=分布式系统数据管理的目标与任务=
信息技术是指电子、计算机与网络的相关技术，涉及信息的存储，传输与处理的内容。问题： 人的大脑不善于记忆的特点。
信息系统（Information system）就是涉及信息的存储，传输与处理的软硬件设备。解决方法：人发明的索引，对数据建立索引，发明了数据库软件。
大数据系统是实现大数据存储、管理、处理和服务的分布式信息系统。=大数据系统的定义=
大数据系统可以认为是为数据管理和数据分析用途而设计的[https://www.distributed-systems.net Distributed Systems[分布式系统]]。
#M Steen, AS Tanenbaum, Distributed systems: principles and paradigms, Prentice Hall, 2007.在[[大数据系统]]的实现中，整合数据管理与数据分析的功能。
==信息系统的设计原则==基本原则：<big>信息系统的软硬件的组织方式，如计算、存储、通信之间的模式，应该和信息系统的功用相适应</big>。 类似于政治经济学中的“经济基础与上层建筑”。（1）在数据管理的层面，包括数据的读取、存储和操作三方面。
设计问题：集中式与分布式？[[大数据索引]]设计是大数据管理中的重要内容。
==信息系统的设计思路==大数据系统设计的基本思路：（2）在数据分析的层面，需要各种算法和统计分析的工具。
#单台机器能力有限，需要多机系统；（并行性）#数据要分布在不同机器上，之间需要网络通信；（扩展性）#单台机器容易出现故障，系统要能容错；（可靠性）#用户程序在多台机器上运行，编程要简单。（易用性） =分布式存储与并行处理系统= == 分布式文件系统 ==运行在由很多机器组成的集群上的文件系统； 所有文件都做了冗余备份，存放在不同的机器上； 机器的随机宕机，不会导致文件系统的可用性问题； === 谷歌文件系统GFS === ;;;每台机器分配不同角色，称为Master和Slave Master负责存储文件的元数据和在slave中的具体位置 Slave负责存储文件的具体内容，以块为单位，每块64MB 研究论文：# Sanjay Ghemawat, Howard Gobioff, and Shun-Tak Leung. "The Google file system." SOSP 2003. == 并行处理 == === MapReduce框架 ===Map/Reduce编程模型 (Abstraction)和实现框架。 用户只要编写 Map()和 Reduce()函数。 Map/Reduce编程框架(programming framework)能够自动将MapReduce程序分配到集群上运行，并汇总运行结果 研究论文：# Jeffrey Dean and Sanjay Ghemawat, MapReduce: Simplified Data Processing on Large Clusters, OSDI 2004.[[大数据算法]]设计是数据分析中的重要内容。
= 大数据的存储/管理/处理现状 =
大数据系统常用的几个项目：
#Hadoop项目集成了大数据存储与处理技术
#Spark项目是目前最热门的大数据平台
#Real-time Analytics Platform 还没有统治性的软件框架
= Hadoop =
* [http://hadoop.apache.org Hadoop]
= Spark =
==*BDAS (Berkeley Data Analytics Stack)==
BDAS 是加州大学伯克利分校推出的大数据处理框架。BDAS以Spark软件为核心，结合其他处理软件，组成一套解决方案。
# Zaharia, Matei, et al. "Spark: cluster computing with working sets.“ Proceedings of the 2nd USENIX conference on Hot topics in cloud computing. Vol. 10. 2010.
= Druid =
== *RADS（Real-time Analytics Data Stack）==
RADS以Druid为核心，构建大数据实时解析系统。
http://www.imply.io
大数据解析
* [http://druid.io Druid]
#Yang, Fangjin, et al. "Druid: a real-time analytical data store." SIGMOD 2014.
#Yang, Fangjin, et al. "The RADStack: Open source lambda architecture for interactive analytics." Proceedings of the 50th Hawaii International Conference on System Sciences. 2017.
=Kylin=
Apache Kylin是一个开源的分布式分析引擎，提供Hadoop之上的SQL查询接口及多维分析（OLAP）能力以支持超大规模数据，最初由eBay 开发并贡献至开源社区。它能在亚秒内查询巨大的Hive表。
* [http://kylin.io Apache Kylin]
中文版：
http://kylin.apache.org/cn/
=参考材料=
# Leskovec, Jure, Anand Rajaraman, and Jeffrey David Ullman. Mining of massive datasets. Cambridge University Press, 2014. [http://www.mmds.org/ MMDS_book]
# Redmond, Eric, and Jim R. Wilson. Seven databases in seven weeks: a guide to modern databases and the NoSQL movement. Pragmatic Bookshelf, 2012.
=数据库-相关书籍=
*参考书：
M. Tamer Ozsu and Patrick Valduriez., Principles of Distributed Database Systems (third Edition), Springer, 2011.
Jeffrey D. Ullman/Jennifer Widom, 《A First Course in Database Systems》,机械工业出版社.2011
Avi Silberschatz, Henry F. Korth, S. Sudarshan, Database System Concepts Sixth Edition, McGraw-Hill ISBN 0-07-352332-1