数据库多样性

㈠ 数据库系统的主要特点是什么

数据库系统的特点
1.数据结构化
2.数据的共享性高，冗余度低，易扩充
3.数据独立性高
4.数据由DBMS统一管理和控制
数据库系统实现了整体数据的结构化，这是数据库的最主要的特征之一。这里所说的“整体”结构化，是指在数据库中的数据不再仅针对某个应用，而是面向全组织；不仅数据内部是结构化，而且整体式结构化，数据之间有联系。因为数据是面向整体的，所以数据可以被多个用户、多个应用程序共享使用，可以大大减少数据冗余，节约存储空间，避免数据之间的不相容性与不一致性。
数据独立性高
数据独立性包括数据的物理独立性和逻辑独立性。
物理独立性是指数据在磁盘上的数据库中如何存储是由DBMS管理的，用户程序不需要了解，应用程序要处理的只是数据的逻辑结构，这样一来当数据的物理存储结构改变时，用户的程序不用改变。
逻辑独立性是指用户的应用程序与数据库的逻辑结构是相互独立的，也就是说，数据的逻辑结构改变了，用户程序也可以不改变。
数据与程序的独立，把数据的定义从程序中分离出去，加上存取数据的由DBMS负责提供，从而简化了应用程序的编制，大大减少了应用程序的维护和修改。 [1]
数据由DBMS统一管理和控制
数据库的共享是并发的（concurrency）共享，即多个用户可以同时存取数据库中的数据，甚至可以同时存取数据库中的同一个数据。
DBMS必须提供以下几方面的数据控制功能：
数据的安全性保护（security）
数据的完整性检查（integrity）
数据库的并发访问控制（concurrency）
数据库的故障恢复（recovery）

㈡ 什么是大数据以及大数据的特性有哪些

大数据从整体上看分为四个特点，
第一，大量。

衡量单位PB级别，存储内容多。
第二，高速。

大数据需要在获取速度和分析速度上要及时迅速。保证在短时间内更多的人接收到信息。
第三，多样。

数据的来源是各种渠道上获取的，有文本数据，图片数据，视频数据等。因此数据是多种多样的。
第四，价值。

大数据不仅仅拥有本身的信息价值，还拥有商业价值。大数据在结构上还分为：结构化，半结构化，非结构化。结构化简单来讲是数据库，是由二维表来逻辑表达和实现的数据。非结构化即数据结构不规则或不完整，没有预定义的数据模型。由人类产生的数据大部分是非结构化数据。

㈢ 数据库系统由那几部分组成的呢

数据库系统由4个部分组成：

1、数据库（database，DB）是指长期存储在计算机内的，有组织，可共享的数据的集合。数据库中的数据按一定的数学模型组织、描述和存储，具有较小的冗余，较高的数据独立性和易扩展性，并可为各种用户共享。

2、硬件：构成计算机系统的各种物理设备，包括存储所需的外部设备。硬件的配置应满足整个数据库系统的需要。

3、软件：包括操作系统、数据库管理系统及应用程序。其主要功能包括：数据定义功能、数据操纵功能、数据库的运行管理和数据库的建立与维护。

4、人员：主要有4类。第一类为系统分析员和数据库设计人员；第二类为应用程序员，负责编写使用数据库的应用程序。；第三类为最终用户，他们利用系统的接口或查询语言访问数据库。第四类用户是数据库管理员（data base administrator，DBA），负责数据库的总体信息控制。

(3)数据库多样性扩展阅读

数据库系统特点：

1、能够保证数据的独立性。数据和程序相互独立有利于加快软件开发速度，节省开发费用。

2、冗余数据少，数据共享程度高。

3、系统的用户接口简单，用户容易掌握，使用方便。

4、能够确保系统运行可靠，出现故障时能迅速排除；能够保护数据不受非受权者访问或破坏；能够防止错误数据的产生，一旦产生也能及时发现。

5、有重新组织数据的能力，能改变数据的存储结构或数据存储位置，以适应用户操作特性的变化，改善由于频繁插入、删除操作造成的数据组织零乱和时空性能变坏的状况。

6、具有可修改性和可扩充性。

7、能够充分描述数据间的内在联系。

㈣ 大数据的弱点主要是精确性，可靠性，因果性，多样性吗

不对，大数据的弱点主要是多样性，前面是它的优点。

㈤ 大数据 数据分析 数据挖掘有什么区别

• 数据分析与数据挖掘的目的不一样，数据分析是有明确的分析群体，就是对群体进行各个维度的拆、分、组合，来找到问题的所在，而数据挖掘的目标群体是不确定的，需要我们更多是是从数据的内在联系上去分析，从而结合业务、用户、数据进行更多的洞察解读。
  

• 数据分析与数据挖掘的思考的方式不同，一般来讲，数据分析是根据客观的数据进行不断的验证和假设，而数据挖掘是没有假设的，但你也要根据模型的输出给出你评判的标准。

我们经常做分析的时候，数据分析需要的思维性更强一些，更多是运用结构化、MECE的思考方式，类似程序中的IF else

而数据挖掘大多数是大而全，多而精，数据越多模型越可能精确，变量越多，数据之间的关系越明确，什么变量都要，先从模型的意义上选变量（大而全，多而精），之后根据变量的相关系程度、替代关系、重要性等几个方面去筛选，最后全扔到模型里面，最后从模型的参数和解读的意义来判断这种方式合不合理。

• 大数据感觉并不是数据量大，也不是数据复杂，这些都可以用工具和技术去处理，而是它可以做到千人千面，而且是实时判断规则。

  例如定向广告的推送，就是大数据，它根据你以往的浏览行为，可以准确的给你推相关的信息，基本做到了你一个人就是一个数据库，而不是一条数据。但我们所作的数据分析更多是针对群体的，而非针对每个个人。

所以大数据时代也显露出了各类问题，数据的隐私、数据杀熟、数据孤岛等，这也许就是我们目前看到大数据分析更看重的是技术、手段的原因。

㈥ 非结构性的数据库系统有哪些

非结构性的数据库系统有：

1、High performance——对数据库高并发读写的需求。

2、Huge Storage——对海量数据的高效率存储和访问的需求。

3、High Scalability && High Availability——对数据库的高可扩展性和高可用性的需求。

基本含义Nosql(NoSQL = Not Only SQL )，意即“不仅仅是SQL”，是一项全新的数据库革命性运动，早期就有人提出，发展至2009年趋势越发高涨。

计算机信息化系统

中的数据分为结构化数据和非结构化数据。非结构化数据其格式非常多样，标准也是多样性的，而且在技术上非结构化信息比结构化信息更难标准化和理解。所以存储、检索、发布以及利用需要更加智能化的IT技术，比如海量存储、智能检索、知识挖掘、内容保护、信息的增值开发利用等。

㈦ 数据库中常用的英语单词有哪些

下列是一些数据库中经常碰到的英文单词：
Access method（访问方法）：此步骤包括从文件中存储和检索记录。
Alias（别名）：某属性的另一个名字。在SQL中，可以用别名替换表名。
Alternate keys（备用键，ER/关系模型）：在实体/表中没有被选为主健的候选键。
Anomalies（异常）参见更新异常（update anomalies）
Application design（应用程序设计）：数据库应用程序生命周期的一个阶段，包括设计用户界面以及使用和处理数据库的应用程序。
Attribute（属性）（关系模型）：属性是关系中命名的列。
Attribute（属性）（ER模型）：实体或关系中的一个性质。
Attribute inheritance（属性继承）：子类成员可以拥有其特有的属性，并且继承那些与超类有关的属性的过程。
Base table（基本表）：一个命名的表，其记录物理的存储在数据库中。
Binary relationship（二元关系）：一个ER术语，用于描述两个实体间的关系。例如，panch Has Staff。
Bottom-up approach（自底向上方法）：用于数据库设计，一种设计方法学，他从标识每个设计组建开始，然后将这些组件聚合成一个大的单元。在数据库设计中，可以从表示属性开始底层设计，然后
将这些属性组合在一起构成代表实体和关系的表。
Business rules（业务规则）：由用户或数据库的管理者指定的附加规则。
Candidate key（候选键，ER关系模型）：仅包含唯一标识实体所必须得最小数量的属性/列的超键。
Cardinality（基数）：描述每个参与实体的可能的关系数目。
Centralized approach（集中化方法,用于数据库设计）：将每个用户试图的需求合并成新数据库应用程序的一个需求集合
Chasm trap（深坑陷阱）：假设实体间存在一根，但某些实体间不存在通路。
Client（客户端）：向一个或多个服务器请求服务的软件应用程序。
Clustering field（群集字段）：记录总的任何用于群集（集合）航记录的非键字段，这些行在这个字段上有相同的值。
Clustering index（群集索引）：在文件的群集字段上定义的索引。一个文件最多有一个主索引或一个群集索引。
Column（列）：参加属性（attribute）。
Complex relationship（复杂关系）：度数大于2的关系。
Composite attribute（复合属性）：由多个简单组件组成的属性。
Composite key（复合键）：包含多个列的主健。
Concurrency control（并发控制）：在多用户环境下同时执行多个十五并保证数据完整性的一个DBMS服务。
Constraint（约束）：数据库不允许包含错误数据的一致性规则。
Data conversion and loading（数据转换和加载）：数据库应用生命周期重的一个阶段，包括转换现有数据到新数据库中以及酱下耨应用程序转换到新的数据库上运行。
Data dictionary（数据字典）：参见系统目录（system catalog）。
Data independence（数据独立性）：使用数据的应用程序的数据描述部分。这意味着，如果将新的数据结构添加到数据库中，或者数据库中现有的结构被修改了，那么使用此数据库的就会受到影响，除
非应用程序不直接依赖于被修改的部分。
Data model（数据模型）：描述数据、数据间关系以及数据的约束的概念的一个集成的集合。
Data rendancy（数据冗余）：参见冗余数据（rendant data）。
Data security（数据安全）：包括对数据库对象（如表和视图）的访问和使用以及用户可以在这些对象上实施的操作。
Database（数据库）：是逻辑上相关的数据（以及这些数据的描述）的一个共享的集合，用于解决公司对信息的需求。
Database design（数据库设计）：数据库应用生命周期中的一个阶段，包括创建一个支持公司的操作和目标的数据库的设计。
Database integrity（数据库完整性）：指存储数据的正确定和一致性。完整性通常用约束来表达。
Database Management System，DBMS（数据库管理系统）：一个能够让用户定义、创建和维护数据库并控制对数据库的访问的软件系统。
Database planning（数据库规划）：能尽可能有效的实现数据库应用的各阶段的管理活动。
Database server（数据库服务器）：同服务器。
DBMS engine（DBMS引擎）：同服务器。
DBMS selection（DBMS选择）：数据库应用生命周期中的一个阶段，包括选择一个合适的DBMS来支持数据库应用。
Degree of a relationship（关系的度）：一个关系中参与的实体的个数。
Denormalization（反规范化）：形式上，这个术语指的是对基本表结构的修改，这样新的表比原始的表的规范化程度要低。但也可以用此属于更宽泛地形容将两个表和并成一个新表的情形，而这个新表
与原来的表具有相同的范式，但比原表包含更多的空值。
Derived attribute（派生属性）：表示其值可以从一个相关属性和属性集的值派生得到的属性，这个属性在实体中不是必须的。
Design methodology（设计方法学）：一种结构化的方法，它使用过程、工具和文档来支持和简化设计过程。
Disjoint constraint（无连接约束）：描述子类的成员间的关系，并指明超类某个成员是否有可能成为一个或多个子类的成员。
Domain（域）：一个或多个属性的取值范围。
Entity（实体）：具有相同性质的对象的集合，它是由用户或公司标识并可独立存在的。
Entity integrity（实体完整性）：在一个基本表中，主健列的值不能为空。
Entity occurrence（实体出现）：实体中的一个唯一可标识的对象。
Entity-Relationship model（实体关系模型）：公司的实体、属性和关系的详细逻辑表示。
Fact-finding（事实发现）：使用诸如面谈和提问等技术收集关于系统的事实、需求和性能的形式化过程。
Fan trap（扇形陷阱）：但从第三个实体扇出的两个实体有1:*关系时出现扇形陷阱，但这两个实体在他们之间应该有直接关系以提供必要的信息
Field（字段）：同元组（Tuple）。
File（文件）：存储在副主存储器中的相关记录的一个命名集合。
File-based system（基于文件的系统）：一个文件集合，用来管理（创建、插入、删除、更新和检索）一个或多个文件中的数据，并产生基于这些文件中的数据的应用（通常是报表）。
File organization（文件组织）：当文件存储在磁盘上时，对文件中的记录的安排方式。
First normal form（1NF，第一范式）：表中的每个列的交叉处以及记录包含切进包含一个值的表。
Foreign key（外健）：一个表中的一个列或者多个列的集合，这些列匹配某些其他（也可能是同一个）表中的候选键。
4GL, Fourth-Generation Language（第四代语言）：一种非过程化语言，比如SQL，他只需要用户定义必须完成什么操作，4GL负责将所进行的操作翻译成如何实现这些操作。
Full functional dependency（完全函数依赖）：一个列在功能上依赖于复合主健，但不依赖于主健的任何一个子集的条件。
Functional dependency（函数依赖）：描述表中列之间的关系。
Generalization（泛化）：通过标识实体间的公共特征使实体间差别最小化的过程。
Generalization hierarchy（泛化层次结构）：同类型层次（type hierarchy）。
Global data model（全局数据模型）：代表整个公司（和被模型化的公司的一部分）的数据模型。
Implementation（实现）：数据库应用生命周期中的一个阶段，包括数据库和应用程序设计的物理实现。
Index（索引）：一种允许DBMS将特定的记录更快的放置到文件中，从而加快对用户查询的响应的数据结构。
Infomation system（信息系统）：能够在整个公司范围内收集、管理、控制和分发数据/信息的资源。
Inheritance（继承）：参见属性继承（attribute inheritance）。
Integrity constaints（完整性约束）：防止出现数据库中的数据不一致的约束。
IS-A hierarchy（IS－A层次结构）：同类型层次结构（type hierarchy）。
Local logical data model（局部逻辑数据模型）：代表特定用户视图或用户视图的组合的数据模型。
Logical database design（逻辑数据库设计）：基于特定的数据模型构建公司的数据的模型的过程，但不依赖于特定的DBMS以及其他的物理条件。
Meta-data（元数据）：关于数据的数据，参见系统目录（system catalog）。
Mision objective（使命目标）：标识数据库必须支持的特定任务。
Mission statement（使命语句）：定义数据库应用程序的主要目标。
Multiplicity（多样性）：定义与某个相关实体的一次出现有关的实体的出现数目。
Multi-valued attribute（多值属性）：为一个实体的出现保存多个值的属性。
Nonkey attribute/column（非键属性/列）：不是键的一部分的属性/列。
Normal forms（范式）：规范化过程的一个阶段。前三个范式分别为第一范式（1NF）、第二范式（2NF）、第三范式（3NF）。
Normalization（规范化）：一种产生带有需要的特性的技术，这种特性能支持用户和公司的需求。
差不多就是这些了。

㈧ mysql数据库和oracle数据库的区别

1、体积不同。
Oracle它体积比较庞大，一般是用来开发大型应用（例如分布式）的。而MySQL的体积相对来说比较小，较之Oracle更容易安装、维护以及管理，操作也简单，最重要的是它是三个中唯一一个开源数据库，但目前也属于Oracle公司的产品了。
2、容量不同。
Oracle容量无限，根据配置决定；而MySQL使用MyISAM存储引擎，最大表尺寸为65536TB。 MySQL数据库的最大有效表尺寸通常是由操作系统对文件大小的限制决定的，而不是由MySQL内部限制决定。
3、平台支持及速度的区别。
Oracle支持大多数平台；而MySQL支持各种平台，适合Linux。至于速度，Oracle在Linux下的性能，在少量数据时速度低于MySQL，在千万级时速度快于MySQL。
4、数据库崩溃造成的影响不同。
Oracle数据库崩溃后恢复很麻烦，因为他把很多东西放在内存里；数据库连接要慢些，最好用连接池；而MySQL使用缺省的IP端口，但是有时候这些IP也会被一些黑客闯入，使用MyISAM配置，不慎损坏数据库，结果可能会导致所有的数据丢失。
5、性能的区别。
Oracle全面，完整，稳定，但一般数据量大，对硬件要求较高 ；而MySQL使用CPU和内存极少，性能很高，但扩展性较差。
6、授权价格区别。
Oracle价格较贵，例如Oracle 10G/11G 标准版 [10用户]¥25600 ，Oracle 10G/11G 标准版 [1CPU无限用户] ¥157600。而MySQL采用双重授权，他们是GPL和MySQLAB制定的商业许可协议。如果你在一个遵循GPL的自由项目中使用 MySQL，那么你可以遵循GPL协议免费使用MySQL。否则，你需要购买MySQLAB制定的那个商业许可协议。

㈨ 大数据存储与应用特点及技术路线分析

大数据存储与应用特点及技术路线分析

大数据时代，数据呈爆炸式增长。从存储服务的发展趋势来看，一方面，对数据的存储量的需求越来越大；另一方面，对数据的有效管理提出了更高的要求。大数据对存储设备的容量、读写性能、可靠性、扩展性等都提出了更高的要求，需要充分考虑功能集成度、数据安全性、数据稳定性，系统可扩展性、性能及成本各方面因素。

大数据存储与应用的特点分析

“大数据”是由数量巨大、结构复杂、类型众多数据构成的数据集合，是基于云计算的数据处理与应用模式，通过数据的整合共享，交叉复用形成的智力资源和知识服务能力。其常见特点可以概括为3V:Volume、Velocity、Variety(规模大、速度快、多样性)。

大数据具有数据规模大(Volume)且增长速度快的特性，其数据规模已经从PB级别增长到EB级别，并且仍在不断地根据实际应用的需求和企业的再发展继续扩容，飞速向着ZB(ZETA-BYTE)的规模进军。以国内最大的电子商务企业淘宝为例，根据淘宝网的数据显示，至2011年底，淘宝网最高单日独立用户访问量超过1.2亿人，比2010年同期增长120%,注册用户数量超过4亿，在线商品数量达到8亿，页面浏览量达到20亿规模，淘宝网每天产生4亿条产品信息，每天活跃数据量已经超过50TB.所以大数据的存储或者处理系统不仅能够满足当前数据规模需求，更需要有很强的可扩展性以满足快速增长的需求。

(1)大数据的存储及处理不仅在于规模之大，更加要求其传输及处理的响应速度快(Velocity)。

相对于以往较小规模的数据处理，在数据中心处理大规模数据时，需要服务集群有很高的吞吐量才能够让巨量的数据在应用开发人员“可接受”的时间内完成任务。这不仅是对于各种应用层面的计算性能要求，更加是对大数据存储管理系统的读写吞吐量的要求。例如个人用户在网站选购自己感兴趣的货物，网站则根据用户的购买或者浏览网页行为实时进行相关广告的推荐，这需要应用的实时反馈;又例如电子商务网站的数据分析师根据购物者在当季搜索较为热门的关键词，为商家提供推荐的货物关键字，面对每日上亿的访问记录要求机器学习算法在几天内给出较为准确的推荐，否则就丢失了其失效性；更或者是出租车行驶在城市的道路上，通过GPS反馈的信息及监控设备实时路况信息，大数据处理系统需要不断地给出较为便捷路径的选择。这些都要求大数据的应用层可以最快的速度，最高的带宽从存储介质中获得相关海量的数据。另外一方面，海量数据存储管理系统与传统的数据库管理系统，或者基于磁带的备份系统之间也在发生数据交换，虽然这种交换实时性不高可以离线完成，但是由于数据规模的庞大，较低的数据传输带宽也会降低数据传输的效率，而造成数据迁移瓶颈。因此大数据的存储与处理的速度或是带宽是其性能上的重要指标。

(2)大数据由于其来源的不同，具有数据多样性的特点。

所谓多样性，一是指数据结构化程度，二是指存储格式，三是存储介质多样性。对于传统的数据库，其存储的数据都是结构化数据，格式规整，相反大数据来源于日志、历史数据、用户行为记录等等，有的是结构化数据，而更多的是半结构化或者非结构化数据，这也正是传统数据库存储技术无法适应大数据存储的重要原因之一。所谓存储格式，也正是由于其数据来源不同，应用算法繁多，数据结构化程度不同，其格式也多种多样。例如有的是以文本文件格式存储，有的则是网页文件，有的是一些被序列化后的比特流文件等等。所谓存储介质多样性是指硬件的兼容，大数据应用需要满足不同的响应速度需求，因此其数据管理提倡分层管理机制，例如较为实时或者流数据的响应可以直接从内存或者Flash(SSD)中存取，而离线的批处理可以建立在带有多块磁盘的存储服务器上，有的可以存放在传统的SAN或者NAS网络存储设备上，而备份数据甚至可以存放在磁带机上。因而大数据的存储或者处理系统必须对多种数据及软硬件平台有较好的兼容性来适应各种应用算法或者数据提取转换与加载(ETL)。

大数据存储技术路线最典型的共有三种：

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，通过列存储、粗粒度索引等多项大数据处理技术，再结合MPP架构高效的分布式计算模式，完成对分析类应用的支撑，运行环境多为低成本 PC Server，具有高性能和高扩展性的特点，在企业分析类应用领域获得极其广泛的应用。

这类MPP产品可以有效支撑PB级别的结构化数据分析，这是传统数据库技术无法胜任的。对于企业新一代的数据仓库和结构化数据分析，目前最佳选择是MPP数据库。

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，应对传统关系型数据库较难处理的数据和场景，例如针对非结构化数据的存储和计算等，充分利用Hadoop开源的优势，伴随相关技术的不断进步，其应用场景也将逐步扩大，目前最为典型的应用场景就是通过扩展和封装 Hadoop来实现对互联网大数据存储、分析的支撑。这里面有几十种NoSQL技术，也在进一步的细分。对于非结构、半结构化数据处理、复杂的ETL流程、复杂的数据挖掘和计算模型，Hadoop平台更擅长。

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，由一组集成的服务器、存储设备、操作系统、数据库管理系统以及为数据查询、处理、分析用途而特别预先安装及优化的软件组成，高性能大数据一体机具有良好的稳定性和纵向扩展性。

以上是小编为大家分享的关于大数据存储与应用特点及技术路线分析的相关内容，更多信息可以关注环球青藤分享更多干货

㈩ 数据仓库，大数据和云计算有什么区别和联系

您好，上海蓝盟为您解答。
首先简单的看一下云计算与大数据的概念.
1)云计算:云计算本质上是一种计算资源集中分布和充分共享的效用计算模式,其中集中是为了计算资源的集约化管理,分布是便于扩展计算能力.集中分布式是针对云服务提供商的,充分共享是针对用户,在云计算中,虽然对于每个云用户来说都拥有一台超级计算机,但本质上,这些用户是充分共享了云服务商所提供的计算服务.而效用计算更多的是一种商业模式,就是用户按所需服务来付费.
2)在前面的博文中,对大数据有个讨论,简单的说,大数据的特点就是数据量大(虽然很多人都把大数据定义在T级别以上,其实我觉得这是有问题的,大数据的大其实应该是个相对概念,是相对于当前的存储技术和计算能力的),数据应用需求大,计算量大.数据量大是最基本的,需求大其实包含了需求的数量、多样性和实时性.计算量大是因为数据量大和需求量大和算法复杂（检索，推荐，模式识别）所致.大数据的这种特点使得我们很难找到通用的处理模式来解决大数据所面临的问题，我们只能针对不同的需求采用不同的处理方法，这也是大数据处理比较困难的症结所在。无论是传统的数据库还是最近兴起的NoSQL数据库，在大数据存储和处理方面其实都是有非常大的局限性的，所以分布式计算才在大数据处理中大兴其道。Hadoop虽然提供了比较完整的一套处理模式，但相对于大数据所面临的应用需求的多样性而言，能处理的问题域也是十分有限的。
数据库和数据仓库的概念，大家google一下就可以了，接下来，我们看看它们之间的关系：
1）数据库和数据仓库都是数据的一种存储方式，大数据处理更多的是一种需求(问题)，而云计算是一种比较综合的需求(问题)解决方案。
2)由于云计算本身的特性，天生就面临大数据处理(存储、计算等)问题，因为云计算的基本架构模式是C/S模式，其中S相对集中，而C是广泛分布。所有用户的数据和绝大部分的计算都是在S端完成的（数据量大，计算量大），加上用户也天然具有多样性（地域，文化，需求，个性化等），因此需求（也包括计算量）就非常大。
3)云计算当然会涉及到数据的存储技术，但数据库技术对于云计算来说要视具体的情况来分析：
A)对于IaaS而言，数据库技术不是必需的，也不是必备的功能；
B)对于PaaS来说，数据库功能应该是必备的功能
C)对于SaaS而言，必然会用到数据库技术（包括传统关系数据库和NoSQL数据库）。
而对于数据仓库技术，并不是云计算所必需的，但由于云数据的信息价值极大，类似一座金矿，我想云服务商是不可能放过从这些金矿中提取金子的.
4)大数据首先所面临的问题就是大数据的存储问题，一般都会综合运用各种存储技术（文件存储，数据库存储），当然，你完全用文件存储或者数据库存储来解决，也是没问题的。与云计算类似，数据仓库技术不是必需的，但对于数据仓库技术对于结构化数据进行淘金还是非常有用的，当然，你不用数据仓库技术也可以，比如Hadoop模式。
在云计算和大数据处理中，最基础的技术其实是分布式计算技术。而对于构建分布式计算而言，多线程，同步，远程调用(RPC,RMI等)，进程管理与通信是其基本技术点。分布式计算编程是一种综合性应用编程，不仅需要有基本的技术点，还需要一定的组织管理知识。
就目前来说，云计算和大数据处理其实都没有形成一个统一的标准和定义。希望我的回复对您有所帮助。