1、批处理架构
关键：全量数据、ETL、批处理、非实时
优点：简单
缺点：非实时
适用场景：离线数据处理
2、流处理架构
关键：流处理、实时、可不存储全量数据
优点：实时
缺点：无法做离线分析
适用场景：实时数据处理
3、Lambda架构
关键：批处理+流处理，全量数据存储，合并结果
优点：在线+离线
缺点：无法重放数据，只可一次性流处理
适用场景：在线处理+离线处理
4、Kappa架构
关键：Lambda+数据重放
优点：支持多次流处理
缺点：数据重放复杂
适用场景：在线处理+离线处理，多次流处理
Unifield架构
关键：Lambda/Kappa+机器学习
优点：支持机器学习
缺点：复杂度更高，实施难
适用场景：大数据+机器学习
6、IoTA架构
通过Common Data Model的设计，专注在某一个具体领域的数据标准化和计算，从而可以从SDK端开始计算，边缘计算，中央端只做采集、建立索引和查询，提高整体数据分析的效率
关键：特定领域、去ETL化、IoT、边缘计算、Ad-hoc查询、实时
优点：简化数据处理
缺点：数据采集要求标准化，实施困难
适用场景：IoT
结论
Lambda 架构是兼容了 batch layer, speed layer(real-time processing)的架构，Kappa 架构则是用 speed layer(real-time processing) 全程处理实时数据和历史数据，Unified 架构进一步引入了机器学习能力。
参考资料
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/