高性能计算系统与大数据分析【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

高性能计算系统与大数据分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 IT领域的变革以及未来趋势1

1.1 引言1

1.2 新兴的IT趋势1

1.3 数字化实体的实现与发展4

1.4 物联网/万物互联5

1.5 对社交媒体网站的广泛采用7

1.6 预测性、规范性、个性化分析时代7

1.7 用于大数据及分析的Apache Hadoop11

1.8 大数据、大洞见、大动作13

1.9 结论15

1.10 习题15

第2章 大数据/快速数据分析中的高性能技术16

2.1 引言16

2.2 大数据分析学科的出现17

2.3 大数据的战略意义18

2.4 大数据分析的挑战19

2.5 高性能计算范型19

2.6 通过并行实现高性能的方法21

2.7 集群计算22

2.8 网格计算24

2.9 云计算27

2.10 异构计算29

2.11 用于高性能计算的大型机31

2.12 用于大数据分析的超级计算32

2.13 用于大数据分析的设备32

2.13.1 用于大规模数据分析的数据仓库设备33

2.13.2 in-memory大数据分析35

2.13.3 大数据的in-database处理37

2.13.4 基于Hadoop的大数据设备38

2.13.5 高性能大数据存储设备41

2.14 结论42

2.15 习题42

参考文献43

第3章 大数据与快速数据分析对高性能计算的渴望44

3.1 引言44

3.2 重新审视大数据分析范型45

3.3 大数据和快速数据的含义47

3.4 用于精确、预测性、规范性洞见的新兴数据源48

3.5 大数据分析为何不俗50

3.6 传统的和新一代的数据分析案例研究51

3.7 为何采用基于云的大数据分析55

3.8 大数据分析：主要处理步骤57

3.9 实时分析58

3.10 流分析62

3.11 传感器分析63

3.11.1 大数据分析与高性能计算的同步：附加价值63

3.12 结论64

3.13 习题64

第4章 高性能大数据分析的网络基础设施65

4.1 引言65

4.2 当前网络基础设施的局限66

4.3 高性能大数据分析网络基础设施的设计方法68

4.3.1 网络虚拟化68

4.3.2 软件定义网络76

4.3.3 网络功能虚拟化78

4.4 用于传输大数据的广域网优化79

4.5 结论81

4.6 习题81

参考文献81

第5章 高性能大数据分析的存储基础设施82

5.1 引言82

5.2 直连式存储83

5.2.1 DAS的缺点84

5.3 存储区域网络85

5.3.1 块级访问85

5.3.2 文件级访问85

5.3.3 对象级访问85

5.4 保存大数据的存储基础设施需求86

5.5 光纤通道存储区域网络87

5.6 互联网协议存储区域网络88

5.6.1 以太网光纤通道88

5.7 网络附属存储89

5.8 用于高性能大数据分析的流行文件系统89

5.8.1 Google文件系统89

5.8.2 Hadoop分布式文件系统91

5.8.3 Panasas92

5.8.4 Luster 文件系统94

5.9 云存储简介96

5.9.1 云存储系统的架构模型96

5.9.2 存储虚拟化98

5.9.3 云存储中使用的存储优化技术100

5.9.4 云存储的优点101

5.10 结论101

5.11 习题101

参考文献102

进一步阅读102

第6章 使用高性能计算进行实时分析103

6.1 引言103

6.2 支持实时分析的技术103

6.2.1 in-memory处理103

6.2.2 in-database分析105

6.3 大规模在线分析106

6.4 通用并行文件系统107

6.4.1 GPFS用例107

6.5 GPFS客户案例研究111

6.5.1 广播公司：VRT111

6.5.2 石油公司从Lustre迁移到GPFS113

6.6 GPFS：关键的区别113

6.6.1 基于GPFS的解决方案114

6.7 机器数据分析114

6.7.1 Splunk114

6.8 运营分析115

6.8.1 运营分析中的技术115

6.8.2 用例以及运营分析产品116

6.8.3 其他IBM运营分析产品117

6.9 结论117

6.10 习题118

第7章 高性能计算范型119

7.1 引言119

7.2 为何还需要大型机119

7.3 大型机中HPC是如何演化的120

7.3.1 成本：HPC的一个重要因素120

7.3.2 云计算中的集中式HPC120

7.3.3 集中式HPC的要求121

7.4 HPC远程模拟121

7.5 使用HPC的大型机解决方案121

7.5.1 智能大型机网格121

7.5.2 IMG的工作原理122

7.5.3 IMG架构122

7.6 架构模型125

7.6.1 具有共享磁盘的存储服务器125

7.6.2 没有共享磁盘的存储服务器125

7.6.3 无存储服务器的通信网络125

7.7 对称多处理126

7.7.1 什么是SMP126

7.7.2 SMP与集群方法126

7.7.3 SMP是否真的重要126

7.7.4 线程模型127

7.7.5 NumaConnect技术127

7.8 用于HPC的虚拟化127

7.9 大型机方面的创新127

7.10 FICON大型机接口128

7.11 大型机对手机的支持129

7.12 Windows高性能计算129

7.13 结论130

7.14 习题131

第8章 in-database处理与in-memory分析132

8.1 引言132

8.1.1 分析工作负载与事务工作负载的对比132

8.1.2 分析工作负载的演化133

8.1.3 传统分析平台135

8.2 in-database分析135

8.2.1 架构137

8.2.2 优点和局限138

8.2.3 代表性的系统138

8.3 in-memory分析140

8.3.1 架构141

8.3.2 优点和局限142

8.3.3 代表性的系统142

8.4 分析设备145

8.4.1 Oracle Exalytics145

8.4.2 IBM Netezza145

8.5 结论147

8.6 习题147

参考文献148

进一步阅读148

第9章 大数据/快速数据分析中的高性能集成系统、数据库和数据仓库149

9.1 引言149

9.2 下一代IT基础设施和平台的关键特征150

9.3 用于大数据/快速数据分析的集成系统150

9.3.1 用于大数据分析的Urika-GD设备151

9.3.2 IBM PureData System forAnalytics152

9.3.3 Oracle Exadata Database Machine153

9.3.4 Teradata数据仓库和大数据设备153

9.4 大数据分析的融合式基础设施154

9.5 高性能分析：大型机＋Hadoop155

9.6 快速数据分析的in-memory平台158

9.7 大数据分析的in-database平台160

9.8 用于高性能大数据/快速数据分析的云基础设施161

9.9 用于大数据的大文件系统164

9.10 用于大数据/快速数据分析的数据库和数据仓库166

9.10.1 用于大数据分析的NoSQL数据库167

9.10.2 用于大数据/快速数据分析的NewSQL数据库169

9.10.3 用于大数据分析的高性能数据仓库170

9.11 流分析173

9.12 结论176

9.13 习题176

第10章 高性能网格和集群177

10.1 引言177

10.2 集群计算179

10.2.1 集群计算的动机179

10.2.2 集群计算架构180

10.2.3 软件库和编程模型182

10.2.4 先进集群计算系统189

10.2.5 网格与集群间的差异189

10.3 网格计算190

10.3.1 网格计算的动机191

10.3.2 网格计算的演进192

10.3.3 网格系统的设计原则和目标192

10.3.4 网格系统架构193

10.3.5 网格计算系统的优点和局限196

10.3.6 网格系统和应用196

10.3.7 网格计算的未来201

10.4 结论202

10.5 习题202

参考文献203

进一步阅读204

第11章 高性能P2P系统205

11.1 引言205

11.2 设计原则与特点206

11.3 P2P系统架构207

11.3.1 集中式P2P系统207

11.3.2 分散式P2P系统208

11.3.3 混合P2P系统210

11.3.4 高级P2P架构通信协议和框架211

11.4 高性能P2P应用212

11.4.1 Cassandra212

11.4.2 SETI＠Home214

11.4.3 比特币：基于P2P的数字货币215

11.5 结论216

11.6 习题217

参考文献217

进一步阅读219

第12章 高性能大数据分析的可视化维度220

12.1 引言220

12.2 常用技术224

12.2.1 图表224

12.2.2 散点图225

12.2.3 树状图226

12.2.4 箱形图226

12.2.5 信息图227

12.2.6 热图227

12.2.7 网络和图的可视化228

12.2.8 词云与标签云228

12.3 数据可视化工具与系统229

12.3.1 Tableau229

12.3.2 Birst231

12.3.3 Roambi232

12.3.4 Qlikview233

12.3.5 IBM Cognos234

12.3.6 Google Charts和融合表234

12.3.7 Data-Driven Documents（D3.js）235

12.3.8 Sisense236

12.4 结论237

12.5 习题237

参考文献238

进一步阅读238

第13章 用于组织增权的社交媒体分析239

13.1 引言239

13.1.1 社交数据收集239

13.1.2 社交数据分析240

13.1.3 移动设备的发展240

13.1.4 强大的可视化机制240

13.1.5 数据本身的快速变化240

13.2 社交媒体分析入门241

13.3 建立一个用于企业社交媒体分析的框架242

13.4 社交媒体内容指标243

13.5 社交媒体分析的预测分析技术244

13.6 使用文本挖掘的情感分析架构245

13.7 社交媒体数据的网络分析246

13.7.1 社交媒体数据的网络分析入门246

13.7.2 使用Twitter的网络分析247

13.7.3 极化网络图247

13.7.4 In-Group图248

13.7.5 Twitter品牌图248

13.7.6 Bazaar网络248

13.7.7 广播图248

13.7.8 支持网络图248

13.8 组织的社交媒体分析的不同方面249

13.8.1 收入及销售的潜在客户开发250

13.8.2 客户关系和客户体验管理251

13.8.3 创新251

13.9 社交媒体工具251

13.9.1 社交媒体监控工具251

13.9.2 社交媒体分析工具252

13.10 结论252

13.11 习题252

参考文献252

第14章 医疗保健的大数据分析253

14.1 引言253

14.2 影响医疗保健的市场因素254

14.3 不同的相关方设想不同的目标255

14.4 大数据对医疗保健的好处255

14.4.1 医疗保健效率和质量256

14.4.2 早期疾病检测256

14.4.3 欺诈检测256

14.4.4 人口健康管理257

14.5 大数据技术采纳：一个新的改进258

14.5.1 IBM Watson258

14.5.2 IBM Watson架构258

14.6 医疗保健领域中的Watson259

14.6.1 WellPoint和IBM259

14.7 EHR技术259

14.7.1 EHR数据流260

14.7.2 EHR的优点261

14.8 远程监控和传感261

14.8.1 技术组件261

14.8.2 应用远程监控的医疗保健领域261

14.8.3 远程监控的局限262

14.9 面向医疗保健的高性能计算262

14.10 人脑网络的实时分析262

14.11 癌症检测263

14.12 3D医学图像分割263

14.13 新兴医疗方法264

14.14 BDA在医疗保健方面的用例264

14.15 人口健康控制265

14.16 护理流程管理265

14.16.1 核心IT功能265

14.17 Hadoop用例266

14.18 大数据分析：成功案例268

14.19 BDA在医疗保健方面的机会269

14.20 Member 360269

14.21基因组学269

14.22临床监测271

14.23 BDA在医疗保健中的经济价值271

14.24医疗保健的大数据挑战272

14.25医疗保健大数据的未来273

14.26结论273

14.27习题273