Data Stream Management: Processing High-Speed Data Streams

ویرایش: 1 
نویسندگان: Minos Garofalakis,  Johannes Gehrke,  Rajeev Rastogi (eds.)  
سری: Data-Centric Systems and Applications 
ISBN (شابک) : 9783540286080, 9783540286073 
ناشر: Springer-Verlag Berlin Heidelberg 
سال نشر: 2016 
تعداد صفحات: 528 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 33,000



این جلد بر تئوری و عمل مدیریت جریان داده تمرکز دارد، و چالش های جدیدی که این دامنه در حال ظهور برای الگوریتم ها، سیستم ها و برنامه های مدیریت داده ایجاد می کند. مجموعه فصل‌هایی که توسط مقامات این حوزه ارائه شده است، مقدمه‌ای جامع برای مبانی الگوریتمی/نظری جریان‌های داده و همچنین سیستم‌های جریان و برنامه‌های کاربردی ساخته شده در حوزه‌های مختلف ارائه می‌دهد.

یک مقدمه کوتاه. فصل خلاصه‌ای از برخی مفاهیم و مدل‌های اصلی جریان داده را ارائه می‌کند و عناصر کلیدی یک معماری پردازش پرس و جو جریان عمومی را مورد بحث قرار می‌دهد. متعاقباً، قسمت اول بر روی الگوریتم‌های جریان اصلی برای برخی از توابع تحلیلی کلیدی (مانند چندک‌ها، هنجارها، جمع‌آوری‌های پیوستن، ضربه‌های سنگین) روی داده‌های جریانی تمرکز می‌کند. سپس بخش دوم به بررسی تکنیک‌های مهم برای وظایف اصلی استخراج جریان می‌پردازد (به عنوان مثال، خوشه‌بندی، طبقه‌بندی، مجموعه آیتم‌های مکرر). بخش سوم تعدادی از موضوعات پیشرفته در مورد الگوریتم‌های پردازش جریانی را مورد بحث قرار می‌دهد و بخش چهارم بر جنبه‌های سیستمی و زبانی پردازش جریان داده با نظرسنجی از نمونه‌های اولیه سیستم تاثیرگذار و طراحی‌های زبان تمرکز دارد. سپس بخش پنجم برخی از کاربردهای تکنیک‌های استریم را در حوزه‌های مختلف (مانند مدیریت شبکه، تجزیه و تحلیل مالی) ارائه می‌کند. در نهایت، این جلد با مروری بر محصولات جاری داده‌ها و حوزه‌های کاربردی جدید (مانند رایانش ابری، تجزیه و تحلیل داده‌های بزرگ، و پردازش رویدادهای پیچیده) و بحث در مورد مسیرهای آینده در این زمینه هیجان‌انگیز به پایان می‌رسد.

کتاب ارائه می‌دهد. مروری جامع بر مفاهیم اصلی و مبانی فناوری، و همچنین سیستم‌ها و کاربردهای مختلف، و مورد توجه ویژه دانشجویان، مدرسان و محققان در حوزه مدیریت جریان داده است.

This volume focuses on the theory and practice of data stream management, and the novel challenges this emerging domain poses for data-management algorithms, systems, and applications. The collection of chapters, contributed by authorities in the field, offers a comprehensive introduction to both the algorithmic/theoretical foundations of data streams, as well as the streaming systems and applications built in different domains.

A short introductory chapter provides a brief summary of some basic data streaming concepts and models, and discusses the key elements of a generic stream query processing architecture. Subsequently, Part I focuses on basic streaming algorithms for some key analytics functions (e.g., quantiles, norms, join aggregates, heavy hitters) over streaming data. Part II then examines important techniques for basic stream mining tasks (e.g., clustering, classification, frequent itemsets). Part III discusses a number of advanced topics on stream processing algorithms, and Part IV focuses on system and language aspects of data stream processing with surveys of influential system prototypes and language designs. Part V then presents some representative applications of streaming techniques in different domains (e.g., network management, financial analytics). Finally, the volume concludes with an overview of current data streaming products and new application domains (e.g. cloud computing, big data analytics, and complex event processing), and a discussion of future directions in this exciting field.

The book provides a comprehensive overview of core concepts and technological foundations, as well as various systems and applications, and is of particular interest to students, lecturers and researchers in the area of data stream management.

Front Matter....Pages I-VII
Data Stream Management: A Brave New World....Pages 1-9
Front Matter....Pages 11-11
Data-Stream Sampling: Basic Techniques and Results....Pages 13-44
Quantiles and Equi-depth Histograms over Streams....Pages 45-86
Join Sizes, Frequency Moments, and Applications....Pages 87-102
Distinct-Values Estimation over Data Streams....Pages 103-119
The Sliding-Window Computation Model and Results....Pages 121-147
Front Matter....Pages 149-165
Clustering Data Streams....Pages 167-167
Mining Decision Trees from Streams....Pages 169-187
Frequent Itemset Mining over Data Streams....Pages 189-208
Temporal Dynamics of On-Line Information Streams....Pages 209-219
Front Matter....Pages 221-238
Sketch-Based Multi-Query Processing over Data Streams....Pages 239-239
Approximate Histogram and Wavelet Summaries of Streaming Data....Pages 241-261
Stable Distributions in Streaming Computations....Pages 263-281
Tracking Queries over Distributed Streams....Pages 283-300
Front Matter....Pages 301-314
STREAM: The Stanford Data Stream Management System....Pages 315-315
The Aurora and Borealis Stream Processing Engines....Pages 317-336
Extending Relational Query Languages for Data Streams....Pages 337-359
Hancock: A Language for Analyzing Transactional Data Streams....Pages 361-386
Sensor Network Integration with Streaming Database Systems....Pages 387-408
Front Matter....Pages 409-428
Stream Processing Techniques for Network Management....Pages 429-429
High-Performance XML Message Brokering....Pages 431-449
Fast Methods for Statistical Arbitrage....Pages 451-471
Adaptive, Automatic Stream Mining....Pages 473-497
Conclusions and Looking Forward....Pages 499-528
....Pages 529-537