MapReduce - تاریخچهٔ نسخه‌ها

Goodosuser: ویرایش جزئی‌

2015-04-11T10:40:37Z

ویرایش جزئی‌

→ نسخهٔ قدیمی‌تر		نسخهٔ ‏۱۱ آوریل ۲۰۱۵، ساعت ۱۵:۱۰
خط ۱:		خط ۱:
	~~Mapreduce~~ (که آنرا تحت عنوان "نگاشت کاهش" ترجمه ~~نموده اند~~) یک مدل برنامه نویسی برای پردازش مجموعه داده های بزرگ است. در چارچوب نگاشت‌کاهش، کاربر، محاسبات را در قالب '''یک تابع نگاشت''' و '''یک تابع کاهش''' می‌نویسد و ''سیستم زمان‌اجرای زیرین''، '''بصورت خودکار''' محاسبات را در بین خوشه‌های بزرگی از ماشین‌ها موازی می‌کند و خرابی‌های ماشین را مدیریت می‌کند و ارتباطات بین‌ماشینی را زمانبندی می‌کند تا استفاده از شبکه و دیسک‌ها ساده تر و سودمندتر ~~گردد~~. بدین ترتیب برنامه نویس تنها بر روی نوشتن این دو تابع تمرکز کرده و موازی سازی محاسبات انبوه و بکار بردن سیستم و مدیریت خرابی ها برایش ساده می‌شود.		Map-reduce (که آنرا تحت عنوان "نگاشت-کاهش" ترجمه کرده‌اند) یک مدل برنامه نویسی برای پردازش مجموعه داده های بزرگ است. در چارچوب نگاشت‌کاهش، کاربر، محاسبات را در قالب '''یک تابع نگاشت''' و '''یک تابع کاهش''' می‌نویسد و ''سیستم زمان‌اجرای زیرین''، '''بصورت خودکار''' محاسبات را در بین خوشه‌های بزرگی از ماشین‌ها موازی می‌کند و خرابی‌های ماشین را مدیریت می‌کند و ارتباطات بین‌ماشینی را زمانبندی می‌کند تا استفاده از شبکه و دیسک‌ها ساده تر و سودمندتر شود. بدین ترتیب برنامه نویس تنها بر روی نوشتن این دو تابع تمرکز کرده و موازی سازی محاسبات انبوه و بکار بردن سیستم و مدیریت خرابی ها برایش ساده می‌شود.

	در هنگام انجام پردازش با MapReduce، بصورت خودکار، داده های ورودی به چندین بلوک شکسته می شوند که هر بلوک توسط یک تابع ~~map~~() پردازش می شود و سپس نتایج تمامی توابع map، ~~بعنوان~~ ورودی به تابع ~~reduce~~() ارجاع داده شده و توسط تابع ~~reduce~~() ترکیب می شوند.		در هنگام انجام پردازش با MapReduce، بصورت خودکار، داده های ورودی به چندین بلوک شکسته می شوند که هر بلوک توسط یک تابع ()map پردازش می شود و سپس نتایج تمامی توابع map، به عنوان ورودی به تابع ()reduce ارجاع داده شده و توسط تابع ()reduce ترکیب می شوند.

	MapReduce قلب هادوپ است. روش برنامه نویسی است که امکان مقیاس پذیری گسترده در سطح صدها یا هزاران سرور در یک خوشه هادوپ را می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (~~جقت~~ کلید/مقدار). مرحله کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، مرحله کاهش همیشه بعد از مرحله نگاشت انجام می شود.		MapReduce قلب [[Hadoop\|هادوپ]] است. روش برنامه نویسی است که امکان مقیاس پذیری گسترده در سطح صدها یا هزاران سرور در یک خوشه هادوپ را می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جفت کلید/مقدار). مرحله کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، مرحله کاهش همیشه بعد از مرحله نگاشت انجام می شود.

معصومه رضائی جم در ‏۹ نوامبر ۲۰۱۴، ساعت ۰۱:۲۴

2014-11-09T01:24:10Z

→ نسخهٔ قدیمی‌تر		نسخهٔ ‏۹ نوامبر ۲۰۱۴، ساعت ۰۵:۵۴
خط ۱:		خط ۱:
	Mapreduce یک مدل برنامه نویسی ~~و یک پیاده سازی مرتبط~~ برای پردازش ~~و تولید~~ مجموعه داده های بزرگ است. ~~کاربران~~ یک تابع ~~map() تعیین می کنند که~~ یک ~~جفت کلید / مقدار~~ را ~~برای تولید یک مجموعه جفت کلید / مقدار میانی پردازش می کند~~ و ~~یک تایع reduce() که تمام مقادیر میانی~~ را ~~همراه با کلید میانی یکسان ادغام می کند~~.		Mapreduce (که آنرا تحت عنوان "نگاشت کاهش" ترجمه نموده اند) یک مدل برنامه نویسی برای پردازش مجموعه داده های بزرگ است. در چارچوب نگاشت‌کاهش، کاربر، محاسبات را در قالب '''یک تابع نگاشت''' و '''یک تابع کاهش''' می‌نویسد و ''سیستم زمان‌اجرای زیرین''، '''بصورت خودکار''' محاسبات را در بین خوشه‌های بزرگی از ماشین‌ها موازی می‌کند و خرابی‌های ماشین را مدیریت می‌کند و ارتباطات بین‌ماشینی را زمانبندی می‌کند تا استفاده از شبکه و دیسک‌ها ساده تر و سودمندتر گردد. بدین ترتیب برنامه نویس تنها بر روی نوشتن این دو تابع تمرکز کرده و موازی سازی محاسبات انبوه و بکار بردن سیستم و مدیریت خرابی ها برایش ساده می‌شود.

	~~MapReduce متدی برای استاندار سازی روش های پیاده سازی داده های موازی انبوه~~ در پردازش ~~شبکه ای می باشد.~~ داده های ورودی به چندین بلوک ~~پردازشی~~ شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی ~~بلوک ها~~ توسط تابع reduce() ترکیب می شوند.		در هنگام انجام پردازش با MapReduce، بصورت خودکار، داده های ورودی به چندین بلوک شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی توابع map، بعنوان ورودی به تابع reduce() ارجاع داده شده و توسط تابع reduce() ترکیب می شوند.

	MapReduce قلب هادوپ است. ~~پارادیم~~ برنامه نویسی است که ~~اجازه~~ مقیاس پذیری گسترده در ~~سراسر~~ صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). ~~کار~~ کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، ~~کار~~ کاهش همیشه بعد از ~~کار~~ نگاشت انجام می شود.		MapReduce قلب هادوپ است. روش برنامه نویسی است که امکان مقیاس پذیری گسترده در سطح صدها یا هزاران سرور در یک خوشه هادوپ را می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). مرحله کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، مرحله کاهش همیشه بعد از مرحله نگاشت انجام می شود.

81.91.156.99: /* لینک های مرتبط */

2014-11-01T21:40:20Z

لینک های مرتبط

→ نسخهٔ قدیمی‌تر		نسخهٔ ‏۲ نوامبر ۲۰۱۴، ساعت ۰۲:۱۰
خط ۷:		خط ۷:

	== لینک های مرتبط ==		== لینک های مرتبط ==
	* [[~~هادوپ~~]]		* [[Hadoop]]
	* [[~~کلان داده~~]]		* [[Big Data]]

81.91.156.99 در ‏۱ نوامبر ۲۰۱۴، ساعت ۲۱:۴۰

2014-11-01T21:40:05Z

→ نسخهٔ قدیمی‌تر		نسخهٔ ‏۲ نوامبر ۲۰۱۴، ساعت ۰۲:۱۰
خط ۴:		خط ۴:

	MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.		MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.


			== لینک های مرتبط ==
			* [[هادوپ]]
			* [[کلان داده]]

Alimirarab در ‏۱ نوامبر ۲۰۱۴، ساعت ۱۹:۳۰

2014-11-01T19:30:11Z

→ نسخهٔ قدیمی‌تر		نسخهٔ ‏۲ نوامبر ۲۰۱۴، ساعت ۰۰:۰۰
خط ۱:		خط ۱:
	Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه داده های بزرگ است. کاربران یک تابع map() تعیین می کنند که یک جفت کلید / مقدار را برای تولید یک مجموعه جفت کلید / مقدار میانی پردازش می کند و یک تایع reduce() که تمام مقادیر میانی را همراه با کلید میانی یکسان ادغام می کند.~~<ref>http://research.google.com/archive/mapreduce.html</ref>~~		Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه داده های بزرگ است. کاربران یک تابع map() تعیین می کنند که یک جفت کلید / مقدار را برای تولید یک مجموعه جفت کلید / مقدار میانی پردازش می کند و یک تایع reduce() که تمام مقادیر میانی را همراه با کلید میانی یکسان ادغام می کند.

	MapReduce متدی برای استاندار سازی روش های پیاده سازی داده های موازی انبوه در پردازش شبکه ای می باشد. داده های ورودی به چندین بلوک پردازشی شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی بلوک ها توسط تابع reduce() ترکیب می شوند.		MapReduce متدی برای استاندار سازی روش های پیاده سازی داده های موازی انبوه در پردازش شبکه ای می باشد. داده های ورودی به چندین بلوک پردازشی شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی بلوک ها توسط تابع reduce() ترکیب می شوند.
	MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.~~<ref>http://www-01.ibm.com/software/data/infosphere/hadoop/mapreduce/</ref>~~
			MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.

Alimirarab در ‏۱ نوامبر ۲۰۱۴، ساعت ۱۹:۲۸

2014-11-01T19:28:10Z

→ نسخهٔ قدیمی‌تر		نسخهٔ ‏۱ نوامبر ۲۰۱۴، ساعت ۲۳:۵۸
خط ۱:		خط ۱:
	Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه داده های بزرگ است. کاربران یک تابع map() تعیین می کنند که یک جفت کلید / مقدار را برای تولید یک مجموعه جفت کلید / مقدار میانی پردازش می کند و یک تایع reduce() که تمام مقادیر میانی را همراه با کلید میانی یکسان ادغام می کند.<ref>http://research.google.com/archive/mapreduce.html</ref>		Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه داده های بزرگ است. کاربران یک تابع map() تعیین می کنند که یک جفت کلید / مقدار را برای تولید یک مجموعه جفت کلید / مقدار میانی پردازش می کند و یک تایع reduce() که تمام مقادیر میانی را همراه با کلید میانی یکسان ادغام می کند.<ref>http://research.google.com/archive/mapreduce.html</ref>
	MapReduce متدی برای استاندار سازی روش های پیاده سازی داده های موازی انبوه در پردازش شبکه ای می باشد. داده های ورودی به چندین بلوک پردازشی شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی بلوک ها توسط تابع reduce() ترکیب می شوند.		MapReduce متدی برای استاندار سازی روش های پیاده سازی داده های موازی انبوه در پردازش شبکه ای می باشد. داده های ورودی به چندین بلوک پردازشی شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی بلوک ها توسط تابع reduce() ترکیب می شوند.
	MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.<ref>http://www-01.ibm.com/software/data/infosphere/hadoop/mapreduce/</ref>		MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.<ref>http://www-01.ibm.com/software/data/infosphere/hadoop/mapreduce/</ref>

Alimirarab: صفحه‌ای جدید حاوی «Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه دا...» ایجاد کرد

2014-11-01T19:26:02Z

صفحه‌ای جدید حاوی «Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه دا...» ایجاد کرد

صفحهٔ تازه

Mapreduce یک مدل برنامه نویسی و یک پیاده سازی مرتبط برای پردازش و تولید مجموعه داده های بزرگ است. کاربران یک تابع map() تعیین می کنند که یک جفت کلید / مقدار را برای تولید یک مجموعه جفت کلید / مقدار میانی پردازش می کند و یک تایع reduce() که تمام مقادیر میانی را همراه با کلید میانی یکسان ادغام می کند.<ref>http://research.google.com/archive/mapreduce.html</ref>
MapReduce متدی برای استاندار سازی روش های پیاده سازی داده های موازی انبوه در پردازش شبکه ای می باشد. داده های ورودی به چندین بلوک پردازشی شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی بلوک ها توسط تابع reduce() ترکیب می شوند.
MapReduce قلب هادوپ است. پارادیم برنامه نویسی است که اجازه مقیاس پذیری گسترده در سراسر صدها یا هزاران سرور را در یک خوشه هادوپ می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). کار کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، کار کاهش همیشه بعد از کار نگاشت انجام می شود.<ref>http://www-01.ibm.com/software/data/infosphere/hadoop/mapreduce/</ref>