接前一篇文章：软考 系统架构设计师系列知识点之大数据设计理论与实践（17）
所属章节：
第19章. 大数据架构设计理论与实践
第5节 Lambda架构与Kappa架构的对比和设计选择
19.5.2 Lambda架构与Kappa架构的设计选择
根据Lambda与Kappa两种架构的对比分析，将业务需求、技术要求、系统复杂度、开发维护成本和历史数据处理能力作为选择考虑因素。而计算开销虽然存在一定差别，但相差不是很大，因此不作为考虑因素。
1. 业务需求与技术要求
用户需要根据自己的业务需求来选择架构，如果业务对于Hadoop、Spark、Storm等关键技术有强制性依赖，则选择Lambda架构可能较为合适；如果处理数据偏好于流式计算，又依赖于Flink计算引擎，那么选择Kappa架构可能更为合适。
2. 复杂度
如果项目中需要频繁地对算法模型参数进行修改，Lambda架构需要反复修改两套代码，则显然不如Kappa架构简单方便。同时，如果算法模型支持同时执行批处理和流式计算，或者希望用一份代码进行数据处理，那么可以选择Kappa架构。
在某些复杂的案例中，其实时处理和离线处理的结果不能统一，比如某些机器学习的预测模型，需要先通过离线批处理得到训练模型，再交由实时流式处理进行验证测试，那么这种情况下，批处理层和流处理层不能进行合并，因此应该选择Lambda架构。
3. 开发维护成本
Lambda架构需要有一定程度的开发维护成本，包括两套系统的开发、部署、测试、维护，适合有足够经济、技术和人力资源的开发者。而Kappa架构只需要维护一套系统，适合不希望在开发维护上投入过多成本的开发者。
4. 历史数据处理能力
有些情况下，项目会频繁接触海量数据进行分析，比如过往十年内的地区降水数据等，这种数据适合批处理系统进行分析，应该选择Lambda架构。如果始终使用小规模数据集，流处理系统完全可以使用，则应该选择Kappa架构。
至此，“19.5.2 Lambda架构与Kappa架构的设计选择”的全部内容就讲解完了。“19.5 Lambda架构与Kappa架构的对比和设计选择”的全部内容也就讲解完了。
