Estimación del rendimiento de arquitectura homogénea y/o heterogénea para big data

Barra lateral del artículo

PDF
Publicado: May 2, 2023
DOI: https://doi.org/10.57107/hyw.v2i1.39
Palabras clave:
Hadoop HDFS predicción YARN clúster datos estructurados datos no estructurados

Contenido principal del artículo

Claudio Isaias Huancahuire Bravo
Universidad Tecnológica de los Andes. Abancay. Perú
https://orcid.org/0000-0003-4625-0593
Abbon Alex Vasquez Ramirez
Universidad Tecnológica de los Andes. Abancay. Perú
https://orcid.org/0000-0001-7299-5367
Javier Arturo Rozas Huacho
Universidad Nacional de San Antonio Abad del Cusco. Cusco. Perú
https://orcid.org/0000-0003-3080-1530

Resumen

La cuarta revolución industrial interactúa con otras vertientes como Cloud Computing, Internet de las Cosas, Ciencia de Datos, Ingeniero de datos, Inteligencia Artificial con Machine Learning. Porque cada vez es más inevitable, no transformar los datos del mundo real en datos digitales como: Textos, audio, imágenes, videos, etc, para su tratamiento y una óptima toma de decisión, en el contexto que se requiera. En consecuencia, de las tecnologías mencionadas deviene el término de Big Data, que subyace con términos estructurados, semi estructurados y no estructurados y todo ello tiene que ser procesado, administrado y gestionado mediante técnicas de ETL, Power BI Desktop y Power BI de servicio cloud, Looker Studio, Arquitectura de Hadoop para Big Data, ASF-Apache Software Foundation, brinda un respaldo al ecosistema de Hadoop, para crear, diseñar y aplicar como investigación, aplicación y distribución en Universidades, PYMES y Empresas e industrias respectivamente, además las multinacionales empresas como Oracle cloud, IBM, Amazon, Azure y Google, se basan con esta tecnología de código abierto – open source de Hadoop.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Huancahuire Bravo, C. I., Vasquez Ramirez, A. A., & Rozas Huacho, J. A. (2023). Estimación del rendimiento de arquitectura homogénea y/o heterogénea para big data. Revista De Investigación Hatun Yachay Wasi, 2(1), 98–108. https://doi.org/10.57107/hyw.v2i1.39
Número
Vol. 2 Núm. 1 (2023)
Sección
Artículos
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Citas

Dong, Z. (2022) Research of Big Data Information Mining and Analysis: Technology Based on Hadoop Technology, International Conference on Big Data, Information and Computer Network (BDICN), Sanya, China.

Kumar, S., & Singh, M. (2019). A novel clustering technique for efficient clustering of big data in Hadoop Ecosystem. Big Data Mining and Analytics, 2 (4), 240-247 DOI: 10.26599/ BDMA.2018.9020037.

Li, K., Jiang, H., Yang, L., & Cuzzocrea, A. (2015). Big data. Algorithms, Analytics, and Applications. https://doi.org/10.1201/b18050.

Mohanty, H., Bhuyan P., & Chenthati D. (2015) Big Data. https://link.springer.com/book/10.1007/978-81-322-2494-5.

Serrano, J. (2014). Big data y analítica web. Estudiar las corrientes y pescar en un océano de datos. Profesional de la Información, 23(6), 561–566. https://doi.org/10.3145/epi.2014. nov.01.

Shah, A., & Padole, M. (2018). Load Balancing through Block Rearrangement Policy for Hadoop Heterogeneous Cluster. International Conference on Advances in Computing, Communications, and Informatics (ICACCI), Bangalore, India.

Sharma, M., & Kaur, J. (2019). A Comparative Study of Big Data Processing: Hadoop vs. Spark. 2019 6th International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India.