Course Outline

Big Data Επισκόπηση:

  • Τι είναι το Big Data
  • Γιατί το Big Data κερδίζει δημοτικότητα
  • Big Data Μελέτες περίπτωσης
  • Big Data Χαρακτηριστικά
  • Λύσεις για εργασία Big Data.

Hadoop & τα συστατικά του:

  • Τι είναι το Hadoop και ποια είναι τα συστατικά του.
  • Hadoop Η Αρχιτεκτονική και τα χαρακτηριστικά της Δεδομένα που μπορεί να χειριστεί /Διαδικασία.
  • Σύντομη για το Hadoop Ιστορικό, οι εταιρείες που το χρησιμοποιούν και γιατί άρχισαν να το χρησιμοποιούν.
  • Hadoop Πλαίσιο και τα εξαρτήματά του- εξηγούνται λεπτομερώς.
  • Τι είναι το HDFS και Reads -Writes to Hadoop Distributed File System.
  • Πώς να ρυθμίσετε το Hadoop Cluster σε διαφορετικούς τρόπους λειτουργίας - Stand- Only/Pseudo/Multi Node cluster.

(Αυτό περιλαμβάνει τη ρύθμιση ενός συμπλέγματος Hadoop στο VirtualBox/KVM/VMware, διαμορφώσεις δικτύου που πρέπει να εξεταστούν προσεκτικά, εκτέλεση Hadoop Daemons και δοκιμή του συμπλέγματος).

  • Τι είναι το Map Reduce frame work και πώς λειτουργεί.
  • Εκτέλεση χάρτη Μειώστε τις εργασίες στο Hadoop σύμπλεγμα.
  • Κατανόηση της επίγνωσης του Replication , του Mirroring και του Rack στο πλαίσιο Hadoop clusters.

Hadoop Σχεδιασμός συμπλέγματος:

  • Πώς να σχεδιάσετε το σύμπλεγμα hadoop σας.
  • Κατανόηση υλικού-λογισμικού για τον σχεδιασμό του συστάδας hadoop.
  • Κατανόηση του φόρτου εργασίας και σχεδιασμού συμπλέγματος για την αποφυγή αστοχιών και τη βέλτιστη απόδοση.

Τι είναι το MapR και γιατί το MapR:

  • Επισκόπηση του MapR και της αρχιτεκτονικής του.
  • Κατανόηση και λειτουργία του Συστήματος Ελέγχου MapR, των τόμων MapR, των στιγμιότυπων & των κατόπτρων.
  • Σχεδιασμός ενός cluster στο πλαίσιο του MapR.
  • Σύγκριση του MapR με άλλες διανομές και Apache Hadoop.
  • Εγκατάσταση MapR και ανάπτυξη συμπλέγματος.

Ρύθμιση και διαχείριση συμπλέγματος:

  • Διαχείριση υπηρεσιών, κόμβων, στιγμιότυπων, τόμων κατοπτρισμού και απομακρυσμένων συμπλεγμάτων.
  • Κατανόηση και διαχείριση κόμβων.
  • Κατανόηση των Hadoop στοιχείων, Εγκατάσταση Hadoop στοιχείων παράλληλα με τις Υπηρεσίες MapR.
  • Accessδίνοντας δεδομένα στο σύμπλεγμα, συμπεριλαμβανομένων μέσω NFS Διαχείριση υπηρεσιών και κόμβων.
  • Διαχείριση δεδομένων με χρήση τόμων, διαχείριση χρηστών και ομάδων, διαχείριση και ανάθεση ρόλων σε κόμβους, θέση σε λειτουργία παροπλισμού κόμβων, διαχείριση συμπλεγμάτων και παρακολούθηση απόδοσης, διαμόρφωση/ανάλυση και παρακολούθηση μετρήσεων για την παρακολούθηση της απόδοσης, διαμόρφωση και διαχείριση της ασφάλειας MapR.
  • Κατανόηση και εργασία με το M7- Native storage για πίνακες MapR.
  • Διαμόρφωση και ρύθμιση συμπλέγματος για βέλτιστη απόδοση.

Αναβάθμιση και ενοποίηση συμπλέγματος με άλλες ρυθμίσεις:

  • Αναβάθμιση έκδοσης λογισμικού του MapR και τύποι αναβάθμισης.
  • Διαμόρφωση του συμπλέγματος Mapr για πρόσβαση στο σύμπλεγμα HDFS.
  • Ρύθμιση του συμπλέγματος MapR στο Amazon Elastic Mapreduce.

Όλα τα παραπάνω θέματα περιλαμβάνουν επιδείξεις και συνεδρίες εξάσκησης για τους εκπαιδευόμενους να έχουν πρακτική εμπειρία από την τεχνολογία.

Requirements

  • Βασικές γνώσεις Linux FS
  • Βασικό Java
  • Γνώση Apache Hadoop (προτείνεται)
 28 Hours

Number of participants


Price per participant

Testimonials (1)

Upcoming Courses

Related Categories