One significant feature of modern d

One significant feature of modern day distributed systems is the large volume of data that they are expected to handle. Photos and audio and video recordings are continuously created and passed to the social network sites. Amazon and eBay routinely deal with enormous volumes of data from all over the world. The search engines Google, Yahoo, and Bing routinely crunch enormous amount of data to process user queries from all over the world. Massively parallel data processing engines have become indispensable for generating prompt responses in these scenarios. To crunch massive volumes of data, Google invented MapReduce in 2004, and in 2007, Yahoo made it into the open-source project Hadoop that is essentially an operating system to enable MapReduce programs to run on computing clusters.
MapReduce algorithms efficiently harness the built-in parallelism exhibited by many large-scale or data-intensive problems. To design such algorithms, one has to start with the two basic operations: map and reduce. The function map applies a specific function to all the elements of a list, and their execution is meant to run in parallel. Each process or thread is assigned one such task. The function reduce is an aggregation operation that takes the output of the map operation and aggregates to a final result.

Результаты (русский) 2:

Одной важной особенностью современных дневных распределенных систем является большой объем данных, который они должны обращаться. Фотографии и аудио- и видеозаписи непрерывно создаются и передаются на сайты социальных сетей. Amazon и eBay постоянно иметь дело с огромными объемами данных со всего мира. Поисковые системы Google, Yahoo, Bing и регулярно грызть огромное количество данных для обработки запросов пользователей со всего мира. Массивно параллельной обработки данных двигатели стали незаменимыми для создания оперативных ответов в этих сценариях. Грызть огромные объемы данных, Google изобрели MapReduce в 2004 году, а в 2007, Yahoo сделал это в Hadoop проекта с открытым исходным кодом , который является по существу операционной системы для того, чтобы программы MapReduce для работы на вычислительных кластеров.
Алгоритмы MapReduce эффективно использовать встроенного в параллельности выставлены многими крупными или большими объемами данных проблем. Для разработки таких алгоритмов, необходимо начать с двух основных операций: карта и сократить. Функция карты применяет определенную функцию ко всем элементам списка, и их исполнение предназначено работать параллельно. Каждый процесс или поток назначается один такой задачи. Функция уменьшения является операцией агрегации , который принимает выходной сигнал операции отображения и агрегатов к конечному результату.

Результаты (русский) 3:

одной из важных особенностей современных распределенных систем - это большой объем данных, которые они должны справиться.фотографии и аудио - и видеозаписи постоянно создает и передан в социальных сетях.Amazon и eBay, как правило, решать огромные объемы данных со всего мира.поисковые системы Google, Yahoo, Bing, как правило, кризис огромное количество данных для обработки запросов пользователей со всего мира.массово параллельной обработки данных двигатели стали незаменимы для обеспечения оперативного реагирования на эти сценарии.в кризис огромные объемы информации, Google изобрела mapreduce в 2004 году, а в 2007 году Yahoo сделал его в открытое проект Hadoop, что является, по сути, операционная система, с тем чтобы mapreduce работы программ по компьютерному блоков.эффективно использовать встроенный mapreduce алгоритмы параллелизм представлены многие крупные или большого объема данных проблем.для разработки таких алгоритмов, нужно начать с двух основных операций: карта и сокращения.функция карту применяется конкретной функции по всем элементам списка, и их выполнение должно осуществляться параллельно.каждый процесс или нитки назначается один такой задачи.функции уменьшения является агрегирования операции, которая занимает выпуск карты операции и агрегатов к конечному результату.