7.2.1　数据集

数据类型分为结构化数据、半结构化数据和非结构化数据。由于大数据环境下的数据类型复杂，负载多样，所以大数据Benchmark需要生成3种类型的数据和对应负载。

1）结构化数据：传统的关系数据模型、行数据，存储于数据库，可用二维表结构表示。

典型场景为互联网电商交易数据、企业ERP系统、财务系统、医疗HIS数据库、政务信息化系统、其他核心数据库等。结构规整，处理方案较为成熟。使用关系数据库进行存储和处理。

2）半结构化数据：类似XML、HTML之类，自描述，数据结构和内容混杂在一起。

典型应用场景为邮件系统、Web搜索引擎存储、教学资源库、档案系统，等等。可以考虑使用Hbase等典型的Key-Value存储系统存储。在互联网公司中存在大量的半结构化数据。

3）非结构化数据：各种文档、图片、视频/音频等。

典型应用场景为视频网站、图片相册、医疗影像系统、教育视频点播、交通视频监控、文件服务器（PDM/FTP）等具体应用。可以考虑使用HDFS等文件系统存储。在互联网公司同样存在大规模的非结构化数据。