海量存储的发展史

1. 物联网对海量信息存储的需求促使了哪些技术的发展

物联网对海量储存技术促进的技术包括：快速储存技术，网络存储技术，云存储技术，大数据存储技术。
网络存储技术：直连式存储（DirectAttachedStorage，DAS）、网络存储设备（NetworkAttachedStorage，NAS）和存储网络（StorageAreaNetwork，SAN）。
云存储技术是侧重企业搭建的云盘服务，
大数据存储技术是侧重于框架结构的不同。第一种是采用MPP架构的新型数据库集群，重点面向行业大数据，采用Shared Nothing架构，第二种是基于Hadoop的技术扩展和封装，围绕Hadoop衍生出相关的大数据技术。第三种是大数据一体机，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

2. 什么是云存储你如何看待云存储

云存储的几十年发展历程，其计算架构模型，也从Scale Up走向Scale Out。但是展望未来数字世界的海量需求，目前流行的模型还能够持续满足吗？本文通过对云存储 历史 的回顾，及对Scale Up和Scale Out两种扩展模型的诠释，来揭开云存储的未来模式。

1. 云存储及其 历史

简而言之，云存储（cloud storage）就是将数字内容安全的存储在服务器上，从而任何连接互联网的设备可以方便的获取。首先让我们简单回顾一下云存储的 历史 。

云存储的早期雏形要回溯到上个世纪的90年代，也就是互联网泡沫时期（dot-com boom），当时有许多家公司，例如EVault, NetMass, Arkeia和CommVault等等[1]均提供在线数据备份服务，当然它们绝大部分也随着互联网泡沫的破碎而烟消云散了。少数幸存下来的有一家叫Veritas NetBackup最后也被Symantec收购，现在依旧提供Symantec NetBackup的在线存储服务。

而真正让大家耳熟能详的云存储是2006年由Amazon提供的AWS S3云存储服务，其最具有革命意义的变革是，提出了即买即用（pay-per-use）的价格模型，使得云存储的使用像水电一样可计算衡量。从此云存储以S3为标准一路绝尘，我们所熟悉的大厂，比如Netflix, Pinterest, Dropbox也是S3的顾客。尾随的Microsoft和Google也于2010年分别发布了类似的Azure Blob Storage和Google Storage的存储服务。

云存储真正发展的十几年中，见证了移动互联网的崛起，大数据的生机勃发，人工智能的再次复兴，并能够展望到未来物联网，无人驾驶及各类机器人自动化的世界。海量数据的产生，存储，分析，预测及应用，快速以正反馈循环方式，推进着人类 社会 向数字世界大步迈进。所以，为了适应数据存储新的需求，各家云存储产品的应用场景及价格模型，已从单一向多元发展，比如AWS S3就有Standard，Intelligent-Tiering， Standard-IA，One Zone-IA，Glacier和Glacier Deep Archive六类存储产品来满足各类使用场景，我会在未来的文章里针对性的细讲一下。而本文重点所探讨的是，目前云存储的基础架构体系是否能够适应未来数据存储的要求和挑战？为了回答这个问题，让我们先简单回顾一下计算机体系架构里的Scale Up和Scale Out扩展模型。

2. Scale Up和Scale Out？

Scale Up又称为垂直扩展（scale vertically）[2]，意为在单节点上添加资源，如CPU，内存和存储，在纵向上扩展从而获得更多计算或存储能力；Scale Up初期能够快速达到升级目的，操作起来相对比较简单，但随着计算或存储的要求越来越高，硬件资源的添加可能已经达到极限，不仅单节点的造价非常昂贵，维护成本很高，而且更容易留下单点故障的隐患。传统的RAID（Rendant Array of Inexpensive Disks）存储就是此种模式。

Scale Out又称为水平扩展（scale horizontally）[2]，意为在分布式环境下，通过添加节点计算或存储资源，在横向上满足更多的计算存储需求；随着计算和存储单位价格的降低和效率的提升，使用低端的商用（commodity）系统，利用分布式技术可以搭建起“超级计算”中心，以及后来衍生出来的私有或公有云平台解决方案。虽然分布式系统会带来一定程度上的软件复杂度和管理困难，但由软件定义的计算和存储解决方案，能够以较低的价格和较高的鲁棒性，优雅的解决了海量增长的计算存储需求，也是目前云平台的主流技术。但它就一定能够承载未来的更加海量的需求吗？云存储的未来是什么？方向是向左还是向右？

3. 未来向左还是向右？

话说天下大势, 分久必合, 合久必分，事物发展的规律似乎从来就没有什么绝对。当下，云平台内部似乎已完全是Scale Out模式了，但当我们把镜头再拉远一点，从云平台在全球部署的每一个可用区来看，整体上它又是一个Scale Up模型，不是吗？单点投入巨大，耗费能源，使用成本高昂。而相反，随着强大的计算，存储和带宽能力能够进入寻常家庭、工作和生活等边缘节点，资源闲置或者不均衡使用也变得越来越明显。

那么，是否能够将这些边缘节点的计算存储能力结合起来，组成一个真正意义上的Scale Out平台，提供人们日益增长的计算存储需求？

可否将浪费或者不对等的资源重新组合，提供一个更加节能环保的绿色Scale Out平台？

可否摒弃中心化的单点故障和数据安全隐患，真正做到廉价高效，零数据泄露的Scale Out平台？

答案是应该可以而且必须可以！

纵观云存储平台的发展 历史 ，从单节点的Scale Up模式走向可用区内部的Scale Out模式，又从内部的Scale Out模式走向整体上相对的Scale Up模式。而未来数字世界的海量计算和存储需求的满足，一定需要真正意义上的全球Scale Out模型，那就是把边缘节点和半中心化节点高效且系统的组织起来，减少浪费，提高效率，节省成本，去除中心。将天空中几块为数不多的白云，变成漫天遍布的朵朵白云，让人们自由定价、自由选择、自由组合。

挑战虽然巨大，但未来很美好，让我们一起努力迎接云存储的明天！

[1]: History of Online Storage

[2]: Wiki Scalability

文章作者：Bruce Lee（http://PP.IO总架构师）

转载请注明出处

如果有关于PPIO的交流，可以通过下面的方式联系我：

加我微信，注意备注来源

wechat：omnigeeker

云存储服务平台，很精练吧

网络解释：云存储是在云计算(cloud computing)概念上延伸和发展出来的一个新的概念，是一种新兴的网络存储技术，是指通过集群应用、网络技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的系统。

云存储可以简单的理解为将数据保存在一个第三方空间，随时取用和处理。云存储也可以说是一个以数据存储和管理为核心的云计算系统。云存储对用户来讲，不只是一个简单的设备，而是整个云存储系统的一种数据访问服务。

通过集群应用，网络技术等功能把网络中不同类型的存储设备通过应用软件集合起来工作。

云储存就是企业的公用空间（服务器)，定期有人维护不用自己操心不怕数据丢失，但是数据都会在企业无保密可言，

就是网上的存储空间，不占自身内存，要用时联网下载

云存储是指通过集群应用、网格技术或分布式文件系统或类似网格计算等功能联合起来协同工作，并通过一定的应用软件或应用接口，对用户提供一定类型的存储服务和访问服务。

云存储的优势

楼主有需要的话可以了解一下企业共享办公系统，可支持手机端、云端、公司服务器存储、为企业独立搭建维护企业网盘，从而实现文件归档存储、文档管理、协同办公等功能。

云存储就是将文件内存存储在云端的一种方式，不占用自己本身电脑或者手机的内存，海量存储轻松搞定，解决了很多的存储难与存储传输难的问题。

使用呆猫云盘的几大好处，企业存储资产更安全：

1、使用呆猫远程桌面时可直接挂载云盘，轻松上传下载文件，支持在线修改文件。

2、项目资源统一集中管理，释放本地存储空间；支持弹性扩容，按需使用，降低本地硬件使用成本；

3、呆猫同一账号内存储互通，资源可异地共享，减少传输成本。

4、呆猫云盘与渲云网盘存储互通，使用渲云提交渲染任务时，内网同步，文件秒传，节省传输时间。

5、支持高并发读取资产文件，可同一账号最多可支持上千台机器同时读取云盘文件，提高工作效率。

6、高性能存储，百万级IOPS，超高算力助力设计行业发展。

7、云盘基于域控的安全策略，免受病毒攻击；提供多副本可靠性机制，即使机器出现故障，也不会引起数据丢失。

把你需要存储的数据放到网上，不占用你自己设备的内存，当你需要使用时从网上下载。这之间会产生数据流量。

云存储其实我们都经历过，2013年-2016年蓬勃发展，而后被玩坏的云盘，就是典型代表，虽然我们控制权益不多，只能上传下载，离线，共享，基本当作网络硬盘和交流工具使用，但却解决了人们的燃眉之急。我们现在部分手机上还有云端保存照片的功能。

实际的云存储并不是这么简单，引用一下网络：

云存储是建立在云计算的基础上，为云计算服务。对于我们似乎太深奥，但又息息相关，我们只需要知道它是好东西就行了。不单单能当作个人网络上的储存空间。

3. 海量信息存储的发展历程

我也是她班的~~~~档案的。。。。

在各种应用系统的存储设备上，信息正以数据存储的方式高速增长着，不断推进着全球信息化的进程。随之而来的是海量信息存储的需求不断增加。虽然文件服务器和数据库服务器的存储容量在不断扩充，可还是会碰到空间在成倍增长，用户仍会抱怨容量不足的情况，也正是用户对存储空间需求的不断增加，推动海量信息存储技术的不断变化。
海量信息存储早期采用大型服务器存储，基本都是以服务器为中心的处理模式，使用直连存储（Direct Attached Storage），存储设备（包括磁盘阵列，磁带库，光盘库等）作为服务器的外设使用。随着网络技术的发展，服务器之间交换数据或向磁盘库等存储设备备份时，都是通过局域网进行，这是主要应用网络附加存储（Network Attached Storage）技术来实现网络存储，但这将占用大量的网络开销，严重影响网络的整体性能。为了能够共享打容量，高速度存储设备，并且不占用局域网资源的海量信息传输和备份，就需要专用存储网络来实现。

4. 大数据时代发展历程是什么

大数据技术发展史：大数据的前世今生

今天我们常说的大数据技术，其实起源于Google在2004年前后发表的三篇论文，也就是我们经常听到的“三驾马车”，分别是分布式文件系统GFS、大数据分布式计算框架MapRece和NoSQL数据库系统BigTable。

你知道，搜索引擎主要就做两件事情，一个是网页抓取，一个是索引构建，而在这个过程中，有大量的数据需要存储和计算。这“三驾马车”其实就是用来解决这个问题的，你从介绍中也能看出来，一个文件系统、一个计算框架、一个数据库系统。

现在你听到分布式、大数据之类的词，肯定一点儿也不陌生。但你要知道，在2004年那会儿，整个互联网还处于懵懂时代，Google发布的论文实在是让业界为之一振，大家恍然大悟，原来还可以这么玩。

因为那个时间段，大多数公司的关注点其实还是聚焦在单机上，在思考如何提升单机的性能，寻找更贵更好的服务器。而Google的思路是部署一个大规模的服务器集群，通过分布式的方式将海量数据存储在这个集群上，然后利用集群上的所有机器进行数据计算。 这样，Google其实不需要买很多很贵的服务器，它只要把这些普通的机器组织到一起，就非常厉害了。

当时的天才程序员，也是Lucene开源项目的创始人Doug Cutting正在开发开源搜索引擎Nutch，阅读了Google的论文后，他非常兴奋，紧接着就根据论文原理初步实现了类似GFS和MapRece的功能。

两年后的2006年，Doug Cutting将这些大数据相关的功能从Nutch中分离了出来，然后启动了一个独立的项目专门开发维护大数据技术，这就是后来赫赫有名的Hadoop，主要包括Hadoop分布式文件系统HDFS和大数据计算引擎MapRece。

当我们回顾软件开发的历史，包括我们自己开发的软件，你会发现，有的软件在开发出来以后无人问津或者寥寥数人使用，这样的软件其实在所有开发出来的软件中占大多数。而有的软件则可能会开创一个行业，每年创造数百亿美元的价值，创造百万计的就业岗位，这些软件曾经是Windows、Linux、Java，而现在这个名单要加上Hadoop的名字。

如果有时间，你可以简单浏览下Hadoop的代码，这个纯用Java编写的软件其实并没有什么高深的技术难点，使用的也都是一些最基础的编程技巧，也没有什么出奇之处，但是它却给社会带来巨大的影响，甚至带动一场深刻的科技革命，推动了人工智能的发展与进步。

我觉得，我们在做软件开发的时候，也可以多思考一下，我们所开发软件的价值点在哪里？真正需要使用软件实现价值的地方在哪里？你应该关注业务、理解业务，有价值导向，用自己的技术为公司创造真正的价值，进而实现自己的人生价值。而不是整天埋头在需求说明文档里，做一个没有思考的代码机器人。

Hadoop发布之后，Yahoo很快就用了起来。大概又过了一年到了2007年，网络和阿里巴巴也开始使用Hadoop进行大数据存储与计算。

2008年，Hadoop正式成为Apache的顶级项目，后来Doug Cutting本人也成为了Apache基金会的主席。自此，Hadoop作为软件开发领域的一颗明星冉冉升起。

同年，专门运营Hadoop的商业公司Cloudera成立，Hadoop得到进一步的商业支持。

这个时候，Yahoo的一些人觉得用MapRece进行大数据编程太麻烦了，于是便开发了Pig。Pig是一种脚本语言，使用类SQL的语法，开发者可以用Pig脚本描述要对大数据集上进行的操作，Pig经过编译后会生成MapRece程序，然后在Hadoop上运行。

编写Pig脚本虽然比直接MapRece编程容易，但是依然需要学习新的脚本语法。于是Facebook又发布了Hive。Hive支持使用SQL语法来进行大数据计算，比如说你可以写个Select语句进行数据查询，然后Hive会把SQL语句转化成MapRece的计算程序。

这样，熟悉数据库的数据分析师和工程师便可以无门槛地使用大数据进行数据分析和处理了。Hive出现后极大程度地降低了Hadoop的使用难度，迅速得到开发者和企业的追捧。据说，2011年的时候，Facebook大数据平台上运行的作业90%都来源于Hive。

随后，众多Hadoop周边产品开始出现，大数据生态体系逐渐形成，其中包括：专门将关系数据库中的数据导入导出到Hadoop平台的Sqoop；针对大规模日志进行分布式收集、聚合和传输的Flume；MapRece工作流调度引擎Oozie等。

在Hadoop早期，MapRece既是一个执行引擎，又是一个资源调度框架，服务器集群的资源调度管理由MapRece自己完成。但是这样不利于资源复用，也使得MapRece非常臃肿。于是一个新项目启动了，将MapRece执行引擎和资源调度分离开来，这就是Yarn。2012年，Yarn成为一个独立的项目开始运营，随后被各类大数据产品支持，成为大数据平台上最主流的资源调度系统。

同样是在2012年，UC伯克利AMP实验室（Algorithms、Machine和People的缩写）开发的Spark开始崭露头角。当时AMP实验室的马铁博士发现使用MapRece进行机器学习计算的时候性能非常差，因为机器学习算法通常需要进行很多次的迭代计算，而MapRece每执行一次Map和Rece计算都需要重新启动一次作业，带来大量的无谓消耗。还有一点就是MapRece主要使用磁盘作为存储介质，而2012年的时候，内存已经突破容量和成本限制，成为数据运行过程中主要的存储介质。Spark一经推出，立即受到业界的追捧，并逐步替代MapRece在企业应用中的地位。

一般说来，像MapRece、Spark这类计算框架处理的业务场景都被称作批处理计算，因为它们通常针对以“天”为单位产生的数据进行一次计算，然后得到需要的结果，这中间计算需要花费的时间大概是几十分钟甚至更长的时间。因为计算的数据是非在线得到的实时数据，而是历史数据，所以这类计算也被称为大数据离线计算。

而在大数据领域，还有另外一类应用场景，它们需要对实时产生的大量数据进行即时计算，比如对于遍布城市的监控摄像头进行人脸识别和嫌犯追踪。这类计算称为大数据流计算，相应地，有Storm、Flink、Spark Streaming等流计算框架来满足此类大数据应用的场景。 流式计算要处理的数据是实时在线产生的数据，所以这类计算也被称为大数据实时计算。

在典型的大数据的业务场景下，数据业务最通用的做法是，采用批处理的技术处理历史全量数据，采用流式计算处理实时新增数据。而像Flink这样的计算引擎，可以同时支持流式计算和批处理计算。

除了大数据批处理和流处理，NoSQL系统处理的主要也是大规模海量数据的存储与访问，所以也被归为大数据技术。 NoSQL曾经在2011年左右非常火爆，涌现出HBase、Cassandra等许多优秀的产品，其中HBase是从Hadoop中分离出来的、基于HDFS的NoSQL系统。

我们回顾软件发展的历史会发现，差不多类似功能的软件，它们出现的时间都非常接近，比如Linux和Windows都是在90年代初出现，Java开发中的各类MVC框架也基本都是同期出现，Android和iOS也是前脚后脚问世。2011年前后，各种NoSQL数据库也是层出不群，我也是在那个时候参与开发了阿里巴巴自己的NoSQL系统。

事物发展有自己的潮流和规律，当你身处潮流之中的时候，要紧紧抓住潮流的机会，想办法脱颖而出，即使没有成功，也会更加洞悉时代的脉搏，收获珍贵的知识和经验。而如果潮流已经退去，这个时候再去往这个方向上努力，只会收获迷茫与压抑，对时代、对自己都没有什么帮助。

但是时代的浪潮犹如海滩上的浪花，总是一浪接着一浪，只要你站在海边，身处这个行业之中，下一个浪潮很快又会到来。你需要敏感而又深刻地去观察，略去那些浮躁的泡沫，抓住真正潮流的机会，奋力一搏，不管成败，都不会遗憾。

正所谓在历史前进的逻辑中前进，在时代发展的潮流中发展。通俗的说，就是要在风口中飞翔。

上面我讲的这些基本上都可以归类为大数据引擎或者大数据框架。而大数据处理的主要应用场景包括数据分析、数据挖掘与机器学习。数据分析主要使用Hive、Spark SQL等SQL引擎完成；数据挖掘与机器学习则有专门的机器学习框架TensorFlow、Mahout以及MLlib等，内置了主要的机器学习和数据挖掘算法。

此外，大数据要存入分布式文件系统（HDFS），要有序调度MapRece和Spark作业执行，并能把执行结果写入到各个应用系统的数据库中，还需要有一个大数据平台整合所有这些大数据组件和企业应用系统。

图中的所有这些框架、平台以及相关的算法共同构成了大数据的技术体系，我将会在专栏后面逐个分析，帮你能够对大数据技术原理和应用算法构建起完整的知识体系，进可以专职从事大数据开发，退可以在自己的应用开发中更好地和大数据集成，掌控自己的项目。

希望对您有所帮助！~

5. 超级计算机的发展历史

1、第1代：电子管数字机（1946—1958年）

世界上第一台电脑硬件方面，逻辑元件采用的是真空电子管，主存储器采用汞延迟线、阴极射线示波管静电存储器、磁鼓、磁芯；外存储器采用的是磁带。软件方面采用的是机器语言、汇编语言。应用领域以军事和科学计算为主。特点是体积大、功耗高、可靠性差。速度慢（一般为每秒数千次至数万次）、价格昂贵，但为以后的计算机发展奠定了基础。

2、第2代：晶体管数字机（1958—1964年）

硬件方的操作系统、高级语言及其编译程序。应用领域以科学计算和事务处理为主，并开始进入工业控制领域。特点是体积缩小、能耗降低、可靠性提高、运算速度提高（一般为每秒数10万次，可高达300万次）、性能比第1代计算机有很大的提高。

3、第3代：集成电路数字机（1964—1970年）

硬件方面，逻辑元件采用中、小规模集成电路（MSI、SSI），主存储器仍采用磁芯。软件方面出现了分时操作系统以及结构化、规模化程序设计方法。特点是速度更快（一般为每秒数百万次至数千万次），而且可靠性有了显着提高，价格进一步下降，产品走向了通用化、系列化和标准化等。应用领域开始进入文字处理和图形图像处理领域。

4、第4代：大规模集成电路机（1970年至今）

硬件方面，逻辑元件采用大规模和超大规模集成电路（LSI和VLSI）。软件方面出现了数据库管理系统、网络管理系统和面向对象语言等。特点是1971年世界上第一台微处理器在美国硅谷诞生，开创了微型计算机的新时代。应用领域从科学计算、事务管理、过程控制逐步走向家庭。

(5)海量存储的发展史扩展阅读

电子计算机（electronic computer），通称电脑，简称计算机（computer），是现代的一种利用电子技术和相关原理根据一系列指令来对数据进行处理的机器。电脑可以分为两部分：软件系统和硬件系统。第一台电脑是1946年2月15日在美国宾夕法尼亚大学诞生的ENIAC通用电子计算机。

计算机所相关的技术研究叫计算机科学，以数据为核心的研究称为信息技术。人们把没有安装任何软件的计算机称为裸机。随着科技的发展，现在新出现一些新型计算机有：生物计算机、光子计算机、量子计算机等。

6. 海量存储器有哪些各自的存储原理与特点是什么

海量存储器
mass memory 一种超大容量的辅助存储器，用海量来形容其存储容量的庞大。现代情报数量急剧增加，要求庞大的存储系统贮存情报，例如1970年美国人口调查数据就是由贮存在2000盘磁带内的10个文件组成的,总信息量为2.6×11(平方)位。空间探索的高分辨图像照片，每张照片约有10×8(平方)位数据，相当于一盘10×8(平方)位磁带的存储量，千百张照片就需要千百盘磁带来存储。海量存储系统就是为贮存这类海量情报的需要而研制的。有海量磁鼓存储器、海量磁盘存储器、海量磁带存储器和光盘存储器等。
编辑本段特点
海量磁鼓存储器 具有快速响应的特点，是海量存储器中速度最快的一种。如10×7 (平方)位容量的磁鼓；平均存取时间为2.3毫秒；10×8（平方）位容量的磁鼓；平均存取时间为17毫秒；10×9(平方)位容量的磁鼓,平均存取时间为92毫秒。 海量磁带存储器 是一种超大容量的磁带存储系统，其基本单元是磁带盒，通过机械结构选取所需的磁带盒进行读写。磁带盒的磁带宽51mm(2英寸)，长19.6m(770英寸),存储容量为50MB,数量从几百个到几千个,最多可达9440个，整个系统总共可贮存472000MB或大约 4×12(平方)位，是海量存储器中容量最大的一种。每位存储成本仅相当于磁盘的 1/10。IBM公司把这种海量存储器与 IBM3333/3330 磁盘子系统组成虚拟磁盘存储器称为IBM3850型海量外存系统,它兼有磁盘与磁带的优点, 可作为海量的联机数据库。 海量磁盘存储器 存取时间和存储容量介于海量磁鼓和海量磁带存储器之间，多片可换式磁盘存储器由于盘组可以更换，具有很大脱机容量，适宜于做海量磁盘存储器。
编辑本段光盘存储器
是一种正在发展中的海量存储器，采用激光读写信息,实现高密度海量存储。例如speny5071光盘系统，每个活动盘组的容量为2600MB，系统可配置120个盘组,总容量为330000MB,相当于2300盘6250位/英寸密度的磁带,盘组平均寻道时间为200毫秒。激光存储器只允许写入一次，但可任意反复读出，光盘组有用寿命为10年左右。

7. 　海量数据存储与管理

正如上述，在国土资源遥感综合调查信息中，既包含有多源、多时相、多尺度、多分辨率、多类型的遥感图像数据和基础地理数据，也包括在项目开展过程中衍生的许多观测和分析资料，数据量十分庞大。因此，根据数据共享的要求，在数据生产、管理、应用服务以及更新和维护过程中，如何组织和管理好这些海量数据，如何快速、全面有效地访问和获得所需数据，成为面临的突出问题。在这里，采用何种方式利用现有的大型商业化关系数据库系统高效地存储与管理这些数据，成为能否发挥系统最大性能的关键所在。

传统的GIS系统对空间数据（与空间位置、空间关系有关的数据）的存储与管理大多采用这些商业软件特定的文件方式，如：ArcInfo的Coverage、MapInfo的Tab、MAPGIS的WL等。如果数据量越多，这些文件就会越大，数据的处理就会越复杂，其存储、检索、管理也就越困难，而且其最大的缺点还在于不能进行多用户并发操作。由此可见，用以往传统的存储机制去管理像遥感综合调查这样的海量数据，显然难以满足要求。而近年来发展起来的空间数据库引擎技术则是解决海量数据存储管理的途径之一。

本系统建设过程中，采用了空间数据库引擎ArcSDE＋大型关系数据库Oracle组合技术，较理想地实现了遥感综合调查海量数据的存储、检索、查询、处理。众所周知，Oracle提供了大型数据库环境，能够很好地处理海量数据，而ArcSDE可将具有地理特征的空间数据和非空间数据统一加载到Oracle中去，因此，通过ArcSDE空间数据库引擎，可将Oracle海量数据管理功能加载到GIS系统中，并可利用Oracle的强大管理机制进行高效率的事务处理、记录锁定、并发控制等服务操作。

8. 计算机的发展历史和未来

计算机的关键技术继续发展
未来的计算机技术将向超高速、超小型、平行处理、智能化的方向发展。尽管受到物理极限的约束，采用硅芯片的计算机的核心部件CPU的性能还会持续增长。作为Moore定律驱动下成功企业的典范Inter预计2001年推出1亿个晶体管的微处理器，并预计在2010年推出集成10亿个晶体管的微处理器，其性能为10万MIPS（1000亿条指令／秒）。而每秒100万亿次的超级计算机将出现在本世纪初出现。超高速计算机将采用平行处理技术，使计算机系统同时执行多条指令或同时对多个数据进行处理，这是改进计算机结构、提高计算机运行速度的关键技术。
同时计算机将具备更多的智能成分，它将具有多种感知能力、一定的思考与判断能力及一定的自然语言能力。除了提供自然的输入手段（如语音输入、手写输入）外，让人能产生身临其境感觉的各种交互设备已经出现，虚拟现实技术是这一领域发展的集中体现。
传统的磁存储、光盘存储容量继续攀升，新的海量存储技术趋于成熟，新型的存储器每立方厘米存储容量可达10TB（以一本书30万字计，它可存储约1500万本书）。信息的永久存储也将成为现实，千年存储器正在研制中，这样的存储器可以抗干扰、抗高温、防震、防水、防腐蚀。如是，今日的大量文献可以原汁原味保存、并流芳百世。

9. 什么是海量存储技术

海量文件的存储方法及系统。
所述方法包括以下步骤：
将所述海量文件的文件相关控制信息组织成以文件对象为存储单元连接起来的第一层链表；将所述海量文件的数据块相关控制信息组织成以数据块对象为存储单元连接起来的第二层链表；
将所述海量文件的文件服务器相关控制信息组织成以文件服务器对象为存储单元连接起来的第三层链表；
所述第一层链表、第二层链表和第三层链表以层递的形式关联为三层链表式数据存储结构，与所述海量文件的数据块形成映射关系。
通过构建一个海量文件存储系统，并运用海量文件存储方法，从而在实现海量文件存储的同时提高了搜索引擎对海量文件进行各项操作的执行效率

10. 硬盘是哪个国家发明的

1956-1966
世界上的第一款硬盘是由IBM于1956年设计并制造的。这款名为IBM 350 RAMAC（Random Access Method of Accounting and Control）的硬盘产品体积十分庞大，但容量仅为5MB，总共使用了50张24英寸的盘片。这在现在是无法想象的，但在当时，已经算是相当先进的产品了，其容量相对同时期的电脑应用模式来说已经可以算得上是“海量”了。

在那个年代，尚未诞生PC的概念，也就是说以“个人”名义，是无法拥有一台电脑的。那时的电脑大多数应用于军事领域或是大型企业。当时IBM 350 RAMAC主要面向的用户是航空公司、医疗企业、银行以及宇航等领域。

在硬盘诞生的最初十年，电脑的应用领域并不广泛，硬盘的应用领域也相应地受到限制，因而导致硬盘的发展相对缓慢。这种情况直至20世纪60年代末开始有所改善。究其原因并非是因为应用拉动了对存储空间的需求，而是IBM 350 RAMAC的体积太大，并且其物理结构导致其寿命相对较短。

1967-1976
1968年，硬盘发展史中的第一个历史性突破由IBM公司完成—IBM研发成功了“温盘”技术，即Winchester技术。Winchester技术主要针对硬盘的物理结构提出了更多的改进。简单概括为：密封、固定并高速旋转的镀磁盘片，磁头沿盘片径向移动，磁头悬浮在高速转动的盘片上方，而不与盘片直接接触。