There are, of course, many differen

There are, of course, many different ways of doing log processing with MapReduce. However, at an abstract level, a few common patterns emerge (e.g., [7, 9]). The log data is typically stored in the underlying distributed file system (DFS) in timestamp order. In addition, there are usually one or more reference tables containing information about users, locations, etc. These reference tables vary in size but are usually much smaller than the log data. They are typically maintained in an RDBMS but copied to the DFS to make log processing in MapReduce more efficient. For example, at Facebook, 4TB of reference data is reloaded into Hadoop’s DFS every day [7].

ผลลัพธ์ (ไทย) 1:

มีแน่นอนวิธีการที่แตกต่างกันในการดำเนินการประมวลผลเข้าสู่ระบบด้วย MapReduce แต่อยู่ในระดับที่เป็นนามธรรมเป็นรูปแบบทั่วไปไม่กี่ออกมา (เช่น [7, 9]) ข้อมูลบันทึกมักจะถูกเก็บไว้ในที่อยู่ภายใต้ระบบไฟล์แบบกระจาย (DFS) เพื่อการประทับเวลา นอกจากนี้มักจะมีหนึ่งหรือมากกว่าหนึ่งตารางการอ้างอิงที่มีข้อมูลเกี่ยวกับผู้ใช้สถานที่อื่น ๆตารางการอ้างอิงเหล่านี้แตกต่างกันในขนาด แต่มักจะมีขนาดเล็กกว่าข้อมูลเข้าสู่ระบบ พวกเขาจะถูกเก็บรักษาไว้โดยทั่วไปใน RDBMS แต่คัดลอกไป DFS เพื่อให้การประมวลผลเข้าสู่ระบบ MapReduce มีประสิทธิภาพมากขึ้น ตัวอย่างเช่นที่ Facebook, 4TB ของข้อมูลอ้างอิงจะโหลดใหม่ใน DFS Hadoop ทุกวัน [7].

ผลลัพธ์ (ไทย) 2:

ได้ แน่นอน หลายวิธีทำปูมกับ MapReduce อย่างไรก็ตาม ในระดับนามธรรม รูปแบบทั่วไปไม่ออก (เช่น, [7, 9]) โดยทั่วไปมีเก็บข้อมูลล็อกในแบบกระจายแฟ้มระบบ (DFS) ในเวลา นอกจากนี้ ได้ปกติอย่าง น้อยหนึ่งการอ้างอิงตารางประกอบด้วยข้อมูลเกี่ยวกับผู้ใช้ สถาน ฯลฯ ตารางอ้างอิงเหล่านี้แตกต่างกันในขนาด แต่มักจะขนาดเล็กกว่าข้อมูลล็อก นอกจากนี้พวกเขาโดยทั่วไปจะรักษาใน RDBMS มี แต่คัดลอกไป DFS เพื่อทำปูม MapReduce มาก ตัวอย่าง ใน Facebook, 4TB ข้อมูลอ้างอิงเป็นภาพเป็นอย่างไร Hadoop ของ DFS ทุกวัน [7]

ผลลัพธ์ (ไทย) 3:

มีของหลักสูตรวิธีที่แตกต่างกันจำนวนมากในการทำการล็อกอินเข้าสู่ด้วย mapreduce แต่ถึงอย่างไรก็ตามยังอยู่ในระดับที่เป็นนามธรรมรูปแบบทั่วไปไม่กี่ที่ปรากฏออกมา(เช่น:[ 7 ], 9 ) ข้อมูลล็อกอินเข้าสู่ที่เก็บอยู่ในระบบไฟล์การกระจายพื้นฐาน( DFS )โดยปกติแล้วในการสั่งซื้อการลงเวลาจะปรากฏ นอกจากนี้ยังมีหนึ่งหรือมากกว่าตารางอ้างอิงประกอบด้วยข้อมูลเกี่ยวกับผู้ใช้ตำแหน่งเป็นต้นตารางอ้างอิงเหล่านี้มีขนาดที่แตกต่างกันไปแต่โดยทั่วไปแล้วมีขนาดเล็กมากกว่าข้อมูลล็อกอินได้ ห้องพักได้รับการดูแลรักษาเป็นอย่างดีใน rdbms แต่ถูกคัดลอกไปยัง DFS เพื่อทำให้การล็อกอินเข้าสู่ใน mapreduce มี ประสิทธิภาพ มากขึ้นโดยทั่วไป ยกตัวอย่างเช่นใน Facebook 4 TB ของข้อมูลอ้างอิงคือโหลดข้อมูลอีกครั้งใน DFS ของ hadoop ทุกวัน[ 7 ].