截至当前时间，大数据软件研发进展主要体现在以下几个方面：
数据存储技术
HDFS：Hadoop分布式文件系统（HDFS）仍是大数据存储的核心技术，基于分布式存储，能够处理大量数据。
NoSQL数据库：包括键值数据库、宽列数据库、文档数据库等，因其高性能、可扩展性和容错性，广泛应用于大数据处理。
云存储：通过云端进行数据存储和管理，实现数据共享、备份和恢复等功能，成为大数据存储的重要选项。
数据预处理技术
数据预处理包括数据清洗、数据集成、数据转换和数据规约等，常用工具包括HadoopMapReduce和Spark。
并行计算技术
并行计算框架如MapReduce、Spark和Flume等，提高了大规模数据处理和分析的效率。
数据挖掘技术
数据挖掘技术包括分类、聚类、关联规则挖掘等，帮助用户了解数据的内在规律和趋势，为决策提供依据。
流计算技术
流计算变得日益重要，Spark成为流处理的标准工具。
复杂的大数据库
面对多样化的数据需求，复杂的大数据库如Druid应运而生，用于高效存储和查询大量数据。
开源社区参与度
尽管开源大数据项目已经趋于饱和，但社区参与度仍需提高，以推动技术创新和问题解决。
复合型人才培养
具备独立工作能力的跨专业复合型人才十分稀缺，需要进一步加强培养。
产品细分和跨学科协同创新
大数据产品需要进一步针对细分市场改进，并在大数据、软件、半导体等领域加强协同创新。
总体来看，大数据软件研发在技术层面已经取得了显著进展，形成了较为完善的技术框架和生态系统。然而，仍面临核心技术自主性不足、开源社区参与度低、复合型人才稀缺等挑战。未来，需要在技术创新、人才培养和市场细分等方面持续努力，以推动大数据技术的进一步发展和应用。