2同行回答
其实提到取长补短，首先要知道各自的特点以及应用场景。大数据平台的能力是对海量数据提取分析，辅助企业制定决策。我们这里拿广义上的hadoop生态来举例，使用yarn作为核心组件来进行资源管理和调度。这种框架普遍的问题就是：
1.资源弹性不足，无法按需自动扩缩容，根据公司的业务场景存在明显的周期性资源使用高峰。
2.资源利用率低，业务低峰大量资源闲置。
3.资源隔离性差，跑多个大数据任务的时候存在资源抢占的问题。
4.系统管理困难，迁移困难。缺少统一的管理接口，例如路由管理，网络管理，磁盘管理等能力。
5.管理方式不统一，大数据业务和主业务需要分别管理。人力成本需求大，那么容器云平台如何根据自身特点来解决大数据平台的问题，发挥出1+1>2的能力优势呢？还得根据问题来看
1.首先对于资源弹性问题，容器云平台可以通过弹性扩缩来应对业务高峰时期的压力场景。
2.资源利用率低的问题，像容器平台支持三级配额管理这样可以尽量做到资源能够按需使用，灵活调度。
3.资源隔离性问题，容器这个技术在设计之初就是支持不同资源的隔离。
4.系统管理困难问题，容器云平台不仅具有容器生命周期的管理能力，同时还提供路由管理，网络管理，监控日志告警等能力。
5.如果主业务和大数据业务都容器化之后上到容器平台，那么就可以通过容器平台进行统一的管理，可实现上述所有功能。
容器云和大数据有着各自不同的适用场景，大数据技术主要用于处理 5V （ Volume, Variety ， Value ， Velocity ， Veracity ）特征的数据，容器云提供了高效的资源管理能力。随着容器编排技术的日渐成熟，使两者架构融合，充分发挥各自优势，取长补短成为了可能。
目前来看，容器云与大数据的结合主要是以下两个方面：
1、 大数据基础服务容器化
大数据平台基本都是基于 Hadoop 生态，主要存在资源利用率低、隔离差、弹性不足、管理困难等问题。容器云的自动资源管理，安全隔离等特点可以很好地解决大数据这些弊端，虽然大数据组件众多，包括文件存储系统，计算框架，消息处理，查询分析等，但是现在一般都有对应的开源项目来支持它们部署到 Kubernetes 上。而针对于大容量、高 IO 、资源消耗大等特点，在容器平台如红帽 OpenShift 中，可以通过 CPU 、内存资源限定、隔离、物理节点亲和等方式来满足要求。此外，红帽还与很多生态伙伴如英伟达、路坦力等有着密切的合作，比如对 GPU 使用要求高的机器学习场景可以做到非常精确的分配和控制 GPU 线程。
2、 PaaS 能力容器化
数据 PaaS ，也可以称为数据中台，是在大数据基础服务之上搭建的数据服务平台，提供了包括数据集成、中间件、各种数据库服务、深度学习等等数据处理和应用相关的能力，支撑了大数据的各种使用场景。通过容器化部署这些工具，可以快速搭建数据服务，并实现业务快速迭代。红帽 OpenShift 内置的 Operator Hub 也和众多原厂和社区合作提供了绝大多数工具的官方镜像，并提供官方支持，部署简便，融合了最佳实践经验等等，为搭建大数据 PaaS 提供了便捷可靠的途径。
收起