架構大數據——大數據技術及算法解析 ( 簡體 字) |
| 作者：趙 勇 | 類別：1. -> 程式設計 -> 大數據 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 41682
詢問書籍請說出此書號！【缺書】
NT售價： 340 元 |
| 出版日：6/1/2015 |
| 頁數：440 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121259784 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：
大數據被稱為新時代的黃金和石油，相關技術發展迅猛，所應用的行業也非常廣泛，從傳統行業如醫療、教育、金融、旅游，到新興產業如電商、計算廣告、可穿戴設備、機器人等。大數據技術更是國家科技發展和智慧城市建設的基礎。當前“互聯網+”新業態的發展，其核心也是大數據的采集、分析、價值挖潛和應用。
當今全球大數據的競爭及戰略布局，突出體現在大數據的技術創新和人才培養方面。技術創新能夠保障在大數據發展的浪潮中始終處于引領地位，而大數據人才體系則是能最終實現技術創新和實踐的根本。政府正在設立大數據局等管理和創新機構并開放政府數據，很多大型企業開始設立首席數據官（CDO）的職位，凸顯對數據驅動的經濟和業務模式的重視。未來5年全球將有數十萬名的大數據人才缺口，以及數百萬名大數據的管理和支持人員缺口，因此美國的哈佛商業評論把“數據科學家”稱為21世紀最性感的職業，全球都在開始上演大數據的人才爭奪戰。
我們在《大數據革命——理論、模式與技術創新》一書中對數據科學理論、大數據創新模式以及大數據技術作了初步的探索和介紹，在成書的過程中我覺得如果有一本更深入、更全面的技術類的大數據書籍，能夠更有效地幫助讀者掌握和運用大數據，這也是寫這本書的初衷。由于大數據技術是當今最前沿的技術，所涉及的領域及知識跨度都非常大，發展又日新月異，所以有些內容在開始寫的同時，就面臨老化的危險。過去一兩年的時間里大數據技術的更新令人咋舌，老牌的Hadoop大數據處理平臺已經成熟并廣泛應用在諸多行業，而很多新興的系統和算法，如加州大學伯克利分校研究開發的Spark大數據通用計算平臺、用于圖像和視頻識別的深度學習大有后來居上的勢頭。因此我們也是盡量跟上形勢，努力提供給讀者一個大數據技術的全景畫卷。
本書對大數據相關的技術及算法做了系統性的分析和描述，梳理了大數據的技術分類如基礎架構支持、大數據采集、大數據存儲、大數據處理、大數據展示及交互，列舉了資源管理調度、數據分析和挖掘、深度學習、精準營銷、社會計算等大數據相關算法，還融合了大數據行業的最新技術進展和大型互聯網公司的大數據架構實踐，目的是為了幫助大數據產業及技術人才全面認識和了解大數據的相關技術及算法，掌握大數據行業的最新發展動態，學習互聯網巨頭的大數據架構實踐，進而培養大數據的技術選型和系統架構能力，成為大數據時代的創新創業先鋒。
最后感謝電子科技大學極限網絡計算與服務實驗室的老師和同學們為本書所付出的辛勤和努力，也感謝清華大學蘇州研究院大數據處理中心的行業應用實踐為本書提供的指導和建議。我之前在微軟的同事沈寓實和李雨航兩位專家在云計算體系及安全防護方面提供了詳細的資料和建議。我想向本書的責任編輯董亞峰先生和電子工業出版社的編輯們致敬，他們是本書的幕后英雄。我的妻子昆和女兒Sophie給予我最大的理解和支持，我愛你們。
由于我們對大數據相關技術及算法的理解和專業知識水平都有局限，本書的錯誤和疏漏之處在所難免，敬請各位讀者諒解和指正。請將您的意見和建議發送至dyf@phei.com.cn，感謝您的支持。
趙 勇
2015年5月12日
|
內容簡介：本書從大數據架構的角度全面解析大數據技術及算法，探討大數據的發展和趨勢。不僅對大數據相關技術及算法做了系統性的分析和描述，梳理了大數據的技術分類，如基礎架構支持、大數據采集、大數據存儲、大數據處理、大數據展示及交互，還融合了大數據行業的最新技術進展和大型互聯網公司的大數據架構實踐，努力為讀者提供一個大數據的全景畫卷。 |
目錄：第1章 大數據技術概述 1
1.1 大數據的概念 1
1.2 大數據的行業價值 4
1.3 大數據問題的爆發 9
1.4 大數據處理流程 12
1.5 大數據技術 13
1.5.1 基礎架構支持 14
1.5.2 數據采集 14
1.5.3 數據存儲 15
1.5.4 數據計算 16
1.5.5 展現與交互 18
1.6 練習題 19
參考文獻 19
第2章 大數據基礎支撐——數據中心及云計算 20
2.1 數據中心概述 20
2.1.1 云計算時代數據中心面臨的問題 21
2.1.2 新一代數據中心關鍵技術 22
2.1.3 業界發展動態 24
2.1.4 小結 25
2.2 云計算簡介 25
2.2.1 云計算定義 26
2.2.2 云計算主要特征 27
2.2.3 Web服務、網格和云計算 28
2.2.4 云計算應用分類 29
2.2.5 小結 31
2.3 大數據與云計算的關系 32
2.3.1 大數據是信息技術發展的必然階段 33
2.3.2 云計算等新興信息技術正在真正地落地和實施 34
2.3.3 云計算等新興技術是解決大數據問題的核心關鍵 34
2.4 云資源調度與管理 35
2.4.1 云資源管理 36
2.4.2 云資源調度策略 38
2.4.3 云計算數據中心負載均衡調度 40
2.5 開源云管理平臺OpenStack 44
2.5.1 OpenStack的構成 45
2.5.2 OpenStack各組件之間的關系 46
2.5.3 OpenStack的邏輯架構 47
2.5.4 小結 49
2.6 軟件定義網絡 49
2.6.1 起源與發展 50
2.6.2 OpenFlow標準和規范 50
2.6.3 OpenFlow的應用 53
2.7 虛擬機與容器 55
2.7.1 VM虛擬化與Container虛擬化 55
2.7.2 Docker 55
2.8 練習題 57
參考文獻 57
第3章 云計算先行者——Google的三駕馬車 59
3.1 Google的三駕馬車 59
3.1.1 GFS——一個可擴展的分布式文件系統 59
3.1.2 MapReduce——一種并行計算的編程模型 64
3.1.3 BigTable——一個分布式數據存儲系統 69
3.2 Google新“三駕馬車” 77
3.2.1 Caffeine——基于Percolator的搜索索引系統 77
3.2.2 Pregel——高效的分布式圖計算的計算框架 80
3.2.3 Dremel——大規模數據的交互式數據分析系統 85
3.3 練習題 89
參考文獻 89
第4章 云存儲系統 91
4.1 云存儲的基本概念 91
4.1.1 云存儲結構模型 91
4.1.2 云存儲與傳統存儲系統的區別 94
4.2 云存儲關鍵技術 95
4.2.1 存儲虛擬化技術 95
4.2.2 分布式存儲技術 97
4.3 云存儲系統分類 98
4.3.1 分布式文件存儲 99
4.3.2 分布式塊存儲 105
4.3.3 分布式對象存儲 109
4.3.4 統一存儲 117
4.4 其他相關技術 124
4.5 練習題 127
參考文獻 127
第5章 數據采集系統 129
5.1 Flume 130
5.1.1 Flume架構 130
5.1.2 Flume核心組件 133
5.1.3 Flume環境搭建與部署 134
5.2 Scribe 139
5.2.1 Scribe架構 139
5.2.2 Scribe中的Store 140
5.2.3 Scribe環境搭建與部署 141
5.3 Chukwa 144
5.3.1 Chukwa的設計目標 144
5.3.2 Chukwa架構 145
5.3.3 Chukwa 環境搭建與部署 147
5.4 Kafka 150
5.4.1 Kafka架構 150
5.4.2 Kafka存儲 152
5.4.3 Kafka的特點 152
5.4.4 Kafka環境搭建與部署 154
5.5 練習題 155
參考文獻 155
第6章 Hadoop與MapReduce 156
6.1 Hadoop平臺 156
6.1.1 Hadoop概述 156
6.1.2 Hadoop的發展簡史 157
6.1.3 Hadoop的功能和作用 158
6.1.4 HDFS 159
6.1.5 HBase 162
6.2 MapReduce 171
6.2.1 第一代MapReduce（MRv1） 172
6.2.2 MapReduce 2.0——Yarn 180
6.3 Hadoop相關生態系統 184
6.3.1 交互式數據查詢分析 184
6.3.2 數據收集、轉換工具 187
6.3.3 機器學習工具 188
6.3.4 集群管理與監控 188
6.3.5 其他工具 189
6.4 Hadoop應用案例 191
6.5 練習題 192
參考文獻 192
第7章 Spark——大數據統一計算平臺 193
7.1 Spark簡介 193
7.1.1 Spark 193
7.1.2 BDAS 195
7.2 RDD 197
7.2.1 RDD基本概念 197
7.2.2 RDD示例 199
7.2.3 RDD與分布式共享內存 200
7.3 Spark SQL 201
7.4 MLlib 203
7.5 GraphX 206
7.6 Spark Streaming 206
7.6.1 基本概念 207
7.6.2 編程模型 208
7.7 Spark的安裝 210
7.7.1 單機運行Spark 210
7.7.2 使用Spark Shell與Spark交互 213
7.8 Shark、Impala、Hive對比 214
7.9 練習題 216
參考文獻 216
第8章 Storm流計算系統 218
8.1 流計算系統 218
8.1.1 流計算系統的特點 218
8.1.2 流計算處理基本流程 219
8.2 Storm流計算框架 220
8.2.1 Storm簡介 220
8.2.2 Storm關鍵術語 221
8.2.3 Storm架構設計 223
8.3 Storm編程實例 225
8.4 Storm應用 228
8.4.1 Storm應用場景 228
8.4.2 Storm應用實例 228
8.5 其他流計算框架 229
8.6 練習題 231
參考文獻 231
第9章 SQL、NoSQL與NewSQL 232
9.1 傳統SQL數據庫 232
9.1.1 關系模型 232
9.1.2 關系型數據庫的優點 233
9.1.3 關系型數據庫面臨的問題 234
9.2 NoSQL 234
9.2.1 NoSQL與大數據 235
9.2.2 NoSQL理論基礎 235
9.2.3 分布式模型 238
9.2.4 NoSQL數據庫分類 241
9.3 NewSQL 255
9.3.1 系統分類 255
9.3.2 Google Spanner 256
9.3.3 MemSQL 258
9.3.4 VoltDB 260
9.4 練習題 263
參考文獻 263
第10章 大數據與數據挖掘 264
10.1 數據挖掘的主要功能和常用算法 264
10.1.1 數據挖掘的主要功能 264
10.1.2 常用算法 265
10.2 大數據時代的數據挖掘 280
10.2.1 傳統數據挖掘解決方案 280
10.2.2 分布式數據挖掘解決方案 280
10.3 數據挖掘相關工具 282
10.3.1 Mahout 282
10.3.2 語言工具——Python 288
10.4 數據挖掘與R語言 289
10.4.1 R語言簡介 289
10.4.2 R語言在數據挖掘上的應用 290
10.5 練習題 294
參考文獻 294
第11章 深度學習 298
11.1 深度學習介紹 299
11.1.1 深度學習的概念 299
11.1.2 深度學習的結構 299
11.1.3 從機器學習到深度學習 301
11.2 深度學習基本方法 302
11.2.1 自動編碼器 302
11.2.2 稀疏編碼 304
11.3 深度學習模型 305
11.3.1 深度置信網絡 306
11.3.2 卷積神經網絡 308
11.4 深度學習的訓練加速 310
11.4.1 GPU加速 310
11.4.2 數據并行 311
11.4.3 模型并行 312
11.4.4 計算集群 313
11.5 深度學習應用 313
11.5.1 Google 314
11.5.2 百度 314
11.5.3 騰訊Mariana 315
11.6 練習題 316
參考文獻 316
第12章 電子商務與社會化網絡大數據分析 318
12.1 推薦系統簡介 318
12.1.1 推薦系統的評判標準 319
12.1.2 推薦系統的分類 319
12.1.3 在線推薦系統常用算法介紹 320
12.1.4 相關算法知識 323
12.2 計算廣告 327
12.2.1 計算廣告簡介 327
12.2.2 計算廣告發展階段 327
12.2.3 計算廣告相關算法 330
12.2.4 計算廣告與大數據 332
12.2.5 大數據在計算廣告中的應用案例 333
12.3 社交網絡 333
12.3.1 社交網絡中大數據挖掘的應用場景 334
12.3.2 社交網絡大數據挖掘核心算法模型 334
12.3.3 圖計算框架 335
12.3.4 大數據在社交網絡中的應用案例 337
12.4 練習題 338
第13章 大數據展示與交互技術 339
13.1 數據可視化分類 339
13.1.1 按照展示內容進行劃分 340
13.1.2 按照數據類型進行劃分 341
13.2 可視化技術分類 351
13.2.1 2D展示技術 351
13.2.2 3D渲染技術 356
13.2.3 體感互動技術 360
13.2.4 虛擬現實技術 362
13.2.5 增強現實技術 364
13.2.6 可穿戴技術 365
13.2.7 可植入設備 368
13.3 練習題 369
參考文獻 369
第14章 大數據安全與隱私 372
14.1 云計算時代安全與隱私問題凸顯 372
14.2 云計算與大數據時代的安全挑戰 374
14.2.1 大數據時代的安全需求 374
14.2.2 信息安全的發展歷程 375
14.2.3 新興信息技術帶來的安全挑戰 376
14.3 如何解決安全問題 380
14.3.1 云計算安全防護框架 381
14.3.2 基礎云安全防護關鍵技術 384
14.3.3 創立本質安全的新型IT體系 387
14.4 隱私問題 389
14.4.1 防不勝防的隱私泄露 389
14.4.2 隱私保護的政策法規 390
14.4.3 隱私保護技術 391
14.5 練習題 393
參考文獻 393
第15章 大數據技術發展趨勢 394
15.1 實時化 394
15.2 內存計算 396
15.2.1 機遇與挑戰 396
15.2.2 研究進展 397
15.2.3 發展展望 399
15.3 泛在化 399
15.3.1 發展現狀 400
15.3.2 發展趨勢 401
15.4 智能化 406
15.4.1 傳統人工智能 406
15.4.2 基于大數據的人工智能 407
15.5 練習題 410
參考文獻 410
第16章 知名企業大數據架構簡介 411
16.1 騰訊 411
16.1.1 背景介紹 411
16.1.2 整體架構 412
16.2 淘寶 416
16.2.1 背景介紹 416
16.2.2 整體架構 416
16.3 Facebook 417
16.3.1 背景介紹 417
16.3.2 整體架構 418
16.3.3 技術架構展望 420
16.4 Twitter 420
16.4.1 背景介紹 420
16.4.2 整體架構 420
16.4.3 技術架構展望 422
16.5 Netflix 422
16.5.1 背景介紹 422
16.5.2 整體架構 423
16.5.3 Netflix個性化和推薦系統架構 426
16.6 練習題 430
參考文獻 430 |
| 序： |
