第一篇：未來10年大數據云計算的聯動新變革

未來10年大數據云計算的聯動新變革

據說比爾·蓋茨當年遇到一個乞丐討錢，比爾·蓋茨遞過一張10美元的鈔票，這個乞丐非常感謝，給了比爾·蓋茨一張卡片，上面印著這個乞丐的網絡郵箱，這讓比爾??蓋茨很吃驚，于是一回公司，就著手制訂新的互聯網戰略，這種戰略一直延續至今。不過，今天的互聯網，又有了新變化。

面對新的變化，金蝶國際董事局主席徐少春說，當下，新興技術風起云涌，云技術浪潮席卷全球，以社交網絡、移動互聯網、云計算、大數據等為代表的新興互聯網技術，正在顛覆以往的模式。

剛剛在順義新城落戶的北京金蝶軟件園里，新建了國內首個融合云時代新技術與實踐的云管理體驗中心。這個體驗中心首次將社交網絡、移動互聯網、云計算和大數據等新興技術融合在一起。在這個體驗中心，你或許能提前領略到未來生活的便捷，感受生活在“云端”的不同。

金蝶中國副總裁郝登勝告訴記者，現在我們到了一個顛覆傳統的時代，這是因為新技術帶來的新想法，帶給人們新的感受、新的消費習慣。

有“互聯網女皇”之稱的前摩根士丹利全球科技研究組聯席領導人瑪麗·米克最近離開了曾令無數人羨慕的職位，開始了在云技術時代的獨立創業，也正是看到了這個新時代的新機會。

過去幾十年，計算機與互聯網，給整個世界帶來了巨大的改變。計算機的出現，讓我們把信息總量不斷地疊加和累積，互聯網則促使信息交換速率成幾何倍的增長。未來十年，大數據、云計算、社交網絡等相互聯動，將會帶來新的改變。

對于未來這種云端生活，瑪麗·米克說過，人們的生活將變得更好，因為他們將能以非常低的成本獲取所有信息，娛樂服務變得更加便宜，人們能更容易地獲得幫助，更容易地趨吉避兇。

第二篇：大數據云計算學習總結

“云計算與大數據環境下銀行變革”學習心得

一、大數據基本概念

1、大數據或稱巨量資料，指的是所涉及的資料量規模巨大到無法通過目前主流軟件工具，在合理時間內達到擷取、管理、處理、并整理成為幫助企業經營決策更積極目的的資訊。大數據不但包含類似交易信息、賬戶信息等標準結構化數據，也包括用戶評論類似大眾點評等非結構化數據。

2、大數據的目的不是要告訴我們“為什么”，而是告訴我們結果“是什么”。比如每淘寶網數據盛典中的分析結果，“最疼愛老婆的男人地區是浙江寧波”，“山西人最孝順，安徽人最愛寵物” 等等，從數據分析結果中沒辦法看到“為什么”，而只能看到“結果就是這樣”。

3、數據漸漸由服務、產品等產生的副產品變為銀行業最重要的金融資產。2012年3月，美國發布“大數據研究與發展計劃”，將大數據比喻為美國的新石油。

與其他行業相比，大數據對銀行更具潛在價值，麥肯錫的研究顯示，金融業在大數據價值潛力指數中排名第一。這主要是因為：一方面，大數據決策模式對銀行更具針對性。以百度、阿里巴巴、騰訊為首的互聯網巨頭，正在毫不講理的進行跨界經營，大力發展互聯網金融，業務領域涉及結算、支付、貸款等各個銀行傳統業務，尤其余額寶、財務通等各種互聯網寶寶的出現，更是直接導致了銀行存款的搬家。面對如此情況，銀行的經營模式、服務模式、營銷模式必須要轉型、需要大力開展金融創新和管理升級，而大數據技術、踐行大數據思維就是一種很好的工具。

另一方面，銀行具備實施大數據的基本條件：(一)數據眾多。銀行不僅擁有所有客戶的賬戶和資金收付交易等結構化數據，還擁有客服音頻、網點視頻、網上銀行記錄、電子商城記錄等非結構化數據;(二)擁有處理傳統數據的經驗;(三)較高的薪酬能夠吸引到實施大數據的人才;(四)充分的預算可以利用多項大數據新技術。

二、大數據的特性

1、大數據包含的數據分類：

(一)基本數據：包含姓名、電話、住址、單位、學歷、家庭信息、財產信息等；

(二)賬戶數據：包含存款時點數、日均數、資產結構、產品持有率等；

(三)交易數據：交易時間、交易地點、渠道等；

(四)交互數據：客戶愛好習慣、習慣接受方式、投資偏好等；

(五)評論數據：反映問題、投訴建議等。

目前國內銀行應用范圍主要在前兩項，例如建行客戶在建行柜面辦理業務，刷卡后直接顯示該客戶在建行已持有產品情況，還可向其推薦的產品種類，甚至推銷的口頭用語直接顯示在屏幕上。交易數據國內一部分銀行已經在使用。交互數據目前主要是國外銀行有應用，例如花旗銀行，該類型數據非常有利于銀行客戶的平穩過渡和交接。國內維護客戶主要靠專人的客戶經理，一旦客戶經理調整崗位或者離職，該客戶即面臨無人接管、難以接管的局面，對客戶經理個人的依賴性比較強，如果能夠注意搜集交互數據，將有助于改善這種局面。評論數據限于數據量較少，目前實際應用較少。

2、大數據的4V特征：

(一)Volume（大量）指海量數據

(二)Variety（多樣）指大數據的異構和多樣性，很多不同形式、無模式或者模式不明顯、不連貫的語法和定義。

(三)Velocity（高速）指如何通過強大的機器算法更迅速地完成數據的價值“提純”。

(四)Value（價值密度低）指數據中存在大量看起來不相關的數據，但通過大量分析運算才能夠得到價值。

3、大數據的應用特征：

(一)允許數據存在不精確；

(二)數據在收集的時候可能未找到用途，但是在發現中找到創新性的用途；

(三)離錢最近的信息最有商業價值；

4、大數據時代營銷的特點是“個性化”?，F代目標客戶擁有以下四個特點：

(一)手機等移動設備占據了所有的碎片時間，刷微信、看新聞、聊天、朋友圈等等，用戶對信息的渴望、饑餓感與日俱增。

(二)客戶對于自己不關心、不喜歡的內容的容忍能力與日劇減。

(三)客戶對于興趣數據的渴求程度與日俱增。(四)客戶對于信息的甄別能力與日劇減。如果能夠不用自己刻意尋找感興趣的信息，而能夠通過某種方式主動提供，才是當前客戶最想要的。

三、大數據的應用創新

(一)創建個性化的金融咨詢展示平臺。目前國內各電商平臺甚至新浪網等通過搜集客戶的瀏覽數據，能夠分析判斷出感興趣的興趣點，有針對性的推送內容。但目前國內銀行的門戶網站內容很少能夠做到個性化展示，例如通過搜集過往瀏覽記錄，發現客戶對理財產品的收益率比較感興趣，在發行新的理財產品的時候可以把相應信息主動彈出，或者置頂。

(二)做到個性化理財產品營銷。如果一個客戶在我們的網站上瀏覽了黃金信息，可以推送給他其他諸如重金屬或者基金產品等信息，做到交叉銷售。

(三)做到個性化觸發式營銷。如果一個客戶在網站上在按揭貸款類產品說明頁面停留超過10秒鐘，那么很有可能這個客戶存在貸款需求，可以對其針對性的營銷。

(四)做到客戶潛在終身價值的識別和挖掘。比方說，一個客戶雖然在我行只有一個卡，余額也不多，只有100元，但是只要有他的身份證信息，就能夠判斷這個人是男是女，年齡是30多歲，應該處于事業的上升期，住址是本市的一個高檔住宅小區，那么可以判斷其家庭收入應該不錯，通過這樣的分析，就能夠得出結論，這個客戶就是一個潛在的有價值的客戶，通過定向的營銷和專業的服務，這個客戶可能給我行創造遠超100元存款的價值。

四、大數據時代銀行發展趨勢

大數據時代，尤其互聯網金融發展如火如荼的今天，銀行必須從初始的僅提供標準產品和服務的數字銀行，發展為先進的智慧銀行。但需要注意的是，智慧銀行指的并不是靠大量高大上的高科技設備羅列堆砌在一起的物理網點，而是通過強大后臺，依托大數據，能夠想客戶之所想，急客戶之所急，提供個性化的服務，主動提供給客戶最想要的服務或產品的智慧銀行。

要想實現智慧銀行的目標，銀行需要做到六個方面：上網、下沉、內轉、外跨、兩精、服務。

上網就是指金融互聯網，在當今的年代，有一句話叫銀行不觸網，注定會消亡。

下沉就是服務客戶群體的下沉。按照傳統的28原則，銀行服務的重點客戶一般是能夠給他帶來重大利潤貢獻的那20%優質客戶，為了從競爭對手手中爭取這一部分客戶，甚至可以不惜代價，忽視了剩下的那80%的客戶的需求，更無視銀行眼中傳統的次級客戶（無抵押質押的信用貸款客戶）,忽視了這部分客戶積少成多，聚沙成塔后的巨大能量。而當前互聯網金融中被稱為“屌絲理財”的各種寶寶們，僅僅付出市場利率水平的利息，就把大量的存款聚集起來；目前多達2000多家的p2p小額貸款公司，能夠提供信用貸款，僅僅是需要你的銷售進貨流水或者你的收入工資單。內轉包含三個方面：經營模式從以產品為中心，向以客戶為中心轉型；營銷模式從粗放營銷向精準化營銷轉型；服務模式從標準化服務向個性化服務轉型。

外跨包含兩個意思：一個是內部跨部門，目前以職能劃分的部門結構不適合新業務的發展；二是跨界，銀行要勇于創新，互聯網企業的特性是激進，一般做法就是做了再說，金融行業的特性是穩健，服從監管，如何在兩者之間找到一個平衡點是當前的一個難點。例如前段時間被人行叫停的虛擬信用卡，是支付寶與中信銀行合作推出的新興支付方式，但該產品未經主管部門充分認可，結果慘被叫停。

兩精指的是精細化管理和精準化營銷，提倡不再把客戶看到一片森林，而需要進一步關注到森林中的某一棵樹。

服務指的是服務模式進化的三個階段，第一階段不把客戶當人看，有可能是業務太多，服務跟不上，態度生硬；第二階段把客戶當上帝看，面對投訴戰戰兢兢，委曲求全，使銀行面對客戶時處于弱勢地位，也不利于業務發展；第三種模式就是把客戶當做伙伴或者是朋友，實現雙贏和共同發展。

五、大數據分析建設過程中面臨的難題

一是數據搜集困難，我們需要的數據散步在各個系統、各個渠道、各個已知的甚至未知的角落，可能還包括涉及客戶隱私的數據。數據搜集和后續的加工處理是一個規模巨大的系統性工程，而非僅僅是一個信息系統。幸好我們是銀行，相對互聯網企業，我們擁有它們沒有的一種天然的公信力。二是大數據利用率偏低。國外對于大數據有過統計：在每天收集的1 quintillion(百萬3次方)字節的數據中，有99%的數據完全未被利用。文章中提到“見解就是金錢：我們愿意承擔花銷唯一理由就是數據中的見解可以釋放價值。遺憾的是，我們失去了已收集數據中大部分的價值。雖然收集數據的成本可能會很高，但是無效分析帶來的成本顯然更高。當下并不存在什么工具可以直接從數據中提取見解，我們依賴著非常聰明的人去提出假設，然后使用我們的工具去證實(或者是否定)這些臆測。因為依賴的是臆測，這個途徑存在著天生的缺陷。”所以即使數據搜集上來，這些數據怎么應用，怎么才能最大化的實現其價值，是大數據建設過程中無可避免的難題。

第三篇：溫嶺關于大數據云計算的社會實踐

社會實踐個人總結

2015年7月21日至7月24日，為響應智慧浙江文化科技三下鄉活動，同時也學習鞏固機械專業的相關知識，對大學中如何學習機械專業有所認知或側重，對畢業后的職業發展有所了解，豐富實際工作和社會經驗，我跟隨工創社會實踐小分隊到溫嶺參加一系列的活動。

首先我們在臺州溫嶺市太平街道進行了知識普及以及相關的問卷調查，普及的知識主要是有關“互聯網+”時代的一些概念以及特征，問卷則意在調查當地居民的上網習慣和對“互聯網+”時代的個人看法。在隊員兩兩組隊分發宣傳單以及問卷時，不少年輕人以及在校學生當下就向隊員們表示對傳單中的一些概念很有興趣，并且很主動的完成了問卷，讓我們很有工作的動力。當然，局限于網絡發展以及不同年齡段人對新興事物的認知水平，我們的科普在老年人那里反響不大。

在接下來的幾天中，我們在各負責人的帶領介紹下對多家企業（包括中馬，美日，大眾精機等）進行了參觀，了解到不少學校里暫時沒有接觸的東西。比如某一個產品從無到有的整個詳細的生產流程，它包括信息采集、機器方案設計評審、設計圖紙、樣機制作與樣機裝配、樣機與專機文件的存檔以及“售后服務”等，當然每一個大流程還有更為詳細的小流程以及解釋，這邊不再說明。在企業參觀中，我認識到了實踐操作的重要性，負責人以及在崗好幾年了，但他坦言對于實際加工時候的一些要求或者說材料、加工刀具等的把握并不如參與加工的工人。因此，下車間操作是大學學習過程中需要重視的部分，也是將來走向職業生涯時不能或缺的經驗。我們需要將理論知識與實際操作能力配合，一方面在實際操作中印證理論知識，另一方面也可以在理論學習時注意實際操作時值得注意或者說可以改善的地方。越早培養與獲得理論與實踐相結合的能力，對機械專業的我們來講就越有利。

同時我認識到個人品性與企業文化的重要性，7月22日我們參觀了一個極具特色的企業----美日機床。讓我驚訝的是，企業創辦者虞總竟親自為我們領隊介紹。事后我了解到，這與美日的企業文化是息息相關的，在企業中醒目處常常能找到雞湯式的格言，在榮譽墻上有處在不同崗位員工的照片與介紹。在最后的問答環節中，虞總自稱為老師（的確教了我們很多東西），提醒我們個人品格的重要性，提到有文化有能力的老板在招收員工時更加看重品格。不同的企業有不同的企業文化，對企業文化的側重度也不同，但每一個成功的企業在企業文化上必然有特別的地方。要適應這些小同大異或者大同小異的文化，有一個前提就是我們本身需要是文化人，不僅要有科學知識方面的文化，還需要有為人處世方面的文化。

第四篇：先進性技術專題講座報告_大數據云計算及分布式（定稿）

——先進性技術專題報告

大數據、云計算及分布式淺析

目錄 大數據...................................................................................................................................3 1.1 1.2 2 數據挖掘(Data Mining)..............................................................................................4 機器學習(Machine Learning)....................................................................................5

云計算...............................................................................................................................6 2.1 虛擬技術........................................................................................................................7 分布式...............................................................................................................................8 3.1 分布式數據庫............................................................................................................8

摘要：大數據(big data science)和云計算(cloud computing)是當今信息時代下，最具發展前景的熱門領域，無疑是信息工業革命中的又一次令人興奮的技術浪潮，該領域的迅猛發展將會在相關的項目領域帶來概念以及技術上的顛覆性改變，同時也會對人類的生活方式和對信息的認知模式帶來巨大的沖擊。分布式(distributed system)的發展為大數據與云計算在技術上奠定了實現的基礎，大數據的處理分析需要龐大的計算能力，云計算為此提供強有力的支持，而云計算的本質就是分布式系統，將無數在空間上分離的計算機資源匯聚到一起，形成一個巨大的資源池，用戶根據自己的需要從中獲取所需的云平臺資源，這一過程運用到了虛擬化技術(virtualization),將無數物理上隔離的并且計算能力有限的計算機虛擬化成了一個計算能力相當可觀的資源池，對于用戶而言這些物理計算機是透明的，他們只需要關心自己實際獲取到的資源。事實上這也正是阿里巴巴在去IOE化過程中應用的技術，采用開源軟件在水平方向上進行拆分和分布式部署，具有很強的實際參考意義。大數據

大數據由巨型數據集組成，這些數據集大小常超出人類在可接受時間下的收集、庋用、管理和處理能力。大數據的大小經常改變，截至2012年，單一數據集的大小從數太字節（TB）至數十兆億字節（PB）不等。

在一份2001年的研究與相關的演講中，麥塔集團（META Group，現為高德納）分析員道格·萊尼（Doug Laney）指出數據增長的挑戰和機遇有三個方向：量（Volume，數據大?。?、速（Velocity，數據輸入輸出的速度）與多變（Variety，多樣性），合稱“3V”或“3Vs”。高德納與現在大部分大數據產業中的公司，都繼續使用3V來描述大數據。高德納于2012年修改對大數據的定義：“大數據是大量、高速、及/或多變的信息資產，它需要新型的處理方式去促成更強的決策能力、洞察力與最優化處理?！绷硗?，有機構在3V之外定義第4個V：真實性（Veracity）為第四特點。

大數據必須借由計算機對數據進行統計、比對、解析方能得出客觀結果。美國在2012年就開始著手大數據，奧巴馬更在同年投入2億美金在大數據的開發中，更強調大數據會是之后的未來石油。

大數據，或稱巨量數據、海量數據、大資料，指的是所涉及的數據量規模巨大到無法通過人工，在合理時間內達到截取、管理、處理、并整理成為人類所能解讀的形式的信息。在總數據量相同的情況下，與個別分析獨立的小型數據集（data set）相比，將各個小型數據集合并后進行分析可得出許多額外的信息和數據關系性，可用來察覺商業趨勢、判定研究質量、避免疾病擴散、打擊犯罪或測定實時交通路況等；這樣的用途正是大型數據集盛行的原因。

截至2012年，技術上可在合理時間內分析處理的數據集大小單位為艾字節（exabytes）。在許多領域，由于數據集過度龐大，科學家經常在分析處理上遭遇限制和阻礙；這些領域包括氣象學、基因組學、神經網絡體學、復雜的物理模擬，以及生物和環境研究。這樣的限制也對網絡搜索、金融與經濟信息學造成影響。數據集大小增長的部分原因來自于信息持續從各種來源被廣泛收集，這些來源包括搭載感測設備的移動設備、高空感測科技（遙感）、軟件記錄、相機、麥克風、無線射頻辨識（RFID）和無線感測網絡。自1980年代起，現代科技

可存儲數據的容量每40個月即增加一倍；截至2012年，全世界每天產生2.5艾字節（2.5×1018字節）的數據。

大數據幾乎無法使用大多數的數據庫管理系統處理，而必須使用“在數

十、數百甚至數千臺服務器上同時平行運行的軟件”。大數據的定義取決于持有數據組的機構之能力，以及其平常用來處理分析數據的軟件之能力?！皩δ承┙M織來說，第一次面對數百GB的數據集可能讓他們需要重新思考數據管理的選項。對于其他組織來說，數據集可能需要達到數十或數百兆字節才會對他們造成困擾?！?/p>

隨著大數據被越來越多的提及，有些人驚呼大數據時代已經到來了，2012年《紐約時報》的一篇專欄中寫到，“大數據”時代已經降臨，在商業、經濟及其他領域中，決策將日益基于數據和分析而作出，而并非基于經驗和直覺。但是并不是所有人都對big data感興趣，有些人甚至認為這是商學院或咨詢公司用來嘩眾取寵的buzzword，看起來很新穎，但只是把傳統重新包裝，之前在學術研究或者政策決策中也有海量數據的支撐，大數據并不是一件新興事物。

1.1 數據挖掘(Data Mining)數據挖掘（Data mining），又譯為資料探勘、數據挖掘、數據采礦。它是數據庫知識發現（英文：Knowledge-Discovery in Databases，縮寫：KDD）中的一個步驟。數據挖掘一般是指從大量的數據中自動搜索隱藏于其中的有著特殊關系性（屬于Association rule learning）的信息的過程。數據挖掘通常與計算機科學有關，并通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。

數據挖掘有以下這些不同的定義：

“從數據中提取出隱含的過去未知的有價值的潛在信息” “一門從大量數據或者數據庫中提取有用信息的科學?！?盡管通常數據挖掘應用于數據分析，但是像人工智能一樣，它也是一個具有豐富含義的詞匯，可用于不同的領域。它與KDD的關系是：KDD是從數據中辨別有效的、新穎的、潛在有用的、最終可理解的模式的過程；而數據挖掘是KDD通過特定的算法在可接受的計算效率限制內生成特定模式的一個步驟。事實上，在現今的文獻中，這兩個術語經常不加區分的使用。

數據挖掘的方法包括監督式學習、非監督式學習、關系分組（Affinity Grouping，作關系性的分析）與購物籃分析（Market Basket Analysis）或者稱為關聯規則分析、聚類（Clustering）與描述（Description）。監督式學習包括：分類、估計、預測。

數據挖掘是因為海量有用數據快速增長的產物。使用計算機進行歷史數據分析，1960年代數字方式采集數據已經實現。1980年代，關系數據庫隨著能夠適應動態按需分析數據的結構化查詢語言發展起來。數據倉庫開始用來存儲大量的數據。

因為面臨處理數據庫中大量數據的挑戰，于是數據挖掘應運而生，對于這些問題，它的主要方法是數據統計分析和人工智能搜索技術。

1.2 機器學習(Machine Learning)機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、計算復雜性理論等多門學科。機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的算法。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。因為學習算法中涉及了大量的統計學理論，機器學習與推斷統計學聯系尤為密切，也被稱為統計學習理論。算法設計方面，機器學習理論關注可以實現的，行之有效的學習算法。很多推論問題屬于無程序可循難度，所以部分的機器學習研究是開發容易處理的近似算法。

機器學習已廣泛應用于數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲和機器人等領域。

機器學習有下面幾種定義：“機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能”?！皺C器學習是對能通過經驗自動改進的計算機算法的研究”。“機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準?！币环N經常引用的英文定義是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.機器學習可以分成下面幾種類別：

監督學習從給定的訓練數據集中學習出一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是包括輸入和輸出，也可以說是特征和目標。訓練集中的目標是由人標注的。常見的監督學習算法包括回歸分析和統計分類。

無監督學習與監督學習相比，訓練集沒有人為標注的結果。常見的無監督學習算法有聚類。半監督學習介于監督學習與無監督學習之間。增強學習通過觀察來學習做成如何的動作。每個動作都會對環境有所影響，學習對象根據觀察到的周圍環境的反饋來做出判斷。

具體的機器學習算法有：

構造條件概率：回歸分析和統計分類 人工神經網絡 決策樹

高斯過程回歸 線性判別分析 最近鄰居法 感知器

徑向基函數核 支持向量機

通過再生模型構造概率密度函數： 最大期望算法

graphical model：包括貝葉斯網和Markov隨機場 Generative Topographic Mapping近似推斷技術： 馬爾可夫鏈 蒙特卡羅方法 變分法

最優化：大多數以上方法，直接或者間接使用最優化算法。云計算

云計算（英語：Cloud Computing），是一種基于互聯網的計算方式，通過這種方式，共享的軟硬件資源和信息可以按需求提供給計算機和其他設備。

云計算是繼1980年代大型計算機到客戶端-服務器的大轉變之后的又一種巨變。用戶不再需要了解“云”中基礎設施的細節，不必具有相應的專業知識，也無需直接進行控制。云計算描述了一種基于互聯網的新的IT服務增加、使用和交付模式，通常涉及通過互聯網來提供動態易擴展而且經常是虛擬化的資源。

在“軟件即服務（SaaS）”的服務模式當中，用戶能夠訪問服務軟件及數據。服務提供者則維護基礎設施及平臺以維持服務正常運作。SaaS常被稱為“隨選軟件”，并且通常是基于使用時數來收費，有時也會有采用訂閱制的服務。

推廣者認為，SaaS使得企業能夠借由外包硬件、軟件維護及支持服務給服務提供者來降低IT營運費用。另外，由于應用程序是集中供應的，更新可以實時的發布，無需用戶手動更新或是安裝新的軟件。SaaS的缺陷在于用戶的數據是存放在服務提供者的服務器之上，使得服務提供者有能力對這些數據進行未經授權的訪問。

用戶通過瀏覽器、桌面應用程序或是移動應用程序來訪問云的服務。推廣者認為云計算使得企業能夠更迅速的部署應用程序，并降低管理的復雜度及維護成本，及允許IT資源的迅速重新分配以因應企業需求的快速改變。

云計算依賴資源的共享以達成規模經濟，類似基礎設施（如電力網）。服務提供者集成大量的資源供多個用戶使用，用戶可以輕易的請求（租借）更多資源，并隨時調整使用量，將不需要的資源釋放回整個架構，因此用戶不需要因為短暫尖峰的需求就購買大量的資源，僅需提升租借量，需求降低時便退租。服務提供者得以將目前無人租用的資源重新租給其他用戶，甚至依照整體的需求量調整租金。

基本特征：

互聯網上匯聚的計算資源、存儲資源、數據資源和應用資源正隨著互聯網規模的擴大而不斷增加，互聯網正在從傳統意義的通信平臺轉化為泛在、智能的計算平臺。與計算機系統這樣的傳統計算平臺比較，互聯網上還沒有形成類似計算機操作系統的服務環境，以支持互聯網資源的有效管理和綜合利用。在傳統計算機中已成熟的操作系統技術，已不再能適用于互聯網環境，其根本原因在于：互聯網資源的自主控制、自治對等、異構多尺度等基本特性，與傳統計算機系統的資源特性存在本質上的不同。為了適應互聯網資源的基本特性，形成承接互聯網資源和互聯網應用的一體化服務環境，面向互聯網計算的虛擬計算環境（Internet-based Virtual Computing Environment，iVCE）的研究工作，使用戶能夠方便、有效地共享和利用開放網絡上的資源。

互聯網上的云計算服務特征和自然界的云、水循環具有一定的相似性，因此，云是一個相當貼切的比喻。根據美國國家標準和技術研究院的定義，云計算服務應該具備以下幾條特征：

隨需應變自助服務。

隨時隨地用任何網絡設備訪問。多人共享資源池?？焖僦匦虏渴痨`活度?？杀槐O控與量測的服務。一般認為還有如下特征：

基于虛擬化技術快速部署資源或獲得服務。減少用戶終端的處理負擔。

降低了用戶對于IT專業知識的依賴。

2.1 虛擬技術

在計算機科學中，虛擬技術是一種通過組合或分區現有的計算機資源（CPU、內存、磁盤空間等），使得這些資源表現為一個或多個操作環境，從而提供優于原有資源配置的訪問方式的技術。

由于目前信息技術領域的很多企業都曾在宣傳中將該企業的某種技術稱為虛擬技術，這些技術涵蓋的范圍可以從Java虛擬機技術到系統管理軟件，這就使得準確的界定虛擬技術變得困難。因此各種相關學術論文在談到虛擬技術時常常提到的便是如前面所提到的那個不嚴格的定義。

應用領域：

服務器集成

沙盒（Sandboxing）多運行環境 多操作系統 測試和性能監視 應用集成

虛擬硬件 軟件移植 系統可管理性 測試/質量保證 分布式

在計算機科學中，分布式計算（英語：Distributed computing），又譯為分散式運算。這個研究領域，主要研究分布式系統（Distributed system）如何進行計算。分布式系統是一組電腦（computer），通過網絡相互鏈接傳遞消息與通訊后并協調它們的行為而形成的系統。[1]組件之間彼此進行交互以實現一個共同的目標。把需要進行大量計算的工程數據分區成小塊，由多臺計算機分別計算，再上傳運算結果后，將結果統一合并得出數據結論的科學。分布式系統的例子來自有所不同的面向服務的架構，大型多人在線游戲，對等網絡應用。

目前常見的分布式計算項目通常使用世界各地上千萬志愿者計算機的閑置計算能力，通過互聯網進行數據傳輸。如分析計算蛋白質的內部結構和相關藥物的Folding@home項目，該項目結構龐大，需要驚人的計算量，由一臺電腦計算是不可能完成的。雖然現在有了計算能力超強的超級計算機，但這些設備造價高昂，而一些科研機構的經費卻又十分有限，借助分布式計算可以花費較小的成本來達到目標。

3.1 分布式數據庫

分布式數據庫是用計算機網絡將物理上分散的多個數據庫單元連接起來組成的一個邏輯上統一的數據庫。每個被連接起來的數據庫單元稱為站點或節點。分布式數據庫有一個統一的數據庫管理系統來進行管理，稱為分布式數據庫管理系統。

分布式數據庫的基本特點包括：物理分布性、邏輯整體性和站點自治性。從這三個基本特點還可以導出的其它特點有：數據分布透明性、按既定協議達成共識的機制、適當的數據冗余度和事務管理的分布性。

分布式數據庫按照各站點中數據庫管理系統的數據模型的異同分為異構型分布式數據庫和同構型分布式數據庫，按照控制系統的類型分為全局控制集中性、全局控制分散型和全局控制可變型。