Notice bibliographique
Résumé
'Big Data' analysis has become a central activity in business and science. Companies such as Facebook, Yahoo, and Google now own petabyte-scale data warehouses that are accessed on a regular basis. Terabyte-scale data warehouses are now common in many smaller organizations. This big data analysis is mostly supported by the MapReduce programming and execution model and its implementations, most notably Hadoop which is now one of the major big data platforms. Users of MapReduce often have analysis tasks that are too complex to express as one MapReduce job. Instead, they often use high-level query languages such as Pig Latin, Hive, or Jaql to express their complex analysis tasks. The compilers of these query languages translate queries into workflows of MapReduce jobs. Each job in such a workflow produces an output that is stored in the distributed file system used by the MapReduce system (e.g., HDFS in the case of Hadoop). These intermediate results are used as input by subsequent jobs in the workflow. The current practice is to delete these intermediate outputs after finishing the execution of the workflow. In our work, we developed ReStore, a system that improves the performance of workflows of MapReduce jobs generated from high-level query languages by storing the intermediate results of executed workflows and reusing them for future workflows submitted to the system. ReStore can be built on top of dataflow language processor such as Pig, which translates queries into workflows of MapReduce jobs. Each of these MapReduce jobs has a physical query execution plan that contains one or more physical operators that are executed by this job. ReStore rewrites the MapReduce jobs in a submitted workflow at the level of the physical query execution plan in order to reuse job outputs previously stored in the system. ReStore also stores the outputs of executed jobs for future reuse, and creates more reuse opportunities by storing the outputs of parts of jobs (which we call sub-jobs). We have implemented ReStore as an extension to the Pig dataflow system on top of Hadoop, and we experimentally demonstrated significant speedups on queries from the PigMix benchmark.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».