1、批處理架構
關鍵：全量數據、ETL、批處理、非實時
優點：簡單
缺點：非實時
適用場景：離線數據處理
2、流處理架構
關鍵：流處理、實時、可不存儲全量數據
優點：實時
缺點：無法做離線分析
適用場景：實時數據處理
3、Lambda架構
關鍵：批處理+流處理，全量數據存儲，合併結果
優點：在線+離線
缺點：無法重放數據，只可一次性流處理
適用場景：在線處理+離線處理
4、Kappa架構
關鍵：Lambda+數據重放
優點：支持多次流處理
缺點：數據重放複雜
適用場景：在線處理+離線處理，多次流處理
Unifield架構
關鍵：Lambda/Kappa+機器學習
優點：支持機器學習
缺點：複雜度更高，實施難
適用場景：大數據+機器學習
6、IoTA架構
通過Common Data Model的設計，專注在某一個具體領域的數據標準化和計算，從而可以從SDK端開始計算，邊緣計算，中央端只做採集、建立索引和查詢，提高整體數據分析的效率
關鍵：特定領域、去ETL化、IoT、邊緣計算、Ad-hoc查詢、實時
優點：簡化數據處理
缺點：數據採集要求標準化，實施困難
適用場景：IoT
結論
Lambda 架構是兼容了 batch layer, speed layer(real-time processing)的架構，Kappa 架構則是用 speed layer(real-time processing) 全程處理實時數據和歷史數據，Unified 架構進一步引入了機器學習能力。
參考資料
1、http://xhrong.github.io/2019/03/01/%E5%A4%A7%E6%95%B0%E6%8D%AE%E5%A4%84%E7%90%866%E7%A7%8D%E6%8A%80%E6%9C%AF%E6%9E%B6%E6%9E%84%E6%A8%A1%E5%BC%8F
2、https://docherish.com/post/da-shu-ju-chang-yong-de-jia-gou-lambda-he-kappa/