Tablet management

فهرست عناوین اصلی در این پاورپوینت

فهرست عناوین اصلی در این پاورپوینت

● Roadmap
● Homework
● Next week: Guest lecture
● Some Review
● Solving the Petascale Challenge:
What is the rate-limiting step in data understanding?
● Roundup
● A (non-disjoint) clustering
● Rough decision procedure
● Roadmap
● Google BigTable
● Data model
● Rows
● Column families
● Timestamps
● Tablet management
● Tablet location metadata
● Write processing
● Other tricks
● HBase
● Roadmap
● CouchDB: Data Model
● CouchDB: Updates
● CouchDB: Views
● Roadmap
● Joins
● Programming Models: My Terminology
● Cloud Services
● CAP Theorem [Brewer 2000, Lynch 2002] ● “Eventual Consistency”
● The “NoSQL” Movement

نوع زبان: انگلیسی حجم: 1.13 مگا بایت
نوع فایل: اسلاید پاورپوینت تعداد اسلایدها: 41 صفحه
سطح مطلب: نامشخص پسوند فایل: pptx
گروه موضوعی: زمان استخراج مطلب: 2019/06/15 11:33:56

لینک دانلود رایگان لینک دانلود کمکی

اسلایدهای پاورپوینت مرتبط در پایین صفحه

عبارات مهم استفاده شده در این مطلب

عبارات مهم استفاده شده در این مطلب

bill, uw, ۱۲, howe, datum, tablet, couchdb, nosql, decision, procedure, byte, ‘s, .,

توجه: این مطلب در تاریخ 2019/06/15 11:33:56 به صورت خودکار از فضای وب آشکار توسط موتور جستجوی پاورپوینت جمع آوری شده است و در صورت اعلام عدم رضایت تهیه کننده ی آن، طبق قوانین سایت از روی وب گاه حذف خواهد شد. این مطلب از وب سایت زیر استخراج شده است و مسئولیت انتشار آن با منبع اصلی است.

https://homes.cs.washington.edu/~billhowe/bigdatacloud/lecture5/lecture_5.pptx

در صورتی که محتوای فایل ارائه شده با عنوان مطلب سازگار نبود یا مطلب مذکور خلاف قوانین کشور بود لطفا در بخش دیدگاه (در پایین صفحه) به ما اطلاع دهید تا بعد از بررسی در کوتاه ترین زمان نسبت به حدف با اصلاح آن اقدام نماییم. جهت جستجوی پاورپوینت های بیشتر بر روی اینجا کلیک کنید.

عبارات پرتکرار و مهم در این اسلاید عبارتند از: bill, uw, ۱۲, howe, datum, tablet, couchdb, nosql, decision, procedure, byte, ‘s, .,

مشاهده محتوای متنیِ این اسلاید ppt

مشاهده محتوای متنیِ این اسلاید ppt

lecture ۵ low latency nosql part ۱ roadmap homework ۳ ۴ discussion some review nosql roundup example google bigtable apache hbase example couchdb ۴ ۳ ۱۲ bill howe uw ۲ homework no assignment this week catch up on assignment ۳ ۴ assignment ۳ big file upload vs. use in place change the number of slaves assignment ۴ share your upload strategy ۴ ۳ ۱۲ bill howe uw ۳ next week guest lecture jaime kinney amazon dynamodb other data services ۴ ۳ ۱۲ bill howe uw ۴ some review ۴ ۳ ۱۲ bill howe uw ۵ data intensive scalable science beyond mapreduce bill howe uw …plus a bunch of people src lincoln stein solving the petascale challenge what is the rate limiting step in data understanding amount of data in the world ۱ pb ۱ b ۱ ۱۵ bytes one quadrillion bytes src cecilia aragon the amount of data in the world is increasing exponentially… ۷ solving the petascale challenge what is the rate limiting step in data understanding processing power moore’s law ۱ pb ۱ b ۱ ۱۵ bytes one quadrillion bytes amount of data in the world src cecilia aragon and processing power either as raw processor speed or via novel multi core and many core architectures is also continuing to increase exponentially… ۸ solving the petascale challenge what is the rate limiting step in data understanding processing power moore’s law ۱ pb ۱ b ۱ ۱۵ bytes one quadrillion bytes effective processing power amdahl’s law amount of data in the world src cecilia aragon note multi core and many core architectures are the future of computer architecture but they will not scale at the same rate as moore’s law because to do so would require perfectly parellelizable computations which amdahl’s law gives us the speedup achievable based on the portion of parallelizable vs. serial portion of an algorithm. this is the picture as it is often drawn… but i think there’s an important piece missing. ۹ solving the petascale challenge what is the rate limiting step in data understanding processing power moore’s law human cognitive capacity idea adapted from less is more by bill buxton ۲ ۱ ۱ pb ۱ b ۱ ۱۵ bytes one quadrillion bytes amount of data in the world effective processing power amdahl’s law src cecilia aragon … but human cognitive capacity is remaining constant. how can computing technologies help scientists make sense out of these vast and complex data sets ۱ roundup hadoop greenplum pig dryad dryadlinq hive megastore dremel bigquery sawzall pregel scidb mapreduce scope simpledb cassandra couchdb mongodb spark twister haloop bigtable elastic mapreduce s۳ ۴ ۳ ۱۲ bill howe uw ۱۱ google microsoft yahoo facebook amazon startup university research uw apache open source project a non disjoint clustering parallel relational databases teradata greenplum netezza aster data systems datallegro vertica monetdb not mysql or postgresql nosql systems key value stores cassandra couchdb mongodb hbase mapreduce based systems hadoop pig hive cloud services simpledb s۳ megastore bigquery ۴ ۳ ۱۲ bill howe uw ۱۲ rough decision procedure ۴ ۳ ۱۲ bill howe uw ۱۳ parallel relational databases schema complex queries transactions high performance indexing views cost based optimization …. are you rich ~ ۲ k ۱۲۵k tb rough decision procedure ۴ ۳ ۱۲ bill howe uw ۱۴ hadoop locally managed java large unstructured files relatively small number of tasks system administration support need to want to roll your own algorithms rough decision procedure ۴ ۳ ۱۲ bill howe uw ۱۵ hadoop derivatives pig hive same as hadoop with a high level language support for multi step workflows rough decision procedure ۴ ۳ ۱۲ bill howe uw ۱۶ nosql one object at a time manipulation lots of concurrent users apps can you live without joins system administration need interactive response times e.g. you’re powering a web application rough decision procedure ۴ ۳ ۱۲ bill howe uw ۱۷ cloud services no local hardware no local sys admin support inconsistent workloads roadmap intro decision procedures nosql example apache hbase google bigtable nosql example couchdb discriminators programming model consistency latency cloud vs. local ۴ ۳ ۱۲ bill howe uw ۱۸ google bigtable osdi paper in ۲ ۶ some overlap with the authors of the mapreduce paper complementary to mapreduce recall what is mapreduce not designed for ۴ ۳ ۱۲ bill howe uw ۱۹ low latency transactions ۱۹ data model a sparse distributed persistent multi dimensional sorted map ۴ ۳ ۱۲ bill howe uw ۲ rows data is sorted lexicographically by row key row key range broken into tablets recall what was teradata’s model of distribution a tablet is the unit of distribution and load balancing ۴ ۳ ۱۲ bill howe uw ۲۱ column families column names of the form family qualifier family is the basic unit of access control memory accounting disk accounting typically all columns in a family the same type ۴ ۳ ۱۲ bill howe uw ۲۲ timestamps each cell can be versioned each new version increments the timestamp policies keep only latest n versions keep only versions since time t ۴ ۳ ۱۲ bill howe uw ۲۳ tablet management master assigns tablets to tablet servers tablet server manages reads and writes from its tablets clients communicate directly with tablet server tablet server splits tablets that have grown too large. ۴ ۳ ۱۲ bill howe uw ۲۴ tablet location metadata ۴ ۳ ۱۲ bill howe uw ۲۵ chubby distributed lock service write processing ۴ ۳ ۱۲ bill howe uw ۲۶ recent sequence of updates in memtable minor compaction write memtable buffer to a new sstable major compaction rewrite all sstables into one sstable clean deletes other tricks compression specified by clients bloom filters fast set membership test for row column pair reduces disk accesses during reads locality groups groups of column families frequently accessed together immutability sstables disk chunks are immutable only the memtable needs to support concurrent updates via copy on write ۴ ۳ ۱۲ bill howe uw ۲۷ hbase implementation of google bigtable compatible with hadoop tableinputformat allows reading of bigtable data in the map phase one mapper per tablet aside speculative execution ۴ ۳ ۱۲ bill howe uw ۲۸ roadmap intro decision procedures nosql example apache hbase google bigtable nosql example couchdb discriminators programming model consistency latency cloud vs. local ۴ ۳ ۱۲ bill howe uw ۲۹ couchdb data model document oriented document set of key value pairs ex ۴ ۳ ۱۲ bill howe uw ۳ subject i like plankton author rusty posteddate ۵ ۲۳ ۲ ۶ tags plankton baseball decisions body i decided today that i don t like baseball. i like plankton. couchdb updates acid atomic consistent isolated durable lock free concurrency optimistic – attempts to edit dirty data fail no transactions transaction sequence of related updates entire sequence considered acid ۴ ۳ ۱۲ bill howe uw ۳۱ couchdb views ۴ ۳ ۱۲ bill howe uw ۳۲ id design company rev ۱۲۳۴۵ language javascript views all map function doc if doc.type customer’ emit null doc by lastname map function doc if doc.type customer’ emit doc.lastname doc total purchases map function doc if doc.type purchase’ emit doc.customer doc.amount reduce function keys values return sum values roadmap intro decision procedures nosql example couchdb discriminators programming model consistency latency cloud vs. local ۴ ۳ ۱۲ bill howe uw ۳۳ joins ex show all comments by sue on any blog post by jim method ۱ lookup all blog posts by jim for each post lookup all comments and filter for sue method ۲ lookup all comments by sue for each comment lookup all posts and filter for jim method ۳ filter comments …

کلمات کلیدی پرکاربرد در این اسلاید پاورپوینت: bill, uw, ۱۲, howe, datum, tablet, couchdb, nosql, decision, procedure, byte, ‘s, .,

این فایل پاورپوینت شامل 41 اسلاید و به زبان انگلیسی و حجم آن 1.13 مگا بایت است. نوع قالب فایل pptx بوده که با این لینک قابل دانلود است. این مطلب برگرفته از سایت زیر است و مسئولیت انتشار آن با منبع اصلی می باشد که در تاریخ 2019/06/15 11:33:56 استخراج شده است.

https://homes.cs.washington.edu/~billhowe/bigdatacloud/lecture5/lecture_5.pptx

  • جهت آموزش های پاورپوینت بر روی اینجا کلیک کنید.
  • جهت دانلود رایگان قالب های حرفه ای پاورپوینت بر روی اینجا کلیک کنید.

رفتن به مشاهده اسلاید در بالای صفحه


پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *