The Hadoop system is the most popul

The Hadoop system is the most popular open-source implementation of the MapReduce framework, under development
by Yahoo! and the Apache Software Foundation [1]. Unlike the
Google implementation of the original MR framework written in
C++, the core Hadoop system is written entirely in Java. For our
experiments in this paper, we use Hadoop version 0.19.0 running
on Java 1.6.0. We deployed the system with the default configuration settings, except for the following changes that we found yielded
better performance without diverging from core MR fundamentals:
(1) data is stored using 256MB data blocks instead of the default
64MB, (2) each task executor JVM ran with a maximum heap size
of 512MB and the DataNode/JobTracker JVMs ran with a maximum heap size of a 1024MB (for a total size of 3.5GB per node),
(3) we enabled Hadoop’s “rack awareness” feature for data locality
in the cluster, and (4) we allowed Hadoop to reuse the task JVM
executor instead starting a new process for each Map/Reduce task.
Moreover, we configured the system to run two Map instances and
a single Reduce instance concurrently on each node.

ผลลัพธ์ (ไทย) 1:

ระบบอย่างไร Hadoop เป็นแหล่งเปิดปฏิบัตินิยมกรอบ MapReduce พัฒนาโดย yahoo!และมูลนิธิซอฟต์แวร์อะแพชี [1] ซึ่งแตกต่างจากการนำกรอบนายเดิมที่เขียนใน GoogleC ++, หลักระบบอย่างไร Hadoop เป็นเขียนทั้งหมดในจาวา สำหรับเราทดลองในเอกสารนี้ เราใช้ทำงานอย่างไร Hadoop รุ่น 0.19.0บน Java 1.6.0 เราใช้ระบบเริ่มต้นการกำหนดค่าการตั้งค่า ยกเว้นการเปลี่ยนแปลงต่อไปนี้ที่พบให้ผลประสิทธิภาพ โดยเถรจากหลักพื้นฐานนาย:(1) ข้อมูลจะถูกเก็บไว้โดยใช้บล็อกข้อมูล 256MB แทนที่จะเริ่มต้น64 เมกะไบต์, (2) แต่ละดำเนินงาน JVM วิ่งขนาดกองสูงสุด512MB และ JVMs DataNode/JobTracker วิ่งขนาดกองสูงสุด 1024MB (สำหรับรวมขนาด 3.5GB ต่อโหนด),(3) เราเปิดใช้งานคุณลักษณะการ "ชั้นรับรู้" เป็นอย่างไร Hadoop สำหรับข้อมูลท้องถิ่นคลัสเตอร์ และ (4) เราได้อย่างไร Hadoop เพื่อใช้งาน JVMดำเนินการเริ่มต้นกระบวนการใหม่สำหรับแต่ละงานแผนที่/ลดแทนนอกจากนี้ เรากำหนดค่าให้ระบบเรียกใช้แผนที่สองอินสแตนซ์ และลดเพียงอินสแตนซ์เดียวในแต่ละโหนพร้อม

ผลลัพธ์ (ไทย) 2:

ระบบ Hadoop เป็นที่นิยมที่สุดเปิดแหล่งที่มาการดำเนินการตามกรอบ MapReduce
ภายใต้การพัฒนาโดยYahoo! และ Apache Software Foundation [1] ซึ่งแตกต่างจากการดำเนินงานของ Google กรอบเดิมนายเขียนใน C ++ ระบบหลัก Hadoop ที่เขียนทั้งหมดใน Java สำหรับเราการทดลองในบทความนี้เราจะใช้ Hadoop เวอร์ชั่น 0.19.0 ทำงานบนJava 1.6.0 เรานำไปใช้ระบบที่มีการตั้งค่าเริ่มต้นยกเว้นสำหรับการเปลี่ยนแปลงต่อไปนี้ที่เราพบว่าให้ผลประสิทธิภาพที่ดีขึ้นโดยไม่ต้องแยกจากปัจจัยพื้นฐานหลัก MR: (1) ข้อมูลจะถูกเก็บไว้โดยใช้บล็อกข้อมูล 256MB แทนการเริ่มต้น64 (2) แต่ละบริหารงาน JVM วิ่งที่มีขนาดกองสูงสุดของ512MB และ DataNode / การ JobTracker JVMs วิ่งที่มีขนาดกองสูงสุด 1024MB (ที่เป็นขนาดรวมของ 3.5GB ต่อโหนด) (3) เราเปิดใช้งาน Hadoop ของ "การรับรู้ของชั้น" คุณสมบัติสำหรับท้องที่ข้อมูลในคลัสเตอร์และ (4) เราได้รับอนุญาตให้ Hadoop เพื่อนำมาใช้ JVM งานบริหารแทนการเริ่มต้นกระบวนการใหม่สำหรับแต่ละแผนที่/ ลดงาน. นอกจากนี้เรายังมีการกำหนดค่าระบบทำงานสองกรณีแผนที่และเช่นเดียวลดควบคู่กันไปในแต่ละโหนด

ผลลัพธ์ (ไทย) 3:

ระบบ Hadoop เป็นนิยมมากที่สุดจากการดำเนินงานของ mapreduce กรอบ ภายใต้การพัฒนา
โดย Yahoo ! และมูลนิธิซอฟต์แวร์อาปาเช่ [ 1 ] ซึ่งแตกต่างจาก Google ใช้ของเดิม

นายกรอบที่เขียนใน C , ระบบ Hadoop หลักเป็นเขียนทั้งหมดใน Java สำหรับการทดลองของเรา
ในกระดาษนี้เราใช้ Hadoop รุ่น 0.19.0 วิ่ง
จาวา 08 .เราใช้ระบบเริ่มต้นการตั้งค่า ยกเว้นตามการเปลี่ยนแปลงที่เราพบว่าประสิทธิภาพที่ดีขึ้นโดยการแยกจากหลัก

นายพื้นฐาน : ( 1 ) ข้อมูลจะถูกเก็บไว้ใช้ 256MB บล็อกข้อมูลแทนที่จะเริ่มต้น
64 ( 2 ) งานแต่ละงานผู้ปฏิบัติการ JVM วิ่งได้สูงสุดขนาด
กองของ 512MB และ datanode / jobtracker jvms วิ่งกับกองขนาดสูงสุดของ 1024mb ( สำหรับขนาดทั้งหมดของ 3.5gb ต่อโหนด )
( 3 ) เราใช้ Hadoop เป็น " ความรู้ " ชั้นคุณลักษณะ
ท้องถิ่นข้อมูลในคลัสเตอร์ และ ( 4 ) เราอนุญาต Hadoop ใช้งาน JVM
ผู้ปฏิบัติการแทน เริ่มกระบวนการใหม่สำหรับแต่ละแผนที่ / ลดงาน
นอกจากนี้เรากำหนดค่าระบบเพื่อเรียกใช้อินสแตนซ์และ
2 แผนที่เดียวลดอินสแตนซ์ควบคู่กันไปในแต่ละโหนดในส่วนนี้เราจะนำเสนอของเรามาตรฐานประกอบด้วย 5 งาน
ที่เราใช้ในการเปรียบเทียบประสิทธิภาพของโมเดลที่คุณ
ของ DBMSs ขนาน งานแรกที่ถ่ายโดยตรงจากเดิม mapreduce กระดาษ [ 8 ] ที่ผู้เขียนอ้างว่าเป็นผู้แทนของ
ทั่วไปคุณงาน เพราะงานนี้ค่อนข้างง่าย เรายังได้พัฒนาสี่เพิ่มเติมงานประกอบด้วย
วิเคราะห์ที่ซับซ้อนมากขึ้น