دانلود ترجمه مقاله معماری مرجع و دسته بندی تکنولوژی ها برای سیستم های کلان داده

1. مقدمه 2. مواد و روش ها 3. نظریه 4. نتایج 5. مروری بر تکنولوژی های کلان داده 6. تحلیل 7. بحث و بررسی 8. نتیجه گیری

مقدمه: بسیاری از موارد کاربرد کلان داده ها محقق شده اند، که ارزش های افزوده ای را برای شرکت ها، کاربران نهایی و اشخاص ثالث خلق می کنند. امروزه، داده های واقعی از میان میلیون ها کاربر نهایی و از طریق سرویس های شبکه های اجتماعی محبوب جمع آوری می شوند. به عنوان مثال، وب سایت لینکدین [1] داده های کاربران را جمع آوری می کند و سرویس هایی مانند "افرادی که شاید بشناسید"، تاییدیه های مهارتی یا به روز رسانی اخبار برای کاربران نهایی را بر اساس تحلیل داده ها ارائه می دهد. مثال دیگر در این زمینه، نتفلیکس است که از کلان داده ها برای ارائه پیشنهادات و رتبه بندی سرویس های مرتبط برای مشتریان استفاده می کند [2]. توئیتر از داده های جمع آوری شده برای پیشنهاد جستارهای زمان واقعی و تصحیح الگوریتم های جستجویش استفاده می کند [3]. تحلیل داده های جمع آوری شده همچنین می تواند درک مصرف کنندگان را افزایش دهد که دارایی بسیار مهمی برای شرکت های کلان داده به شمار می آید. ارزش داده ها را همچنین می تواند با کاربردهای دیگری چون نظارت بر ترافیک شبکه [4] یا بهبود فرآیند تولید محصولات دیجیتالی [5] استخراج کرد. طیف وسیعی از تکنولوژی ها و معماری های ناهمگن در پیاده سازی موارد کاربرد کلان داده ها استفاده شده اند. مقالات عمدتا روی تشریح معماری های مشارکت کنندگان با شرکت های کلان داده مانند فیس بوک [6] یا لینکدین [1] پرداخته اند. از سوی دیگر، معماری که به ترکیب گزارشات فردی با معماری مرجع منسجم پرداخته، محدود شده است، گرچه که اولین مشارکت کننده ایجاد گردیده است [7-10]. معماری مرجع مستقل از تکنولوژی و دسته بندی تکنولوژی های مرتبط و نیز سرویس ها، برای تحقیق و توسعه سیستم های کلان داده، ارزشمند می باشند. سهم این مقاله، ارائه یک معماری مرجع برای سیستم های کلان داده و طبقه بندی سرویس ها، محصولات و تکنولوژی های مرتبط می باشد. اولا، تحقیقات کلان داده، معماری های مرجع، و موارد استفاده، در بین مقالات منتشر شده بررسی شده است. در ادامه، طراحی مدل مرجع برای سیستم های کلان داده ارائه شده که بر مبنای تحلیل موارد استفاده ارائه شده می باشد. نهایتا، یک طبقه بندی با هدف ایجاد تصویری کلی از تحقیقات کلان داده، محصولات، سرویس ها و تکنولوژی های مرتبط ارائه شده است.

Introduction: Many big data use cases have been realised, which create additional value for companies, end users and third parties. Currently, real time data is gathered from millions of end users via popular social networking services. For example, LinkedIn [1] collects data from users, and offers services such as “People you may know”, skill endorsements or news feed updates to end users based on analysis of the data. Another example is Netflix, which uses big data for providing recommendations and ranking related services to customers [2]. Twitter uses collected data for real time query suggestion and spelling corrections of their search algorithm [3]. Analysis of collected data also increases understanding of consumers, which is an important asset for the big data companies. Value from data can also be extracted with other applications such as monitoring of network traffic [4] or improving manufacturing process of digital displays [5]. A wide variety of technologies and heterogeneous architectures have been applied in the implementation of the big data use cases. The publications have mainly concentrated on describing architectures of individual contributions by large big data companies such as Facebook [6] or LinkedIn [1]. On the other hand, architectural work combining the individual reports into one coherent reference architecture has been limited, although the first contributions have been made [7–10]. Technology independent reference architecture and categorization of related implementation technologies and services would be valuable for research and development of big data systems. The contribution of this paper is reference architecture for big data systems, and classification of related technologies and products/services. First, big data research, reference architectures, and use cases are surveyed from literature. Subsequently, the design of reference architecture for big data systems is presented, which has been constructed inductively based on analysis of the presented use cases. Finally, a classification is provided for the purpose of creating an overall picture of big data research, related technologies, products, and services.