❶ 有誰知道Splunk（上海）可以跟我詳細講一下這個公司嗎嗎
Splunk總部於2004年在美國舊金山成立，2006年第一個產品發布，2012 IPO上市，是大數據業內第一個上市的企業。具有顛覆性的技術和產品，通過對大數據快速精準的分析能力，為客戶帶來巨大的商業價值,是Splunk成功的關鍵所在。10年的快速發展，如今已成為大數據領域的領軍者。
目前，Splunk全球員工人數達1000人，Splunk 已經連續六年被舊金山《商業時代》雜志命名為舊金山灣區「最佳工作地點」之一。在全球90個國家，擁有7000多個用戶，在亞太的客戶已高達1000個。
Splunk上海作為第一個海外研發中心，在2013年初入駐楊浦區創智天地三期，並於2013年10月取得營業執照，正式落戶楊浦區創智天地。她於在美國總部的研發中心，形成了既互相獨立又互相協作的工作模式。我們有上海主導的開發產品，也和其他兩個研發中心積極合作全球項目的開發。
❷ splunk怎麼在suse中安裝'
最近剛剛接觸到RobotFramework，發現這個工具倒是可以滿足我的要求，而且可以結合seleniumLibrary，用來做web的自動化測試相當不錯。之前我也接觸過selenium，不過感覺那個工具更貼近開發人員使用，有了robotFramework之後，感覺這個工具相當強大，而且是貼近測試人員的。之所以說強大，主要是這些測試腳本都可以用文本格式保存（如txt/html等）==安裝篇==如果有想學的朋友可以自己下載以下文件安裝（Google-code里可以找到大部分的安裝文件）：這篇文章的內容比較舊了，最新的安裝指南請查看更新篇python-2.7.1.msi（首先要有python，請選擇將Python加入Path）wxPython2.8-win32-unicode-2.8.11.0-py27.exe（wxPython，必須要的）robotframework-2.6.0.win32.exe（然後裝robot的Framework）robotframework-ride-0.38.1.win32.exe（robotFramework的IDE，很不錯）robotframework-seleniumlibrary-2.8.win32.exe（seleniumLibrary）安裝成功後執行[PythonDir]\Scripts\ride.py看到界面就是安裝成功了。如果需要AutoIt支持就下載下面2個東東。AutoItLibrary-1.1pywin32-216.win32-py2.7.exe==入門篇==安裝完成了，這個框架可以說是基於keyword的操作，按F5可以看到所有載入的keyword。首先新增一個project然後新增suite然後新增testcase，接著在suite層級addlibrary，把seleniumlibrary加進來，添加後按F5檢驗是否添加成功，如圖OK，繼續在suite的setting里設置suite啟動和結束的keyword，即StartSeleniumServer和StopSeleniumServer，他會在運行時幫助我們自動啟動seleniumserver。接下來在testcase里添加一個步驟，openbrowser（一般用selenium做web測試都要用這個方法來打開瀏覽器），添加後關鍵字變成藍色表示找到關鍵字了，否則可能是拼寫錯誤或者沒有載入相應的library。紅色表示有一個必選參數要給定輸入值，具體參數可以看F5里的keyword說明。輸入參數，第二個參數默認是firefox，不過我沒裝，就用ie吧。以上只是一個簡單的例子，沒有詳細說明每個步驟的操作，只是初步介紹。後續再詳細介紹
❸ splunk 多少種 機器學習
所謂的大數據平台不是獨立存在的，比如網路是依賴搜索引擎獲得大數據並開展業務的，阿里是通過電子商務交易獲得大數據並開展業務的，騰訊是通過社交獲得大數據並開始業務的，所以說大數據平台不是獨立存在的，重點是如何搜集和沉澱數據，如何分析數據並挖掘數據的價值。
我可能還不夠資格回答這個問題，沒有經歷過一個公司大數據平台從無到有到復雜的過程。不過說說看法吧，也算是梳理一下想法找找噴。
這是個需求驅動的過程。
曾經聽過spotify的分享，印象很深的是，他們分享說，他們的hadoop集群第一次故障是因為，機器放在靠窗的地方，太陽曬了當機了（笑）。從簡單的沒有機房放在自家窗前的集群到一直到現在復雜的數據平台，這是一個不斷演進的過程。
對小公司來說，大概自己找一兩台機器架個集群算算，也算是大數據平台了。在初創階段，數據量會很小，不需要多大的規模。這時候組件選擇也很隨意，Hadoop一套，任務調度用腳本或者輕量的框架比如luigi之類的，數據分析可能hive還不如導入RMDB快。監控和部署也許都沒時間整理，用腳本或者輕量的監控，大約是沒有ganglia、nagios，puppet什麼的。這個階段也許算是技術積累，用傳統手段還是真大數據平台都是兩可的事情，但是為了今後的擴展性，這時候上Hadoop也許是不錯的選擇。
當進入高速發展期，也許擴容會跟不上計劃，不少公司可能會遷移平台到雲上，比如AWS阿里雲什麼的。小規模高速發展的平台，這種方式應該是經濟實惠的，省了運維和管理的成本，擴容比較省心。要解決的是選擇平台本身提供的服務，計算成本，打通數據出入的通道。整個數據平台本身如果走這條路，可能就已經基本成型了。走這條路的比較有名的應該是netflix。
也有一個階段，你發現雲服務的費用太高，雖然省了你很多事，但是花錢嗖嗖的。幾個老闆一合計，再玩下去下個月工資發布出來了。然後無奈之下公司開始往私有集群遷移。這時候你大概需要一群靠譜的運維，幫你監管機器，之前兩三台機器登錄上去看看狀態換個磁碟什麼的也許就不可能了，你面對的是成百上千台主機，有些關鍵服務必須保證穩定，有些是數據節點，磁碟三天兩頭損耗，網路可能被壓得不堪重負。你需要一個靠譜的人設計網路布局，設計運維規范，架設監控，值班團隊走起7*24小時隨時准備出台。然後上面再有平台組真的大數據平台走起。
然後是選型，如果有技術實力，可以直接用社區的一整套，自己管起來，監控部署什麼的自己走起。這個階段部署監控和用戶管理什麼的都不可能像兩三個節點那樣人肉搞了，配置管理，部署管理都需要專門的平台和組件；定期Review用戶的作業和使用情況，決定是否擴容，清理數據等等。否則等機器和業務進一步增加，團隊可能會死的很慘，疲於奔命，每天事故不斷，進入惡性循環。
當然有金錢實力的大戶可以找Cloudera，Hortonworks，國內可以找華為星環，會省不少事，適合非互聯網土豪。當然互聯網公司也有用這些東西的，比如Ebay。
接下去你可能需要一些重量的組件幫你做一些事情。
比如你的數據接入，之前可能找個定時腳本或者爬log發包找個伺服器接收寫入HDFS，現在可能不行了，這些大概沒有高性能，沒有異常保障，你需要更強壯的解決方案，比如Flume之類的。
你的業務不斷壯大，老闆需要看的報表越來越多，需要訓練的數據也需要清洗，你就需要任務調度，比如oozie或者azkaban之類的，這些系統幫你管理關鍵任務的調度和監控。
數據分析人員的數據大概可能漸漸從RDBMS搬遷到集群了，因為傳統資料庫已經完全hold不住了，但他們不會寫代碼，所以你上馬了Hive。然後很多用戶用了Hive覺得太慢，你就又上馬交互分析系統，比如Presto，Impala或者SparkSQL。
你的數據科學家需要寫ML代碼，他們跟你說你需要Mahout或者Spark MLLib，於是你也部署了這些。
至此可能數據平台已經是工程師的日常工作場所了，大多數業務都會遷移過來。這時候你可能面臨很多不同的問題。
比如各個業務線數據各種數據表多的一塌糊塗，不管是你還是寫數據的人大概都不知道數據從哪兒來，接下去到哪兒去。你就自己搞了一套元數據管理的系統。
你分析性能，發現你們的數據都是上百Column，各種復雜的Query，裸存的Text格式即便壓縮了也還是慢的要死，於是你主推用戶都使用列存，Parquet，ORC之類的。
又或者你發現你們的ETL很長，中間生成好多臨時數據，於是你下狠心把pipeline改寫成Spark了。
再接下來也許你會想到花時間去維護一個門戶，把這些零散的組件都整合到一起，提供統一的用戶體驗，比如一鍵就能把數據從資料庫chua一下拉到HDFS導入Hive，也能一鍵就chua一下再搞回去；點幾下就能設定一個定時任務，每天跑了給老闆自動推送報表；或者點一下就能起一個Storm的topology；或者界面上寫幾個Query就能查詢Hbase的數據。這時候你的數據平台算是成型了。
當然，磕磕碰碰免不了。每天你都有新的問題和挑戰，否則你就要失業了不是？
你發現社區不斷在解決你遇到過的問題，於是你們架構師每天分出很多時間去看社區的進展，有了什麼新工具，有什麼公司發布了什麼項目解決了什麼問題，興許你就能用上。
上了這些亂七八糟的東西，你以為就安生了？Hadoop平台的一個大特點就是坑多。尤其是新做的功能新起的項目。對於平台組的人，老闆如果知道這是天然坑多的平台，那他也許會很高興，因為跟進社區，幫忙修bug，一起互動其實是很提升公司影響力的實情。當然如果老闆不理解，你就自求多福吧，招幾個老司機，出了問題能馬上帶路才是正道。當然團隊的技術積累不能不跟上，因為數據平台還是亂世，三天不跟進你就不知道世界是什麼樣了。任何一個新技術，都是坑啊坑啊修啊修啊才完善的。如果是關鍵業務換技術，那需要小心再小心，技術主管也要有足夠的積累，能夠駕馭，知道收益和風險。
❹ 日誌分析平台哪家好呢袋鼠雲日誌分析服務和同行企業相比怎麼樣
具體要看企業需求，也可以倒過來先看看他們能為企業做什麼，是不是你們想要的。那麼袋鼠雲日誌分析能為企業做什麼？
1）幫助用戶進行海量日誌集中採集、管理、分析，
產品可根據客戶日誌內容及需求快速抽象實際使用場景，以獨立應用、儀表盤、告警等方式呈現，幫助企業完成業務監控分析、異常定位等，從而提升企業故障發現率、降低企業運維成本。
2）同時響應國家政策，滿足網路安全法律法規（網路日誌必須保存6個月以上）。
3）降低企業客戶直接使用ELK開源產品的部署和使用成本（很大一部分群體 都接觸過ELK，能明白配置、維護的學習成本）。
真實案例：某銀行故障處理，需在機房排隊等候，然後逐個系統排查、定位，通常需花費一下午或更長時間，通過雲日誌平台集中對日誌進行分析，配置對應可視化監控場景後，故障處理僅需幾分鍾或更短時間，極大提升故障發現率，及運維效率。
區分對應的用戶群體，針對性介紹，有的客戶關注日誌管理，那就著重介紹我們的可視化配置採集、數據源管理，有的客戶關注日誌分析、業務監控，就針對性介紹我們的數據解析、監控告警、應用生成過程，雲日誌並非什麼都能做，也不能夠什麼都去做，找到對應的客戶、對應的訴求，這個階段不求大而全，若是有多個客戶提及而確實缺乏的，再帶回來考量；
袋鼠雲雲日誌較各類型競品是有差異的：
1）ELK類開源產品：配置、維護成本極高，功能單一，性能無法保障，雲日誌是一款相對成熟的商業化產品，配置均為可視化界面方式，提供標准數據自動解析，應用場景模版，且上層應用為企業服務過程中針對性的解決方案，如監控告警、許可權管理、數據源管理、日誌投遞、數據脫敏等等，以及性能方面經過金融級客戶環境歷練可承載TB級別數據量。
2）日誌易國內專注型產品：功能層面大同小異（運維行業ITOA方面做過更多探索，實際客戶案例下我們會顯弱勢，數據可視化是日誌易一弱點），可著重介紹公司整體能力，數據中台架構能力、數據可視化案例及能力支撐。
3）阿里雲等雲平台旗下日誌產品：該類型產品多為管道性質，在數據採集轉發、不同渠道數據源接收的能力上較強，價格低廉，但難以滿足整體的日誌分析平台需求，上層應用匱乏，雲日誌是完整的日誌分析平台，提供數據集成—>清洗、解析—>上層應用搭建，完整的解決方案。
4）Splunk之類大外企：功能強大，行業影響力很深，不能硬剛，外企在中國市場靈活度不夠，無法針對國內企業實際情況做相應調整，且價格昂貴。