To understand the system’s performa

To understand the system’s performance characteristics over its entire design space, we need to vary both
compute and disk resources to determine the point where
these resources are balanced and yield best performance.
These experiments thus quantify the performance effect of
adding more nodes to a cluster. In Figure 9, the performance of a benchmark for a given number of CPU cores is
plotted on the Y-axis, while clustering the results based on
the number of disks used on the X-axis. Each bar represents
the number of cores used for the experiment. The trend to
note here is that the least execution time occurs when using the most resources (768 cores and all the 64 disks). This
shows that Hadoop MapReduce jobs have improved execu
tion time when executed on a larger cluster

ผลลัพธ์ (ไทย) 1:

เข้าใจลักษณะการทำงานของระบบมากกว่าทั้งการออกแบบพื้นที่ เราจำเป็นต้องแตกต่างกันไปทั้งสองคำนวณ และดิสก์ทรัพยากรเพื่อกำหนดจุดที่ทรัพยากรเหล่านี้มีความสมดุล และให้ประสิทธิภาพสูงสุดการทดลองนี้จึงกำหนดปริมาณผลกระทบต่อประสิทธิภาพของเพิ่มโหนเพิ่มเติมลงในคลัสเตอร์ ในรูปที่ 9 ประสิทธิภาพของมาตรฐานสำหรับจำนวนแกน CPU คือลงจุดบนแกน y ในขณะที่ผลลัพธ์ตามคลัสเตอร์จำนวนของดิสก์ที่ใช้บนแกน x แต่ละแถบจำนวนแกนที่ใช้สำหรับการทดลอง แนวโน้มการหมายเหตุนี่คือ ว่า เวลาดำเนินการน้อยที่สุดเกิดขึ้นเมื่อใช้ทรัพยากรมากที่ (768 แกนและดิสก์ 64 ทั้งหมด) นี้แสดงว่า งาน Hadoop MapReduce ได้ปรับปรุงทเมนต์ทางการค้าครั้งเมื่อดำเนินการในคลัสเตอร์ขนาดใหญ่

ผลลัพธ์ (ไทย) 2:

เพื่อให้เข้าใจถึงลักษณะการทำงานของระบบมากกว่าการออกแบบพื้นที่ทั้งหมดของเราต้องแตกต่างกันไปทั้ง
คำนวณและดิสก์ทรัพยากรในการกำหนดจุดที่
ทรัพยากรเหล่านี้มีความสมดุลและผลผลิตประสิทธิภาพที่ดีที่สุด.
การทดลองนี้จึงปริมาณผลการปฏิบัติงานของ
การเพิ่มโหนดมากขึ้นในคลัสเตอร์ ในรูปที่ 9 ประสิทธิภาพการทำงานของมาตรฐานสำหรับจำนวนที่กำหนดของแกนซีพียูที่มี
พล็อตในแกน Y ในขณะที่การจัดกลุ่มผลลัพธ์ตาม
จำนวนของดิสก์ที่ใช้ในแกน X แต่ละแถบแสดง
จำนวนของแกนที่ใช้ในการทดลอง แนวโน้มที่จะ
ทราบว่านี่คือเวลาดำเนินการอย่างน้อยเกิดขึ้นเมื่อใช้ทรัพยากรมากที่สุด (768 แกนและทั้งหมด 64 ดิสก์) นี้
แสดงให้เห็นว่างาน Hadoop MapReduce มีการปรับปรุง Execu
เวลาการเมื่อดำเนินการในคลัสเตอร์ที่มีขนาดใหญ่

ผลลัพธ์ (ไทย) 3:

เพื่อให้เข้าใจลักษณะการทำงานของระบบมากกว่าพื้นที่การออกแบบทั้งหมด เราต้องแตกต่างกันทั้งคอมพิวเตอร์และทรัพยากรดิสก์เพื่อตรวจสอบจุดที่ทรัพยากรเหล่านี้มีความสมดุลและมีประสิทธิภาพที่ดีที่สุดของผลผลิตการทดลองเหล่านี้ดังนั้นปริมาณการแสดงผลของการเพิ่มโหนดเพิ่มเติมแก่กลุ่ม ในรูปที่ 9 , ประสิทธิภาพของเกณฑ์มาตรฐานสำหรับจำนวนของ CPU แกนคือลงจุดบนแกน y ในขณะที่การจัดกลุ่มผลลัพธ์ตามจำนวนของดิสก์ที่ใช้ในแกน X แต่ละแถบ หมายถึงจำนวนของแกนใช้สำหรับการทดลอง แนวโน้มที่จะหมายเหตุที่นี่คือการประหารชีวิตอย่างน้อยเวลาเกิดขึ้นเมื่อใช้ทรัพยากรมากที่สุด ( 768 และแกนทั้งหมด 64 ดิสก์ ) นี้แสดงงาน mapreduce Hadoop ได้ดี execution เวลารันบนคลัสเตอร์ขนาดใหญ่