Cette séance de cours s'inscrit dans les subtilités de la programmation dans les cadres informatiques distribués, en mettant l'accent sur la gestion des ressources, le déploiement et la tolérance aux fautes. Les concepts clés comprennent l'optimisation de la localisation des données, la sensibilisation au rack, le calendrier des retards et les stratégies de multitenance.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Graph Chatbot
Chattez avec Graph Search
Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Cillum nulla culpa veniam labore enim ut ullamco ullamco veniam tempor ea nostrud. Est dolor ut qui dolore pariatur commodo sit. Laborum fugiat tempor est pariatur id est deserunt. Cillum commodo minim amet Lorem deserunt.
Ex esse adipisicing deserunt et. Exercitation ullamco excepteur tempor amet eiusmod commodo sit anim sint. Officia dolor magna enim elit laborum ex anim magna tempor. Occaecat sit ad amet minim fugiat est mollit laboris Lorem occaecat.
Explore les modèles d'exécution de Hadoop, la tolérance aux défauts, la localisation des données et la programmation, soulignant les limites de MapReduce et d'autres cadres de traitement distribué.
Couvre les outils de science des données, Hadoop, Spark, les écosystèmes des lacs de données, le théorème CAP, le traitement par lots vs. flux, HDFS, Hive, Parquet, ORC, et l'architecture MapReduce.
Explore la localisation des données dans la planification des décisions pour les plates-formes multi-locataires et discute de l'architecture d'Hadoop, des optimisations du moteur d'exécution et des stratégies de tolérance aux pannes.
Examine la conception d'un système d'exécution distribué à usage général, couvrant les défis, les cadres spécialisés, la logique de contrôle décentralisée et les remaniements de haute performance.
Explore les défis du Big Data, l'informatique distribuée avec Spark, les RDD, la configuration matérielle requise, MapReduce, les transformations et Spark DataFrames.