大数据走向云计算

目　录
第1章　云时代　1
1．1　云计算力量　1
1．2　云计算概述　2
1．2．1　云基本特征　3
1．2．2　云计算简史　4
1．2．3　云计算演化　5
1．2．4　云服务形式　6
1．2．5　云时代谁是主角　10
1．3　云计算的原动力　11
1．3．1　芯片与硬件技术　12
1．3．2　资源虚拟化　12
1．3．3　面向服务架构　13
1．3．4　软件即服务　13
1．3．5　互联网技术　14
1．3．6　Web技术　14
1．4　云研究趋势　14
1．5　云计算技术　16
1．5．1　虚拟化技术　16
1．5．2　数据存储技术　17
1．5．3　资源管理技术　19
1．5．4　能耗管理技术　20
1．5．5　云监测技术　21
1．6　云优势分析　23
1．6．1　优化产业布局　23
1．6．2　推进专业分工　24
1．6．3　提升资源利用率　25
1．6．4　降低运营成本　26
1．6．5　产生新创价值　26
1．7　云业务实施　26
1．7．1　基础设施层　27
1．7．2　平台层　28
1．7．3　实施应用层　30
1．8　移动云　31
1．8．1　移动云优势　31
1．8．2　应用案例　31
1．9　云标准　32
1．9．1　云标准定制　32
1．9．2　云标准主要内容　32
1．9．3　云计算潜在需求分析　33
1．9．4　云标准意义　34
1．9．5　云标准发展趋势　34
1．10　云安全　35
1．10．1　云安全发展趋势　36
1．10．2　云安全难点问题　36
1．10．3　云安全新增及增强功能　37
1．10．4　云安全存在问题　38
1．11　云计算的九大威胁　39
第2章　大数据时代　41
2．1　什么是大数据　41
2．2　大数据来源　42
2．3　大数据商业价值　43
2．4　打造高能效数据中心　44
2．5　大数据变革　45
2．5．1　变革公共卫生　45
2．5．2　变革商业　46
2．5．3　变革思维　48
2．5．4　开启重大的时代转型　48
2．6　大数据的核心　51
2．7　大数据的挑战　51
2．8　大数据的现状　53
2．9　大数据推进力　55
2．10　大数据存储　56
2．11　大数据治理　57
2．12　大数据未来五年路线　58
2．13　大数据的应用　59
第3章　大数据走向云端　63
3．1　时代双雄　63
3．2 “大数据”走进云端　64
3．3　云计算与大数据的联系　66
3．3．1　云与大数据的联系　66
3．3．2　大数据和云计算的不同之处　67
3．4　数据向云计算迁移　67
3．4．1　迁移过程　67
3．4．2　数据的丢失与备份　67
3．4．3　迁移应注意问题　68
3．4．4　管理与监控　68
3．5　云延伸　68
3．5．1　云计算的延伸　69
3．5．2　网络管理维护优化　69
3．5．3　用户行为分析　69
3．5．4　个性化推荐　70
3．5．5　数据云服务(DaaS)　70
3．6　云计算与大数据挑战与机遇并存　70
第4章　云下的大数据工程　72
4．1　信息所需求的新生力量　72
4．1．1　技术因素　72
4．1．2　商业模式因素　73
4．2　信息系统工程　73
4．2．1　云计算基本思想　73
4．2．2　云计算实现　74
4．3　信息系统工程架构转变　81
4．3．1　竖井式的信息系统　81
4．3．2　逐渐完善的系统需求　83
4．3．3　全新的系统架构　86
4．3．4　新型企业信息系统模块　87
4．4　商业变革因素　92
4．4．1　零售企业的流程再造　92
4．4．2　IT资源使用新方式　94
4．4．3　整合的新平台　95
4．4．4　转型新思路　96
4．4．5　创新的新动力　97
4．5　信息工业革命　97
4．5．1　解放生产力　97
4．5．2　云计算改变信息生活　98
4．5．3　推动社会变革　100
4．6　云计算机遇　102
4．6．1　私有云发展更快　103
4．6．2　数据集中　105
4．6．3　企业的“云”机遇　106
4．6．4　中国“云”企业的机遇挑战　107
第5章　搭建云计算开发环境　109
5．1　Hadoop环境搭建　109
5．1．1　在Linux下安装Hadoop　109
5．1．2　Hadoop安装步骤　110
5．1．3　在Windows下安装Hadoop　115
5．2　Hadoop的优点　120
5．3　HBase环境搭建　121
5．3．1　HBase的系统框架　121
5．3．2　HBase的模型　123
5．3．3　HBase的安装配置　126
5．4　ZooKeeper环境搭建　128
5．4．1　ZooKeeper的原理　128
5．4．2　Zookeeper的特点　128
5．4．3　Zookeeper的安装　129
5．5　MapReduce概述　131
5．5．1　MapReduce实现机制　131
5．5．2　MapReduce执行流程　132
5．5．3　MapReduce映射和化简　133
5．6　Pig环境搭建　133
5．6．1　Pig概述　133
5．6．2　Pig安装　134
第6章　分布式文件系统　135
6．1　分布式文件系统概述　135
6．1．1　发展史　135
6．1．2　实现方法　136
6．1．3　研究状况　136
6．2　分布式文件系统类型　137
6．2．1　网络文件系统　137
6．2．2　Andrew文件系统　142
6．2．3　分布式文件系统　143
6．3　xFS概述　144
6．3．1　xFS体系结构　144
6．3．2　xFS通信　145
6．3．3　xFS进程　145
6．3．4　xFS缓存　147
6．3．5　xFS容错性　147
6．3．6　xFS安全性　148
6．3．7　xFS特性　148
6．3．8　xFS性能考虑　149
6．4　DAFS概述　149
6．4．1　DAFS基本原理　150
6．4．2　DAFS设计目的　150
6．4．3　文件访问方式　151
6．4．4　实现客户端　151
6．5　GFS概述　152
6．5．1　文件系统架构　153
6．5．2　GFS的特点　154
6．5．3　文件系统的容错性　155
6．5．4　系统管理技术　155
6．6　GPFS共享文件　156
6．6．1　GPFS概述　156
6．6．2　GPFS特性　158
6．6．3　GPFS的高性能和可扩展性　159
6．7　Lustre并行文件系统　159
6．7．1　Lustre概述　159
6．7．2　Lustre组成部分　161
6．8　分布式锁服务Chubby　162
6．8．1　Paxos算法　163
6．8．2　Chubby目标设计　164
6．8．3　Chubby中的Paxos　165
6．8．4　Chubby文件系统　167
6．8．5　Chubby通信协议　168
6．8．6　正确性和性能　170
6．9　分布式结构数据表　171
6．9．1　Bigtable设计目标　171
6．9．2　Bigtable数据模型　172
6．9．3　Bigtable系统架构　173
6．9．4　Bigtable功能　174
6．9．5　Bigtable主服务器　174
6．9．6　Bigtable组件　175
6．9．7　性能优化　179
第7章　并行计算　181
7．1　并行计算概述　181
7．2　MapReduce基础　183
7．2．1　编程模型　183
7．2．2　执行过程　184
7．2．3　映射和化简　185
7．2．4　数据类型　185
7．2．5　Map类和Reduce类　186
7．2．6　Job对象配置　187
7．3　MapReduce模板　188
7．4　MapReduce计算流程　191
7．4．1　作业的提交　191
7．4．2　Map任务的分配　192
7．4．3　Map任务的执行　193
7．4．4　Reduce任务的分配与执行　194
7．5　MapReduce数据流优化　194
7．5．1　MapReduce输入与输出　194
7．5．2　流机制　195
7．5．3　管道机制　196
7．5．4　数据流优化　197
7．6　MapReduce数据类型　198
7．6．1　数据内置输入格式　198
7．6．2　数据定制输入格式　199
7．6．3　数据定制输出格式　201
7．7　MapReduce使用算法　203
7．7．1　向量乘法实现　203
7．7．2　内存处理　203
7．7．3　关系运算　204
7．8　参数/数据文件的传递与使用　208
7．8．1　传递全局作业参数　208
7．8．2　查询全局MapReduce作业属性　209
7．8．3　全局数据文件的传递　210
第8章　大数据存储仓库　212
8．1　数据仓库　212
8．1．1　RDBMS扩展到HBase　212
8．1．2　列数据库　213
8．1．3　HBase的特点　215
8．2　HBase数据库　216
8．2．1　HBase集群架构　216
8．2．2　HBase系统架构　219
8．3　HBase模型　219
8．3．1　逻辑模型　219
8．3．2　物理模型　220
8．4　HBase接口　221
8．4．1　HBase访问接口　221
8．4．2　shell命令接口　221
8．4．3　HBase Java接口　222
8．5　HBase基本操作　224
8．5．1　HBase存储格式　225
8．5．2　HBase读写流程　225
8．5．3　HBase表操作　226
第9章　分布式锁　231
9．1　ZooKeeper基本概述　231
9．1．1　ZooKeeper基本原理　231
9．1．2　统一命名服务　235
9．1．3　配置管理　235
9．1．4　集群管理　236
9．1．5　分布式锁　237
9．1．6　共享锁(Locks)　238
9．1．7　队列　238
9．2　ZooKeeper角色　239
9．2．1　系统模型　239
9．2．2　数据模型　240
9．2．3　ZooKeeper的特性　241
9．2．4　ZooKeeper的一致性　242
9．3　ZooKeeper接口与编程　242
9．3．1　ZooKeeper接口　243
9．3．2　ZooKeeper编程实现　244
9．4　性能　246
9．4．1　读/写性能测试　246
9．4．2　可靠性测试　246
9．5　ZooKeeper的典型应用　247
9．5．1　数据发布与订阅应用　248
9．5．2　负载均衡应用　248
9．5．3　分布式通知　249
第10章　数据挖掘　250
10．1　数据挖掘概述　250
10．1．1　数据挖掘起源　251
10．1．2　数据挖掘作用　252
10．1．3　定义数据挖掘　254
10．1．4　哈希函数　255
10．1．5　索引　257
10．1．6　实现数据挖掘步骤　257
10．2　PageRank工具　258
10．2．1　PageRank概述　258
10．2．2　PageRank定义　259
10．2．3　PageRank相关算法　262
10．2．4　影响PageRank的因素　263
10．3　关联分析　263
10．3．1　关联分析原理及算法　264
10．3．2　数据关联推测功能　264
10．3．3　基于用户行为分析的关联推荐　264
10．3．4　数据关联注意问题　266
10．4　聚类分析　266
10．4．1　聚类分析作用　266
10．4．2　聚类的典型要求　267
10．4．3　聚类分析算法　268
10．4．4　在数据挖掘中的应用　269
10．5　分类分析　281
10．5．1　决策树法　281
10．5．2　神经网络　283
10．6　异常挖掘　284
10．6．1　异常挖掘概述　284
10．6．2　异常挖掘的方法　285
10．7　特异群组分析　288
10．7．1　特性群级挖掘根源　288
10．7．2　何为特异群组挖掘　289
10．7．3　与聚类、异常挖掘的差异　289
10．8　矩估计　293
10．8．1　二阶矩估计的AMS算法　293
10．8．2　高阶矩估计　294
10．8．3　无限流的处理　294
10．9　衰减窗口　295
10．9．1　定义衰减窗口　296
10．9．2　网络流频繁项集　296
10．10　频繁项集　297
10．10．1　项集概述　297
10．10．2　A-Priori算法　298
10．10．3　A-Priori算法改进　299
10．10．4　更大数据集处理　300
10．11　数据降维处理　303
10．11．1　相关定义　304
10．11．2　降维算法　305
10．11．3　降维方法　306
第11章　社会中的大数据　314
11．1　普适计算　314
11．1．1　普适计算定义　315
11．1．2　普适计算核心思想　315
11．1．3　普适计算目的　315
11．1．4　普适计算特点　315
11．1．5　普适计算面临挑战　315
11．1．6　普适计算应用　316
11．2　数据应用于治国上　318
11．2．1　循“数”管理　318
11．2．2　数据验证民权　319
11．2．3　数据“打”假　320
11．3　商务智能　321
11．3．1　数据到知识的跨越　322
11．3．2　数据仓库　323
11．3．3　联机分析　324
11．3．4　数据挖掘智能产生　326
11．3．5　数据可视化　327
11．4　数据质量法与隐私　328
11．4．1　数据质量法　328
11．4．2　数据隐私　329
11．5　数据运动　331
11．5．1　数据开放　331
11．5．2　数据之争　333
11．6　数据大趋势　334
11．6．1　数据权　334
11．6．2　数据大合流　335
11．6．3　互联网再造　336
11．7　数据大挑战　338
11．7．1　数据竞争　338
11．7．2　从大数据到社会　340
第12章　云下的大数据应用　342
12．1　云计算如何实现价值　342
12．2　云与大数据　342
12．2．1　大的数据优先级　343
12．2．2　云与大数据　343
12．3　云计算与大数据的强强联合　343
12．3．1　大数据的企业与技术　344
12．3．2　大数据的经济意义　344
12．4　大数据时代下的云计算应用部署　345
12．5　云计算在快速消费品行业的应用　345
12．5．1　改变传统交通管理的路径　346
12．5．2　在智能交通应用上的优势　347
12．6　大数据在视频监控中的应用　348
12．6．1　解决实时视点监控需求　349
12．6．2　大数据处理解决方案　349
12．6．3　实时高效的分布式视频监控　350
12．7　区域医疗大数据应用案例　350
12．7．1　挑战　351
12．7．2　海量数据的处理和分析　351
12．7．3　结论　352
12．7．4　价值　352