Given this interest in MapReduce, i

Given this interest in MapReduce, it is natural to ask “Why not
use a parallel DBMS instead?” Parallel database systems (which
all share a common architectural design) have been commercially
available for nearly two decades, and there are now about a dozen in
the marketplace, including Teradata, Aster Data, Netezza, DATAllegro (and therefore soon Microsoft SQL Server via Project Madison), Dataupia, Vertica, ParAccel, Neoview, Greenplum, DB2 (via
the Database Partitioning Feature), and Oracle (via Exadata). They
are robust, high performance computing platforms. Like MapReduce, they provide a high-level programming environment and parallelize readily. Though it may seem that MR and parallel databases
target different audiences, it is in fact possible to write almost any
parallel processing task as either a set of database queries (possibly
using user defined functions and aggregates to filter and combine
data) or a set of MapReduce jobs. Inspired by this question, our goal
is to understand the differences between the MapReduce approach
to performing large-scale data analysis and the approach taken by
parallel database systems. The two classes of systems make different choices in several key areas. For example, all DBMSs require
that data conform to a well-defined schema, whereas MR permits
data to be in any arbitrary format. Other differences also include
how each system provides indexing and compression optimizations,
programming models, the way in which data is distributed, and
query execution strategies.

ผลลัพธ์ (ไทย) 2:

ได้รับความสนใจใน MapReduce มันเป็นธรรมชาติที่จะถามว่า
"ทำไมไม่ใช้DBMS ขนานแทน?" ระบบฐานข้อมูลแบบขนาน
(ซึ่งหุ้นทั้งหมดออกแบบสถาปัตยกรรมร่วมกัน)
ได้รับในเชิงพาณิชย์ที่มีอยู่เป็นเวลาเกือบสองทศวรรษที่ผ่านมาและขณะนี้มีประมาณโหลใน
ตลาดรวมทั้ง Teradata, Aster ข้อมูล Netezza, DATAllegro (และเร็ว ๆ นี้ Microsoft SQL Server ผ่านทางโครงการเมดิสัน) Dataupia, Vertica, ParAccel, Neoview, Greenplum, DB2
(ผ่านคุณลักษณะการแบ่งพาร์ทิชันฐานข้อมูล) และ Oracle (ผ่าน Exadata)
พวกเขามีความแข็งแกร่งและมีประสิทธิภาพสูงแพลตฟอร์มคอมพิวเตอร์ เช่นเดียวกับ MapReduce พวกเขาให้สภาพแวดล้อมการเขียนโปรแกรมระดับสูงและคู่ขนานได้อย่างง่ายดาย แม้ว่ามันอาจจะดูเหมือนว่านายและฐานข้อมูลแบบขนานกลุ่มเป้าหมายที่แตกต่างกันในความเป็นจริงที่เป็นไปได้ที่จะเขียนเกือบทุกงานประมวลผลแบบขนานเป็นทั้งชุดของการสืบค้นฐานข้อมูล(อาจใช้ฟังก์ชั่นที่ผู้ใช้กำหนดและมวลรวมในการกรองและรวมข้อมูล) หรือชุดของ งาน MapReduce แรงบันดาลใจจากคำถามนี้เป้าหมายของเราคือการทำความเข้าใจความแตกต่างระหว่างวิธีการ MapReduce ที่จะดำเนินการวิเคราะห์ข้อมูลขนาดใหญ่และวิธีการดำเนินการโดยระบบฐานข้อมูลแบบขนาน สองชั้นของระบบการสร้างทางเลือกที่แตกต่างกันในพื้นที่สำคัญหลาย ยกตัวอย่างเช่น DBMSs ทั้งหมดต้องว่าข้อมูลสอดคล้องกับคีดีที่กำหนดในขณะที่นายช่วยให้ข้อมูลที่อยู่ในรูปแบบใดๆ โดยพลการ ความแตกต่างอื่น ๆ รวมถึงวิธีการของแต่ละระบบมีการจัดทำดัชนีและการเพิ่มประสิทธิภาพการบีบอัดแบบการเขียนโปรแกรมวิธีการที่ข้อมูลมีการกระจายและกลยุทธ์การดำเนินการแบบสอบถาม

ผลลัพธ์ (ไทย) 3:

ได้รับความสนใจใน mapreduce , มันเป็นธรรมชาติที่จะถามว่า " ทำไมไม่ใช้ Parallel DBMS
แทน " ระบบฐานข้อมูลแบบขนาน ( ซึ่ง
แบ่งปันทั่วไปการออกแบบสถาปัตยกรรม ) ได้รับในเชิงพาณิชย์
ใช้ได้สำหรับเกือบสองทศวรรษที่ผ่านมา และขณะนี้มีเกี่ยวกับโหลใน
ตลาดรวมโน้ตบุ๊ก Aster ข้อมูลดังกล่าว datallegro ( และเร็วๆนี้ Microsoft SQL Server ผ่านทางโครงการเมดิสัน )dataupia ฐาน paraccel นีโอวิว , , , , องค์ประกอบ , DB2 ( ผ่าน
ฐานข้อมูลแบ่งคุณลักษณะ ) และออราเคิล ( ผ่านเครื่องมือในการวิเคราะห์ ) พวกเขา
มีประสิทธิภาพ , คอมพิวเตอร์ประสิทธิภาพสูงแพลตฟอร์ม ชอบ mapreduce พวกเขาให้สภาพแวดล้อมการเขียนโปรแกรมระดับสูงและ parallelize พร้อม แม้ว่ามันอาจดูเหมือนว่าคุณและขนานฐานข้อมูล
เจาะกลุ่มเป้าหมายที่แตกต่างกัน มันเป็นในความเป็นจริงเป็นไปได้ที่จะเขียน
เกือบใด ๆงานประมวลผลแบบขนานเป็นทั้งชุดของการสืบค้นฐานข้อมูล ( อาจ
โดยใช้ฟังก์ชันที่ผู้ใช้กำหนดมวลรวม และกรองข้อมูลและรวม
) หรือชุดของงาน mapreduce . แรงบันดาลใจจากคำถามนี้
เป้าหมายของเราคือที่จะเข้าใจความแตกต่างระหว่างวิธีการ mapreduce
การแสดงขนาดใหญ่ การวิเคราะห์ข้อมูล และวิธีการถ่ายโดย
ระบบฐานข้อมูลแบบขนานสองประเภทของระบบให้เลือกที่แตกต่างกันในพื้นที่สำคัญหลาย ตัวอย่างเช่นทั้งหมด DBMSs ต้องการ
ข้อมูลที่สอดคล้องกับ schema ที่ชัดเจน ในขณะที่ข้อมูลนายอนุญาต
อยู่ในใด ๆโดยพลการในรูปแบบ ความแตกต่างอื่น ๆยังรวมถึง
วิธีแต่ละระบบมีการเพิ่มประสิทธิภาพและการบีบอัด ,
รูปแบบโปรแกรม วิธีการที่ข้อมูลจะถูกกระจายและ
กลยุทธ์การดําเนินการ