通过资源隔离（比如采用K8S不同的namespace并分配不同的租户quota)、容器的namespace及cgroup特性实现进程级别的隔离、通过资源限制（不同的limit、request，quota等）实现资源的分配。非容器化部署的话，一般资源分配依赖物理或虚拟机的划分，缺乏灵活性，应用进程间也可能互相干扰，影...(more)

通过在 K8S 上部署大数据平台，可以利用其强大的资源管理（比如业务资源的配置request/limit）、高可用性（比如deployment等控制副本数，健康检查等）、自动扩缩容（比如弹性能力hpa/vpa等 ）、统一管理和监控（比如集成promethues/grafana等）、CI/CD 集成（比如：jenkins/gitlab ci等）、网络（比...(more)

离线在线混合部署后，主要是错峰运行。夜间(22:00-8:00)之间是在线的低谷期，可以出让较多的CPU计算资源给大数据，比如40%-45%。白天(8:00-18:00) 是在线应用的高峰期，可以出让比如15%-20%的资源给大数据作业；晚上(18:00-22:00)在线业务负载相比白天下降，可以出让30%的资源给大...(more)

有用，感谢分享！

根据需求，主要是处理30亿条交易数据，并利用机器学习为交易地址打上标签，使用Hadoop和Spark是一个合适的大数据平台方案。数据量：Hadoop适合存储海量的数据，并提供了多种技术组件用于查询和分析，由于本需求是30亿条数据进行存储和处理，所以选择Hadoop是合适的。Spark是基于内存的...(more)

不全，打不开

很好，值得学习

可以可以可以