بررسی و تفصیل طرح نگاشت و کاهش در پردازش موازی دادههای انبوه
Publish place: National Conference of Technology, Energy & Data on Electrical & Computer Engineering
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 817
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TEDECE01_509
تاریخ نمایه سازی: 30 آبان 1394
Abstract:
از Map Reduceابزار های معروف پردازش داده به صورت موازی است که مراکز صنعتی و دانشگاهی را به خود جذب نموده است ودر جهت تجزیه و تحلیل، به صورت روز افزون در حال رشد است. معمولاً در محاسبات انبوهMR اولین شاخص است. با آنکه سالهاست که از MR استفاده می شود ولی کارآیی و انتزاع جریان آن، عامل تحقیقات است MR یک طرح و مدل برنامه نویسی موازی کارآمد گوگل است که بعدها، همتای متن باز آن یعنی هادوپ را پیادهسازی کردند. دو تابع مهم برنامه Reduce و Map محاسبات را مطرح کرده و کتابخانه MR به صورت خودکار موازی سازی محاسبات را اجرا و مسائل پیچیده توزیع دادههای انبوه و توازن بار و تحمل خطا را مدیریت می کند. هدف از پیاده سازی اولیه براساس این مدل برنامه نویسی، انجام محاسبات موازی روی کلاسترهای ماشینهای توزیع شده بود که به سمت پیاده سازیهای دیگری مانند Mars با قابلیت اجرا روی پردازندههای گرافیکی و Phoenix با قابلیت حافظه مشترک روی مدل برنامه نویسی MR سوق داده شد
Keywords:
Authors
سمیه السادات موسوی
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات کرمانشاه، کرمانشاه، ایران
معصومه زمانی
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد علوم و تحقیقات سنندج، کردستان، ایران
نسرین جعفریان
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد علوم و تحقیقات سنندج، کردستان، ایران
خدیجه السادات موسوی
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات کرمانشاه، کرمانشاه، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :