Adoop: MapReduce for ad-hoc cloud computing
Notice bibliographique
Résumé
MapReduce is a widely adopted distributed programming model for big data analytics. It facilitates processing large data sets using a dedicated cloud containing many worker nodes. For most implementations of MapReduce to work, only a few nodes may fail at any given time. This poses a challenge for organizations trying to harness the power of underutilized computing resources by provisioning cloud services on top of existing IT infrastructure. Exploiting ad-hoc clouds for MapReduce operations could yield significant advantages. It could reduce operational costs, improve resource utilization, and enable big data analytics. To the best of our knowledge, only few previous researchers have tried to optimize MapReduce for such volatile, non-dedicated, environments. This paper investigates how Hadoop --the most widely used open-source implementation of MapReduce-- can be optimized to run efficiently in ad-hoc cloud environments, despite the challenges these environments impose. To address these challenges, we present Adoop: a history-based scheduling approach to MapReduce, where the availability history of each node affects Hadoop scheduling decisions. Adoop maintains an availability and utilization based score of all the participating nodes, and dynamically re-adapts task assignments accordingly. A proof-of-concept implementation of Adoop has been provided and made publically available. Our initial experiments show that Adoop outperforms Hadoop in a simulated ad-hoc environment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».