While high-level data parallel fram

While high-level data parallel frameworks, like MapReduce, simplify
the design and implementation of large-scale data processing
systems, they do not naturally or efficiently support many important
data mining and machine learning algorithms and can lead to inefficient
learning systems. To help fill this critical void, we introduced
the GraphLab abstraction which naturally expresses asynchronous,
dynamic, graph-parallel computation while ensuring data consistency
and achieving a high degree of parallel performance in the
shared-memory setting. In this paper, we extend the GraphLab
framework to the substantially more challenging distributed setting
while preserving strong data consistency guarantees.
We develop graph based extensions to pipelined locking and data
versioning to reduce network congestion and mitigate the effect of
network latency. We also introduce fault tolerance to the GraphLab
abstraction using the classic Chandy-Lamport snapshot algorithm
and demonstrate how it can be easily implemented by exploiting
the GraphLab abstraction itself. Finally, we evaluate our distributed
implementation of the GraphLab abstraction on a large Amazon
EC2 deployment and show 1-2 orders of magnitude performance
gains over Hadoop-based implementations.

ผลลัพธ์ (ไทย) 1:

ในขณะที่ข้อมูลพื้นฐานแบบขนานกรอบ เช่น MapReduce ง่ายการออกแบบและดำเนินการประมวลผลข้อมูลขนาดใหญ่ระบบ พวกเขาตามธรรมชาติ หรือมีประสิทธิภาพได้มากที่สำคัญการทำเหมืองข้อมูลและเครื่องเรียนรู้อัลกอริทึมและสามารถนำไปต่ำเรียนรู้ระบบ ช่วยกรอกข้อมูลสำคัญนี้โมฆะ เราแนะนำabstraction GraphLab ที่ธรรมชาติแสดงแบบอะซิงโครนัสคำนวณแบบไดนามิก กราฟขนานในขณะที่ข้อมูลแน่และบรรลุเป้าหมายระดับสูงพร้อมประสิทธิภาพในการการตั้งค่าใช้ร่วมกันหน่วยความจำ ในเอกสารนี้ เราได้ขยายการ GraphLabตั้งค่ากระจายกรอบการท้าทายอย่างมากในขณะที่รักษาประกันความสอดคล้องของข้อมูลที่แข็งแรงเราพัฒนาขยายกราฟตาม pipelined ล็อกและข้อมูลรุ่นเพื่อลดการแออัดของเครือข่าย และบรรเทาผลของเวลาแฝงเครือข่าย เรายังแนะนำค่าเผื่อความบกพร่อง GraphLababstraction ที่ใช้อัลกอริทึมการ snapshot ของ Chandy Lamport คลาสสิกและแสดงให้เห็นว่ามันสามารถจะได้ดำเนินการ โดย exploitingabstraction GraphLab เอง สุดท้าย เราประเมินของเรากระจายดำเนินงานของ abstraction GraphLab ใน Amazon ขนาดใหญ่ประสิทธิภาพ EC2 ปรับใช้และดู 1-2 อันดับของขนาดกำไรมากกว่าอย่างไร Hadoop ตามการใช้งาน

ผลลัพธ์ (ไทย) 2:

ขณะที่ข้อมูลระดับสูงกรอบคู่ขนานเช่น MapReduce, ลดความซับซ้อนของการออกแบบและการใช้งานของข้อมูลขนาดใหญ่การประมวลผลระบบพวกเขาไม่ได้เป็นธรรมชาติได้อย่างมีประสิทธิภาพหรือการสนับสนุนที่สำคัญมากการทำเหมืองข้อมูลและการเรียนรู้เครื่องขั้นตอนวิธีและสามารถนำไปสู่การไม่มีประสิทธิภาพระบบการเรียนรู้ ที่จะช่วยเติมเต็มช่องว่างที่สำคัญเราแนะนำนามธรรม GraphLab ซึ่งเป็นการแสดงออกถึงความเป็นธรรมชาติที่ไม่ตรงกันแบบไดนามิกคำนวณกราฟขนานขณะที่มั่นใจความสอดคล้องของข้อมูลและประสบความสำเร็จในระดับสูงของประสิทธิภาพการทำงานแบบคู่ขนานในการตั้งค่าหน่วยความจำที่ใช้ร่วมกัน ในบทความนี้เราขยาย GraphLab กรอบไปอย่างมีนัยสำคัญการตั้งค่าการกระจายที่ท้าทายมากขึ้นในขณะที่รักษาความสอดคล้องของข้อมูลการค้ำประกันที่แข็งแกร่ง. เราพัฒนาส่วนขยายตามกราฟจะล็อคไปป์ไลน์และข้อมูลเวอร์ชันเพื่อลดความแออัดของเครือข่ายและลดผลกระทบจากความล่าช้าของเครือข่าย นอกจากนี้เรายังแนะนำความอดทนความผิดไปที่ GraphLab นามธรรมโดยใช้ขั้นตอนวิธีคลาสสิกภาพรวม Chandy-Lamport และแสดงให้เห็นถึงวิธีการที่จะสามารถดำเนินการได้อย่างง่ายดายโดยการใช้ประโยชน์จากนามธรรม GraphLab ตัวเอง สุดท้ายเราประเมินการกระจายของเราดำเนินงานของนามธรรม GraphLab บนอเมซอนที่มีขนาดใหญ่ใช้งานEC2 และแสดง 1-2 คำสั่งของประสิทธิภาพการทำงานที่สำคัญกำไรมากกว่าการใช้งานHadoop-based

ผลลัพธ์ (ไทย) 3:

ขณะที่พื้นฐานกรอบข้อมูลแบบขนาน เช่น mapreduce , ลดความซับซ้อนของการออกแบบและใช้งานระบบ

ข้อมูลการประมวลผลขนาดใหญ่ พวกเขาไม่ธรรมชาติ หรือ มีหลายคนสนับสนุนสำคัญ
การทำเหมืองข้อมูลและอัลกอริทึมการเรียนรู้ของเครื่องจักร และสามารถนำไปสู่ประสิทธิภาพ
การเรียนรู้ระบบ จะช่วยเติมเต็มช่องว่างที่สำคัญนี้ เราแนะนำ
graphlab นามธรรมที่แสดงแบบธรรมชาติ ,
แบบไดนามิก , กราฟขนานการคำนวณในขณะที่มั่นใจ
ความสอดคล้องของข้อมูลและการบรรลุระดับสูงของการทำงานแบบขนานใน
หน่วยความจำที่ใช้ร่วมกันการตั้งค่า ในกระดาษนี้เราขยาย graphlab
กรอบกับความท้าทายอย่างมากมากกว่ากระจายการตั้งค่า
ในขณะที่รักษารับประกันความสอดคล้องของข้อมูลที่แข็งแรง
เราพัฒนากราฟตามนามสกุล pipelined
ล็อคและข้อมูลรุ่น เพื่อลดความแออัดของเครือข่ายและลดผลกระทบของ
ศักยภาพเครือข่าย เรายังแนะนำความอดทนความผิดกับนามธรรม graphlab
ใช้คลาสสิก chandy แลมพ ์ตภาพรวมขั้นตอนวิธี
และแสดงให้เห็นถึงวิธีที่สามารถใช้งานได้อย่างง่ายดาย โดยการใช้ประโยชน์ graphlab
นามธรรมนั่นเอง ในที่สุด เราประเมินการดำเนินงานของ graphlab ของเรา

เป็นนามธรรมใน Amazon ที่มีขนาดใหญ่ใช้ EC2 และแสดง 1-2 จากผลงาน
สั่งขนาดกว่า Hadoop ตามใช้งาน