大数据平台分布式架构是指将数据存储、计算和处理能力分散在多台计算机节点上，通过网络进行协同工作的一种系统设计方式。这种架构能够实现水平扩展（Scale-out），即通过增加更多硬件资源来提高系统的处理能力和存储容量，而非依赖于单个大型服务器的垂直扩展。

一个典型的大数据分布式平台通常包括以下几个核心组件：

1. **分布式存储系统**：如Hadoop Distributed File System (HDFS)，用于大规模数据的存储，具有高容错性和可扩展性，可以将大文件切分成块并分布在网络中的多个节点上。

2. **分布式计算框架**：例如Apache Hadoop MapReduce提供了一个基于Java的编程模型，用于处理大规模的数据集；而Apache Spark则提供了更高效且支持迭代计算与实时流处理的分布式计算引擎。

3. **数据处理工具**：如Apache Hive提供了一种SQL-like查询语言(HiveQL)对Hadoop上的大规模数据集进行查询和分析；Pig Latin则是另一个用于复杂数据流转换的高级脚本语言。

4. **资源管理和调度系统**：例如YARN（Yet Another Resource Negotiator）是Hadoop 2.x以后版本的核心组件，负责集群内的资源管理和任务调度。

5. **数据集成工具**：用于从各种源收集数据并将数据加载到大数据平台中，例如Apache Flume或Kafka用于数据摄取，Sqoop用于关系型数据库与Hadoop之间的数据迁移。

6. **数据分析库和查询引擎**：如Cassandra、HBase等NoSQL数据库用于快速读写大规模结构化数据，Druid用于实时OLAP分析，Impala或Spark SQL提供SQL接口进行交互式查询。

7. **数据服务层**：如Hue提供用户友好的Web界面，使得用户可以通过浏览器进行数据查询、管理和其他操作。

8. **安全性与权限管理**：包括Kerberos进行身份验证，Apache Ranger进行细粒度的权限控制。

总之，分布式大数据平台旨在解决海量数据处理中的存储、计算、访问速度和可用性问题，为数据分析、机器学习、实时决策等多种场景提供基础设施支持。