The MapReduce framework is one of t

The MapReduce framework is one of the most imperative parts of big data dispensation. In earlier kinds of MapReduce the mechanisms were designed to address basic needs of processing and resource management. More recently, it has progressed into a much improved version known as MapReduce 2/YARN that provides improved features andfunctionality with HIVE.

In this research work we focused on performance modelling and prediction of Hadoop Map-Reduce systems, the most popular framework for large-scale data processing. We developed the capability to evaluate application performance in hypothetical MapReduce systems using simulation. Compared to the traditional build- and-measure approach, our simulation-based evaluation is faster and cheaper and offers flexibility. Although real experiments must be conducted before total commitment, simulation-based evaluation can work as a intermediate step to reveal obvious flaws and help system designers further understand performance characteristics of their applications and the MapReduce system.

ผลลัพธ์ (ไทย) 1:

กรอบ MapReduce เป็นส่วนความจำเป็นที่สุดของสมัยการประทานข้อมูลอย่างใดอย่างหนึ่ง ในประเภทก่อนหน้าของ MapReduce กลไกถูกออกแบบมาเพื่อที่อยู่ความต้องการพื้นฐานของการจัดการการประมวลผลและทรัพยากร เมื่อเร็ว ๆ นี้ มันมีความก้าวหน้าในรุ่นดีขึ้นมากเรียกว่า MapReduce 2/เส้น ด้ายให้ andfunctionality คุณลักษณะที่พัฒนาขึ้นกับกลุ่มในงานวิจัยนี้ เราเน้นประสิทธิภาพการทำงานสร้างแบบจำลองและการทำนายของระบบ Hadoop แผนที่ลด กรอบนิยมมากที่สุดสำหรับการประมวลผลข้อมูลขนาดใหญ่ เราพัฒนาความสามารถในการประเมินประสิทธิภาพของโปรแกรมประยุกต์ในระบบ MapReduce สมมุติที่ใช้จำลอง เมื่อเทียบกับวิธีการสร้างวัดแบบดั้งเดิม การประเมินแบบจำลองสถานการณ์ของเรารวดเร็วกว่า และถูกกว่า และมีความยืดหยุ่น แม้ว่าการทดลองจริงต้องดำเนินการก่อนตั้งใจรวม การประเมินผลแบบจำลองสถานการณ์สามารถทำงานเป็นขั้นตอนระดับกลางเพื่อเปิดเผยข้อบกพร่องที่เห็นได้ชัด และช่วยให้นักออกแบบระบบการ ทำความเข้าใจลักษณะการทำงานของโปรแกรมประยุกต์และระบบ MapReduce

ผลลัพธ์ (ไทย) 2:

กรอบ MapReduce เป็นหนึ่งในส่วนที่จำเป็นที่สุดของการยกเว้นข้อมูลขนาดใหญ่ ในชนิดที่ก่อนหน้านี้ MapReduce กลไกที่ถูกออกแบบมาเพื่อตอบสนองความต้องการขั้นพื้นฐานของการประมวลผลและการจัดการทรัพยากร เมื่อเร็ว ๆ นี้ก็มีความก้าวหน้าเป็นรุ่นปรับปรุงมากที่รู้จักกันเป็น MapReduce 2 / เส้นด้ายที่มีคุณสมบัติที่ดีขึ้น andfunctionality กับ HIVE. ในงานวิจัยนี้เรามุ่งเน้นการสร้างแบบจำลองประสิทธิภาพการทำงานและการคาดการณ์ของ Hadoop แผนที่ระบบลดกรอบนิยมมากที่สุดสำหรับขนาดใหญ่ การประมวลผลข้อมูลขนาด เราได้พัฒนาความสามารถในการประเมินประสิทธิภาพการประยุกต์ใช้ในระบบ MapReduce สมมุติโดยใช้สถานการณ์จำลอง เมื่อเทียบกับวิธีการ ณ อาคารและวัดแบบดั้งเดิมและการประเมินผลการจำลองของเราได้เร็วขึ้นและราคาถูกกว่าและมีความยืดหยุ่น แม้ว่าการทดลองจริงจะต้องดำเนินการก่อนที่จะมุ่งมั่นรวมการประเมินผลการจำลองที่ใช้สามารถทำงานเป็นขั้นตอนกลางเผยให้เห็นข้อบกพร่องที่เห็นได้ชัดและช่วยให้นักออกแบบระบบการเข้าใจลักษณะการทำงานของการใช้งานของพวกเขาและระบบ MapReduce

ผลลัพธ์ (ไทย) 3:

การ mapreduce กรอบเป็นหนึ่งในส่วนที่สำคัญที่สุดของการจัดการข้อมูลใหญ่ ในประเภทก่อนหน้านี้ของ mapreduce กลไกที่ถูกออกแบบมาเพื่อตอบสนองความต้องการพื้นฐานของการประมวลผลและการจัดการทรัพยากร เมื่อเร็วๆ นี้ มันมีความก้าวหน้าในการปรับปรุงอย่างมากรุ่นที่รู้จักกันเป็น mapreduce 2 / เส้นด้ายที่มีการปรับปรุงคุณสมบัติ andfunctionality กับรังผึ้งในงานวิจัยนี้เราเน้นการสร้างแบบจำลองสมรรถนะและการทำนายแผนที่ Hadoop ลดระบบ กรอบที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลข้อมูลขนาดใหญ่ เราพัฒนาความสามารถที่จะประเมินประสิทธิภาพของโปรแกรมในระบบสมมุติ mapreduce โดยใช้การจำลองสถานการณ์ เมื่อเทียบกับแบบดั้งเดิมสร้าง - และวิธีการวัดประเมินผลตามแบบของเรา คือ เร็วกว่า และถูกกว่า และมีความยืดหยุ่น แม้ว่าการทดลองที่แท้จริงจะต้องดำเนินการก่อนที่ความมุ่งมั่นรวม การประเมินตามแบบจำลองสามารถทำงานเป็นขั้นตอนกลางเปิดเผยข้อบกพร่องที่ชัดเจนและช่วยให้ระบบนักออกแบบเข้าใจลักษณะงานของพวกเขาและการใช้งานระบบ mapreduce .