架构大数据_挑战、现状与展望
2024年构建智慧交易体系
行业应用现状
证券行业应用
在证券交易中，智慧交易体系已广泛应用于算法交易、量化投资 等领域，提高了交易效率和投资收益。
期货行业应用
智慧交易体系在期货市场的应用主要体现在高频交易、套利交易等 方面，有助于捕捉市场机会和控制风险。
外汇行业应用
法规调整风险
政策法规的变动可能导致企业合规成本增加或业务 模式受限。
政策不确定性
政策制定和调整过程中存在不确定性，给企业决策 带来困难。
建议措施
密切关注政策法规动态，及时调整企业战略和业务 模式；加强企业合规管理，降低违规风险。
人才培养和团队建设在智慧交易发展中重要性
01
人才匮乏挑战
智慧交易领域需要具备跨学科背 景和专业技能的人才，目前市场 上此类人才相对匮乏。
05
面临的挑战及应对策略
数据安全与隐私保护问题剖析及解决方案
数据泄露风险
智慧交易体系涉及大量用户数据，一旦泄露将造成严重后 果。需加强数据加密技术和访问控制机制。
01
隐私保护挑战
如何在确保交易效率的同时，保护用户 隐私不被侵犯是重要议题。建议采用隐 私计算技术，如联邦学习等。
02
03
解决方案
建立完善的数据安全管理制度，提高 员工安全意识，定期进行安全审计和 漏洞修补。
02
03
团队建设难题
重要性体现
如何组建一支具备创新能力、协 作精神和执行力的团队是智慧交 易发展的关键。
优秀的人才和团队能够推动智慧 交易技术的不断创新和应用拓展 ，提升企业核心竞争力。
06
总结与展望
当前成果回顾和经验教训分享
智慧交易体系初步建成
计算机体系结构的发展与趋势
需要解决相关问题
流水线技术需要解决资源冲突、数 据冒险和控制冒险等问题，以确保 流水线的顺畅运行。
指令集架构（ISA）
定义
分类
指令集架构是指计算机硬件和软件之 间的接口规范，定义了计算机可以执 行的所有指令的集合以及这些指令的 编码方式。
AI驱动的自主系统
研究基于AI的自主系统设计和实现方法，提高系统的自适应能力和 智能化水平。
绿色低碳成为关键
绿色计算技术
研究低功耗、高能效的计算技术和方法，降低计算机系统的能耗 和碳排放。
可持续性与可循环性
在计算机系统设计和实现过程中，注重可持续性和可循环性原则， 采用环保材料和可再生能源。
节能标准与政策
物联网、自动驾驶等应用对实时计算和边缘计算的需求日益增加，要求
计算机体系结构做出相应的调整。
产业生态挑战
技术更新速度
计算机体系结构的技术更新速度非常快，如何跟 上这种发展速度并保持竞争力是一大挑战。
产业链协同
计算机体系结构的发展涉及芯片设计、制造、封 装等多个环节，需要产业链上下游的紧密协同。
标准与规范
面临的挑战与机遇
挑战
计算机体系结构面临着性能提升瓶颈、能耗问题、安全性问题、可编程性等方 面的挑战。
机遇
新兴技术如量子计算、光计算、生物计算和光量子计算等为计算机体系结构的 发展带来了新的机遇。
02
传统计算机体系结构回顾
冯·诺依曼结构
存储程序概念
冯·诺依曼结构中，程序和数据都存储 在同一个存储器中，实现了存储程序 的概念，使得计算机具有通用性。
光子计算
光子器件与电路
企业数字化管理现状与未来展望
企业数字化管理现状与未来展望在当今数字化浪潮的冲击下，企业数字化管理已成为提升竞争力、实现可持续发展的关键。
从传统的管理模式向数字化管理的转变，不仅是技术的应用，更是企业战略、组织架构和业务流程的深度变革。
当前，众多企业已经踏上了数字化管理的征程。
在信息化基础设施方面，企业普遍加大了对硬件设备、网络系统和数据存储的投入，以确保数据的稳定传输和安全存储。
许多企业已经建立了完善的企业资源规划（ERP）系统，实现了财务、采购、生产、销售等核心业务流程的集成管理。
通过 ERP 系统，企业能够实时获取业务数据，进行精准的决策分析，提高了运营效率和管理水平。
然而，企业数字化管理在实施过程中并非一帆风顺，仍面临着诸多挑战。
首先，数字化管理的推进需要企业高层的坚定支持和持续投入，但部分企业领导对数字化转型的战略意义认识不足，导致资源分配不合理和项目推进缓慢。
其次，数据质量和数据安全问题成为制约企业数字化管理的瓶颈。
由于数据来源复杂、格式不统一，数据清洗和整合的难度较大，影响了数据分析的准确性和可靠性。
同时，随着数据量的急剧增长和网络攻击手段的不断翻新，数据泄露的风险日益增加，给企业带来了巨大的经济损失和声誉损害。
此外，企业内部的组织架构和业务流程也难以适应数字化管理的要求。
传统的部门壁垒和层级制度阻碍了信息的流通和协同工作，导致数字化项目在实施过程中遭遇重重阻力。
而且，员工的数字化素养参差不齐，部分员工对新技术、新工具的接受度和应用能力较低，影响了数字化管理的落地效果。
尽管面临诸多挑战，但企业数字化管理的未来发展前景依然广阔。
随着云计算、大数据、人工智能等技术的不断成熟和普及，数字化管理将迎来新的机遇。
云计算为企业提供了灵活、可扩展的计算资源和存储服务，降低了企业的 IT 成本和运维压力。
大数据技术能够帮助企业从海量的数据中挖掘有价值的信息，为决策提供有力支持。
人工智能则可以实现自动化的业务流程、智能客服和精准营销，提升企业的运营效率和客户满意度。
大数据时代的到来：2024年全球大数据趋势
大数据产业涉及大量的知识产权问题。各国政府通过完善知识产权保护法规，保护创新者的合法权益，激发 大数据产业的创新活力。
05
企业应对策略与建议
制定明确的大数据战略
确定大数据在企业战略中 的地位和作用
明确大数据对企业业务、运营、决策等方面 的支持作用，以及其在企业未来发展中的战 略意义。
跨国数据流动与合作机制
数据流动自由化
随着全球化的深入发展，跨国数据流 动日益频繁。各国政府逐渐认识到数 据流动对经济发展的重要性，纷纷采 取措施推动数据流动自由化。
国际合作机制
为加强在大数据领域的国际合作，各 国纷纷建立双边或多边合作机制，共 同推动大数据技术创新和应用。例如 ，中美、中欧等国家和地区在大数据 领域开展了广泛的合作。
2024年全球大数据市场预测
市场规模及增长速度
预计2024年全球大数据市场规模将达到数千亿美元级别，呈现出持续增长的态势。 随着企业对于数据价值的认识不断加深，大数据市场的增长速度将逐渐加快。
云计算、人工智能等技术的不断发展，为大数据市场提供了更广阔的发展空间。
主要市场参与者分析
全球大数据市场的主要参与者 包括IBM、Oracle、
06
未来展望与总结
全球大数据发展趋势预测
01
数据量持续增长
随着物联网、社交媒体等的快速发展，全球数据量将呈现爆炸式增长。
02
数据处理和分析能力不断提升
随着技术的进步，数据处理和分析的速度、准确性和效率将不断提高。
03
数据安全与隐私保护备受关注
随着数据价值的不断提升，数据安全和隐私保护将成为大数据发展的重
建立完善的人才培养体系
制定完善的人才培养计划，通过内部培训、外部引进、校 企合作等方式，培养一批高素质的大数据专业人才，为企 业大数据发展提供人才保障。
军事大数据现状与展望
572020.05军事文摘军事大数据泛指与宏大战场环境、复杂军事系统和军事安全相关的宏大规模的领域数据集，以及与之紧密相关的存储、处理、分析和运用等技术与军事应用的集合。
自2012年起，美俄等国军队开始将大数据技术应用于军事领域，大数据驱动情报生成与决策支持等军事应用在科学性、有效性、精准性等方面的效果逐渐显现。
主要特性与现实困境军事大数据具有超海量性、强领域性、泛多样性、广时空性及高演化性等特征。
军事大数据的价值本质体现在：提供了一种认识军事大数据现状与展望战晓苏军事复杂系统的新模式、新方法和新手段。
通过对军事大数据发展具有引领作用的前沿科学问题、工程技术难题进行分析，世界各主要军事强国在军事大数据的基础理论方法研究、态势分析发掘等关键共性引领技术，大数据支撑下的军事知识图谱、超高速关键线索发现等核心技术方面安排了攻关项目，组织了应用性探索。
当前，军事大数据发展面临着突出的困境。
一是军事大数据基础理论还非常薄弱。
军事大数据的许多本质问题仍存在争议，例如：数据驱动与规则驱动、“关联”与“因果”关系、“全数据”的时空相对性、发掘模型的可解释性等。
此外，针对军事数据集和问题域专用解决方案的有效性理论问题也亟待解决。
军事大数据理论和技术发展落后于应用需要，大数据处理结论往往缺乏坚实的形式化验证和理论支撑。
二是军事大数据高效、深度处理技术与现实需求的差距巨大。
线索挖掘技术、深层情报发掘技术、关键目标超高速辨识技术、敏感数据分离技术、知识谱系分析技术、高效加密和压缩技术、跨层跨域存储技术、大数据智能处理算法等核心技术的支持能力，还不能达到军事大数据应用的基本要求，技术提用进行深度比较、关联、分类、评级，找出可能存在的问题或矛盾，进一步针对资源分配控制提出相关决策建议。
五是大数据有力加强了专业情报深度分析能力。
利用大数据工具，可提高对多维战场空间情报的关联发现和深度认知能力。
从广泛的传感器消息源中提取关键数据，以多视角可视化形式呈现情报结果数据，提供更加专业化的情报大数据专用平台，显著增强作战实体数据识别、事件关系定位、知识发现理解的能力，更有可能发现潜在的高价值情报线索、推出关键性情报产品。
基于大数据的城市规划云平台解决方案
基于大数据的城市规划云平台解决方案在当今数字化时代，大数据已成为推动城市发展和规划的重要力量。
为了更高效、科学地进行城市规划，基于大数据的城市规划云平台应运而生。
这个云平台将整合各种数据资源，为城市规划师、决策者和相关利益者提供全面、准确、实时的信息支持，助力打造更宜居、可持续和智能化的城市。
一、城市规划面临的挑战与大数据的机遇随着城市化进程的加速，城市规划面临着诸多挑战。
城市规模的不断扩大、人口的快速增长、交通拥堵、资源短缺、环境污染等问题日益凸显。
传统的城市规划方法往往依赖于有限的数据和经验判断，难以全面、深入地了解城市的现状和发展趋势，导致规划方案不够精准、灵活和可持续。
大数据的出现为城市规划带来了新的机遇。
大数据具有规模大、类型多、速度快、价值密度低等特点，可以从多个维度收集和分析城市的各类信息，如人口流动、土地利用、交通流量、环境质量、经济活动等。
通过对这些海量数据的挖掘和分析，能够揭示城市运行的内在规律和潜在问题，为城市规划提供更科学的依据和更创新的思路。
二、基于大数据的城市规划云平台的功能架构基于大数据的城市规划云平台通常包括数据采集层、数据存储与处理层、数据分析与挖掘层、应用服务层和用户界面层等几个主要部分。
数据采集层负责从各种数据源收集城市相关的数据，包括政府部门的统计数据、传感器监测数据、互联网数据、移动设备数据等。
数据存储与处理层采用先进的数据库技术和云计算平台，对采集到的数据进行存储、清洗、整合和预处理，确保数据的质量和可用性。
数据分析与挖掘层运用数据挖掘算法、机器学习模型和空间分析技术，对处理后的数据进行深入分析，提取有价值的信息和知识，如城市发展模式、空间分布特征、需求预测等。
应用服务层基于分析结果，为城市规划提供各种应用服务，如规划方案评估、土地利用规划、交通规划、公共设施布局等。
用户界面层则为用户提供友好、便捷的操作界面，方便用户访问和使用平台的功能和服务。
三、大数据在城市规划中的应用场景1、土地利用规划通过分析土地利用现状数据、人口分布数据和经济发展数据等，评估不同区域的土地开发潜力和需求，优化土地利用结构，合理规划居住用地、商业用地、工业用地等。
2024年全球大数据与人工智能趋势展望
跨界融合：大数据和人工智能将与各行业深度融合，催生更多的商业模式 和应用场景。
THANK YOU
汇报人：XX
交通拥堵缓解：通过大数据分析路 况，智能调整交通信号灯时间，有 效缓解交通拥堵问题。
智能停车系统：通过大数据和人工 智能技术，实现停车位自动搜索和 预约，方便用户停车。
添加标题
添加标题
添加标题
添加标题
自动驾驶汽车：利用人工智能技术， 实现汽车自动驾驶，提高道路安全 性和通行效率。
公共交通优化：利用大数据分析乘 客出行规律，优化公共交通线路和 班次，提高公共交通服务水平。
大数据与人工智能在金融业的应用和发展
信贷风险管理：利用大数据和AI技术对信贷风险进行更准确的评估和管理，降低不良贷款率。 智能投顾：基于大数据和AI的智能投顾服务，为客户提供个性化的投资建议和资产配置方案。 反欺诈：利用大数据和AI技术识别和预防金融欺诈行为，保护客户资金安全。 保险科技：大数据和AI技术在保险行业的应用，如智能定损、个性化保险产品等。
大数据与人工智能的市场机遇和挑战
政策支持：政府出台了 一系列政策，鼓励大数 据和人工智能的发展， 为企业提供了良好的政 策环境。
市场需求：随着数字化 转型的加速，大数据和 人工智能的应用需求不 断增加，为企业提供了 广阔的市场空间。
技术创新：大数据和人 工智能技术的不断创新 和发展，为企业提供了 更多的商业机会和竞争 优势。
大数据安全和隐私保护的挑战与机遇
挑战：随着大数据和人工智能技术的快速发展，数据安全和隐私保护的难度不断加大，需 要加强技术研发和管理措施，以保障数据安全和隐私权益。
机遇：大数据安全和隐私保护技术的发展也带来了商业机会和创新空间，可以促进数据产 业的发展和数字化转型，提升企业的竞争力和创新能力。
银行保险机构数字化转型：现状、问题与建议
未来发展趋势与机遇
科技深度融合
未来，银行保险机构将进一步与科技融合，构建更加智能 、高效的服务模式。例如，利用区块链技术提高交易安全 性，利用人工智能提供个性化服务等。
数据驱动决策
数据将成为银行保险机构的核心资产，通过数据挖掘、分 析，能够更准确地掌握客户需求，实现精准营销和风险管 理。
开放银行生态
。
数据治理难题
随着业务的发展，数据的质量和 完整性成为数字化转型的关键。 然而，大量非结构化数据的处理 、数据安全和隐私保护等问题亟
待解决。
新技术应用风险
虽然新技术如人工智能、区块链 等具有巨大的应用潜力，但其稳 定性和可靠性仍需验证，对这些 新技术的选择和引入带来一定的
技术风险。
业务问题
1 2 3
04
建议与对策
技术对策
云计算技术
采用云计算技术，提高信息系统的灵活性和可扩展性，降低成本 并加速数字化转型进程。
大数据分析
利用大数据技术，整合内外部数据资源，实现客户行为分析、市 场趋势预测等，为业务决策提供支持。
人工智能应用
引入人工智能技术，优化客户服务、风险防控等环节，提高工作 效率和客户满意度。
银行保险机构数字化
转型：现状、问题与
汇报人：
建议
日期:
目录
• 引言 • 数字化转型现状 • 面临的问题与挑战 • 建议与对策 • 结论与展望
01
引言
转型背景
数字化时代来临
随着互联网、大数据、人工智能等技术的快速发展，数 字化时代已经来临，传统银行保险机构需要适应这一趋 势。
客户需求变化
客户对金融服务的需求日益多样化、个性化，需要银行 保险机构通过数字化转型提升服务质量和效率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
架构大数据：挑战、现状与展望王珊１），２）王会举１），２）覃雄派１），２）周烜１），２）１）数据工程与知识工程教育部重点实验室（中国人民大学） 北京１００８７２ ２）中国人民大学信息学院 北京１００８７２大数据分析相比于传统的数据仓库应用，具有数据量大、查询分析复杂等特点．为了设计适合大数据分析的数据仓库架构，文中列举了大数据分析平台需要具备的几个重要特性，对当前的主流实现平台——并行数据库、ＭａｐＲｅｄｕｃｅ及基于两者的混合架构进行了分析归纳，指出了各自的优势及不足，同时也对各个方向的研究现状及作者在大数据分析方面的努力进行了介绍，对未来研究做了展望．大数据；大规模可扩展；ＭａｐＲｅｄｕｃｅ；并行数据库；深度分析ＴＰ３１１１０． ３７２４／ＳＰ．Ｊ． １０１６．２０１１． ０１７４１Ａｒｃｈｉｔｅｃｔｉｎｇ Ｂｉｇ Ｄａｔａ： Ｃｈａｌｌｅｎｇｅｓ， Ｓｔｕｄｉｅｓ ａｎｄ ＦｏｒｅｃａｓｔｓＷＡＮＧ ＳｈａｎＷＡＮＧ Ｈｕｉ－ＪｕＱＩＮ Ｘｉｏｎｇ－ＰａｉＺＨＯＵ Ｘｕａｎ２０１１－０８－１２２０１１－０９－１５本课题得到国家重大科技专项核高基项目（２０１０ＺＸ０１０４２－００１－００２）、国家自然科学基金（６１０７００５４，６１１７００１３）、中国人民大学科学研究基金（中央高校基本科研业务费专项资金，１０ＸＮＩ０１８）、中国人民大学研究生基金（１１ＸＮＨ１２０）资助．王珊，女，１９４４年生，教授，博士生导师，中国计算机学会（ＣＣＦ）高级会员，主要研究领域为高性能数据库、知识工程、数据仓库．Ｅ－ｍａｉｌ：ｓｗａｎｇ＠ｒｕｃ．ｅｄｕ．ｃｎ．王会举，男，１９７９年生，博士研究生，主要研究方向为大规模集群数据库、内存数据库．Ｅ－ｍａｉｌ：ｗａｎｇｈｕｉｊｕ＠ｒｕｃ． ｅｄｕ．ｃｎ．覃雄派，男，１９７１年生，博士，讲师，中国计算机学会（ＣＣＦ）会员，主要研究方向为数据库查询优化、内存数据库、并行数据库．周烜，男，１９７９年生，博士，副教授，主要研究方向为信息检索、高性能数据库．２０１１年 １０期２０１１年１０期２０１１年１０期２０１１年１０期２０１１年 ＠＠［１］ ＷｉｎｔｅｒＣｏｒｐ： ２００５ ＴｏｐＴｅｎ Ｐｒｏｇｒａｍ Ｓｕｍｍａｒｙ． ｈｔｔｐ：／／ ｗｗｗ． ｗｉｎｔｅｒｃｏｒｐ． ｃｏｍ／ＷｈｉｔｅＰａｐｅｒｓ／ＷＣ＿ＴｏｐＴｅｎＷＰ． ｐｄｆ ＠＠［２］ ＴＤＷＩ Ｃｈｅｃｋｌｉｓｔ Ｒｅｐｏｒｔ： Ｂｉｇ Ｄａｔａ Ａｎａｌｙｔｉｃｓ． ｈｔｔｐ：／／ｔｄｗｉ． ｏｒｇ／ｒｅｓｅａｒｃｈ／２０１０／０８／Ｂｉｇ－Ｄａｔａ－Ａｎａｌｙｔｉｃｓ． ａｓｐｘ ＠＠［３］ Ｃｈａｕｄｈｕｒｉ Ｓ， Ｄａｙａｌ Ｕ． Ａｎ ｏｖｅｒｖｉｅｗ ｏｆ ｄａｔａ ｗａｒｅｈｏｕｓｉｎｇ ａｎｄ ＯＬＡＰ ｔｅｃｈｎｏｌｏｇｙ． ＳＩＧＭＯＤ Ｒｅｃ， １９９７，２６（１）： ６５－７４ ＠＠［４］ Ｍａｄｄｅｎ Ｓ， ＤｅＷｉｔｔ Ｄ Ｊ， Ｓｔｏｎｅｂｒａｋｅｒ Ｍ． Ｄａｔａｂａｓｅ ｐａｒａｌｌｅｌ ｉｓｍ ｃｈｏｉｃｅｓ ｇｒｅａｔｌｙ ｉｍｐａｃｔ ｓｃａｌａｂｉｌｉｔｙ． ＤａｔａｂａｓｅＣｏｌｕｍｎ Ｂｌｏｇ． ｈｔｔｐ：／／ｗｗｗ． ｄａｔａｂａｓｅｃｏｌｕｍｎ． ｃｏｍ／２００７／１０／ｄａｔａｂａｓｅ－ｐａｒａｌ ｌｅｌｉｓｍ－ｃｈｏｉｃｅｓ． ｈｔｍｌ ＠＠［５］ Ｄｅａｎ Ｊ， Ｇｈｅｍａｗａｔ Ｓ． ＭａｐＲｅｄｕｃｅ： Ｓｉｍｐｌｉｆｉｅｄ ｄａｔａ ｐｒｏｃｅｓｓ ｉｎｇ ｏｎ ｌａｒｇｅ ｃｌｕｓｔｅｒｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ Ｄｅｓｉｇｎ ａｎｄ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ （ ＯＳＤＩ ＇ ０４）． Ｓａｎ Ｆｒａｎｃｉｓｃｏ， Ｃａｌｉｆｏｒｎｉａ， ＵＳＡ， ２００４： １３７－１５０ ＠＠［６］ ＤｅＷｉｔｔ Ｄ Ｊ， Ｇｅｒｂｅｒ Ｒ Ｈ， Ｇｒａｅｆｅ Ｇ， Ｈｅｙｔｅｎｓ Ｍ Ｌ， Ｋｕｍａｒ Ｋ Ｂ， Ｍｕｒａｌｉｋｒｉｓｈｎａ Ｍ． ＧＡＭＭＡ－Ａ ｈｉｇｈ ｐｅｒｆｏｒｍａｎｃｅ ｄａｔ ａｆｌｏｗ ｄａｔａｂａｓｅ ｍａｃｈｉｎｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｉｎｔｅｒｎａ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｖｅｒｙ Ｌａｒｇｅ Ｄａｔａ Ｂａｓｅｓ （ＶＬＤＢ＇ ８６）． Ｋｙｏｔｏ， Ｊａｐａｎ， １９８６．． ２２８－２３７ ＠＠［７］ Ｆｕｓｈｉｍｉ Ｓ， Ｋｉｔｓｕｒｅｇａｗａ Ｍ， Ｔａｎａｋａ Ｈ． Ａｎ ｏｖｅｒｖｉｅｗ ｏｆ ｔｈｅ ｓｙｓｔｅｍ ｓｏｆｔｗａｒｅ ｏｆ ａ ｐａｒａｌｌｅｌ ｒｅｌａｔｉｏｎａｌ ｄａｔａｂａｓｅ ｍａｃｈｉｎｅ／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｖｅｒｙ Ｌａｒｇｅ Ｄａｔａ Ｂａｓｅｓ（ＶＬＤＢ＇８６）． Ｋｙｏｔｏ， Ｊａｐａｎ， １９８６：２０９－２１９ ＠＠［８］ Ｂｒｅｗｅｒ Ｅ Ａ． Ｔｏｗａｒｄｓ ｒｏｂｕｓｔ ｄｉｓｔｒｉｂｕｔｅｄ ｓｙｓｔｅｍｓ／／Ｐｒｏｃｅｅｄ ｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ Ａｎｎｕａｌ ＡＣＭ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｍｐｕｔｉｎｇ （ＰＯＤＣ＇ ００）． Ｐｏｒｔｌａｎｄ， Ｏｒｅｇｏｎ， ＵＳＡ， ２０００：７ ＠＠［９］ ｈｔｔｐ： ／／ｗｗｗ． ｄｂｍｓ２． ｃｏｍ／２００８／０８／２６／ｋｎｏｗｎ－ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ－ｍａｐｒｅｄｕｃｅ／＠＠［１０］ ｈｔｔｐ： ／／ｈａｄｏｏｐ． ａｐａｃｈｅ． ｏｒｇ＠＠［１１］ Ｐａｖｌｏ Ａ， Ｐａｕｌｓｏｎ Ｅ， ＲａｓｉｎＡ， ＡｂａｄｉＤＪ， ＤｅＷｉｔｔＤＪ， Ｍａｄ ｄｅｎ Ｓ， Ｓｔｏｎｅｂｒａｋｅｒ Ｍ． Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ａｐｐｒｏａｃｈｅｓ ｔｏ ｌａｒｇｅ ｓｃａｌｅ ｄａｔａ ａｎａｌｙｓｉｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒ ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇ ０９）． Ｐｒｏｖｉｄｅｎｃｅ， Ｒｈｏｄｅ Ｉｓｌａｎｄ， ＵＳＡ， ２００９：１６５－１７８＠＠［１２］ Ｊｉａｎｇ Ｄ， Ｏｏｉ Ｂ Ｃ， Ｓｈｉ Ｌ， Ｗｕ Ｓ． Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ＭａｐＲｅ ｄｕｃｅ： Ａｎ ｉｎ－ｄｅｐｔｈ ｓｔｕｄｙ． ＰＶＬＤＢ， ２０１０， ３（１）： ４７２－４８３＠＠［１３］ Ｓｔｏｎｅｂｒａｋｅｒ Ｍ， Ａｂａｄｉ Ｄ Ｊ， ＤｅＷｉｔｔ Ｄ Ｊ， Ｍａｄｄｅｎ Ｓ， Ｐａｕｌｓｏｎ Ｅ， Ｐａｖｌｏ Ａ， Ｒａｓｉｎ Ａ． ＭａｐＲｅｄｕｃｅ ａｎｄ ｐａｒａｌｌｅｌ ＤＢＭＳｓ： Ｆｒｉｅｎｄｓ ｏｒ ｆｏｅｓ？ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ， ２０１０， ５３（１） ： ６４－７１＠＠［１４］ Ｄｅａｎ Ｊ， Ｇｈｅｍａｗａｔ Ｓ． ＭａｐＲｅｄｕｃｅ： Ａ ｆｌｅｘｉｂｌｅ ｄａｔａ ｐｒｏｃｅｓｓ ｉｎｇ ｔｏｏｌ． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ， ２０１０， ５３（１）： ７２－７７＠＠［１５］ ｈｔｔｐ： ／／ｗｗｗ． ａｓｔｅｒｄａｔａ． ｃｏｍ／ｐｒｏｄｕｃｔ／ｍａｐｒｅｄｕｃｅ． ｐｈｐ＠＠［１６］ ｈｔｔｐ： ／／ｗｗｗ． ｇｒｅｅｎｐｌｕｍ． ｃｏｍ／ｔｅｃｈｎｏｌｏｇｙ／ｍａｐｒｅｄｕｃｅ／＠＠［１７］ ｈｔｔｐ： ／／ｈｉｖｅ． ａｐａｃｈｅ． ｏｒｇ／＠＠［１８］ Ｏｌｓｔｏｎ Ｃ， Ｒｅｅｄ Ｂ， Ｓｒｉｖａｓｔａｖａ Ｕ， Ｋｕｍａｒ Ｒ， Ｔｏｍｋｉｎｓ Ａｎ ｄｒｅｗ． Ｐｉｇ ｌａｔｉｎ： Ａ ｎｏｔ－ｓｏ－ｆｏｒｅｉｇｎ ｌａｎｇｕａｇｅ ｆｏｒ ｄａｔａ ｐｒｏｃｅｓｓ ｉｎｇ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ ｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇ ０８）． Ｖａｎｃｏｕｖｅｒ， ＢＣ， Ｃａｎａｄａ， ２００８： １０９９－１１１０＠＠［１９］ Ａｚｚａ Ａｂｏｕｚｅｉｄ， Ｋａｍｉｌ Ｂａｊｄａ－Ｐａｗｌｉｋｏｗｓｋｉ， Ｄａｎｉｅｌ Ｊ Ａｂａｄｉ， Ａｌｅｘａｎｄｅｒ Ｒａｓｉｎ， Ａｖｉ Ｓｉｌｂｅｒｓｃｈａｔｚ． ＨａｄｏｏｐＤＢ： Ａｎ ａｒｃｈｉｔｅｃ ｔｕｒａｌ ｈｙｂｒｉｄ ｏｆ ＭａｐＲｅｄｕｃｅ ａｎｄ ＤＢＭＳ ｔｅｃｈｎｏｌｏｇｉｅｓ ｆｏｒ ａｎａ ｌｙｔｉｃａｌ ｗｏｒｋｌｏａｄｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ ｆｅｒｅｎｃｅ ｏｎ Ｖｅｒｙ Ｌａｒｇｅ Ｄａｔａ Ｂａｓｅｓ （ＶＬＤＢ＇ ０９）． Ｌｙｏｎ， Ｆｒａｎｃｅ， ２００９： ７３３－７４３＠＠［２０］ Ｈａｄａｐｔ Ｉｎｃ． ｈｔｔｐ： ／／ｗｗｗ． ｈａｄａｐｔ． ｃｏｍ＠＠［２１］ ｈｔｔｐ： ／／ｗｗｗ． ｖｅｒｔｉｃａ． ｃｏｍ／ｔｈｅ－ａｎａｌｙｔｉｃｓ－ｐｌａｔｆｏｒｍ／ｎａｔｉｖｅ ｂｉ－ｅｔｌ－ａｎｄ－ｈａｄｏｏｐ－ｍａｐｒｅｄｕｃｅ－ｉｎｔｅｇｒａｔｉｏｎ／＠＠［２２］ Ｘｕ Ｙ， Ｋｏｓｔａｍａａ Ｐ． Ｉｎｔｅｇｒａｔｉｎｇ ｈａｄｏｏｐ ａｎｄ ｐａｒａｌｌｅｌ ＤＢＭｓ／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇ １０）． Ｉｎｄｉａｎａｐｏｌｉｓ， Ｉｎｄｉ ａｎａ， ＵＳＡ， ２０１０： ９６９－９７４＠＠［２３］ Ｕｐａｄｈｙａｙａ Ｐ， Ｋｗｏｎ Ｙ Ｃ， Ｂａｌａｚｉｎｓｋａ Ｍ． Ａ ｌａｔｅｎｃｙ ａｎｄ ｆａｕｌｔ－ｔｏｌｅｒａｎｃｅ ｏｐｔｉｍｉｚｅｒ ｆｏｒ ｏｎｌｉｎｅ ｐａｒａｌｌｅｌ ｑｕｅｒｙ ｐｌａｎｓ／／Ｐｒｏ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ（ＳＩＧＭＯＤ＇ｌｌ）． Ａｔｈｅｎｓ， Ｇｒｅｅｃｅ， ２０１１： ２４１－２５２＠＠［２４］ Ｙａｎｇ Ｃ， Ｙｅｎ Ｃ， Ｔａｎ Ｃ， Ｍａｄｄｅｎ Ｓ． Ｏｓｐｒｅｙ： Ｉｍｐｌｅｍｅｎｔｉｎｇ ＭａｐＲｅｄｕｃｅ－ｓｔｙｌｅ ｆａｕｌｔ ｔｏｌｅｒａｎｃｅ ｉｎ ａ ｓｈａｒｅｄ－ｎｏｔｈｉｎｇ ｄｉｓｔｒｉｂｕ ｔｅｄ ｄａｔａｂａｓｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ ｅｎｃｅ ｏｎ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ （ＩＣＤＥ＇ １０）． Ｌｏｎｇ Ｂｅａｃｈ， Ｃａｌｉｆｏｒｎｉａ， ＵＳＡ， ２０１０： ６５７－６６８＠＠［２５］ Ｈｅ Ｙｏｎｇｑｉａｎｇ， Ｌｅｅ Ｒｕｂａｏ， Ｈｕａｉ Ｙｉｎ， Ｓｈａｏ Ｚｈｅｎｇ， Ｊａｉｎ Ｎａ ｍｉｔ， Ｚｈａｎｇ Ｘｉａｏｄｏｎｇ， Ｘｕ Ｚｈｉｗｅｉ． ＲＣＦｉｌｅ： Ａ ｆａｓｔ ａｎｄ ｓｐａｃｅ ｅｆｆｉｃｉｅｎｔ ｄａｔａ ｐｌａｃｅｍｅｎｔ ｓｔｒｕｃｔｕｒｅ ｉｎ ＭａｐＲｅｄｕｃｅ－ｂａｓｅｄ ｗａｒｅ ｈｏｕｓｅ ｓｙｓｔｅｍｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ ｅｎｃｅ ｏｎ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ （ ＩＣＤＥ＇ １１ ）． Ｈａｎｎｏｖｅｒ， Ｇｅｒｍａｎｙ， ２０１１ ： １１９９－１２０８＠＠［２６］ Ｆｌｏｒａｔｏｕ Ａ， Ｐａｔｅｌ Ｊ Ｍ， Ｓｈｅｋｉｔａ Ｅ Ｊ， Ｔａｔａ Ｓａｎｄｅｅｐ． Ｃｏｌｕｍｎ ｏｒｉｅｎｔｅｄ ｓｔｏｒａｇｅ ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ＭａｐＲｅｄｕｃｅ． ＰＶＬＤＢ， ２０１１， ４（７） ： ４１９－４２９＠＠［２７］ Ｊｅｎｓ Ｄｉｔｔｒｉｃｈ， Ｊｏｒｇｅ－Ａｒｎｕｌｆｏ Ｑｕｉａｎé－Ｒｕｉｚ， Ａｌｅｋｈ Ｊｉｎｄａｌ， Ｙａｇｉｚ Ｋａｒｇｉｎ， Ｖｉｎａｙ Ｓｅｔｔｙ， Ｊ（ｏ）ｒｇ Ｓｃｈａｄ． Ｈａｄｏｏｐ＋＋： Ｍａｋ ｉｎｇ ａ ｙｅｌｌｏｗ ｅｌｅｐｈａｎｔ ｒｕｎ ｌｉｋｅ ａ ｃｈｅｅｔａｈ （ｗｉｔｈｏｕｔ ｉｔ ｅｖｅｎ ｎｏｔｉ ｃｉｎｇ）． ＰＶＬＤＢ， ２０１０， ３（１）： ５１８－５２９＠＠［２８］ Ｃｏｎｄｉｅ Ｔ， Ｃｏｎｗａｙ Ｎ， Ａｌｖａｒｏ Ｐ， Ｈｅｌｌｅｒｓｔｅｉｎ Ｊ Ｍ， Ｅｌｍｅｌｅｅｇｙ Ｋ， Ｓｃａｒｓ Ｒ． ＭａｐＲｅｄｕｃｅ ｏｎｌｉｎｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ ＵＳＥＮＩＸ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｎｅｔｗｏｒｋｅｄ Ｓｙｓｔｅｍｓ Ｄｅｓｉｇｎ ａｎｄ Ｉｍ ｐｌｅｍｅｎｔａｔｉｏｎ （ ＮＳＤＩ ＇ １０ ）． Ｓａｎ Ｊｏｓｅ， Ｃａｌｉｆｏｒｎｉａ， ２０１０： ３１３－ ３２８＠＠［２９］ Ｌｉ Ｂｏｄｕｏ， Ｍａｚｕｒ Ｅｄｗａｒｄ， Ｄｉａｏ Ｙａｎｌｅｉ， ＭｃＧｒｅｇｏｒ Ａｎｄｒｅｗ， Ｓｈｅｎｏｙ Ｐｒａｓｈａｎｔ Ｊ． Ａ ｐｌａｔｆｏｒｍ ｆｏｒ ｓｃａｌａｂｌｅ ｏｎｅ－ｐａｓｓ ａｎａｌｙｔｉｃｓ ｕｓｉｎｇ ＭａｐＲｅｄｕｃｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒ ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ ＳＩＧＭＯＤ＇ １１ ）． Ａｔｈｅｎｓ， Ｇｒｅｅｃｅ， ２０１１：９８５－９９６＠＠［３０］ Ｎｙｋｉｅｌ Ｔ， Ｐｏｔａｍｉａｓ Ｍ， Ｍｉｓｈｒａ Ｃ， Ｋｏｌｌｉｏｓ Ｇ， Ｋｏｕｄａｓ Ｎ． ＭＲＳｈａｒｅ： Ｓｈａｒｉｎｇ ａｃｒｏｓｓ ｍｕｌｔｉｐｌｅ ｑｕｅｒｉｅｓ ｉｎ ＭａｐＲｅｄｕｃｅ． ＰＶＬＤＢ， ２０１０， ３（１）： ４９４ ５０５＠＠［３１］ Ｂｌａｎａｓ Ｓ， Ｐａｔｅｌ Ｊｉｇｎｅｓｈ， Ｅｒｃｅｇｏｖａｃ Ｖ， Ｒａｏ Ｊ， Ｓｈｅｋｉｔａ Ｅ Ｊ， Ｔｉａｎ Ｙ． Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｊｏｉｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｌｏｇ ｐｒｏｃｅｓｓｉｎｇ ｉｎ ＭａＰｒｅｄｕｃｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇ １０）． Ｉｎｄｉａｎ ａｐｏｌｉｓ， Ｉｎｄｉａｎａ， ＵＳＡ， ２０１０：９７５－９８６＠＠［３２］ Ｙａｎｇ Ｈ－Ｃ， Ｄａｓｄａｎ Ａ， Ｈｓｉａｏ Ｒ－Ｌ， Ｐａｒｋｅｒ Ｄ Ｓ． Ｍａｐ－ｒｅｄｕｃｅ ｍｅｒｇｅ： Ｓｉｍｐｌｉｆｉｅｄ ｒｅｌａｔｉｏｎａｌ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｏｎ ｌａｒｇｅ ｃｌｕｓ ｔｅｒｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ ｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇０７）． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２００７：１０２９ １０４０＠＠［３３］ Ａｆｒａｔｉ Ｆ Ｎ， Ｕｌｌｍａｎ Ｊ Ｄ． Ｏｐｔｉｍｉｚｉｎｇ ｊｏｉｎｓ ｉｎ ａ ｍａｐ－ｒｅｄｕｃｅ ｅｎｖｉｒｏｎｍｅｎｔ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １３ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ ｅｎｃｅ ｏｎ Ｅｘｔｅｎｄｉｎｇ Ｄａｔａｂａｓｅ Ｔｅｃｈｎｏｌｏｇｙ． Ｌａｕｓａｎｎｅ， Ｓｗｉｔｚｅｒ ｌａｎｄ， ２０１０： ９９－１１０＠＠［３４］ Ｊｉａｎｇ Ｄ， Ｔｕｎｇ Ａ Ｋ Ｈ， Ｃｈｅｎ Ｇ． Ｍａｐ－ｊｏｉｎ－ｒｅｄｕｃｅ： Ｔｏｗａｒｄｓ ｓｃａｌａｂｌｅ ａｎｄ ｅｆｆｉｃｉｅｎｔ ｄａｔａ ａｎａｌｙｓｉｓ ｏｎ ｌａｒｇｅ ｃｌｕｓｔｅｒｓ． ＴＫＤＥ， ２０１０， ２３（９）： １２９９－１３１１＠＠［３５］ Ｌｉｎ Ｙ， Ａｇｒａｗａｌ Ｄ， Ｃｈｅｎ Ｃ， Ｏｏｉ Ｂ Ｃ， Ｗｕ Ｓ． Ｌｌａｍａ ： Ｌｅｖｅｒ ａｇｉｎｇ ｃｏｌｕｍｎａｒ ｓｔｏｒａｇｅ ｆｏｒ ｓｃａｌａｂｌｅ ｊｏｉｎ ｐｒｏｃｅｓｓｉｎｇ ｉｎ ｔｈｅ ＭａｐＲｅｄｕｃｅ ｆｒａｍｅｗｏｒｋ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎ ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ（ＳＩＧＭＯＤ＇１１）． Ａｔｈｅｎｓ， Ｇｒｅｅｃｅ， ２０１１：９６１－９７２＠＠［３６］ Ｏｋｃａｎ Ａ． Ｒｉｅｄｅｗａｌｄ Ｍ． Ｐｒｏｃｅｓｓｉｎｇ ｔｈｅｔａ－ｊｏｉｎｓ ｕｓｉｎｇ ＭａｐＲｅｄｕｃｅ ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ ｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇ １１ ）． Ａｔｈｅｎｓ， Ｇｒｅｅｃｅ， ２０１１： ９４９－９６０＠＠［３７］ Ｗａｎｇ Ｈｕｉｊｕ， Ｗａｎｇ Ｓｈａｎ， Ｑｉｎ Ｘｉｏｎｇｐａｉ， Ｌｉ Ｆｕｒｏｎｇ， Ｚｈｏｕ Ｘｕａｎ， Ｑｉｎ Ｚｕｏｙａｎ， Ｚｈｕ Ｑｉｎｇ． Ｅｆｆｉｃｉｅｎｔ ｓｔａｒ ｑｕｅｒｙ ｐｒｏｃｅｓｓ ｉｎｇ ｏｎ Ｈａｄｏｏｐ Ａ ｈｉｅｒａｒｃｈｙ ｅｎｃｏｄｉｎｇ ｂａｓｅｄ ａｐｐｒｏａｃｈ （Ｔｅｃｈ ｎｉｃａｌ ｒｅｐｏｒｔ）＠＠［３８］ Ｂａｊｄａ－Ｐａｗｌｉｋｏｗｓｋｉ Ｋａｍｉｌ， Ａｂａｄｉ Ｄａｎｉｅｌ Ｊ， ＳｉｌｂｅｒｓｃｈａｔｚＡｖｉ， Ｐａｕｌｓｏｎ Ｅｒｉｋ． Ｅｆｆｉｃｉｅｎｔ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｄａｔａ ｗａｒｅｈｏｕｓｉｎｇ ｑｕｅ ｒｉｅｓ ｉｎ ａ ｓｐｌｉｔ ｅｘｅｃｕｔｉｏｎ ｅｎｖｉｒｏｎｍｅｎｔ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ （ＳＩＧＭＯＤ＇１１）． Ａｔｈｅｎｓ， Ｇｒｅｅｃｅ， ２０１１： ９８５－９９６． ２０１１：１１６５－１１７６＠＠［３９］ Ｗａｎｇ Ｈｕｉｊｕｉ， Ｑｉｎ Ｘｉｏｎｇｐａｉ， Ｚｈａｎｇ Ｙａｎｓｏｎｇ， Ｗａｎｇ Ｓｈａｎ， Ｗａｎｇ Ｚｈａｎｗｅｉ． ＬｉｎｅａｒＤＢ： Ａ ｒｅｌａｔｉｏｎａｌ ａｐｐｒｏａｃｈ ｔｏ ｍａｋｅ ｄａｔａ ｗａｒｅｈｏｕｓｅ ｓｃａｌｅ ｌｉｋｅ ＭａｐＲｅｄｕｃｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｄａｔａｂａｓｅ Ｓｙｓｔｅｍｓ ｆｏｒ Ａｄｖａｎｃｅｄ Ａｐｐｌｉｃａｔｉｏｎｓ－１６ｔｈ Ｉｎｔｅｒｎａ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ （ＤＡＳＦＡＡ＇１１）． Ｈｏｎｇ Ｋｏｎｇ， Ｃｈｉｎａ， ２０１１：３０６－３２０＠＠［４０］ Ｋａｒａｙａｎｎｉｄｉｓ Ｎ， Ｔｓｏｉｓ Ａ， Ｓｅｌｌｉｓ Ｔ Ｋ， Ｐｉｅｒｉｎｇｅｒ Ｒ， Ｍａｒｋｌ Ｖ， Ｒａｍｓａｋ Ｆ， Ｆｅｎｋ Ｒ， Ｅｌｈａｒｄｔ Ｋ， Ｂａｙｅｒ Ｒ． Ｐｒｏｃｅｓｓｉｎｇ ｓｔａｒ ｑｕｅｒｉｅｓ ｏｎ ｈｉｅｒａｒｃｈｉｃａｌｌｙ－ｃｌｕｓｔｅｒｅｄ ｆａｃｔ ｔａｂｌｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｖｅｒｙ Ｌａｒｇｅ Ｄａｔａ Ｂａｓｅｓ （ＶＬＤＢ＇０２）． Ｈｏｎｇ Ｋｏｎｇ， Ｃｈｉｎａ， ２００２： ７３０－７４１＠＠［４１］ Ｑｉｎ Ｘｉｏｎｇｐａｉ， Ｗａｎｇ Ｈｕｉｊｕ， Ｄｕ Ｘｉａｏｙｏｎｇ， Ｗａｎｇ Ｓｈａｎ． Ｐａｒ ａｌｌｅｌ ａｇｇｒｅｇａｔｉｏｎ ｑｕｅｒｉｅｓ ｏｖｅｒ ｓｔａｒ ｓｃｈｅｍａ： Ａ ｈｉｅｒａｒｃｈｉｃａｌ ｅｎｃｏ ｄｉｎｇ ｓｃｈｅｍｅ ａｎｄ ｅｆｆｉｃｉｅｎｔ ｐｅｒｃｅｎｔｉｌｅ ｃｏｍｐｕｔｉｎｇ ａｓ ａ ｃａｓｅ／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ９ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｐａｒ ａｌｌｅｌ ａｎｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ （ ＩＳＰＡ ＇ １１ ）． Ｂｕｓａｎ， Ｋｏｒｅａ， ２０１１： ３２９－３３４＠＠［４２］ Ｄａｓ Ｓ， Ｓｉｓｍａｎｉｓ Ｙ， Ｂｅｙｅｒ Ｋ Ｓ， Ｇｅｍｕｌｌａ Ｒ， Ｈａａｓ Ｐ Ｊ， ＭｃＰｈｅｒｓｏｎ Ｊ． Ｒｉｃａｒｄｏ： Ｉｎｔｅｇｒａｔｉｎｇ Ｒ ａｎｄ Ｈａｄｏｏｐ／／Ｐｒｏｃｅｅｄ ｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ（ＳＩＧＭＯＤ＇１０）． Ａｔｈｅｎｓ， Ｇｒｅｅｃｅ， Ｉｎｄｉ ａｎａｐｏｌｉｓ， Ｉｎｄｉａｎａ， ＵＳＡ， ２０１０： ９８７－９９８架构大数据:挑战、现状与展望作者：王珊， 王会举， 覃雄派， 周烜， WANG Shan， WANG Hui-Ju， QIN Xiong-Pai， ZHOU Xuan作者单位：数据工程与知识工程教育部重点实验室(中国人民大学)北京100872;中国人民大学信息学院 北京100872刊名：计算机学报英文刊名：Chinese Journal of Computers年，卷(期)：2011,34(10)本文链接：/Periodical_jsjxb201110002.aspx。