دانلود ترجمه مقاله کلان داده و اینترنت اشیا: فرصتی برجسته برای بانکداری

1. مقدمه 2. کارهای مرتبط 3. اینترنت اشیا و Hadoop 4. طرح پژوهش و روش تحقیق 5. نتیجه گیری

صنعت بانکداری، یکی از پیچیده ترین و حساس ترین صنایعی است که تغییرات قابل توجهی را به طور روزمره متوجه خود می بیند. همانند تعداد فراوانی از کسب و کارهای دیگر، کلان داده، یک مدیریت داده مشکل آفرین جدی است و مسائل کلاه برداری و تقلب، در زمینه نظارت بیدرنگ، چالش های بزرگتری در این بخش به شمار میروند و دلیل آن، کمیت بسیار زیاد داده است که با سرعت بالا، از دستگاه های مختلف، به صورت ساختار یافته و غیرساختاریافته وارد سیستم شده است و منتظر اَعمال و تصمیم های بیدرنگ است. اکثر موسسات مالی و بانک ها تلاش می کنند تا فرآیندهای پرداخت را دستخوش تنوع و نوآوری کنند تا آن را چالش برانگیزتر و امن تر نمایند تا به این صورت بتوانند مهارت های دیجیتال خود را بهبود بخشند. درک رفتار مشتری، تبدیل به یک فاکتور کلیدی موفقیت، در بازار شده است و دقیقا این که چرا اینترنت اشیا می تواند بهترین راهکار، برای حل مسائل مربوط به جمع آوری و به اشتراک گذاری داده از طریق اینترنت، در میان اشیای مختلف باشد (همانند دستگاه و اشیا (حسگرها، ATMها، POSها و تلفن های هوشمند، کامپیوترها، درگاه های پرداخت)، تجارت الکترونیکی ( نوت بوک ها و ...))، همین موضوع است. قسمت معماری و فنی، هنوز هم در این زمینه یک مشکل محسوب می شود زیرا سیستم مدیریت پایگاه داده مرسوم و سیستم های بانکداری موجود، هنوز توانایی این را ندارند که بتوانند این حجم انبوه از داده را به صورت بیدرنگ مدیریت کرده، ذخیره سازی نمایند و پردازش کنند. این مقاله درباره سیستم فایل پراکنده هادوپ و مپ ریدیوس، به عنوان یک معماری، برای ذخیره سازی و بازیابی اطلاعات، از حجم های انبوه مجموعه داده هایی که می توانیم از طریق اینترنت، از اشیای مختلف، بر پایه مزیت ها و پتانسیل اینترنت اشیا جمع آوری نماییم، به بحث و بررسی می نشیند. مقدمه: در سال های اخیر، داده با تکرر قابل توجهی به طور روزمره در حال افزایش است. بنابراین مدیریت، بررسی و مصورسازی این کلان داده، تبدیل به چالشی جدید شده است. این چالش، شامل تحلیل، ضبط، ثبت، جستجو، به اشتراک گذاری، ذخیره سازی، انتقال، بررسی و محرمانگی اطلاعات است و تنها این جا، مسئله بزرگ بودن سایز، مشکل آفرین نیست بلکه هدف، نحوه سودرسانی و مدیریت کلان داده هایی است که داریم. کاربردهای پردازش داده سنتی، دیگر توانایی پرداختن به این مسئله را ندارند. توجه و منافع نامحدودی برای استفاده از فناوری های کلان داده وجود دارد که هدف آن ها افزایش بهره وری و جمع آوری جنبه های اقتصادی تمامی بخش های کسب و کار است تا به این گونه بتوانند استراتژی های سرمایه گذاری بهره وری را در دامنه های دولتی و خصوصی مختلف ایجاد نمایند.

Banking industry is one of the most complex and sensitive industries that experience enormous changes in daily basis. Like many others businesses, Big data is a serious problematic, data management and real time monitoring fraud issues also are even bigger challenges in this sector, due to the huge quantity of data, coming swiftly and rapidly from different devices in structured and unstructured formats, waiting for instantaneously treatments and decisions. Most financial institutions and banks try to innovate and diversify payment processes to make it more challenging and secure to improve their digital skills. Understand customer’s behaviors also become a successful key factor in the market at the same time, that’s why Internet of Things (IoT) can be the best solution to solve the issue of collecting and sharing data via internet among different “things”, as devices and objects (Sensors, ATMs, POS, Smartphones, Computers, payment gateways (ecommerce), notebooks, etc.). The architectural and technical sides remain a problem, since conventional database management system and existing banking systems are not capable anymore to handle, store and process this massive volume of data with sufficient real time. This paper, discuss Hadoop Distributed File System and MapReduce, as an architecture for storing and retrieving information from massive volumes of datasets that we can collect via Internet from different objects based on the advantage and potential of Internet of things. Introduction: In recent years, data is increasing at dreadful frequency day after day, therefore manage, explore and visualize this big data is becoming a new challenge. This challenge includes analysis, capture, search, sharing, storage, transfer, querying and information confidentiality, not just about being huge in size, but the aim is how to profit and manipulate the big data we have. Traditional data processing applications are no more capable to deal with it. There is an unlimited interest and benefit to use big data technologies to increase productivity and economy of all business sectors to build efficient investment strategies in different private and public domains.