運營，隨後被各類大數據產品支持，成為大數據平台上最主流的資源調度系統。

同樣是在2012年，UC伯克利AMP實驗室（Algorithms、Machine和People的縮寫）開發的Spark開始嶄露頭角。當時AMP實驗室的馬鐵博士發現使用MapRece進行機器學習計算的時候性能非常差，因為機器學習演算法通常需要進行很多次的迭代計算，而MapRece每執行一次Map和Rece計算都需要重新啟動一次作業，帶來大量的無謂消耗。還有一點就是MapRece主要使用磁碟作為存儲介質，而2012年的時候，內存已經突破容量和成本限制，成為數據運行過程中主要的存儲介質。Spark一經推出，立即受到業界的追捧，並逐步替代MapRece在企業應用中的地位。

一般說來，像MapRece、Spark這類計算框架處理的業務場景都被稱作批處理計算，因為它們通常針對以「天」為單位產生的數據進行一次計算，然後得到需要的結果，這中間計算需要花費的時間大概是幾十分鍾甚至更長的時間。因為計算的數據是非在線得到的實時數據，而是歷史數據，所以這類計算也被稱為大數據離線計算。

而在大數據領域，還有另外一類應用場景，它們需要對實時產生的大量數據進行即時計算，比如對於遍布城市的監控攝像頭進行人臉識別和嫌犯追蹤。這類計算稱為大數據流計算，相應地，有Storm、Flink、Spark Streaming等流計算框架來滿足此類大數據應用的場景。 流式計算要處理的數據是實時在線產生的數據，所以這類計算也被稱為大數據實時計算。

在典型的大數據的業務場景下，數據業務最通用的做法是，採用批處理的技術處理歷史全量數據，採用流式計算處理實時新增數據。而像Flink這樣的計算引擎，可以同時支持流式計算和批處理計算。

除了大數據批處理和流處理，NoSQL系統處理的主要也是大規模海量數據的存儲與訪問，所以也被歸為大數據技術。 NoSQL曾經在2011年左右非常火爆，涌現出HBase、Cassandra等許多優秀的產品，其中HBase是從Hadoop中分離出來的、基於HDFS的NoSQL系統。

我們回顧軟體發展的歷史會發現，差不多類似功能的軟體，它們出現的時間都非常接近，比如Linux和Windows都是在90年代初出現，Java開發中的各類MVC框架也基本都是同期出現，Android和iOS也是前腳後腳問世。2011年前後，各種NoSQL資料庫也是層出不群，我也是在那個時候參與開發了阿里巴巴自己的NoSQL系統。

事物發展有自己的潮流和規律，當你身處潮流之中的時候，要緊緊抓住潮流的機會，想辦法脫穎而出，即使沒有成功，也會更加洞悉時代的脈搏，收獲珍貴的知識和經驗。而如果潮流已經退去，這個時候再去往這個方向上努力，只會收獲迷茫與壓抑，對時代、對自己都沒有什麼幫助。

但是時代的浪潮猶如海灘上的浪花，總是一浪接著一浪，只要你站在海邊，身處這個行業之中，下一個浪潮很快又會到來。你需要敏感而又深刻地去觀察，略去那些浮躁的泡沫，抓住真正潮流的機會，奮力一搏，不管成敗，都不會遺憾。

正所謂在歷史前進的邏輯中前進，在時代發展的潮流中發展。通俗的說，就是要在風口中飛翔。

上面我講的這些基本上都可以歸類為大數據引擎或者大數據框架。而大數據處理的主要應用場景包括數據分析、數據挖掘與機器學習。數據分析主要使用Hive、Spark SQL等SQL引擎完成；數據挖掘與機器學習則有專門的機器學習框架TensorFlow、Mahout以及MLlib等，內置了主要的機器學習和數據挖掘演算法。

此外，大數據要存入分布式文件系統（HDFS），要有序調度MapRece和Spark作業執行，並能把執行結果寫入到各個應用系統的資料庫中，還需要有一個大數據平台整合所有這些大數據組件和企業應用系統。

圖中的所有這些框架、平台以及相關的演算法共同構成了大數據的技術體系，我將會在專欄後面逐個分析，幫你能夠對大數據技術原理和應用演算法構建起完整的知識體系，進可以專職從事大數據開發，退可以在自己的應用開發中更好地和大數據集成，掌控自己的項目。

希望對您有所幫助！~

5. 超級計算機的發展歷史

1、第1代：電子管數字機（1946—1958年）

世界上第一台電腦硬體方面，邏輯元件採用的是真空電子管，主存儲器採用汞延遲線、陰極射線示波管靜電存儲器、磁鼓、磁芯；外存儲器採用的是磁帶。軟體方面採用的是機器語言、匯編語言。應用領域以軍事和科學計算為主。特點是體積大、功耗高、可靠性差。速度慢（一般為每秒數千次至數萬次）、價格昂貴，但為以後的計算機發展奠定了基礎。

2、第2代：晶體管數字機（1958—1964年）

硬體方的操作系統、高級語言及其編譯程序。應用領域以科學計算和事務處理為主，並開始進入工業控制領域。特點是體積縮小、能耗降低、可靠性提高、運算速度提高（一般為每秒數10萬次，可高達300萬次）、性能比第1代計算機有很大的提高。

3、第3代：集成電路數字機（1964—1970年）

硬體方面，邏輯元件採用中、小規模集成電路（MSI、SSI），主存儲器仍採用磁芯。軟體方面出現了分時操作系統以及結構化、規模化程序設計方法。特點是速度更快（一般為每秒數百萬次至數千萬次），而且可靠性有了顯著提高，價格進一步下降，產品走向了通用化、系列化和標准化等。應用領域開始進入文字處理和圖形圖像處理領域。

4、第4代：大規模集成電路機（1970年至今）

硬體方面，邏輯元件採用大規模和超大規模集成電路（LSI和VLSI）。軟體方面出現了資料庫管理系統、網路管理系統和面向對象語言等。特點是1971年世界上第一台微處理器在美國矽谷誕生，開創了微型計算機的新時代。應用領域從科學計算、事務管理、過程式控制制逐步走向家庭。

(5)海量存儲的發展史擴展閱讀

電子計算機（electronic computer），通稱電腦，簡稱計算機（computer），是現代的一種利用電子技術和相關原理根據一系列指令來對數據進行處理的機器。電腦可以分為兩部分：軟體系統和硬體系統。第一台電腦是1946年2月15日在美國賓夕法尼亞大學誕生的ENIAC通用電子計算機。

計算機所相關的技術研究叫計算機科學，以數據為核心的研究稱為信息技術。人們把沒有安裝任何軟體的計算機稱為裸機。隨著科技的發展，現在新出現一些新型計算機有：生物計算機、光子計算機、量子計算機等。

6. 海量存儲器有哪些各自的存儲原理與特點是什麼

海量存儲器
mass memory 一種超大容量的輔助存儲器，用海量來形容其存儲容量的龐大。現代情報數量急劇增加，要求龐大的存儲系統貯存情報，例如1970年美國人口調查數據就是由貯存在2000盤磁帶內的10個文件組成的,總信息量為2.6×11(平方)位。空間探索的高分辨圖像照片，每張照片約有10×8(平方)位數據，相當於一盤10×8(平方)位磁帶的存儲量，千百張照片就需要千百盤磁帶來存儲。海量存儲系統就是為貯存這類海量情報的需要而研製的。有海量磁鼓存儲器、海量磁碟存儲器、海量磁帶存儲器和光碟存儲器等。
編輯本段特點
海量磁鼓存儲器 具有快速響應的特點，是海量存儲器中速度最快的一種。如10×7 (平方)位容量的磁鼓；平均存取時間為2.3毫秒；10×8（平方）位容量的磁鼓；平均存取時間為17毫秒；10×9(平方)位容量的磁鼓,平均存取時間為92毫秒。 海量磁帶存儲器 是一種超大容量的磁帶存儲系統，其基本單元是磁帶盒，通過機械結構選取所需的磁帶盒進行讀寫。磁帶盒的磁帶寬51mm(2英寸)，長19.6m(770英寸),存儲容量為50MB,數量從幾百個到幾千個,最多可達9440個，整個系統總共可貯存472000MB或大約 4×12(平方)位，是海量存儲器中容量最大的一種。每位存儲成本僅相當於磁碟的 1/10。IBM公司把這種海量存儲器與 IBM3333/3330 磁碟子系統組成虛擬磁碟存儲器稱為IBM3850型海量外存系統,它兼有磁碟與磁帶的優點, 可作為海量的聯機資料庫。 海量磁碟存儲器 存取時間和存儲容量介於海量磁鼓和海量磁帶存儲器之間，多片可換式磁碟存儲器由於盤組可以更換，具有很大離線容量，適宜於做海量磁碟存儲器。
編輯本段光碟存儲器
是一種正在發展中的海量存儲器，採用激光讀寫信息,實現高密度海量存儲。例如speny5071光碟系統，每個活動盤組的容量為2600MB，系統可配置120個盤組,總容量為330000MB,相當於2300盤6250位/英寸密度的磁帶,盤組平均尋道時間為200毫秒。激光存儲器只允許寫入一次，但可任意反復讀出，光碟組有用壽命為10年左右。

7. 　海量數據存儲與管理

正如上述，在國土資源遙感綜合調查信息中，既包含有多源、多時相、多尺度、多解析度、多類型的遙感圖像數據和基礎地理數據，也包括在項目開展過程中衍生的許多觀測和分析資料，數據量十分龐大。因此，根據數據共享的要求，在數據生產、管理、應用服務以及更新和維護過程中，如何組織和管理好這些海量數據，如何快速、全面有效地訪問和獲得所需數據，成為面臨的突出問題。在這里，採用何種方式利用現有的大型商業化關系資料庫系統高效地存儲與管理這些數據，成為能否發揮系統最大性能的關鍵所在。

傳統的GIS系統對空間數據（與空間位置、空間關系有關的數據）的存儲與管理大多採用這些商業軟體特定的文件方式，如：ArcInfo的Coverage、MapInfo的Tab、MAPGIS的WL等。如果數據量越多，這些文件就會越大，數據的處理就會越復雜，其存儲、檢索、管理也就越困難，而且其最大的缺點還在於不能進行多用戶並發操作。由此可見，用以往傳統的存儲機制去管理像遙感綜合調查這樣的海量數據，顯然難以滿足要求。而近年來發展起來的空間資料庫引擎技術則是解決海量數據存儲管理的途徑之一。

本系統建設過程中，採用了空間資料庫引擎ArcSDE＋大型關系資料庫Oracle組合技術，較理想地實現了遙感綜合調查海量數據的存儲、檢索、查詢、處理。眾所周知，Oracle提供了大型資料庫環境，能夠很好地處理海量數據，而ArcSDE可將具有地理特徵的空間數據和非空間數據統一載入到Oracle中去，因此，通過ArcSDE空間資料庫引擎，可將Oracle海量數據管理功能載入到GIS系統中，並可利用Oracle的強大管理機制進行高效率的事務處理、記錄鎖定、並發控制等服務操作。

8. 計算機的發展歷史和未來

計算機的關鍵技術繼續發展
未來的計算機技術將向超高速、超小型、平行處理、智能化的方向發展。盡管受到物理極限的約束，採用硅晶元的計算機的核心部件CPU的性能還會持續增長。作為Moore定律驅動下成功企業的典範Inter預計2001年推出1億個晶體管的微處理器，並預計在2010年推出集成10億個晶體管的微處理器，其性能為10萬MIPS（1000億條指令／秒）。而每秒100萬億次的超級計算機將出現在本世紀初出現。超高速計算機將採用平行處理技術，使計算機系統同時執行多條指令或同時對多個數據進行處理，這是改進計算機結構、提高計算機運行速度的關鍵技術。
同時計算機將具備更多的智能成分，它將具有多種感知能力、一定的思考與判斷能力及一定的自然語言能力。除了提供自然的輸入手段（如語音輸入、手寫輸入）外，讓人能產生身臨其境感覺的各種交互設備已經出現，虛擬現實技術是這一領域發展的集中體現。
傳統的磁存儲、光碟存儲容量繼續攀升，新的海量存儲技術趨於成熟，新型的存儲器每立方厘米存儲容量可達10TB（以一本書30萬字計，它可存儲約1500萬本書）。信息的永久存儲也將成為現實，千年存儲器正在研製中，這樣的存儲器可以抗干擾、抗高溫、防震、防水、防腐蝕。如是，今日的大量文獻可以原汁原味保存、並流芳百世。

9. 什麼是海量存儲技術

海量文件的存儲方法及系統。
所述方法包括以下步驟：
將所述海量文件的文件相關控制信息組織成以文件對象為存儲單元連接起來的第一層鏈表；將所述海量文件的數據塊相關控制信息組織成以數據塊對象為存儲單元連接起來的第二層鏈表；
將所述海量文件的文件伺服器相關控制信息組織成以文件伺服器對象為存儲單元連接起來的第三層鏈表；
所述第一層鏈表、第二層鏈表和第三層鏈表以層遞的形式關聯為三層鏈表式數據存儲結構，與所述海量文件的數據塊形成映射關系。
通過構建一個海量文件存儲系統，並運用海量文件存儲方法，從而在實現海量文件存儲的同時提高了搜索引擎對海量文件進行各項操作的執行效率

10. 硬碟是哪個國家發明的

1956-1966
世界上的第一款硬碟是由IBM於1956年設計並製造的。這款名為IBM 350 RAMAC（Random Access Method of Accounting and Control）的硬碟產品體積十分龐大，但容量僅為5MB，總共使用了50張24英寸的碟片。這在現在是無法想像的，但在當時，已經算是相當先進的產品了，其容量相對同時期的電腦應用模式來說已經可以算得上是「海量」了。

在那個年代，尚未誕生PC的概念，也就是說以「個人」名義，是無法擁有一台電腦的。那時的電腦大多數應用於軍事領域或是大型企業。當時IBM 350 RAMAC主要面向的用戶是航空公司、醫療企業、銀行以及宇航等領域。

在硬碟誕生的最初十年，電腦的應用領域並不廣泛，硬碟的應用領域也相應地受到限制，因而導致硬碟的發展相對緩慢。這種情況直至20世紀60年代末開始有所改善。究其原因並非是因為應用拉動了對存儲空間的需求，而是IBM 350 RAMAC的體積太大，並且其物理結構導致其壽命相對較短。

1967-1976
1968年，硬碟發展史中的第一個歷史性突破由IBM公司完成—IBM研發成功了「溫盤」技術，即Winchester技術。Winchester技術主要針對硬碟的物理結構提出了更多的改進。簡單概括為：密封、固定並高速旋轉的鍍磁碟片，磁頭沿碟片徑向移動，磁頭懸浮在高速轉動的碟片上方，而不與碟片直接接觸。