1：流数据：
流数据(数据流)：在时间分布和数量上无限的一系列动态数据的集合体。:
2：流数据的特点：
1：数据快速到达，潜在大小也许是无穷无尽的。
2：数据来源众多，格式复杂。
3: 数据量大，但是不十分关注存储，一旦流数据中元素经过处理，要么被丢弃，要么被归档存储。
4：注重数据的整体价值，不过分关注个别数据。
5：数据顺序颠倒，或者不完整，系统无法控制将要处理的新到达的数据元素的顺序。
3：在流计算的概念中，数据的价值与时间具备怎样的关系
数据的价值随着时间的流逝而降低
4：论述流计算的需求：
1：高性能。处理大数据的基本要求。（每秒处理几十万条数据）
2：海量式：支持TP级甚至PB级的数据规模
3：实时性：必须保证一个较低的延迟时间，达到秒级别，甚至毫秒级
4：分布式：支持大数据的基本架构，必须能够平滑扩展
5：易用性：能够快速进行开发和部署
6：可靠性：能够可靠的处理流数据
5：MapReduce框架为什么不适用处理流数据
MapReduce适用于对海量数据执行批量计算，而流数据不适用于批量计算。在时间延迟方面无法满足流计算的实时响应需求。
6：将基于MapReduce的批量处理转化为小批量处理，每隔一个周期就启动一次MapReduce作业，通过这样的方式来处理数据是否可行？为什么？
不可行
1：切分成小的片段，虽然可以降低延迟，但是增加了任务处理的附加开销，而且还要处理片段之间的附加关系。（因为一个片段可能需要用到前一个片段的计算结果）
2：需要对MapReduce进行改造,以支持流逝处理。Reduce阶段的结果不能直接输出，而是保存在内存中。如果对MapReduce进行改造，将会增加MapReduce框架的复杂度，不利于框架的维护和扩展。
3：降低了用户程序的可伸缩性，因为用户必须使用MapReduce接口来定义流式作业。
7：列举几个常见的流计算框架
（一）商业级的流计算平台
1：IBM InfoSphere Streams
2:IBM StreamBase
（二）开源流计算框架
1：Twitter Storm
2:Yahoo!4
(三)公司为支持自身业务而开发的流计算框架
1：Facebook Puma
2:Dstream(百度)
3:银河数据处理平台（淘宝）
4:Super Mario
TO DO