We present Resilient Distributed Da

We present Resilient Distributed Datasets (RDDs), a distributed
memory abstraction that lets programmers perform
in-memory computations on large clusters in a
fault-tolerant manner. RDDs are motivated by two types
of applications that current computing frameworks handle
inefficiently: iterative algorithms and interactive data
mining tools. In both cases, keeping data in memory
can improve performance by an order of magnitude.
To achieve fault tolerance efficiently, RDDs provide a
restricted form of shared memory, based on coarsegrained
transformations rather than fine-grained updates
to shared state. However, we show that RDDs are expressive
enough to capture a wide class of computations, including
recent specialized programming models for iterative
jobs, such as Pregel, and new applications that these
models do not capture.We have implemented RDDs in a
system called Spark, which we evaluate through a variety
of user applications and benchmarks

ผลลัพธ์ (ไทย) 1:

เรานำเสนอความยืดหยุ่นกระจาย Datasets (RDDs), การกระจายabstraction หน่วยความจำที่ช่วยให้โปรแกรมเมอร์ดำเนินประมวลผลในหน่วยความจำบนคลัสเตอร์ขนาดใหญ่ในการลักษณะทนต่อ RDDs มีแรงจูงใจแบบโปรแกรมประยุกต์ที่จัดการกรอบปัจจุบันคอมพิวเตอร์ทิ้งไปอย่างสิ้นเปลือง: อัลกอริทึมที่ซ้ำและโต้ตอบข้อมูลเครื่องมือทำเหมือง ในทั้งสองกรณี เก็บข้อมูลในหน่วยความจำสามารถเพิ่มประสิทธิภาพ โดยการสั่งของขนาดเพื่อให้บรรลุการยอมรับข้อบกพร่องได้อย่างมีประสิทธิภาพ RDDs ให้เป็นแบบฟอร์มการจำกัดหน่วยความจำที่ใช้ร่วมกัน ตาม coarsegrainedแปลงแทนที่ปรับปรุงทรายแป้งละเอียดการร่วมรัฐ อย่างไรก็ตาม เราแสดง RDDs แสดงออกพอจับระดับกว้างของหนึ่ง รวมถึงล่าสุดผู้เชี่ยวชาญรูปแบบการเขียนโปรแกรมสำหรับซ้ำงาน เช่น Pregel และใหม่ที่นี่รุ่นไม่มีการจับภาพ เราใช้ RDDs ในการระบบที่เรียกว่าสปาร์ค ซึ่งเราประเมินต่าง ๆผู้ใช้งานและเกณฑ์มาตรฐาน

ผลลัพธ์ (ไทย) 2:

เรานำเสนอชุดข้อมูลกระจายยืดหยุ่น (RDDs) กระจายนามธรรมหน่วยความจำที่ช่วยให้โปรแกรมเมอร์ดำเนินการคำนวณในหน่วยความจำในกลุ่มที่มีขนาดใหญ่ในลักษณะที่ผิดพลาด RDDs มีแรงจูงใจจากสองประเภทของการใช้งานคอมพิวเตอร์ที่กรอบปัจจุบันจัดการผล: ขั้นตอนวิธีการทำซ้ำข้อมูลและโต้ตอบเครื่องมือการทำเหมืองแร่ ในทั้งสองกรณีการเก็บรักษาข้อมูลในหน่วยความจำที่สามารถปรับปรุงประสิทธิภาพการทำงานโดยลำดับความสำคัญ. เพื่อให้เกิดการยอมรับความผิดได้อย่างมีประสิทธิภาพ RDDs ให้รูปแบบที่จำกัด ของหน่วยความจำที่ใช้ร่วมกันบนพื้นฐานของ coarsegrained แปลงมากกว่าการปรับปรุงละเอียดไปยังรัฐที่ใช้ร่วมกัน แต่เราแสดงให้เห็นว่ามีการแสดง RDDs พอที่จะจับระดับกว้างของการคำนวณรวมทั้งรูปแบบการเขียนโปรแกรมเฉพาะที่ผ่านมาสำหรับการทำซ้ำงานเช่นPregel และการใช้งานใหม่ที่เหล่านี้แบบไม่ได้ดำเนินการcapture.We RDDs ในระบบที่เรียกว่าจุดประกายซึ่งเราประเมินผ่านความหลากหลายของการใช้งานของผู้ใช้และมาตรฐาน

ผลลัพธ์ (ไทย) 3:

เรานำเสนอความยืดหยุ่นกระจายข้อมูล ( rdds ) ซึ่งเป็นหน่วยความจำที่ช่วยให้โปรแกรมเมอร์ที่เป็นนามธรรมกระจาย

ในรูปแสดงหน่วยความจำในกลุ่มใหญ่ใน
) ลักษณะ rdds มีแรงจูงใจจากสองประเภทของการใช้งานคอมพิวเตอร์ในปัจจุบันที่กรอบ

มีด้ามจับ : ขั้นตอนวิธีซ้ำและเครื่องมือการทำเหมืองข้อมูล
แบบโต้ตอบ ในทั้งสองกรณีการรักษาข้อมูลในหน่วยความจำ
สามารถปรับปรุงประสิทธิภาพของคำสั่งของขนาด .
ที่จะบรรลุความอดทนความผิดได้อย่างมีประสิทธิภาพ rdds ให้
จำกัดรูปแบบของหน่วยความจำที่ใช้ร่วมกันบนพื้นฐานของ coarsegrained

เพื่อปรับปรุงการแปลงมากกว่าอย่างละเอียดร่วมรัฐ อย่างไรก็ตาม เราพบว่ามีการแสดงออก rdds
พอจับระดับกว้างของการคำนวณ รวมถึงล่าสุดผู้เชี่ยวชาญการเขียนโปรแกรมแบบจำลองสำหรับงาน

ซ้ำ ,เช่น ปรีเกล , และโปรแกรมประยุกต์ใหม่ที่โมเดลเหล่านี้
ไม่จับ เราได้ใช้ระบบที่เรียกว่า rdds ใน
ประกาย ซึ่งเราประเมินผ่านความหลากหลายของการใช้งานของผู้ใช้และมาตรฐาน