1.大数据平台容器化的驱动力是什么，结合投入产出，如何评估是否有必要做容器化

混合部署时候，初衷是想当日间应用或者大数据应用在达到上限时候，进行动态扩容。在资源不紧张时候，自动释放资源。释放出的资源给下一个高峰期的日间应用或者大数据应用申请使用。那么在确认初始化配置的资源上限时候，应该参考什么去设置。 设置的过大，弹性扩缩容的意义就不大...(more)

大数据采用容器化部署，对于namenode,resoucemanger等管理节点如何动态扩缩容？目前多的都是针对datanode或者是nodemanger的扩缩容。

大数据在容器中部署后，容器化的大数据能否发挥同规格下虚机大数据的性能？有什么手段保障容器大数据的性能吗

大数据和生产业务混合部署，有哪些手段方法来保证生产业务不受大数据业务的干扰？

大数据平台物理部署和容器化部署在系统运行稳定性方面有什么区别？

容器化技术路线落地大数据混部技术选型应该时完全容器化还是部分容器化？比如选择Spark on K8s 还是 Hadoop yarn on K8s。

如何实现业务容器与大数据容器的混合调度部署？不知道在这块各位老师有没有一些比较好的经验！

改造后的运维体系将做何种调整，大数据监控与容器监控是否可以做到统一、精确，实现有效的反馈机制，保证业务稳定运行

如何实现业务容器与大数据容器的混合调度部署，两者的调度器的逻辑如何进行统一，以达到在保证安全生产的前提下，充分利用集群资源，降本增效

使用何种方式将大数据与容器结合起来，是否有一些比较专业的厂商或是业界比较成熟的方案可以提供有效的落地方案

大数据平台容器化的底层容器使用何种技术，集群与平台，厂商或是开源的容器云平台是否可以完全兼容并提供大数据场景下的相关能力