تعداد نشریات | 39 |
تعداد شمارهها | 1,175 |
تعداد مقالات | 8,460 |
تعداد مشاهده مقاله | 6,348,507 |
تعداد دریافت فایل اصل مقاله | 3,599,728 |
چارچوب هدوپ ، کاربردها و چالشهای پیش روی آن | ||
پدافند غیرعامل | ||
مقاله 6، دوره 9، شماره 2، شهریور 1397، صفحه 61-68 اصل مقاله (872 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محمد درویشی؛ مهدی نقوی* | ||
دانشگاه امام حسین | ||
تاریخ دریافت: 11 اردیبهشت 1396، تاریخ بازنگری: 12 اسفند 1397، تاریخ پذیرش: 28 شهریور 1397 | ||
چکیده | ||
در سالهای اخیر، شاهد افزایش چشمگیر تولید داده بودهایم. به گفته IBM تقریباً، 90 % کل دادههای ذخیرهشده موجود در دنیا، در دو سال اخیر تولید شدهاند و برای اولین بار در تاریخ، در سال 2007 میلادی بود که حجم دادههای تولیدی فراتر از فضای موجود برای ذخیرهسازی آنها رفت. همچنین، طیف گستردهای از برنامههای کاربردی مانند موتورهای جستجو، تحقیقات پزشکی، پیشبینی آبوهوا و برنامههای علمی برای پردازش و تجزیهوتحلیل مقادیر دادهای بزرگ نیازمند محیطهای توزیعشده هستند. دادههای عظیم همانند سایر فنآوریها، فرصتها و چالشهای متعددی را پیشروی استفادهکنندگان قرار داده است، استفاده از فرصتها و مزایای آن در کسبوکار و مدیریت صحیح چالشها به یکی از موضوعات داغ در عرصه فنآوری اطلاعات تبدیل شده است. بنابراین، وجود راهحلی برای پردازش اطلاعات عظیم با هزینهای مقرون بهصرفه بسیار اهمیت دارد، لذا یکی از بهترین راهحلها برای رفع مشکل پردازش اطلاعات عظیم استفاده از چارچوب آپاچی هدوپ است. تعریف گارتنر از هدوپ این است که «هدوپ یک چارچوب مدیریت داده است که حجم زیادی از دادههای دارای ساختار و بدون ساختار را که تقریباً در تمامی لایههای سازمانی اثر میگذارد، در کنار هم میآورد که موجب قرارگیری آن در بطن مراکز داده میشود». هدوپ بخشی از پروژه آپاچی است که بنیاد نرمافزار آپاچی آن را حمایت میکند. در واقع، هدوپ یک چارچوب برنامهنویسی رایگان و مبتنی بر جاوا است که ما را در پردازش مجموعههای عظیمی از دادهها در یک محیط پردازش توزیعی پشتیبانی میکند. لذا در این مقاله قصد داریم مقایسهای بین پایگاه دادههای ساختیافته و نیافته داشته باشیم و سپس به بررسی معماری آپاچی هدوپ و کاربردهای وسیع آن در دادههای عظیم امروزی و همچنین چالشهای پیشروی این فناوری نوپا مثل پردازش دستهای، گلوگاه و پردازشهای بلادرنگ بپردازیم. | ||
کلیدواژهها | ||
پردازش دستهای؛ پردازش بلادرنگ؛ آپاچی هدوپ؛ سیستمهای توزیعی؛ مقیاس پذیری؛ دادههای عظیم | ||
مراجع | ||
3. K. Grolinger, M. Hayes, A. Higashino, A. L'Heureux, and Allison, “Challenges for Map Reduce and Hadoop in Big Data,” Department of Electrical and Computer Engineering Western University, London, IEEE 2014.## 4.Ch. Wong Lee, S. Hong Cho, J. Wook Kim, and D. HoonHwang, “Development of electric trading system using big data,” International Journal of Multimedia and Ubiquitous Engineering, vol .9, 2014.## 5.H. wardhan, Bh. Devendra, and P. Gadekar, “A Review Paper on Big Data and Hadoop,” International Journal of Scientific and Research Publications, vol. 4, Issue 10, October 2014.## 6.A. Madaan, et al., “Hadoop: Solution to Unstructured Data Handling,” Big Data Analytics, Springer, Singapore, 2018.## 7. J. Schnase, D. Duffy, S. Strong, D. Nadeau, and H. Thompson, “Applying Apache Hadoop to NASA’s Big Climate Data,” National Aeronautics and Space Administration, 2014.## 8.R. R. Parmar, et al., “Large-Scale Encryption in the Hadoop Environment: Challenges and Solutions,” IEEE Access 5, pp. 7156-7163, 2017.## 9. S. Sakr, A. Liu, D. M. Batista, and M. Alomari, “A survey of large scale data management approaches in cloud environments,” Communications Surveys & Tutorials, IEEE, vol. 13, pp. 311-336, Jaiswal, Er Shalika, and Amandeep Singh Walia, “Big Data and Hadoop challenges and issues,” International Journal 8.4, 2017.## 10.J. Anuradha, “A brief introduction on Big Data 5Vs characteristics and Hadoop technology,” Procedia computer science 48, pp. 319-324, 2015.## 11.http://www.bigdatacompanies.com/top-5-hadoop-distributions-for-big-data/## 12.http://cakesolutions.net/teamblogs/comparison-of-apache-stream-processing-frameworks-part-1## 13.J. E. Shalika and E. A. Singh Walia, “Big Data and Hadoop challenges and issues,” International Journal, vol. 8, no. 4, 2017.## | ||
آمار تعداد مشاهده مقاله: 1,130 تعداد دریافت فایل اصل مقاله: 330 |