Systems for Big Graph Analytics

دسته بندی: نظریه نمودار
ویرایش:  
نویسندگان: Da Yan,  Yuanyuan Tian,  James Cheng  
سری:  
ISBN (شابک) : 9783319582177 
ناشر: Springer 
سال نشر: 2017 
تعداد صفحات: 90 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 847 کیلوبایت 

قیمت کتاب (تومان) : 52,000



علاقه فزاینده ای به توسعه سیستم هایی برای تجزیه و تحلیل نمودارهای بزرگ تولید شده توسط برنامه های کاربردی واقعی، مانند شبکه های اجتماعی آنلاین و نمودارهای دانش وجود داشته است. هدف این کتاب این است که به خوانندگان کمک کند تا با مدل‌های محاسباتی سیستم‌های پردازش گراف مختلف با کمترین سرمایه‌گذاری زمان آشنا شوند.

این کتاب در سه بخش سازمان‌دهی شده است که به سه مدل محاسباتی محبوب برای تجزیه و تحلیل گراف‌های بزرگ می‌پردازد: think-like-a- رأس، گراف شبیه به فکر، و ماتریس فکر کن. در حالی که سیستم‌های راس محور محبوبیت زیادی به دست آورده‌اند، دو مدل اخیر در حال حاضر به طور فعال برای حل مشکلات نموداری که نمی‌توانند به طور موثر در مدل راس محور حل شوند، مورد مطالعه قرار می‌گیرند و مدل‌های نسل بعدی امیدوارکننده برای تجزیه و تحلیل گراف‌های بزرگ هستند. برای هر بخش، نویسندگان سیستم‌های پیشرفته را معرفی می‌کنند و بر نوآوری‌های فنی و تجربیات عملی استفاده از آنها تأکید می‌کنند. سیستم های معرفی شده عبارتند از Giraph، Pregel+، Blogel، GraphLab، CraphChi، X-Stream، Quegel، SystemML، و غیره.

خوانندگان نحوه طراحی الگوریتم های نمودار را در سیستم های مختلف تجزیه و تحلیل گراف، و نحوه انتخاب مناسب ترین سیستم برای یک برنامه خاص در دست. مخاطبان هدف این کتاب شامل مبتدیانی است که علاقه مند به استفاده از یک سیستم تجزیه و تحلیل گراف بزرگ هستند و دانشجویان، محققان و متخصصانی که مایلند سیستم های تجزیه و تحلیل گراف خود را با ویژگی های جدید بسازند.

There has been a surging interest in developing systems for analyzing big graphs generated by real applications, such as online social networks and knowledge graphs. This book aims to help readers get familiar with the computation models of various graph processing systems with minimal time investment.

This book is organized into three parts, addressing three popular computation models for big graph analytics: think-like-a-vertex, think-likea- graph, and think-like-a-matrix. While vertex-centric systems have gained great popularity, the latter two models are currently being actively studied to solve graph problems that cannot be efficiently solved in vertex-centric model, and are the promising next-generation models for big graph analytics. For each part, the authors introduce the state-of-the-art systems, emphasizing on both their technical novelties and hands-on experiences of using them. The systems introduced include Giraph, Pregel+, Blogel, GraphLab, CraphChi, X-Stream, Quegel, SystemML, etc.

Readers will learn how to design graph algorithms in various graph analytics systems, and how to choose the most appropriate system for a particular application at hand. The target audience for this book include beginners who are interested in using a big graph analytics system, and students, researchers and practitioners who would like to build their own graph analytics systems with new features.

Front Matter....Pages i-vi
Introduction....Pages 1-2
Front Matter....Pages 3-3
Pregel-Like Systems....Pages 5-21
Hands-On Experiences....Pages 23-36
Shared Memory Abstraction....Pages 37-50
Front Matter....Pages 51-51
Block-Centric Computation....Pages 53-65
Subgraph-Centric Graph Mining....Pages 67-76
Front Matter....Pages 77-77
Matrix-Based Graph Systems....Pages 79-89
Conclusions....Pages 91-92