دانلود کتاب Big Data 2.0 Processing Systems: A Systems Overview
کتاب سیستم های پردازش داده های بزرگ 2.0: مروری بر سیستم ها نسخه زبان اصلی
دانلود کتاب سیستم های پردازش داده های بزرگ 2.0: مروری بر سیستم ها بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Big Data 2.0 Processing Systems: A Systems Overview
نام کتاب : Big Data 2.0 Processing Systems: A Systems Overview
ویرایش : 2nd ed.
عنوان ترجمه شده به فارسی : سیستم های پردازش داده های بزرگ 2.0: مروری بر سیستم ها
سری :
نویسندگان : Sherif Sakr
ناشر : Springer International Publishing;Springer
سال نشر : 2020
تعداد صفحات : 155
ISBN (شابک) : 9783030441869 , 9783030441876
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 15 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این کتاب "تصویر بزرگ" و یک بررسی جامع از دامنه سیستم های پردازش داده های بزرگ را در اختیار خوانندگان قرار می دهد. در دهه گذشته، چارچوب Hadoop بر دنیای پردازش داده های بزرگ تسلط داشته است، اما اخیراً دانشگاه ها و صنعت شروع به شناسایی محدودیت های آن در چندین حوزه کاربردی کرده اند و بنابراین، اکنون به تدریج با مجموعه ای از موتورهای اختصاص داده شده جایگزین می شود. عمودهای خاص (به عنوان مثال داده های ساختار یافته، داده های نموداری و داده های جریانی). این کتاب این موج جدید از سیستم‌ها را بررسی می‌کند که از آن به عنوان سیستم‌های پردازش داده‌های بزرگ 2.0 یاد می‌کند.
بعد از اینکه فصل 1 پس‌زمینه کلی پدیده‌های کلان داده را ارائه می‌کند، فصل 2 نمای کلی از اهداف عمومی مختلف را ارائه می‌کند. سیستم های پردازش داده های بزرگ که به کاربران خود اجازه می دهد تا مشاغل مختلف پردازش داده های بزرگ را برای حوزه های کاربردی مختلف توسعه دهند. به نوبه خود، فصل 3 سیستم‌های مختلفی را بررسی می‌کند که برای پشتیبانی از طعم SQL در بالای زیرساخت Hadoop و ارائه عملکرد رقابتی و مقیاس‌پذیر در پردازش داده‌های ساختاری در مقیاس بزرگ معرفی شده‌اند. فصل 4 چندین سیستم را مورد بحث قرار می دهد که برای مقابله با مشکل پردازش گراف در مقیاس بزرگ طراحی شده اند، در حالی که تمرکز اصلی فصل 5 بر چندین سیستم است که برای ارائه راه حل های مقیاس پذیر برای پردازش جریان های داده های بزرگ طراحی شده اند، و روی مجموعه های دیگر سیستم هایی که برای پشتیبانی از توسعه خطوط لوله داده بین انواع مختلف مشاغل و سیستم های پردازش داده های بزرگ معرفی شده اند. بعد، فصل 6 بر پوشش چارچوب ها و سیستم های در حال ظهور در حوزه یادگیری ماشین مقیاس پذیر و پردازش یادگیری عمیق تمرکز دارد. در نهایت، فصل 7 نتیجه گیری و چشم انداز چالش های تحقیقاتی آینده را به اشتراک می گذارد. این ویرایش دوم جدید و به‌طور قابل‌توجهی بزرگ‌شده، نه تنها شامل فصل ۶ کاملاً جدید است، بلکه محتوای تازه‌سازی‌شده‌ای را برای پیشرفته‌ترین فناوری‌ها در همه حوزه‌های پردازش کلان داده در سال‌های گذشته ارائه می‌دهد.
به طور کلی، این کتاب یک راهنمای مرجع ارزشمند برای متخصصان، دانشجویان و محققان در حوزه سیستم های پردازش داده های بزرگ ارائه می دهد. علاوه بر این، محتوای جامع آن امیدواریم خوانندگان را تشویق کند تا تحقیقات بیشتری در مورد این موضوع دنبال کنند.
فهرست مطالب :
Foreword to the First Edition
Preface
Acknowledgements
Contents
About the Author
1 Introduction
1.1 The Big Data Phenomena
1.2 Big Data and Cloud Computing
1.3 Big Data Storage Systems
1.4 Big Data Processing and Analytics Systems
1.5 Book Road Map
2 General-Purpose Big Data Processing Systems
2.1 The Big Data Star: The Hadoop Framework
2.1.1 The Original Architecture
2.1.2 Enhancements of the MapReduce Framework
2.1.2.1 Processing Join Operations
2.1.2.2 Supporting Iterative Processing
2.1.2.3 Data and Process Sharing
2.1.2.4 Support of Data Indices and Column Storage
2.1.2.5 Effective Data Placement
2.1.3 Hadoop\'s Ecosystem
2.2 Spark
2.3 Flink
2.4 Hyracks/ASTERIX
3 Large-Scale Processing Systems of Structured Data
3.1 Why SQL-On-Hadoop?
3.2 Hive
3.3 Impala
3.4 IBM Big SQL
3.5 SPARK SQL
3.6 HadoopDB
3.7 Presto
3.8 Tajo
3.9 Google Big Query
3.10 Phoenix
3.11 Polybase
4 Large-Scale Graph Processing Systems
4.1 The Challenges of Big Graphs
4.2 Does Hadoop Work Well for Big Graphs?
4.3 Pregel Family of Systems
4.3.1 The Original Architecture
4.3.2 Giraph: BSP+Hadoop for Graph Processing
4.3.3 Pregel Extensions
4.4 GraphLab Family of Systems
4.4.1 GraphLab
4.4.2 PowerGraph
4.4.3 GraphChi
4.5 Spark-Based Large-Scale Graph Processing Systems
4.6 Gradoop
4.7 Other Systems
4.8 Large-Scale RDF Processing Systems
4.8.1 NoSQL-Based RDF Systems
4.8.2 Hadoop-Based RDF Systems
4.8.3 Spark-Based RDF Systems
4.8.4 Other Distributed RDF Systems
5 Large-Scale Stream Processing Systems
5.1 The Big Data Streaming Problem
5.2 Hadoop for Big Streams?!
5.3 Storm
5.4 Infosphere Streams
5.5 Other Big Stream Processing Systems
5.6 Big Data Pipelining Frameworks
5.6.1 Pig Latin
5.6.2 Tez
5.6.3 Other Pipelining Systems
6 Large-Scale Machine/Deep Learning Frameworks
6.1 Harnessing the Value of Big Data
6.2 Big Machine Learning Frameworks
6.3 Deep Learning Frameworks
7 Conclusions and Outlook
References
توضیحاتی در مورد کتاب به زبان اصلی :
This book provides readers the “big picture” and a comprehensive survey of the domain of big data processing systems. For the past decade, the Hadoop framework has dominated the world of big data processing, yet recently academia and industry have started to recognize its limitations in several application domains and thus, it is now gradually being replaced by a collection of engines that are dedicated to specific verticals (e.g. structured data, graph data, and streaming data). The book explores this new wave of systems, which it refers to as Big Data 2.0 processing systems.
After Chapter 1 presents the general background of the big data phenomena, Chapter 2 provides an overview of various general-purpose big data processing systems that allow their users to develop various big data processing jobs for different application domains. In turn, Chapter 3 examines various systems that have been introduced to support the SQL flavor on top of the Hadoop infrastructure and provide competing and scalable performance in the processing of large-scale structured data. Chapter 4 discusses several systems that have been designed to tackle the problem of large-scale graph processing, while the main focus of Chapter 5 is on several systems that have been designed to provide scalable solutions for processing big data streams, and on other sets of systems that have been introduced to support the development of data pipelines between various types of big data processing jobs and systems. Next, Chapter 6 focuses on covering the emerging frameworks and systems in the domain of scalable machine learning and deep learning processing. Lastly, Chapter 7 shares conclusions and an outlook on future research challenges. This new and considerably enlarged second edition not only contains the completely new chapter 6, but also offers a refreshed content for the state-of-the-art in all domains of big data processing over the last years.
Overall, the book offers a valuable reference guide for professional, students, and researchers in the domain of big data processing systems. Further, its comprehensive content will hopefully encourage readers to pursue further research on the subject.