Page 37 - 5.Introduction to IoT Analytics using hadoop
P. 37

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop   36



                           ภาพรวมทั่วไปของสถาปตยกรรมแลมบดามีดังนี้



















                                              รูปที่ 3.6 สถาปตยกรรมพื้นฐานของแลมบดา
                                                    [ที่มา. https://medium.com]


                           แหลงขอมูล: อาจมีระบบแหลงตางๆ ที่สงขอมูลในเวลาตางๆ และชวงเวลาตางๆ ในแหลงขอมูลบางอยาง เชน

                  แอปพลิเคชันมือถือ หรือเซ็นเซอรสามารถสงขอมูลอยางตอเนื่อง (สตรีมขอมูล แหลงขอมูลอื่ นๆ เชนระบบ OLTP สามารถสง

                  ขอมูลวันละครั้ง (การประมวลผลแบทช

                           การกลืนกินขอมูล: ขอมูลจากระบบหลาย ๆ แหลงถูกนำเขาไปในเลเยอรนี้ ขอมูลอาจมาจากระบบประมวลผล

                  แบบแบทชหรือสตรีมขอมูลจากแอป / เซ็นเซอรมือถือ ระบบประมวลผลแบบแบทชบางระบบสงขอมูลหนึ่งครั้งตอชั่วโมง

                  ในขณะที่ระบบประมวลผลแบบแบทชอื่นอาจสงขอมูลวันละครั้ง ดังนั้นขอมูลที่มาจากหลายแหลงในหลายๆ ครั้งจึงถูกจัดการ
                  ในเลเยอรนี้ ขอมูลจะถูกสงไปยังทั้งชุดชั้นและชั้นความเร็ว


                           Batch Layer: สถาปตยกรรมของชุดชั้นมีดังนี้



















                                          รูปที่ 3.7 สถาปตยกรรมของ Batch Layer ในแลมบดา
                                                    [ที่มา. https://medium.com]


                           ชุดขอมูลเลเยอรเปนเวอรชันเดียวของความจริง ขอมูลในเลเยอรนี้คาดวาจะสะอาดและสอดคลองเนื่องจากผาน
                  ETL จำนวนมากและกระบวนการคลังขอมูลอื่นๆ โดยทั่วไปขอมูลจะถูกอัปเดตหนึ่งครั้งหรือสองครั้งในหนึ่งวัน ชุดเลเยอรถูก

                  ออกแบบมาสำหรับ“ เขียนเมื่ออานหลายๆ ครั้ง”



                   INTRODUCTION TO IOT ANALYTICS USING HADOOP     สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร
   32   33   34   35   36   37   38   39   40   41   42