Page 36 - 5.Introduction to IoT Analytics using hadoop
P. 36

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop   35































                                              รูปที่ 3.5 การสง Job เขา Cloud Dataproc
                                                  [ที่มา. https://cloud.google.com]

                                      สมมติเลือกใช Hive ก็สามารถใส Query ที่ตองการจะรันลงไปไดทันที




                  3.10  สถาปตยกรรมแลมบดาสำหรับการประมวลผลขอมูลตามเวลาจริง

                           ความตองการการวิเคราะหแบบเรียลไทมนำไปสูความตองการเวิรกโฟลวที่สามารถสรางความสมดุลของ

                  ความหนวงแฝงปริมาณงานขนาดและความผิดพลาดไดอยางมีประสิทธิภาพ มีเวิรกโฟลวหลายตัวที่ใชการลดขนาดแผนที่ซึ่ง

                  สามารถประมวลผลกิกะไบตเปนเทราไบตของขอมูลไดสำเร็จ อยางไรก็ตามเวิรกโฟลวเหลานี้สวนใหญมีขอเสียเปรียบที่สำคัญ:
                  ความลาชา เนื่องจาก Hadoop เปนระบบประมวลผลแบบแบทชผูใชโดยทั่วไปจะตองรอเปนเวลาหลายชั่วโมงกอนที่จะมี

                  การอัปเดตขอมูล เพื่อรองรับความตองการการวิเคราะหแบบเรียลไทมเราจำเปนตองออกแบบระบบที่สามารถสรางสมดุล

                  ระหวางแนวคิดของ "ความจริงรุนเดียว" และ "การวิเคราะหตามเวลาจริง" สถาปตยกรรมแลมบดาเปนหนึ่งในวิธีดังกลาว
                  สถาปตยกรรมของแลมบดาถูกประดิษฐขึ้นโดยนาธานมารซเพื่อใหสถาปตยกรรมการประมวลผลขอมูลที่ผิดพลาดและปรับ

                  ขนาดได

















                   INTRODUCTION TO IOT ANALYTICS USING HADOOP     สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร
   31   32   33   34   35   36   37   38   39   40   41