❶ 有谁知道Splunk（上海）可以跟我详细讲一下这个公司吗吗
Splunk总部于2004年在美国旧金山成立，2006年第一个产品发布，2012 IPO上市，是大数据业内第一个上市的企业。具有颠覆性的技术和产品，通过对大数据快速精准的分析能力，为客户带来巨大的商业价值,是Splunk成功的关键所在。10年的快速发展，如今已成为大数据领域的领军者。
目前，Splunk全球员工人数达1000人，Splunk 已经连续六年被旧金山《商业时代》杂志命名为旧金山湾区“最佳工作地点”之一。在全球90个国家，拥有7000多个用户，在亚太的客户已高达1000个。
Splunk上海作为第一个海外研发中心，在2013年初入驻杨浦区创智天地三期，并于2013年10月取得营业执照，正式落户杨浦区创智天地。她于在美国总部的研发中心，形成了既互相独立又互相协作的工作模式。我们有上海主导的开发产品，也和其他两个研发中心积极合作全球项目的开发。
❷ splunk怎么在suse中安装'
最近刚刚接触到RobotFramework，发现这个工具倒是可以满足我的要求，而且可以结合seleniumLibrary，用来做web的自动化测试相当不错。之前我也接触过selenium，不过感觉那个工具更贴近开发人员使用，有了robotFramework之后，感觉这个工具相当强大，而且是贴近测试人员的。之所以说强大，主要是这些测试脚本都可以用文本格式保存（如txt/html等）==安装篇==如果有想学的朋友可以自己下载以下文件安装（Google-code里可以找到大部分的安装文件）：这篇文章的内容比较旧了，最新的安装指南请查看更新篇python-2.7.1.msi（首先要有python，请选择将Python加入Path）wxPython2.8-win32-unicode-2.8.11.0-py27.exe（wxPython，必须要的）robotframework-2.6.0.win32.exe（然后装robot的Framework）robotframework-ride-0.38.1.win32.exe（robotFramework的IDE，很不错）robotframework-seleniumlibrary-2.8.win32.exe（seleniumLibrary）安装成功后执行[PythonDir]\Scripts\ride.py看到界面就是安装成功了。如果需要AutoIt支持就下载下面2个东东。AutoItLibrary-1.1pywin32-216.win32-py2.7.exe==入门篇==安装完成了，这个框架可以说是基于keyword的操作，按F5可以看到所有加载的keyword。首先新增一个project然后新增suite然后新增testcase，接着在suite层级addlibrary，把seleniumlibrary加进来，添加后按F5检验是否添加成功，如图OK，继续在suite的setting里设置suite启动和结束的keyword，即StartSeleniumServer和StopSeleniumServer，他会在运行时帮助我们自动启动seleniumserver。接下来在testcase里添加一个步骤，openbrowser（一般用selenium做web测试都要用这个方法来打开浏览器），添加后关键字变成蓝色表示找到关键字了，否则可能是拼写错误或者没有加载相应的library。红色表示有一个必选参数要给定输入值，具体参数可以看F5里的keyword说明。输入参数，第二个参数默认是firefox，不过我没装，就用ie吧。以上只是一个简单的例子，没有详细说明每个步骤的操作，只是初步介绍。后续再详细介绍
❸ splunk 多少种 机器学习
所谓的大数据平台不是独立存在的，比如网络是依赖搜索引擎获得大数据并开展业务的，阿里是通过电子商务交易获得大数据并开展业务的，腾讯是通过社交获得大数据并开始业务的，所以说大数据平台不是独立存在的，重点是如何搜集和沉淀数据，如何分析数据并挖掘数据的价值。
我可能还不够资格回答这个问题，没有经历过一个公司大数据平台从无到有到复杂的过程。不过说说看法吧，也算是梳理一下想法找找喷。
这是个需求驱动的过程。
曾经听过spotify的分享，印象很深的是，他们分享说，他们的hadoop集群第一次故障是因为，机器放在靠窗的地方，太阳晒了当机了（笑）。从简单的没有机房放在自家窗前的集群到一直到现在复杂的数据平台，这是一个不断演进的过程。
对小公司来说，大概自己找一两台机器架个集群算算，也算是大数据平台了。在初创阶段，数据量会很小，不需要多大的规模。这时候组件选择也很随意，Hadoop一套，任务调度用脚本或者轻量的框架比如luigi之类的，数据分析可能hive还不如导入RMDB快。监控和部署也许都没时间整理，用脚本或者轻量的监控，大约是没有ganglia、nagios，puppet什么的。这个阶段也许算是技术积累，用传统手段还是真大数据平台都是两可的事情，但是为了今后的扩展性，这时候上Hadoop也许是不错的选择。
当进入高速发展期，也许扩容会跟不上计划，不少公司可能会迁移平台到云上，比如AWS阿里云什么的。小规模高速发展的平台，这种方式应该是经济实惠的，省了运维和管理的成本，扩容比较省心。要解决的是选择平台本身提供的服务，计算成本，打通数据出入的通道。整个数据平台本身如果走这条路，可能就已经基本成型了。走这条路的比较有名的应该是netflix。
也有一个阶段，你发现云服务的费用太高，虽然省了你很多事，但是花钱嗖嗖的。几个老板一合计，再玩下去下个月工资发布出来了。然后无奈之下公司开始往私有集群迁移。这时候你大概需要一群靠谱的运维，帮你监管机器，之前两三台机器登录上去看看状态换个磁盘什么的也许就不可能了，你面对的是成百上千台主机，有些关键服务必须保证稳定，有些是数据节点，磁盘三天两头损耗，网络可能被压得不堪重负。你需要一个靠谱的人设计网络布局，设计运维规范，架设监控，值班团队走起7*24小时随时准备出台。然后上面再有平台组真的大数据平台走起。
然后是选型，如果有技术实力，可以直接用社区的一整套，自己管起来，监控部署什么的自己走起。这个阶段部署监控和用户管理什么的都不可能像两三个节点那样人肉搞了，配置管理，部署管理都需要专门的平台和组件；定期Review用户的作业和使用情况，决定是否扩容，清理数据等等。否则等机器和业务进一步增加，团队可能会死的很惨，疲于奔命，每天事故不断，进入恶性循环。
当然有金钱实力的大户可以找Cloudera，Hortonworks，国内可以找华为星环，会省不少事，适合非互联网土豪。当然互联网公司也有用这些东西的，比如Ebay。
接下去你可能需要一些重量的组件帮你做一些事情。
比如你的数据接入，之前可能找个定时脚本或者爬log发包找个服务器接收写入HDFS，现在可能不行了，这些大概没有高性能，没有异常保障，你需要更强壮的解决方案，比如Flume之类的。
你的业务不断壮大，老板需要看的报表越来越多，需要训练的数据也需要清洗，你就需要任务调度，比如oozie或者azkaban之类的，这些系统帮你管理关键任务的调度和监控。
数据分析人员的数据大概可能渐渐从RDBMS搬迁到集群了，因为传统数据库已经完全hold不住了，但他们不会写代码，所以你上马了Hive。然后很多用户用了Hive觉得太慢，你就又上马交互分析系统，比如Presto，Impala或者SparkSQL。
你的数据科学家需要写ML代码，他们跟你说你需要Mahout或者Spark MLLib，于是你也部署了这些。
至此可能数据平台已经是工程师的日常工作场所了，大多数业务都会迁移过来。这时候你可能面临很多不同的问题。
比如各个业务线数据各种数据表多的一塌糊涂，不管是你还是写数据的人大概都不知道数据从哪儿来，接下去到哪儿去。你就自己搞了一套元数据管理的系统。
你分析性能，发现你们的数据都是上百Column，各种复杂的Query，裸存的Text格式即便压缩了也还是慢的要死，于是你主推用户都使用列存，Parquet，ORC之类的。
又或者你发现你们的ETL很长，中间生成好多临时数据，于是你下狠心把pipeline改写成Spark了。
再接下来也许你会想到花时间去维护一个门户，把这些零散的组件都整合到一起，提供统一的用户体验，比如一键就能把数据从数据库chua一下拉到HDFS导入Hive，也能一键就chua一下再搞回去；点几下就能设定一个定时任务，每天跑了给老板自动推送报表；或者点一下就能起一个Storm的topology；或者界面上写几个Query就能查询Hbase的数据。这时候你的数据平台算是成型了。
当然，磕磕碰碰免不了。每天你都有新的问题和挑战，否则你就要失业了不是？
你发现社区不断在解决你遇到过的问题，于是你们架构师每天分出很多时间去看社区的进展，有了什么新工具，有什么公司发布了什么项目解决了什么问题，兴许你就能用上。
上了这些乱七八糟的东西，你以为就安生了？Hadoop平台的一个大特点就是坑多。尤其是新做的功能新起的项目。对于平台组的人，老板如果知道这是天然坑多的平台，那他也许会很高兴，因为跟进社区，帮忙修bug，一起互动其实是很提升公司影响力的实情。当然如果老板不理解，你就自求多福吧，招几个老司机，出了问题能马上带路才是正道。当然团队的技术积累不能不跟上，因为数据平台还是乱世，三天不跟进你就不知道世界是什么样了。任何一个新技术，都是坑啊坑啊修啊修啊才完善的。如果是关键业务换技术，那需要小心再小心，技术主管也要有足够的积累，能够驾驭，知道收益和风险。
❹ 日志分析平台哪家好呢袋鼠云日志分析服务和同行企业相比怎么样
具体要看企业需求，也可以倒过来先看看他们能为企业做什么，是不是你们想要的。那么袋鼠云日志分析能为企业做什么？
1）帮助用户进行海量日志集中采集、管理、分析，
产品可根据客户日志内容及需求快速抽象实际使用场景，以独立应用、仪表盘、告警等方式呈现，帮助企业完成业务监控分析、异常定位等，从而提升企业故障发现率、降低企业运维成本。
2）同时响应国家政策，满足网络安全法律法规（网络日志必须保存6个月以上）。
3）降低企业客户直接使用ELK开源产品的部署和使用成本（很大一部分群体 都接触过ELK，能明白配置、维护的学习成本）。
真实案例：某银行故障处理，需在机房排队等候，然后逐个系统排查、定位，通常需花费一下午或更长时间，通过云日志平台集中对日志进行分析，配置对应可视化监控场景后，故障处理仅需几分钟或更短时间，极大提升故障发现率，及运维效率。
区分对应的用户群体，针对性介绍，有的客户关注日志管理，那就着重介绍我们的可视化配置采集、数据源管理，有的客户关注日志分析、业务监控，就针对性介绍我们的数据解析、监控告警、应用生成过程，云日志并非什么都能做，也不能够什么都去做，找到对应的客户、对应的诉求，这个阶段不求大而全，若是有多个客户提及而确实缺乏的，再带回来考量；
袋鼠云云日志较各类型竞品是有差异的：
1）ELK类开源产品：配置、维护成本极高，功能单一，性能无法保障，云日志是一款相对成熟的商业化产品，配置均为可视化界面方式，提供标准数据自动解析，应用场景模版，且上层应用为企业服务过程中针对性的解决方案，如监控告警、权限管理、数据源管理、日志投递、数据脱敏等等，以及性能方面经过金融级客户环境历练可承载TB级别数据量。
2）日志易国内专注型产品：功能层面大同小异（运维行业ITOA方面做过更多探索，实际客户案例下我们会显弱势，数据可视化是日志易一弱点），可着重介绍公司整体能力，数据中台架构能力、数据可视化案例及能力支撑。
3）阿里云等云平台旗下日志产品：该类型产品多为管道性质，在数据采集转发、不同渠道数据源接收的能力上较强，价格低廉，但难以满足整体的日志分析平台需求，上层应用匮乏，云日志是完整的日志分析平台，提供数据集成—>清洗、解析—>上层应用搭建，完整的解决方案。
4）Splunk之类大外企：功能强大，行业影响力很深，不能硬刚，外企在中国市场灵活度不够，无法针对国内企业实际情况做相应调整，且价格昂贵。