MapReduce best meets the fault tole

MapReduce best meets the fault tolerance and ability to operate in
heterogeneous environment properties. It achieves fault tolerance
by detecting and reassigning Map tasks of failed nodes to other
nodes in the cluster (preferably nodes with replicas of the input Map
data). It achieves the ability to operate in a heterogeneous environment
via redundant task execution. Tasks that are taking a long time
to complete on slow nodes get redundantly executed on other nodes
that have completed their assigned tasks. The time to complete the
task becomes equal to the time for the fastest node to complete the
redundantly executed task. By breaking tasks into small, granular
tasks, the effect of faults and “straggler” nodes can be minimized.
MapReduce has a flexible query interface; Map and Reduce functions
are just arbitrary computations written in a general-purpose
language. Therefore, it is possible for each task to do anything on
its input, just as long as its output follows the conventions defined
by the model. In general, most MapReduce-based systems (such as
Hadoop, which directly implements the systems-level details of the
MapReduce paper) do not accept declarative SQL. However, there
are some exceptions (such as Hive).
As shown in previous work, the biggest issue with MapReduce
is performance [23]. By not requiring the user to first model and
load data before processing, many of the performance enhancing
tools listed above that are used by database systems are not possible.
Traditional business data analytical processing, that have standard
reports and many repeated queries, is particularly, poorly suited for
the one-time query processing model of MapReduce.
Ideally, the fault tolerance and ability to operate in heterogeneous
environment properties of MapReduce could be combined with the
performance of parallel databases systems. In the following sections,
we will describe our attempt to build such a hybrid system.

ผลลัพธ์ (ไทย) 2:

MapReduce
ดีที่สุดตรงตามความอดทนความผิดและความสามารถในการทำงานในคุณสมบัติสภาพแวดล้อมต่างกัน มันประสบความสำเร็จความอดทนความผิดโดยการตรวจสอบและกำหนดใหม่งานแผนที่ของโหนดล้มเหลวในการอื่น ๆ โหนดในคลัสเตอร์ (โดยเฉพาะโหนดกับแบบจำลองของการป้อนข้อมูลแผนที่ข้อมูล) มันประสบความสำเร็จความสามารถในการทำงานในสภาพแวดล้อมที่แตกต่างกันผ่านการดำเนินงานที่ซ้ำซ้อน งานที่ใช้เวลานานที่จะเสร็จสมบูรณ์บนโหนช้าเกินความจำเป็นได้รับการดำเนินการในโหนดอื่น ๆ ที่ได้รับมอบหมายงานที่เสร็จสมบูรณ์ของพวกเขา เวลาในการดำเนินการงานที่จะกลายเป็นเท่ากับเวลาสำหรับโหนดที่เร็วที่สุดเพื่อให้งานดำเนินการเกินความจำเป็น โดยทำลายงานเป็นขนาดเล็กเม็ดงานผลของความผิดพลาดและ "ล้าหลัง" โหนดสามารถลด. MapReduce มีอินเตอร์เฟซแบบสอบถามมีความยืดหยุ่น; แผนที่และลดฟังก์ชั่นที่มีการคำนวณโดยพลการเพียงแค่เขียนในวัตถุประสงค์ทั่วไปภาษา ดังนั้นจึงเป็นไปได้สำหรับแต่ละงานที่จะทำอะไรในการป้อนข้อมูลของตนเพียงตราบเท่าที่การส่งออกต่อไปนี้การประชุมที่กำหนดไว้โดยรูปแบบ โดยทั่วไปมากที่สุดระบบ MapReduce-based (เช่นHadoop ที่โดยตรงดำเนินการรายละเอียดระบบระดับของกระดาษMapReduce) ไม่ยอมรับการเปิดเผย SQL แต่มีข้อยกเว้นบาง (เช่นไฮฟ์). ตามที่ปรากฏในการทำงานก่อนหน้านี้ปัญหาที่ใหญ่ที่สุดที่มี MapReduce มีประสิทธิภาพการทำงาน [23] โดยไม่จำเป็นต้องให้ผู้ใช้รุ่นแรกและโหลดข้อมูลก่อนการประมวลผลจำนวนมากของการปฏิบัติงานการเสริมสร้างเครื่องมือดังกล่าวข้างต้นที่ใช้โดยระบบฐานข้อมูลเป็นไปไม่ได้. ข้อมูลทางธุรกิจแบบดั้งเดิมในการประมวลผลการวิเคราะห์ที่มีมาตรฐานรายงานและคำสั่งซ้ำหลายเป็นโดยเฉพาะอย่างยิ่งไม่ดีเหมาะสำหรับการเพียงครั้งเดียวรูปแบบการประมวลผลแบบสอบถามของ MapReduce. จะเป็นการดีที่ยอมรับความผิดและความสามารถในการดำเนินงานที่แตกต่างกันในคุณสมบัติของสภาพแวดล้อม MapReduce อาจจะรวมกับประสิทธิภาพการทำงานของระบบฐานข้อมูลแบบขนาน ในส่วนต่อไปนี้เราจะอธิบายถึงความพยายามของเราที่จะสร้างเช่นระบบไฮบริด

ผลลัพธ์ (ไทย) 3:

mapreduce ที่ดีที่สุดตรงกับความผิดความอดทนและความสามารถในการใช้งานในสภาพแวดล้อม
คุณสมบัติที่แตกต่างกัน มันใช้
ความอดทนความผิดโดยการตรวจสอบและ reassigning แผนที่งานของโหนดโหนดอื่น ๆล้มเหลว
ในกลุ่ม ( โดยเฉพาะโหนดกับแบบจำลองของข้อมูลแผนที่
ข้อมูล ) มันใช้ความสามารถเพื่อใช้งานในสภาพแวดล้อมที่แตกต่างกันผ่าน
ดําเนินงานซ้ำซ้อนงานที่ใช้เวลานานให้เสร็จสมบูรณ์บนโหนดช้า

รันบนโหนดอื่น ๆได้โดยไม่จำเป็นที่สมบูรณ์ได้รับมอบหมายงาน เวลาที่จะเสร็จสมบูรณ์
งานจะเท่ากับเวลาที่เร็วที่สุดเพื่อให้โหนด
โดยไม่จำเป็นดำเนินการงาน โดยแบ่งงานออกเป็นขนาดเล็ก งานละเอียด
, ผลของความผิดพลาดและ " หลงทาง " โหนดสามารถลด .
mapreduce ที่มีอินเตอร์เฟซแบบสอบถามที่มีความยืดหยุ่น ; แผนที่และลดการทำงาน
เป็นเพียงพลคณนาที่เขียนในภาษาทั่วไป

ดังนั้น มันเป็นไปได้สำหรับแต่ละงานที่จะทำอะไรใน
ใส่ตน ตราบผลผลิตของตนตามข้อตกลงที่กำหนด
โดยแบบจำลอง โดยทั่วไปมากที่สุด mapreduce ตามระบบ ( เช่น
Hadoop โดยตรง ซึ่งใช้ระบบระดับรายละเอียดของ
กระดาษ mapreduce ) ไม่ยอมรับ SQL คำประกาศ . อย่างไรก็ตาม มี
มีข้อยกเว้น ( เช่นรังผึ้ง ) .
ตามที่แสดงในงานที่ผ่านมา ปัญหาที่ใหญ่ที่สุดกับ mapreduce
คือประสิทธิภาพ [ 23 ] โดยไม่ต้องให้ผู้ใช้รุ่นแรกและ
โหลดข้อมูลก่อนการประมวลผล หลายของการดำเนินงานเสริมสร้าง
เครื่องมือที่ระบุไว้ข้างต้นจะถูกใช้ โดยระบบฐานข้อมูลจะเป็นไปไม่ได้
แบบวิเคราะห์การประมวลผลข้อมูลธุรกิจที่มีรายงานมาตรฐาน
และหลายแบบสอบถามซ้ำ คือ โดยเฉพาะอย่างยิ่ง งานเหมาะสำหรับการประมวลผลแบบสอบถาม
ขาจรแบบ mapreduce .
ใจกลาง ความผิดความอดทนและความสามารถในการใช้งานในสภาพแวดล้อมที่แตกต่างกัน คุณสมบัติของ mapreduce สามารถถูกรวม ด้วย

ระบบงานฐานข้อมูลแบบขนาน ในส่วนต่อไปนี้
เราจะอธิบายถึงความพยายามของเราในการสร้าง เช่น ระบบไฮบริด