大数据指数据与大数据技术这二者的综合，而大数据技术，是指伴随着大数据的采集、传输、处理和应用的相关技术，通过一系列非传统的工具来对大量的结构化、半结构化和非结构化数据进行处理，从而获得分析和预测结果的一系列数据处理和分析技术。
大数据关键技术的不同层面及其功能
数据采集
利用ETL工具将分布的、异构数据源中的数据抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；也可以把实时采集的数据作为流计算系统的输入，进行实时处理分析。
数据存储和管理
利用分布式文件系统、数据仓库、关系数据库、NoSQL数据库、云数据库等实现对结构化、半结构化和非结构化海量数据的存储和管理。
数据处理与分析
利用分布式并行编程模型和计算框架，结合机器学习和数据挖掘算法，实现对海量数据的处理和分析；对分析结果进行可视化呈现，帮助人们更好地理解、分析数据。
数据安全和隐私保护
构建隐私保护体系和数据安全体系，保护个人隐私和数据安全。
大数据计算模式
批处理计算
针对大规模数据的批量处理。
MapReduce可以并行执行大规模数据处理任务，用于大规模数据集的并行运算（单输入、两阶段、粗粒度数据并行的分布式框架）。它将复杂的、运行于大规模集群上的并行计算过程高度抽象到了两个函数——Map和Reduce，并把一个大数据集切分成多个小数据集，分布到不同的机器上进行并行处理，极大地方便了分布式编程工作。在MapReduce中，数据流从一个稳定的来源，进行一系列加工处理后，流出到一个稳定的文件系统（如HDFS）。
Spark是一个针对超大数据集合的低延迟的集群分布式计算系统。它启用了内存分布数据集，可以提供交互式查询、优化迭代工作负载。在MapReduce中，数据流从一个稳定的来源，进行一系列加工处理后，流出到一个稳定的文件系统（如HDFS）。而Spark则用内存替代HDFS或本地磁盘来存储中间结果，因此要快很多。
流计算
流数据（或数据流）是指在时间分布和数量上无限的一系列动态数据集合体，数据的价值随着时间的流逝而降低，因此必须实时计算给出秒级响应。业内有许多流计算框架与平台：第一类，商业级流计算平台（IBM InfoSphere Streams、IBM StreamBase等）；第二类，开源流计算框架（Twitter Storm、S4等）；第三类，公司为支持自身业务开发的流计算框架。
图计算
如Pregel、Giraph、GraphX、PowerGraph等。
查询分析计算
针对超大规模数据的存储管理和查询分析，需要提供实时或准实时响应。如Dremel、Impala等。
大数据与云计算、物联网
云计算
云计算的关键技术：虚拟化、分布式存储、分布式计算、多租户（数据隔离、客户化配置、架构扩展、性能定制）等。
物联网
物联网的技术架构：感知层、网络层、处理层、应用层。
物联网的关键技术：识别和感知技术、网络和通信技术、数据挖掘和融合技术。
三者之间的关系
1、区别。大数据侧重对海量数据的存储、处理、分析，发现价值，服务生活；云计算本质旨在整合和优化各种IT资源并通过网络以服务的方式，廉价地提供给用户；物联网的发展目标是实现物物相连，应用创新是物联网发展的核心。
2、联系。如上图所示，三者彼此渗透、相互融合。