传统大数据存储的架构主要可以分为以下几种类型：
1. 关系型数据库（Relational Database Management System，RDBMS）：关系型数据库是传统的大数据存储架构，它基于关系模型进行数据建模和管理。关系型数据库具有成熟的查询语言和事务处理机制，可以有效地支持大规模数据的存储、查询和分析。常见的关系型数据库有MySQL、Oracle、SQL Server等。
2. NoSQL数据库：NoSQL数据库是一种非关系型数据库，主要用于存储结构化和非结构化数据。NoSQL数据库具有高可扩展性、高并发性和灵活的数据模型等特点，适用于处理大规模、多样化的数据存储需求。常见的NoSQL数据库有MongoDB、Cassandra、Redis等。
3. HDFS（Hadoop Distributed File System）：HDFS是Hadoop分布式文件系统的基础架构，用于存储大规模数据集。HDFS采用分布式文件系统设计，将数据分散存储在多个节点上，通过复制和冗余技术保证数据的可靠性和容错性。HDFS广泛应用于Apache Hadoop生态系统中，支持大数据处理任务如MapReduce。
4. Spark：Spark是基于内存计算的大数据处理框架，它可以在单台机器上处理大量数据，并提供高效的数据处理能力。Spark具有丰富的数据处理功能，包括批处理、流处理和交互式分析等，适用于各种大数据应用场景。
5. Cassandra：Cassandra是一个高性能、可扩展的分布式键值数据库，主要用于存储结构化数据。Cassandra具有高可用性、高吞吐量和低延迟的特点，适用于处理大规模、实时性的数据分析任务。
6. Couchbase：Couchbase是一个分布式、多租户的文档存储系统，主要用于存储结构化和非结构化数据。Couchbase具有高并发访问、高可用性和灵活的数据模型等特点，适用于企业级应用中的大数据存储和查询。
7. Apache Hadoop HDFS：HDFS是Hadoop分布式文件系统的基础架构，用于存储大规模数据集。HDFS采用分布式文件系统设计，将数据分散存储在多个节点上，通过复制和冗余技术保证数据的可靠性和容错性。HDFS广泛应用于Apache Hadoop生态系统中，支持大数据处理任务如MapReduce。
8. Apache Hadoop MapReduce：MapReduce是一种编程模型，用于处理大规模数据集。MapReduce将大规模数据集分解为一系列小任务，然后由多个节点并行处理这些任务，最终将结果合并并输出。MapReduce适用于大规模、批量化的数据处理任务。
9. Apache Hadoop Pig：Pig是一个高级的编程语言，用于编写针对Hadoop MapReduce作业的脚本。Pig提供了丰富的函数库和操作符，使得用户能够更方便地编写复杂的数据处理任务。Pig适用于需要对大规模数据集进行复杂分析的场景。
10. Apache Hive：Hive是一个建立在Hadoop之上的数据仓库工具，用于实现数据仓库的查询和分析。Hive提供了丰富的数据仓库功能，包括数据转换、数据汇总、数据挖掘等，适用于需要对大规模数据集进行数据仓库操作的场景。
总之，传统大数据存储的架构主要包括关系型数据库、NoSQL数据库、HDFS、Spark、Cassandra、Couchbase、Apache Hadoop HDFS、Apache Hadoop MapReduce、Apache Hadoop Pig和Apache Hive等类型。这些架构各有特点和适用范围，共同构成了大数据存储的基础设施。
