There is currently considerable ent

There is currently considerable enthusiasm around the MapReduce (MR) paradigm for large-scale data analysis [17]. Although the basic control flow of this framework has existed in parallel SQL database management systems (DBMS) for over 20 years, some have called MR a dramatically new computing model [8, 17]. In this paper, we describe and compare both paradigms. Furthermore, we evaluate both kinds of systems in terms of performance and development complexity. To this end, we define a benchmark consisting of a collection of tasks that we have run on an open source version of MR as well as on two parallel DBMSs. For each task, we measure each system's performance for various degrees of parallelism on a cluster of 100 nodes. Our results reveal some interesting trade-offs. Although the process to load data into and tune the execution of parallel DBMSs took much longer than the MR system, the observed performance of these DBMSs was strikingly better. We speculate about the causes of the dramatic performance difference and consider implementation concepts that future systems should take from both kinds of architectures.

ผลลัพธ์ (ไทย) 1:

มีความกระตือรือร้นมากในขณะนี้สถานกระบวนทัศน์ MapReduce (MR) สำหรับการวิเคราะห์ข้อมูลขนาดใหญ่ [17] แม้ว่าขั้นตอนการควบคุมพื้นฐานของกรอบนี้มีอยู่ในแบบ SQL ฐานข้อมูลระบบการจัดการ (DBMS) กว่า 20 ปี บางได้เรียกนายแบบจำลองระบบคอมพิวเตอร์ใหม่อย่างมาก [8, 17] ในเอกสารนี้ เราสามารถอธิบาย และเปรียบเทียบทั้ง paradigms นอกจากนี้ เราประเมินทั้งชนิดของระบบในแง่ของประสิทธิภาพและการพัฒนาความซับซ้อน เพื่อการนี้ เรากำหนดเกณฑ์มาตรฐานที่ประกอบด้วยชุดของภารกิจที่เราได้ทำงาน บนรุ่นเปิดแหล่งที่มาของนาย พร้อม DBMSs สองขนาน สำหรับแต่ละงาน เราวัดประสิทธิภาพของระบบแต่ละองศาต่าง ๆ ของ parallelism ในคลัสเตอร์ของโหนด 100 ผลของเราเปิดเผยบางอย่างที่น่าสนใจทางเลือก แม้ว่ากระบวนการเพื่อโหลดข้อมูลเข้า และปรับแต่ง DBMSs แบบขนานในการใช้เวลานานกว่าระบบนาย ประสิทธิภาพของ DBMSs เหล่านี้สังเกตได้ดีกว่า เราคาดการณ์เกี่ยวกับสาเหตุของความแตกต่างของประสิทธิภาพการทำงานละคร และพิจารณานำแนวคิดที่ว่าในอนาคตระบบควรใช้จากทั้งสองชนิดของสถาปัตยกรรม

ผลลัพธ์ (ไทย) 2:

ขณะนี้มีความกระตือรือร้นมากรอบ MapReduce คือ (MR) กระบวนทัศน์ในการวิเคราะห์ข้อมูลขนาดใหญ่ [17] แม้ว่าการควบคุมการไหลพื้นฐานของกรอบนี้มีอยู่ในแบบคู่ขนานระบบการจัดการฐานข้อมูล SQL (DBMS) มานานกว่า 20 ปีที่ผ่านมามีบางคนเรียกว่านายแบบจำลองคอมพิวเตอร์ใหม่อย่างรวดเร็ว [8, 17] ในบทความนี้เราจะอธิบายและเปรียบเทียบทั้งกระบวนทัศน์ นอกจากนี้เราประเมินทั้งสองชนิดของระบบในแง่ของประสิทธิภาพและการพัฒนาความซับซ้อน ด้วยเหตุนี้เรากำหนดมาตรฐานประกอบด้วยคอลเลกชันของงานที่เราได้ทำงานในรุ่นเปิดแหล่งที่มาของนายเช่นเดียวกับสอง DBMSs ขนาน สำหรับแต่ละงานเราจะวัดประสิทธิภาพของระบบในแต่ละระดับที่แตกต่างของความเท่าเทียมในคลัสเตอร์ 100 โหนด ผลของเราแสดงให้เห็นบางคนไม่ชอบการค้าที่น่าสนใจ แม้ว่ากระบวนการในการโหลดข้อมูลเข้าและปรับแต่งการทำงานของ DBMSs ขนานเอานานกว่าระบบ MR ที่ผลการดำเนินงานของ DBMSs สังเกตเหล่านี้เป็นอย่างยอดเยี่ยมที่ดีขึ้น เราคาดการณ์เกี่ยวกับสาเหตุของความแตกต่างอย่างมากผลการดำเนินงานและพิจารณาดำเนินการตามแนวความคิดว่าระบบในอนาคตควรจะใช้เวลาจากทั้งสองชนิดของสถ​​าปัตยกรรม

ผลลัพธ์ (ไทย) 3:

ขณะนี้มีความกระตือรือร้นมาก ๆ mapreduce ( MR ) กระบวนทัศน์สำหรับการวิเคราะห์ข้อมูลขนาดใหญ่ [ 17 ] แม้ว่าพื้นฐานการควบคุมการไหลของกรอบนี้มีอยู่ใน SQL ระบบฐานข้อมูลแบบขนาน ( DBMS ) มานานกว่า 20 ปี ได้เรียกนายเป็นคอมพิวเตอร์แบบใหม่ [ 8 , 17 ) ในกระดาษนี้เราอธิบายและเปรียบเทียบทั้งสองกระบวนทัศน์ . นอกจากนี้เราประเมินทั้งสองประเภทของระบบในแง่ของประสิทธิภาพและการพัฒนาความซับซ้อน จุดนี้เราได้กำหนดเกณฑ์มาตรฐานประกอบด้วยคอลเลกชันของงานที่เราได้ใช้รุ่นโอเพนซอร์สคุณรวมทั้งสองขนาน DBMSs . สำหรับงานแต่ละงาน เราวัดประสิทธิภาพของระบบในแต่ละองศาต่างๆของความเท่าเทียมในกลุ่ม 100 โหนดผลของเราเปิดเผยบางส่วนไม่ชอบการค้าที่น่าสนใจ แม้ว่ากระบวนการในการโหลดข้อมูลลง และปรับการทำงานของ DBMSs ขนานใช้เวลานานกว่าระบบคุณ สังเกตการปฏิบัติงานของเหล่านี้ DBMSs เป็นอย่างดีเราคาดการณ์เกี่ยวกับสาเหตุของความแตกต่าง การแสดงละคร และพิจารณาการใช้แนวคิดว่า ระบบในอนาคต ควรใช้ทั้งชนิดของสถาปัตยกรรม .