3.3. Adding Big Data capability to

3.3. Adding Big Data capability to an existing information
system
A whole book can be written on this topic. It is what had been done by [3] by the study of data warehousing in the age of Big Data. A number of strategies of this integration
are presented in Table 1. The first step of that integration is about data acquisition. Since traditional databases have to deal with structured data, existing ecosystem needs to be extended across all of the data types and domains. Then,data integration capability needs to deal with velocity and frequency. The challenge here is also about ever growing volume and, because many technologies leverage Hadoop, use technologies that allow you to interact with Hadoop in a bidirectional manner: load and store data (HDFS) and process and reuse the output (MapReduce) for further processing.[14, page 12] reminds us that the main challenge is not to build “that is ideally suited for all processing tasks” but to have an underlying architecture flexible enough to permit to
processes built on top to work at their full potential. For sure there is not a commonly agreed solution, an infrastructure is intimately tied to the purpose of the organization in which it is used and consequently to the kind of integration (realtime or batch). More and other important questions have to be answered: are Big Data stored timeliness or not [4]?

ผลลัพธ์ (ไทย) 2:

3.3 การเพิ่มความสามารถในข้อมูลขนาดใหญ่ไปยังข้อมูลที่มีอยู่ใน
ระบบ
หนังสือทั้งสามารถเขียนในหัวข้อนี้ มันเป็นสิ่งที่ได้รับการดำเนินการโดย [3] โดยการศึกษาของคลังข้อมูลในยุคของข้อมูลขนาดใหญ่ที่ จำนวนของกลยุทธ์ของการรวมกลุ่มกับ A
ถูกแสดงไว้ในตารางที่ 1 ขั้นตอนแรกของการรวมกลุ่มที่เป็นเรื่องเกี่ยวกับการเก็บข้อมูล เนื่องจากฐานข้อมูลแบบดั้งเดิมมีการจัดการกับข้อมูลที่มีโครงสร้างระบบนิเวศที่มีอยู่จะต้องมีการขยายในทุกชนิดของข้อมูลและโดเมน จากนั้นความสามารถในการรวมข้อมูลความต้องการที่จะจัดการกับความเร็วและความถี่ ความท้าทายที่นี่ยังเป็นเรื่องที่เคยเติบโตปริมาณและเพราะเทคโนโลยีหลายเทคโนโลยีการใช้ประโยชน์จาก Hadoop, การใช้งานที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในลักษณะสองทิศทาง: โหลดและการจัดเก็บข้อมูล (HDFS) และขั้นตอนและนำมาใช้เอาท์พุท (MapReduce) สำหรับการประมวลผลต่อไป . [14 หน้า 12] เตือนเราว่าความท้าทายที่สำคัญคือไม่ได้ที่จะสร้าง "ที่เหมาะสำหรับการประมวลผลงานทุกคน" แต่จะมีสถาปัตยกรรมต้นแบบที่มีความยืดหยุ่นพอที่จะอนุญาตให้มี
กระบวนการที่สร้างขึ้นบนการทำงานที่เต็มศักยภาพ เพื่อตรวจสอบว่ามีไม่ได้เป็นวิธีการแก้ปัญหาที่ตกลงกันโดยทั่วไปโครงสร้างพื้นฐานที่จะเชื่อมโยงอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กรในการที่จะถูกนำมาใช้และทำให้ชนิดของการรวมกลุ่ม (เรียลไทม์หรือชุด) มากขึ้นและคำถามอื่น ๆ ที่สำคัญจะต้องมีการตอบ: จะมีข้อมูลขนาดใหญ่ที่เก็บไว้ทันเวลาหรือไม่ [4]

ผลลัพธ์ (ไทย) 3:

3.3 . เพิ่มความสามารถในการใหญ่ข้อมูลกับข้อมูลที่มีอยู่ระบบทั้งเล่ม จะเขียนในหัวข้อนี้ มันเป็นสิ่งที่ได้รับทำโดย [ 3 ] จากการศึกษาของคลังข้อมูลในอายุของข้อมูลใหญ่ จำนวนของกลยุทธ์ของการรวมกลุ่มนี้จะแสดงในตารางที่ 1 ขั้นตอนแรกของการบูรณาการที่เกี่ยวกับการเก็บข้อมูล เนื่องจากฐานข้อมูลแบบดั้งเดิม ต้องจัดการกับข้อมูลที่มีโครงสร้างที่มีอยู่ซึ่งต้องขยายทั่วทั้งหมดของชนิดข้อมูลและโดเมน แล้วความสามารถในการรวมข้อมูลความต้องการที่จะจัดการกับความเร็วและความถี่ ความท้าทายของที่นี่ยังเป็นเรื่องที่เคยเติบโตและปริมาณ เพราะหลายบริษัทใช้ Hadoop เทคโนโลยี เทคโนโลยีที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในลักษณะสองทิศทาง : โหลดและเก็บข้อมูล ( hdfs ) และกระบวนการ และการนำผลผลิต ( mapreduce ) สำหรับการประมวลผลต่อไป . [ 14 ] หน้า 12 เตือนเราว่า ความท้าทายหลัก คือ ไม่สร้าง " ที่เหมาะสำหรับงานประมวลผลทั้งหมด แต่ต้องมีต้นแบบสถาปัตยกรรมมีความยืดหยุ่นเพียงพอที่จะอนุญาตให้กระบวนการที่สร้างขึ้นบนด้านบนเพื่อทำงานที่เต็มศักยภาพของพวกเขา ให้แน่ใจว่าไม่มีที่ตกลงแก้ปัญหาโครงสร้างพื้นฐานจะเชื่อมโยงอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กร ซึ่งมันถูกใช้และจากนั้นไปยังประเภทของการบูรณาการ ( Realtime หรือแบบชุด ) และคำถามที่สำคัญอื่น ๆต้องตอบ : ใหญ่ข้อมูลเก็บไว้สมดุลหรือไม่ [ 4 ]