Warning: session_start(): open(/var/cpanel/php/sessions/ea-php56/sess_2aba1327596a6d54d093cd24e6345818, O_RDWR) failed: No such file or directory (2) in /home/unidars/public_html/wp-content/plugins/easy-digital-downloads/includes/class-edd-session.php on line 414

Warning: session_start(): Failed to read session data: files (path: /var/cpanel/php/sessions/ea-php56) in /home/unidars/public_html/wp-content/plugins/easy-digital-downloads/includes/class-edd-session.php on line 414
یونی درس | ترجمه فارسی مقاله OLAP بلادرنگ مقیاس پذیر در معماری های ابری – یونی درس
no-img
یونی درس

ترجمه فارسی مقاله OLAP بلادرنگ مقیاس پذیر در معماری های ابری – یونی درس


یونی درس
adsads

ادامه مطلب

ZIP
ترجمه فارسی مقاله OLAP بلادرنگ مقیاس پذیر در معماری های ابری
zip
۱۳۹۶-۰۲-۲۰
2.4mb
مقاله های اصلی بهمراه ترجمه فارسی مقاله در ورد
رمز : www.unidars.ir
100.000 ریال
100.000 ریال – خرید

ترجمه فارسی مقاله OLAP بلادرنگ مقیاس پذیر در معماری های ابری


عنوان مقاله 

Scalable real-time OLAP on cloud architectures

چکیده

بر خلاف پرس و جوها در سیستم های پردازش تراکنش آنلاین (OLTP)، که به طور معمول تنها به بخش کوچکی از پایگاه داده دسترسی دارند، ممکن است پرس و جوهای OLAP نیاز به بخش بزرگی از پایگاه داده داشته باشند. این امر اغلب باعث ایجاد موضوعاتی در زمینه ی کارایی می شود. در مقاله ی پیش رو CR-OLAP را معرفی نمودیم. CR-OLAP یک سیستم بلادرنگ OLAP مبتنی بر ابر مقیاس پذیر می باشد. CR-OLAP ، یک ساختار جدید و توزیع شده ی ایندکس برای OLAP در درخت توزیع شده ی PDCR دارد. CR-OLAP از یک زیرساخت ابری مقیاس پذیر که شامل سرورهای چندگانه (پردازنده) است بهره می گیرد. به همین دلیل، با افزایش اندازه ی پایگاه داده، CR-OLAP برای حفظ عملکرد و کارایی سیستم، تعداد پردازنده ها را به صورت پویا افزایش می دهد. ساختار داده ی درخت توزیع شده ی PDCR، از ابعاد سلسله مراتبی مختلف پشتیبانی می نماید. عملیات پردازش پرس و جوها در حیطه ی جزئیات ابعاد سلسله مراتبی سیستم های OLAP کاملا متمرکز کارامد است. این مربوط به آن دسته از پرس و جوهای پیچیده و کارامد OLAP است، که به جمع اوری بخش بزرگی از داده های انبار داده، نظیر “گزارش کل فروش ها در تمام فروشگاه های واقع در کالیفرنیا و نیویورک در طول ماه های فوریه تا مه در تمام سال ها ” نیازمند است. ما CR-OLAP را در ابر Amazon EC2 و با استفاده از مجموعه داده های بنچ مارک TPC-DS ارزیابی نمودیم. بررسی ها نشان می دهند که مقیاس های CR-OLAP، حتی برای پرس و جوهای پیچیده با افزایش تعداد پردازنده ها بهبود می یابد. برای مثال، در نمونه ی ابری Amazon EC2 با ۱۶ پردازنده، یک انبار داده با ۱۶۰ میلیون تاپل و یک جریان پرس و جوی TPC-DS OLAP که هر پرس و جو بین ۶۰% تا ۹۵% از پایگاه داده را جمع اوری می کند، CR-OLAP به تاخیر پرس و جوی زیر ۰٫۳ ثانیه دست می یابد که می تواند به عنوان پاسخ گویی بلادرنگ در نظر گرفته شود.

 

لینک اصلی مقاله 

http://www.sciencedirect.com/science/article/pii/S0743731514001488



ads

دیدگاه ها


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *