不属于大数据主要的存储模型的是

大数据的存储模型是构建和处理大数据的关键组成部分。不同的存储模型适用于不同类型的数据，以及不同的业务需求。以下是几种主要的大数据存储模型：

1. 分布式文件系统：

• 分布式文件系统（如Hadoop的HDFS）允许数据被分散存储在多个服务器上，以实现高可用性和容错性。这种模型适合于需要大规模存储和访问的场景，如大规模数据集的存储、备份和恢复。
• 优点：提供高吞吐量和可扩展性，支持数据的横向扩展，能够处理大规模的数据集。
• 缺点：可能会引入延迟，因为数据需要在网络上传输到其他节点。此外，如果一个节点失败，整个集群的性能会受到影响。

2. 列式存储：

• 列式存储（如Apache Hive）将数据按列组织，而不是按行。这使得查询可以并行执行，提高了处理速度。
• 优点：适合快速查询，可以显著提高查询性能。
• 缺点：可能不适合需要频繁更新或修改的数据，因为列式存储不支持复杂的数据操作。

3. 内存计算与缓存：

• 内存计算（如Apache Spark）使用内存来处理数据，可以减少数据传输的延迟。
• 优点：能够实时处理大量数据，减少I/O开销。
• 缺点：对硬件资源要求较高，需要更多的计算能力。

4. NoSQL数据库：

• NoSQL数据库（如MongoDB）通常用于存储非结构化或半结构化数据，如JSON、XML等。
• 优点：适合存储大量的非结构化数据，提供了更灵活的数据模型和更好的扩展性。
• 缺点：可能不适合需要复杂查询和事务处理的场景。

5. 图数据库：

• 图数据库（如Neo4j）用于存储和查询图形数据，如社交网络、生物信息学等。
• 优点：能够高效地处理复杂的关系数据，提供强大的查询功能。
• 缺点：可能需要更多的计算资源来维护图结构。

6. 时间序列数据库：

• 时间序列数据库（如InfluxDB）专门用于存储和分析时间序列数据，如传感器数据、日志记录等。
• 优点：能够精确地记录和分析时间相关的数据，适合需要长期跟踪和分析的场景。
• 缺点：可能不适合需要频繁更新或修改的数据，因为时间序列数据库不支持复杂的数据操作。

7. 对象存储：

• 对象存储（如Amazon S3）主要用于存储静态数据，如图片、视频等。
• 优点：提供了高效的数据存储和检索方式，适合大文件的处理。
• 缺点：可能不适合需要频繁更新或修改的数据，因为对象存储不支持复杂的数据操作。

8. 混合存储模型：

• 混合存储模型（如HBase+Spark）结合了多种存储模型的优点，根据具体需求选择合适的存储方式。
• 优点：可以根据不同场景灵活选择存储方式，提高数据处理效率。
• 缺点：需要更多的配置和管理，可能增加系统的复杂性。

总之，大数据的存储模型多种多样，每种模型都有其适用的场景和优缺点。在选择存储模型时，需要根据具体的业务需求、数据特性以及成本效益等因素进行综合考虑。