大數(shù)據(jù)架構(gòu)詳解：從數(shù)據(jù)獲取到深度學習

定　價：￥69.00

作　者：	朱潔，羅華霖著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機/網(wǎng)絡(luò) 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787121300004	出版時間：	2016-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	372	字數(shù)：

內(nèi)容簡介

　　本書從架構(gòu)、業(yè)務(wù)、技術(shù)三個維度深入淺出地介紹了大數(shù)據(jù)處理領(lǐng)域端到端的知識。主要內(nèi)容包括三部分：第一部分從數(shù)據(jù)的產(chǎn)生、采集、計算、存儲、消費端到端的角度介紹大數(shù)據(jù)技術(shù)的起源、發(fā)展、關(guān)鍵技術(shù)點和未來趨勢，結(jié)合生動的業(yè)界*新產(chǎn)品，以及學術(shù)界*新的研究方向和成果，讓深奧的技術(shù)淺顯易懂；第二部分從業(yè)務(wù)和技術(shù)角度介紹實際案例，讓讀者理解大數(shù)據(jù)的用途及技術(shù)的本質(zhì)；第三部分介紹大數(shù)據(jù)技術(shù)不是孤立的，講解如何與前沿的云技術(shù)、深度學習、機器學習等相結(jié)合。

作者簡介

　　朱潔，2008年加入華為，具有8年大數(shù)據(jù)研發(fā)管理經(jīng)驗，現(xiàn)任華為大數(shù)據(jù)服務(wù)首席規(guī)劃師。專注于大數(shù)據(jù)服務(wù)平臺建設(shè)、規(guī)劃和實踐應(yīng)用，同時參與多項企業(yè)級大數(shù)據(jù)項目解決方案的規(guī)劃、設(shè)計和實施工作，在深化大數(shù)據(jù)行業(yè)落地方面有諸多實踐經(jīng)驗，對解讀大數(shù)據(jù)垂直行業(yè)的技術(shù)創(chuàng)新與開發(fā)有諸多獨到的見解和心得。羅華霖，2002年加入華為，華為大數(shù)據(jù)首席規(guī)劃師，主導完成華為大數(shù)據(jù)平臺DataSight和華為電信大數(shù)據(jù)解決方案SmartCare技術(shù)規(guī)劃和架構(gòu)設(shè)計，支持電信運營商數(shù)字化戰(zhàn)略轉(zhuǎn)型，完成浙江移動、上海聯(lián)通、沙特STC等200+電信大數(shù)據(jù)解決方案項目落地。曾任華為軟交換首席設(shè)計師，華為大型電信大數(shù)據(jù)解決方案SmartCare首席架構(gòu)師。

圖書目錄

第一部分大數(shù)據(jù)的本質(zhì)
第1章大數(shù)據(jù)是什么 2
1．1 大數(shù)據(jù)導論 2
1．1．1 大數(shù)據(jù)簡史 2
1．1．2 大數(shù)據(jù)現(xiàn)狀 3
1．1．3 大數(shù)據(jù)與BI 3
1．2 企業(yè)數(shù)據(jù)資產(chǎn) 4
1．3 大數(shù)據(jù)挑戰(zhàn) 5
1．3．1 成本挑戰(zhàn) 6
1．3．2 實時性挑戰(zhàn) 6
1．3．3 安全挑戰(zhàn) 6
1．4 小結(jié) 6
第2章運營商大數(shù)據(jù)架構(gòu) 7
2．1 架構(gòu)驅(qū)動的因素 7
2．2 大數(shù)據(jù)平臺架構(gòu) 7
2．3 平臺發(fā)展趨勢 8
2．4 小結(jié) 8
第3章運營商大數(shù)據(jù)業(yè)務(wù) 9
3．1 運營商常見的大數(shù)據(jù)業(yè)務(wù) 9
3．1．1 SQM（運維質(zhì)量管理） 9
3．1．2 CSE（客戶體驗提升） 9
3．1．3 MSS（市場運維支撐） 10
3．1．4 DMP（數(shù)據(jù)管理平臺） 10
3．2 小結(jié) 11
第二部分大數(shù)據(jù)技術(shù)
第4章數(shù)據(jù)獲取 14
4．1 數(shù)據(jù)分類 14
4．2 數(shù)據(jù)獲取組件 14
4．3 探針 15
4．3．1 探針原理 15
4．3．2 探針的關(guān)鍵能力 16
4．4 網(wǎng)頁采集 26
4．4．1 網(wǎng)絡(luò)爬蟲 26
4．4．2 簡單爬蟲Python代碼示例 32
4．5 日志收集 33
4．5．1 Flume 33
4．5．2 其他日志收集組件 47
4．6 數(shù)據(jù)分發(fā)中間件 47
4．6．1 數(shù)據(jù)分發(fā)中間件的作用 47
4．6．2 Kafka架構(gòu)和原理 47
4．7 小結(jié) 82
第5章流處理 83
5．1 算子 83
5．2 流的概念 83
5．3 流的應(yīng)用場景 84
5．3．1 金融領(lǐng)域 84
5．3．2 電信領(lǐng)域 85
5．4 業(yè)界兩種典型的流引擎 85
5．4．1 Storm 85
5．4．2 Spark Streaming 89
5．4．3 融合框架 102
5．5 CEP 108
5．5．1 CEP是什么 108
5．5．2 CEP的架構(gòu) 109
5．5．3 Esper 110
5．6 實時結(jié)合機器學習 110
5．6．1 Eagle的特點 111
5．6．2 Eagle概覽 111
5．7 小結(jié) 116
第6章交互式分析 117
6．1 交互式分析的概念 117
6．2 MPP DB技術(shù) 118
6．2．1 MPP的概念 118
6．2．2 典型的MPP數(shù)據(jù)庫 121
6．2．3 MPP DB調(diào)優(yōu)實戰(zhàn) 131
6．2．4 MPP DB適用場景 162
6．3 SQL on Hadoop 163
6．3．1 Hive 163
6．3．2 Phoenix 165
6．3．3 Impala 166
6．4 大數(shù)據(jù)倉庫 167
6．4．1 數(shù)據(jù)倉庫的概念 167
6．4．2 OLTP/OLAP對比 168
6．4．3 大數(shù)據(jù)場景下的同與不同 168
6．4．4 查詢引擎 169
6．4．5 存儲引擎 170
6．5 小結(jié) 171
第7章批處理技術(shù) 172
7．1 批處理技術(shù)的概念 172
7．2 MPP DB技術(shù) 172
7．3 MapReduce編程框架 173
7．3．1 MapReduce起源 173
7．3．2 MapReduce原理 173
7．3．3 Shuffle 174
7．3．4 性能差的主要原因 177
7．4 Spark架構(gòu)和原理 177
7．4．1 Spark的起源和特點 177
7．4．2 Spark的核心概念 178
7．5 BSP框架 217
7．5．1 什么是BSP模型 217
7．5．2 并行模型介紹 218
7．5．3 BSP模型基本原理 220
7．5．4 BSP模型的特點 222
7．5．5 BSP模型的評價 222
7．5．6 BSP與MapReduce對比 222
7．5．7 BSP模型的實現(xiàn) 223
7．5．8 Apache Hama簡介 223
7．6 批處理關(guān)鍵技術(shù) 227
7．6．1 CodeGen 227
7．6．2 CPU親和技術(shù) 228
7．7 小結(jié) 229
第8章機器學習和數(shù)據(jù)挖掘 230
8．1 機器學習和數(shù)據(jù)挖掘的聯(lián)系與區(qū)別 230
8．2 典型的數(shù)據(jù)挖掘和機器學習過程 231
8．3 機器學習概覽 232
8．3．1 學習方式 232
8．3．2 算法類似性 233
8．4 機器學習＆數(shù)據(jù)挖掘應(yīng)用案例 235
8．4．1 尿布和啤酒的故事 235
8．4．2 決策樹用于電信領(lǐng)域故障快速定位 236
8．4．3 圖像識別領(lǐng)域 236
8．4．4 自然語言識別 238
8．5 交互式分析 239
8．6 深度學習 240
8．6．1 深度學習概述 240
8．6．2 機器學習的背景 241
8．6．3 人腦視覺機理 242
8．6．4 關(guān)于特征 244
8．6．5 需要有多少個特征 245
8．6．6 深度學習的基本思想 246
8．6．7 淺層學習和深度學習 246
8．6．8 深度學習與神經(jīng)網(wǎng)絡(luò) 247
8．6．9 深度學習的訓練過程 248
8．6．10 深度學習的框架 248
8．6．11 深度學習與GPU 255
8．6．12 深度學習小結(jié)與展望 256
8．7 小結(jié) 257
第9章資源管理 258
9．1 資源管理的基本概念 258
9．1．1 資源調(diào)度的目標和價值 258
9．1．2 資源調(diào)度的使用限制及難點 258
9．2 Hadoop領(lǐng)域的資源調(diào)度框架 259
9．2．1 YARN 259
9．2．2 Borg 260
9．2．3 Omega 262
9．2．4 本節(jié)小結(jié) 263
9．3 資源分配算法 263
9．3．1 算法的作用 263
9．3．2 幾種調(diào)度算法分析 263
9．4 數(shù)據(jù)中心統(tǒng)一資源調(diào)度 271
9．4．1 Mesos+Marathon架構(gòu)和原理 271
9．4．2 Mesos+Marathon小結(jié) 283
9．5 多租戶技術(shù) 284
9．5．1 多租戶概念 284
9．5．2 多租戶方案 284
9．6 基于應(yīng)用描述的智能調(diào)度 287
9．7 Apache Mesos架構(gòu)和原理 288
9．7．1 Apache Mesos背景 288
9．7．2 Apache Mesos總體架構(gòu) 288
9．7．3 Apache Mesos工作原理 290
9．7．4 Apache Mesos關(guān)鍵技術(shù) 295
9．7．5 Mesos與YARN比較 304
9．8 小結(jié) 305
第10章存儲是基礎(chǔ) 306
10．1 分久必合，合久必分 306
10．2 存儲硬件的發(fā)展 306
10．2．1 機械硬盤的工作原理 306
10．2．2 SSD的原理 307
10．2．3 3DXPoint 309
10．2．4 硬件發(fā)展小結(jié) 309
10．3 存儲關(guān)鍵指標 309
10．4 RAID技術(shù) 309
10．5 存儲接口 310
10．5．1 文件接口 311
10．5．2 裸設(shè)備 311
10．5．3 對象接口 312
10．5．4 塊接口 316
10．5．5 融合是趨勢 328
10．6 存儲加速技術(shù) 328
10．6．1 數(shù)據(jù)組織技術(shù) 328
10．6．2 緩存技術(shù) 335
10．7 小結(jié) 336
第11章大數(shù)據(jù)云化 337
11．1 云計算定義 337
11．2 應(yīng)用上云 337
11．2．1 Cloud Native概念 338
11．2．2 微服務(wù)架構(gòu) 338
11．2．3 Docker配合微服務(wù)架構(gòu) 342
11．2．4 應(yīng)用上云小結(jié) 348
11．3 大數(shù)據(jù)上云 348
11．3．1 大數(shù)據(jù)云服務(wù)的兩種模式 348
11．3．2 集群模式AWSEMR 349
11．3．3 服務(wù)模式Azure Data Lake Analytics 352
11．4 小結(jié) 354
第三部分大數(shù)據(jù)文化
第12章大數(shù)據(jù)技術(shù)開發(fā)文化 356
12．1 開源文化 356
12．2 DevOps理念 356
12．2．1 Development和Operations的組合 357
12．2．2 對應(yīng)用程序發(fā)布的影響 357
12．2．3 遇到的問題 358
12．2．4 協(xié)調(diào)人 358
12．2．5 成功的關(guān)鍵 359
12．3 速度遠比你想的重要 359
12．4 小結(jié) 361