The increasing volumes of relationa

The increasing volumes of relational data let us find an alter-
native to cope with them. The Hadoop framework - an open
source project based on the MapReduce paradigm - is a pop-
ular choice for big data analytics. However, the performance
gained from Hadoop’s features is currently limited by its de-
fault block placement policy, which does not take any data
characteristics into account. Indeed, the efficiency of many
operations can be improved by a careful data placement, in-
cluding indexing, grouping, aggregation and joins. In this
paper we propose a data warehouse distribution strategy
to improve query gain performances on multi-nodes clus-
ters, especially Hadoop clusters. Based on k-means clus-
tering methode that allows to master the number of clusters
through its k parameter, we investigate the performance gain
for OLAP cube construction with and without data organi-
zation. And this, by varying the number of clusters and
data warehouse size. Our experiments suggest that a good
data placement on a cluster during the implementation of
the data warehouse increase significantly the OLAP cube
construction and querying performances.

ผลลัพธ์ (ไทย) 1:

ไดรฟ์ข้อมูลที่เพิ่มขึ้นของข้อมูลเชิงสัมพันธ์ให้ find alter การ-พื้นเมืองเพื่อรับมือกับพวกเขา กรอบอย่างไร Hadoop - เปิดตัวแหล่งที่มาของโครงการตามกระบวนทัศน์ MapReduce - เป็น pop แบบเลือก ular สำหรับวิเคราะห์ข้อมูลขนาดใหญ่ อย่างไรก็ตาม ประสิทธิภาพการทำงานจากคุณลักษณะของอย่างไร Hadoop ในปัจจุบันถูกจำกัด ด้วยเดอของ -ข้อบกพร่องบล็อกวางนโยบาย ซึ่งใช้ข้อมูลลักษณะเป็นต้น Efficiency ของจริงสามารถปรับปรุงการดำเนินงาน ด้วยความระมัดระวังข้อมูลตำแหน่ง ในcluding ทำดัชนี จัดกลุ่ม การรวม และการรวม ในที่นี้กระดาษที่เรานำเสนอกลยุทธ์การกระจายสินค้าคลังสินค้าข้อมูลปรับปรุง แบบสอบถามเพื่อแสดงบนโหนหลาย clus-ters โดยเฉพาะอย่างยิ่งอย่างไร Hadoop คลัสเตอร์ ตาม clus หมายความว่า k-methode tering ที่อนุญาตให้หลักของคลัสเตอร์ผ่านพารามิเตอร์ k เราตรวจสอบการทำการสร้างลูกบาศก์ OLAP มี และไม่ มีข้อมูล organi-ความ และ โดยหมายเลขของคลัสเตอร์ที่แตกต่างกัน และขนาดของคลังข้อมูล การทดลองของเราแนะนำที่ดีการวางข้อมูลในคลัสเตอร์ในระหว่างการดำเนินงานของsignificantly เพิ่มคลังสินค้าของข้อมูล OLAP cubeก่อสร้างและการแสดงการสอบถาม

ผลลัพธ์ (ไทย) 2:

ปริมาณที่เพิ่มขึ้นของข้อมูลเชิงสัมพันธ์ให้เรา fi ครั้งทางเลือกอื่น
พื้นเมืองที่จะรับมือกับพวกเขา กรอบ Hadoop - เปิด
โครงการมาขึ้นอยู่กับกระบวนทัศน์ MapReduce - เป็นป๊อป
เลือก ular สำหรับการวิเคราะห์ข้อมูลขนาดใหญ่ อย่างไรก็ตามผลการดำเนินงาน
ที่ได้รับจากคุณลักษณะ Hadoop ถูก จำกัด อยู่ในปัจจุบันโดยตัวของมัน de-
นโยบายการจัดวางบล็อกความผิดที่ไม่ได้ใช้ข้อมูลใด ๆ ที่
มีลักษณะเข้าบัญชี อันที่จริงการขาดเพียงอี FFI ของหลาย
การดำเนินงานได้ดีขึ้นโดยการจัดวางข้อมูลระวังทำา
การจัดทำดัชนี cluding การจัดกลุ่มการรวมตัวและร่วม ในการนี้
กระดาษที่เรานำเสนอกลยุทธ์การกระจายคลังข้อมูล
เพื่อปรับปรุงการแสดงผลกำไรจากแบบสอบถามในโหนดหลาย clus-
อักษรโดยเฉพาะอย่างยิ่งกลุ่ม Hadoop ขึ้นอยู่กับ k-หมายความ clus-
Methode Tering ที่ช่วยให้การต้นแบบจำนวนของกลุ่ม
ผ่านพารามิเตอร์ k, เราจะตรวจสอบได้รับประสิทธิภาพ
สำหรับการก่อสร้างลูกบาศก์ OLAP ที่มีและไม่มีข้อมูลถึงองค์กร
zation และนี่โดยที่แตกต่างกันจำนวนของกลุ่มและ
ขนาดคลังข้อมูล การทดลองของเราแสดงให้เห็นว่าที่ดี
การจัดวางข้อมูลในคลัสเตอร์ในระหว่างการดำเนินการ
เพิ่มคลังข้อมูลมีนัยสำคัญด้วยกันลูกบาศก์ OLAP
การก่อสร้างและการสอบถามการแสดง

ผลลัพธ์ (ไทย) 3:

การเพิ่มปริมาณของข้อมูลเชิงให้เราจึงมีการเปลี่ยนแปลงครั้ง -
พื้นเมืองที่จะรับมือกับพวกเขา กรอบ - Hadoop เปิด
โครงการที่มาตาม mapreduce กระบวนทัศน์ - ป๊อป -
ular ทางเลือกใหญ่ข้อมูลวิเคราะห์ อย่างไรก็ตาม การแสดง
ได้รับจาก Hadoop มีกำลังจำกัด โดยเดอ -
ผิดบล็อกการจัดวางนโยบายที่ไม่ได้รับข้อมูลใดๆ
ลักษณะลงในบัญชีแน่นอน , E ffiประสิทธิภาพการดําเนินงานหลาย
สามารถปรับปรุงโดยการจัดวางข้อมูลระวัง , -
รวมดัชนี , การจัดกลุ่มการรวมและเข้าร่วม ในกระดาษนี้
เราเสนอข้อมูลคลังสินค้าการกระจายกลยุทธ์
ปรับปรุงแบบสอบถามได้รับการแสดงบนมัลติโหนด clus -
ters โดยเฉพาะอย่างยิ่งกลุ่ม Hadoop . ตาม k-means clus -
tering วิธีการที่ช่วยให้อาจารย์จำนวนกลุ่ม
ผ่านพารามิเตอร์ของ K , เราตรวจสอบประสิทธิภาพสำหรับ OLAP Cube ก่อสร้างได้
-
ที่มีและไม่มีข้อมูล หรือรับรองเอกสาร . และนี่ โดยกำหนดจำนวนกลุ่มและขนาดคลังสินค้า
ข้อมูล การทดลองของเราแนะนำว่าดี
ข้อมูลตำแหน่งบนคลัสเตอร์ในระหว่างการ
ข้อมูลคลังสินค้าเพิ่ม signi จึงลดลงอย่างมีนัยสําคัญเมื่อ OLAP Cube
ก่อสร้างและสอบถามการปฏิบัติ