在当下的云计算领域，数据的存储和处理模型作为整体的基石，所以想在云计算中不迷失方向，摸着这些基石，按石索骥。
Hadoop本身内置的几个重要基石：
HDFS：提供分布式文件系统：提供系统文件级别的抽象和封装，主从模式的架构，API接口，对应的文件的管理和监控体系。
MapReduce：构建在HDFS之上，当然也可以推广到更加广泛的分布式存储平台上的并行计算模型，以Key-Value作为数据模型，通过Mapper,Reducer阶段，以及内置的Shuffle阶段；在这个模型至少，教育领域已经进行深层次研究和验证，并且在此基础上，进一步将其他相关领域的计算模型可以迁移到MapReduce的模型；
比如：完成矩阵、向量的运算、关系代数的运算
在传统的关系数据库领域，诸如选择、投影、集合运算（并、交、差、自然连接）等
进一步推演到OLAP领域的计算模型，分组、聚合运算，矩阵计算
在企业管理软件领域的工作流系统的计算模型，以及类似图形计算模型的实现机制，都能够在MapReduce计算模型上找到类似的解决方法。
Avro:试想一下，怎么样的数据模型，才能够在大量的并行计算集群中高效的被处理？ 数据的模型至少包括两大类：数据的Shema区域、数据区域；通常情况下，一个数据模型这两个部分或者是分离、或者是需要特定的软件才能够识别；将数据模型的模式和数据在同一个序列化中实体中解决，从而可以让任何语言可以处理。JSON和XML都提供了可靠的数据存储；而JSON级别是看不到数据的Schem的；而XML文件的Schema需要xsd来定义；JSON在Web领域应用非常广泛，XML同样扮演很重要的角色。
Zookeeper:分布式存储和计算模型，需要大量的主、从节点来并行运行，对这些多个节点的管理工作是一个棘手的问题，一份数据的多个分割存储、一个任务的并行拆分，都需要可靠的事务和锁管理来支持，内部隐藏了并发编程的细节和可能难以控制的问题。试想如果自己来实现这些功能，需要涉及的技术难题就够忙活的。
在此上述的4大基石的基础上，有能力的就可以编写任意的支持并行处理和计算的产品，而业界针对数据的处理最有影响力的几个方面：
a:数据库领域
大量的基于类似MapReduce计算模型的产品，将SQL作为对外的规范，利用HDFS作为存储实体，以MapReduce作为计算操作实现类似SQL的DDL,DML，数据分析和数据的ETL过程；
b:数据挖掘和数据仓库领域
在基于关系数据库的数据挖掘的产品，已经积累了多年的挖掘模型、算法、工具等；而在Hadoop所提供的一系列工具后，这些厂商肯定捷足先登；如果没有从事该领域的，进入该领域的难度会更大；很简单数据分析工具方面:Oracle,IBM,SAS,Tibco,SAP等的诸多产品，都在不断尝试这方面的新产品。
c:互联网领域的大数据应用
搜索引擎、社交网络、互联网广告、消费客户趋势分析、用户推荐；这些通过Hadoop的基础平台来实现，无疑可以寻找到更多可用的资源。
Pig,Mahout分别在并行计算和机器学习算法领域提供了丰富的算法模型库。
比如：Pig的Pig Latin语言、丰富的用户定义函数库Pbank等提供了大量原始的可重用基础模块。
Mahout： 提供了一系列的算法库：
另外对大规模数据的计算模型还有两类处理模型：
Dremel为代表的类似SQL的实时交互性计算模型，追随者Impala和Drill已经提供了业界的开源实现；
Stream流式计算模型的CEP的云时代的，StreamBase,Storm,S4,Spark都是可以值得借鉴的他山之石
当然时刻还需要有变化的眼光，将这些融合在一起，来实现核心价值