Skip Navigation Linksلیست مقالات ترجمه شده / مقالات ترجمه شده مهندسی كامپيوتر /

عنوان ترجمه شده مقاله: مطالعه‌ای بر پردازش پرس و جویِ تحلیلی و بزرگ مقیاس، در معماری MapReduce (کاهش نگاشت)

امروزه سازمان‌ها با حجم زیادی از داده‌های نشأت گرفته از منابع مختلف سر و کار دارند و با استفاده از ابزارهایی همچون تجزیه‌وتحلیل داده‌ها از این اطلاعات بهره‌برداری کرده تا بتوانند از آن در فرآیند تصمیم‌گیری کارآمد استفاده نموده و سرویس‌ها و توابع جدیدی را ارائه دهند.

 

چکیده

امروزه سازمان‌ها با حجم زیادی از داده‌های نشأت گرفته از منابع مختلف سر و کار دارند و با استفاده از ابزارهایی همچون تجزیه‌وتحلیل داده‌ها از این اطلاعات بهره‌برداری کرده تا بتوانند از آن در فرآیند تصمیم‌گیری کارآمد استفاده نموده و سرویس‌ها و توابع جدیدی را ارائه دهند. یکی از نیازمندی‌های کلیدی در تجزیه‌وتحلیل داده‌ها، مسئله‌ی مقیاس‌پذیری می‌باشد؛ و دلیل آن نیز نیاز برای استخراج، پردازش و تجزیه‌وتحلیل حجم گسترده‌ای از داده‌ها به صورت به موقع و بهنگام می‌باشد. بدیهی است که بسیاری از چارچوب‌های رایج برای تجزیه‌وتحلیل داده‌های بزرگ مقیاس امروزی، چارچوب MapReduce یا کاهش نگاشت می‌باشد که دلیل رواج آن نیز ناشی از ویژگی‌های قابل ملاحظه‌ای همچون مقیاس‌پذیری، تحمل‌پذیری در برابر خطا، برنامه‌نویسی آسان و انعطاف‌پذیری می‌باشد. اگرچه علیرغم این مشخصات، این چارچوب از محدودیت‌های کارائی در تجزیه‌وتحلیل‌های مختلف رنج برده و این امر باعث شده تا پژوهش‌های زیادی به منظور بهبود بهره‌وری این چارچوب و در عین حال حفظ مشخصه‌های آن صورت گیرد. در این پژوهش، هدف این بوده که به بازبینی وضعیت پژوهش‌های صورت گرفته در حوزه‌ی بهبود کارائی پردازش موازی پرس و جو با استفاده از MapReduce بپردازیم. مجموعه‌ای از نقاط ضعف و محدودیت‌های این چارچوب نیز در سطح بالایی تشریح شده و تکنیک‌هایی برای حل آن‌ها نیز ارائه گردیده است. پژوهش‌های موجود در حوزه‌ی بهبود MapReduce را بر اساس مسائل خاصی که مورد هدف این چارچوب می‌باشد دسته‌بندی نموده‌ایم. بر مبنای طبقه‌بندی پیشنهادی، یک دسته‌بندی از پژوهش‌های موجود پیشنهاد گردیده است که هدف آن تمرکز بر روی هدف بهینه‌سازی می‌باشد. در نهایت اشاره‌ای به جهت‌گیری‌های جالب و کاربردی برای سیستم‌های پردازش موازی داده‌های آینده خواهیم داشت.

1-مقدمه

در حوزه‌ی کلان داده‌ها (داده‌های انبوه) که به عنوان حجم بی سابقه‌ای از داده‌ها شناخته می‌شود، سرعت تولید داده‌ها و تنوع ساختار داده‌ای، پشتیبانی برای تجزیه‌وتحلیل داده‌های بزرگ مقیاس به یک چالش خاص مبدل گردیده است. به منظور پاسخ به نیازمندی‌های مقیاس‌پذیری در تجزیه‌وتحلیل داده‌های امروزی، معماری‌های غیر اشتراکی موازی بر روی ماشین‌ها (که معمولاً متشکل از هزاران گره می‌باشند) به عنوان یک راهکار بالفعل ارائه گردیده است. سیستم‌های مختلف به وسیله‌ی صنعت پیشنهاد شده‌اند که به منظور پشتیبانی از تجزیه‌وتحلیل کلان داده‌ها کاربرد دارند که در این راستا می‌توان به چارچوب‌های MapReduce گوگل [32,33]، PNUTS یاهو [31]، SCOPE مایکروسافت [112]، Storm توئیتر [70]، Kafa از شبکه‌ی LinkedIn[46] و Muppet آزمایشگاه‌های Walmart اشاره کرد [66]. همچنین چندین شرکت، شامل فیس‌بوک [13] نیز از چارچوب هادوپ آپاچی (یک پیاده‌سازی متن‌باز از MapReduce) استفاده کرده و در اکوسیستم آن نقش داشته‌اند…

 

  میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید 

موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " مطالعه‌ای بر پردازش پرس و جویِ تحلیلی و بزرگ مقیاس، در معماری MapReduce (کاهش نگاشت) " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
مطالعه‌ای بر پردازش پرس و جویِ تحلیلی و بزرگ مقیاس، در معماری MapReduce (کاهش نگاشت)
نویسنده/ناشر/نام مجله :
The VLDB Journal
سال انتشار
2014
کد محصول
1012512
تعداد صفحات انگليسی
26
تعداد صفحات فارسی
48
قیمت بر حسب ریال
1,005,000
نوع فایل های ضمیمه
pdf+word
حجم فایل
1 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی فناوری اطلاعات , مهندسی كامپيوتر را مشاهده کنید.
کاربر عزیز، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوا را ببینید
هزینه این مقاله ترجمه شده 1005000 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:




MapReduce
Survey
Data analysis
Query processing
Large-scale

تاریخ انتشار در سایت: 2018-06-17
جستجوی پیشرفته مقالات ترجمه شده
نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید