比较全的大数据技术组件整理以及相关理论论文整理

database

框架

  • Apache Hadoop:分布式处理架构,结合了 MapReduce(并行处理)、YARN(作业调度)和HDFS(分布式文件系统);
  • Tigon:高吞吐量实时流处理框架。

分布式编程

  • AddThis Hydra :最初在AddThis上开发的分布式数据处理和存储系统;
  • AMPLab SIMR:用在Hadoop MapReduce v1上运行Spark;
  • Apache Beam:为统一的模型以及一套用于定义和执行数据处理工作流的特定SDK语言;
  • Apache Crunch:一个简单的Java API,用于执行在普通的MapReduce实现时比较单调的连接、数据聚合等任务;
  • Apache DataFu:由LinkedIn开发的针对Hadoop and 和Pig的用户定义的函数集合;
  • Apache Flink:具有高性能的执行时间和自动程序优化;
  • Apache Gora:内存中的数据模型和持久性框架;
  • Apache Hama:BSP(整体同步并行)计算框架;
  • Apache MapReduce :在集群上使用并行、分布式算法处理大数据集的编程模型;
  • Apache Pig :Hadoop中,用于处理数据分析程序的高级查询语言;
  • Apache REEF :用来简化和统一低层大数据系统的保留性评估执行框架;
  • Apache S4 :S4中流处理与实现的框架;
  • Apache Spark :内存集群计算框架;
  • Apache Spark Streaming :流处理框架,同时是Spark的一部分;
  • Apache Storm :Twitter流处理框架,也可用于YARN;
  • Apache Samza :基于Kafka和YARN的流处理框架;
  • Apache Tez :基于YARN,用于执行任务中的复杂DAG(有向无环图);
  • Apache Twill :基于YARN的抽象概念,用于减少开发分布式应用程序的复杂度;
  • Cascalog:数据处理和查询库;
  • Cheetah :在MapReduce之上的高性能、自定义数据仓库;
  • Concurrent Cascading :在Hadoop上的数据管理/分析框架;
  • Damballa Parkour :用于Clojure的MapReduce库;
  • Datasalt Pangool :可选择的MapReduce范例;
  • DataTorrent StrAM :为实时引擎,用于以尽可能畅通的方式、最小的开支和对性能最小的影响,实现分布式、异步、实时的内存大数据计算;
  • Facebook Corona :为Hadoop做优化处理,从而消除单点故障;
  • Facebook Peregrine :MapReduce框架;
  • Facebook Scuba :分布式内存数据存储;
  • Google Dataflow :创建数据管道,以帮助其分析框架;
  • Netflix PigPen :为MapReduce,用于编译成Apache Pig;
  • Nokia Disco :由Nokia开发的MapReduc获取、转换和分析数据;
  • Google MapReduce :MapReduce框架;
  • Google MillWheel :容错流处理框架;
  • JAQL :用于处理结构化、半结构化和非结构化数据工作的声明性编程语言;
  • Kite :为一组库、工具、实例和文档集,用于使在Hadoop的生态系统上建立系统更加容易;
  • Metamarkets Druid :用于大数据集的实时e框架;
  • Onyx :分布式云计算;
  • Pinterest Pinlater :异步任务执行系统;
  • Pydoop :用于Hadoop的Python MapReduce和HDFS API;
  • Rackerlabs Blueflood :多租户分布式测度处理系统;
  • Stratosphere :通用集群计算框架;
  • Streamdrill :用于计算基于不同时间窗口的事件流的活动,并找到最活跃的一个;
  • Tuktu :易于使用的用于分批处理和流计算的平台,通过Scala、 Akka和Play所建;
  • Twitter Scalding:基于Cascading,用于Map Reduce工作的Scala库;
  • Twitter Summingbird :在Twitter上使用Scalding和Storm串流MapReduce;
  • Twitter TSAR :Twitter上的时间序列聚合器。

分布式文件系统

  • Apache HDFS:在多台机器上存储大型文件的方式;
  • BeeGFS:以前是FhGFS,并行分布式文件系统;
  • Ceph Filesystem:设计的软件存储平台;
  • Disco DDFS:分布式文件系统;
  • Facebook Haystack:对象存储系统;
  • Google Colossus:分布式文件系统(GFS2);
  • Google GFS:分布式文件系统;
  • Google Megastore:可扩展的、高度可用的存储;
  • GridGain:兼容GGFS、Hadoop内存的文件系统;
  • Lustre file system:高性能分布式文件系统;
  • Quantcast File System QFS:开源分布式文件系统;
  • Red Hat GlusterFS:向外扩展的附网存储(Network-attached Storage)文件系统;
  • Seaweed-FS:简单的、高度可扩展的分布式文件系统;
  • Alluxio:以可靠的存储速率在跨集群框架上文件共享;
  • Tahoe-LAFS:分布式云存储系统;

文件数据模型

  • Actian Versant:商用的面向对象数据库管理系统;
  • Crate Data:是一个开源的大规模可扩展的数据存储,需要零管理模式;
  • Facebook Apollo:Facebook的Paxos算法,类似于NoSQL数据库;
  • jumboDB:基于Hadoop的面向文档的数据存储;
  • LinkedIn Espresso:可横向扩展的面向文档的NoSQL数据存储;
  • MarkLogic:模式不可知的企业版NoSQL数据库技术;
  • MongoDB:面向文档的数据库系统;
  • RavenDB:一个事务性的,开源文档数据库;
  • RethinkDB:支持连接查询和群组依据等查询的文档型数据库。
  • Key Map 数据模型

注意:业界存在一些术语混乱,有两个不同的东西都叫做“列式数据库”。这里列出的有一些是围绕“key-map”数据模型而建的分布式、持续型数据库,其中所有的数据都有(可能综合了)键,并与映射中的键-值对相关联。在一些系统中,多个这样的值映射可以与键相关联,并且这些映射被称为“列族”(具有映射值的键被称为“列”)。

另一组也可称为“列式数据库”的技术因其存储数据的方式而有别于前一组,它在磁盘上或在存储器中——而不是以传统方式,即所有既定键的键值都相邻着、逐行存储。这些系统也彼此相邻来存储所有列值,但是要得到给定列的所有值却不需要以前那么繁复的工作。

前一组在这里被称为“key map数据模型”,这两者和Key-value 数据模型之间的界限是相当模糊的。后者对数据模型有更多的存储格式,可在列式数据库中列出。若想了解更多关于这两种模型的区分,可阅读Daniel Abadi的博客:Distinguishing two major types of Column Stores。

  • Apache Accumulo:内置在Hadoop上的分布式键/值存储;
  • Apache Cassandra:由BigTable授权,面向列的分布式数据存储;
  • Apache HBase:由BigTable授权,面向列的分布式数据存储;
  • Facebook HydraBase:Facebook所开发的HBase的衍化品;
  • Google BigTable:面向列的分布式数据存储;
  • Google Cloud Datastore:为完全管理型的无模式数据库,用于存储在BigTable上非关系型数据;
  • Hypertable:由BigTable授权,面向列的分布式数据存储;
  • InfiniDB:通过MySQL的接口访问,并使用大规模并行处理进行并行查询;
  • Tephra:用于HBase处理;
  • Twitter Manhattan:Twitter的实时、多租户分布式数据库。

键-值数据模型

  • Aerospike:支持NoSQL的闪存优化,数据存储在内存。开源,“‘C’(不是Java或Erlang)中的服务器代码可精确地调整从而避免上下文切换和内存拷贝”。
  • Amazon DynamoDB:分布式键/值存储,Dynamo论文的实现;
  • Edis:为替代Redis的协议兼容的服务器;
  • ElephantDB:专门研究Hadoop中数据导出的分布式数据库;
  • EventStore:分布式时间序列数据库;
  • GridDB:适用于存储在时间序列中的传感器数据;
  • LinkedIn Krati:简单的持久性数据存储,拥有低延迟和高吞吐量;
  • Linkedin Voldemort:分布式键/值存储系统;
  • Oracle NoSQL Database:Oracle公司开发的分布式键值数据库;
  • Redis:内存中的键值数据存储;
  • Riak:分散式数据存储;
  • Storehaus:Twitter开发的异步键值存储的库;
  • Tarantool:一个高效的NoSQL数据库和Lua应用服务器;
  • TiKV:由Google Spanner和HBase授权,Rust提供技术支持的分布式键值数据库;
  • TreodeDB:可复制、共享的键-值存储,能提供多行原子写入。

图形数据模型

  • Apache Giraph:基于Hadoop的Pregel实现;
  • Apache Spark Bagel:可实现Pregel,为Spark的一部分;
  • ArangoDB:多层模型分布式数据库;
  • DGraph:一个可扩展的、分布式、低时延、高吞吐量的图形数据库,旨在为Google生产水平规模和吞吐量提供足够的低延迟,用于TB级的结构化数据的实时用户查询;
  • Facebook TAO:TAO是facebook广泛用来存储和服务于社交图形的分布式数据存储;
  • GCHQ Gaffer:GCHQ中的Gaffer是一个易于存储大规模图形的框架,其中节点和边缘都有统计数据;
  • Google Cayley:开源图形数据库;
  • Google Pregel :图形处理框架;
  • GraphLab PowerGraph:核心C ++ GraphLab API和建立在GraphLab API之上的高性能机器学习和数据挖掘工具包的集合;
  • GraphX:Spark中的弹性分布式图形系统;
  • Gremlin:图形追踪语言;
  • Infovore:以RDF为中心的Map / Reduce框架;
  • Intel GraphBuilder:在Hadoop上构建大规模图形的工具;
  • MapGraph:用于在GPU上大规模并行图形处理;
  • Neo4j:完全用Java写入的图形数据库;
  • OrientDB:文档和图形数据库;
  • Phoebus:大型图形处理框架;
  • Titan:建于Cassandra的分布式图形数据库;
  • Twitter FlockDB:分布式图形数据库。

NewSQL数据库

  • Actian Ingres:由商业支持,开源的SQL关系数据库管理系统;
  • Amazon RedShift:基于PostgreSQL的数据仓库服务;
  • BayesDB:面向统计数值的SQL数据库;
  • CitusDB:通过分区和复制横向扩展PostgreSQL;
  • Cockroach:可扩展、地址可复制、交易型的数据库;
  • Datomic:旨在产生可扩展、灵活的智能应用的分布式数据库;
  • FoundationDB:由F1授意的分布式数据库;
  • Google F1:建立在Spanner上的分布式SQL数据库;
  • Google Spanner:全球性的分布式半关系型数据库;
  • H-Store:是一个实验性主存并行数据库管理系统,用于联机事务处理(OLTP)应用的优化;
  • Haeinsa:基于Percolator,HBase的线性可扩展多行多表交易库;
  • HandlerSocket:MySQL/MariaDB的NoSQL插件;
  • InfiniSQL:无限可扩展的RDBMS;
  • MemSQL:内存中的SQL数据库,其中有优化的闪存列存储;
  • NuoDB:SQL / ACID兼容的分布式数据库;
  • Oracle TimesTen in-Memory Database:内存中具有持久性和可恢复性的关系型数据库管理系统;
  • Pivotal GemFire XD:内存中低延时的分布式SQL数据存储,可为内存列表数据提供SQL接口,在HDFS中较持久化;
  • SAP HANA:是在内存中面向列的关系型数据库管理系统;
  • SenseiDB:分布式实时半结构化的数据库;
  • Sky:用于行为数据的灵活、高性能分析的数据库;
  • SymmetricDS:用于文件和数据库同步的开源软件;
  • Map-D:为GPU内存数据库,也为大数据分析和可视化平台;
  • TiDB:TiDB是分布式SQL数据库,基于谷歌F1的设计灵感;
  • VoltDB:自称为最快的内存数据库。

列式数据库

  • Columnar Storage:解释什么是列存储以及何时会需要用到它;
  • Actian Vector:面向列的分析型数据库;
  • C-Store:面向列的DBMS;
  • MonetDB:列存储数据库;
  • Parquet:Hadoop的列存储格式;
  • Pivotal Greenplum:专门设计的、专用的分析数据仓库,类似于传统的基于行的工具,提供了一个列式工具;
  • Vertica:用来管理大规模、快速增长的大量数据,当用于数据仓库时,能够提供非常快的查询性能;
  • Google BigQuery :谷歌的云产品,由其在Dremel的创始工作提供支持;
  • Amazon Redshift :亚马逊的云产品,它也是基于柱状数据存储后端。

时间序列数据库

  • Cube:使用MongoDB来存储时间序列数据;
  • Axibase Time Series Database:在HBase之上的分布式时间序列数据库,它包括内置的Rule Engine、数据预测和可视化;
  • Heroic:基于Cassandra和Elasticsearch的可扩展的时间序列数据库;
  • InfluxDB:分布式时间序列数据库;
  • Kairosdb:类似于OpenTSDB但会考虑到Cassandra;
  • OpenTSDB:在HBase上的分布式时间序列数据库;
  • Prometheus:一种时间序列数据库和服务监测系统;
  • Newts:一种基于Apache Cassandra的时间序列数据库。

类SQL处理

  • Actian SQL for Hadoop:高性能交互式的SQL,可访问所有的Hadoop数据;
  • Apache Drill:由Dremel授意的交互式分析框架;
  • Apache HCatalog:Hadoop的表格和存储管理层;
  • Apache Hive:Hadoop的类SQL数据仓库系统;
  • Apache Optiq:一种框架,可允许高效的查询翻译,其中包括异构性及联合性数据的查询;
  • Apache Phoenix:Apache Phoenix 是 HBase 的 SQL 驱动;
  • Cloudera Impala:由Dremel授意的交互式分析框架;
  • Concurrent Lingual:Cascading中的类SQL查询语言;
  • Datasalt Splout SQL:用于大数据集的完整的SQL查询工具;
  • Facebook PrestoDB:分布式SQL查询工具;
  • Google BigQuery:交互式分析框架,Dremel的实现;
  • Pivotal HAWQ:Hadoop的类SQL的数据仓库系统;
  • RainstorDB:用于存储大规模PB级结构化和半结构化数据的数据库;
  • Spark Catalyst:用于Spark和Shark的查询优化框架;
  • SparkSQL:使用Spark操作结构化数据;
  • Splice Machine:一个全功能的Hadoop上的SQL RDBMS,并带有ACID事务;
  • Stinger:用于Hive的交互式查询;
  • Tajo:Hadoop的分布式数据仓库系统;
  • Trafodion:为企业级的SQL-on-HBase针对大数据的事务或业务工作负载的解决方案。

数据摄取

  • Amazon Kinesis:大规模数据流的实时处理;
  • Apache Chukwa:数据采集系统;
  • Apache Flume:管理大量日志数据的服务;
  • Apache Kafka:分布式发布-订阅消息系统;
  • Apache Sqoop:在Hadoop和结构化的数据存储区之间传送数据的工具;
  • Cloudera Morphlines:帮助 Solr、HBase和HDFS完成ETL的框架;
  • Facebook Scribe:流日志数据聚合器;
  • Fluentd:采集事件和日志的工具;
  • Google Photon:实时连接多个数据流的分布式计算机系统,具有高可扩展性和低延迟性;
  • Heka:开源流处理软件系统;
  • HIHO:用Hadoop连接不同数据源的框架;
  • Kestrel:分布式消息队列系统;
  • LinkedIn Databus:对数据库更改捕获的事件流;
  • LinkedIn Kamikaze:压缩已分类整型数组的程序包;
  • LinkedIn White Elephant:日志聚合器和仪表板;
  • Logstash:用于管理事件和日志的工具;
  • Netflix Suro:像基于Chukwa 的Storm和Samza一样的日志聚合器;
  • Pinterest Secor:是实现Kafka日志持久性的服务;
  • Linkedin Gobblin:LinkedIn的通用数据摄取框架;
  • Skizze:是一种数据存储略图,使用概率性数据结构来处理计数、略图等相关的问题;
  • StreamSets Data Collector:连续大数据采集的基础设施,可简单地使用IDE。

服务编程

  • Akka Toolkit:JVM中分布性、容错事件驱动应用程序的运行时间;
  • Apache Avro:数据序列化系统;
  • Apache Curator:Apache ZooKeeper的Java库;
  • Apache Karaf:在任何OSGi框架之上运行的OSGi运行时间;
  • Apache Thrift:构建二进制协议的框架;
  • Apache Zookeeper:流程管理集中式服务;
  • Google Chubby:一种松耦合分布式系统锁服务;
  • Linkedin Norbert:集群管理器;
  • OpenMPI:消息传递框架;
  • Serf:服务发现和协调的分散化解决方案;
  • Spotify Luigi:一种构建批处理作业的复杂管道的Python包,它能够处理依赖性解析、工作流管理、可视化、故障处理、命令行一体化等等问题;
  • Spring XD:数据摄取、实时分析、批量处理和数据导出的分布式、可扩展系统;
  • Twitter Elephant Bird:LZO压缩数据的工作库;
  • Twitter Finagle:JVM的异步网络堆栈。

调度

  • Apache Aurora:在Apache Mesos之上运行的服务调度程序;
  • Apache Falcon:数据管理框架;
  • Apache Oozie:工作流作业调度程序;
  • Chronos:分布式容错调度;
  • Linkedin Azkaban:批处理工作流作业调度;
  • Schedoscope:Hadoop作业敏捷调度的Scala DSL;
  • Sparrow:调度平台;
  • Airflow:一个以编程方式编写、调度和监控工作流的平台。

机器学习

  • Apache Mahout:Hadoop的机器学习库;
  • brain:JavaScript中的神经网络;
  • Cloudera Oryx:实时大规模机器学习;
  • Concurrent Pattern:Cascading的机器学习库;
  • convnetjs:Javascript中的机器学习,在浏览器中训练卷积神经网络(或普通网络);
  • Decider:Ruby中灵活、可扩展的机器学习;
  • ENCOG:支持多种先进算法的机器学习框架,同时支持类的标准化和处理数据;
  • etcML:机器学习文本分类;
  • Etsy Conjecture:Scalding中可扩展的机器学习;
  • Google Sibyl:Google中的大规模机器学习系统;
  • GraphLab Create:Python的机器学习平台,包括ML工具包、数据工程和部署工具的广泛集合;
  • H2O:Hadoop统计性的机器学习和数学运行时间;
  • MLbase:用于BDAS堆栈的分布式机器学习库;
  • MLPNeuralNet:针对iOS和Mac OS X的快速多层感知神经网络库;
  • MonkeyLearn:使文本挖掘更为容易,从文本中提取分类数据;
  • nupic:智能计算的Numenta平台,它是一个启发大脑的机器智力平台,基于皮质学习算法的精准的生物神经网络;
  • PredictionIO:建于Hadoop、Mahout和Cascading上的机器学习服务器;
  • SAMOA:分布式流媒体机器学习框架;
  • scikit-learn:scikit-learn为Python中的机器学习;
  • Spark MLlib:Spark中一些常用的机器学习(ML)功能的实现;
  • Vowpal Wabbit:微软和雅虎发起的学习系统;
  • WEKA:机器学习软件套件;
  • BidMach:CPU和加速GPU的机器学习库。

基准测试

  • Apache Hadoop Benchmarking:测试Hadoop性能的微基准;
  • Berkeley SWIM Benchmark:现实大数据工作负载基准测试;
  • Intel HiBench:Hadoop基准测试套件;
  • PUMA Benchmarking:MapReduce应用的基准测试套件;
  • Yahoo Gridmix3:雅虎工程师团队的Hadoop集群基准测试。

安全性

  • Apache Knox Gateway:Hadoop集群安全访问的单点;
  • Apache Sentry:存储在Hadoop的数据安全模块。

系统部署

  • Apache Ambari:Hadoop管理的运作框架;
  • Apache Bigtop:Hadoop生态系统的部署框架;
  • Apache Helix:集群管理框架;
  • Apache Mesos:集群管理器;
  • Apache Slider:一种YARN应用,用来部署YARN中现有的分布式应用程序;
  • Apache Whirr:运行云服务的库集;
  • Apache YARN:集群管理器;
  • Brooklyn:用于简化应用程序部署和管理的库;
  • Buildoop:基于Groovy语言,和Apache BigTop类似;
  • Cloudera HUE:和Hadoop进行交互的Web应用程序;
  • Facebook Prism:多数据中心复制系统;
  • Google Borg:作业调度和监控系统;
  • Google Omega:作业调度和监控系统;
  • Hortonworks HOYA:可在YARN上部署HBase集群的应用;
  • Marathon:用于长期运行服务的Mesos框架。

应用程序

  • Adobe spindle:使用Scala、Spark和Parquet处理的下一代web分析;
  • Apache Kiji:基于HBase,实时采集和分析数据的框架;
  • Apache Nutch:开源网络爬虫;
  • Apache OODT:用于NASA科学档案中数据的捕获、处理和共享;
  • Apache Tika:内容分析工具包;
  • Argus:时间序列监测和报警平台;
  • Countly:基于Node.js和MongoDB,开源的手机和网络分析平台;
  • Domino:运行、规划、共享和部署模型——没有任何基础设施;
  • Eclipse BIRT:基于Eclipse的报告系统;
  • Eventhub:开源的事件分析平台;
  • Hermes:建于Kafka上的异步消息代理;
  • HIPI Library:在Hadoop’s MapReduce上执行图像处理任务的API;
  • Hunk:Hadoop的Splunk分析;
  • Imhotep:大规模分析平台;
  • MADlib:RDBMS的用于数据分析的数据处理库;
  • Kylin:来自eBay的开源分布式分析工具;
  • PivotalR:Pivotal HD / HAWQ和PostgreSQL中的R;
  • Qubole:为自动缩放Hadoop集群,内置的数据连接器;
  • Sense:用于数据科学和大数据分析的云平台;
  • SnappyData:用于实时运营分析的分布式内存数据存储,提供建立在Spark单一集成集群中的数据流分析、OLTP(联机事务处理)和OLAP(联机分析处理);
  • Snowplow:企业级网络和事件分析,由Hadoop、Kinesis、Redshift 和Postgres提供技术支持;
  • SparkR:Spark的R前端;
  • Splunk:用于机器生成的数据的分析;
  • Sumo Logic:基于云的分析仪,用于分析机器生成的数据;
  • Talend:用于YARN、Hadoop、HBASE、Hive、HCatalog和Pig的统一开源环境;
  • Warp:利用大数据(OS X app)的实例查询工具。

搜索引擎与框架

  • Apache Lucene:搜索引擎库;
  • Apache Solr:用于Apache Lucene的搜索平台;
  • ElasticSearch:基于Apache Lucene的搜索和分析引擎;
  • Enigma.io:为免费增值的健壮性web应用,用于探索、筛选、分析、搜索和导出来自网络的大规模数据集;
  • Facebook Unicorn:社交图形搜索平台;
  • Google Caffeine:连续索引系统;
  • Google Percolator:连续索引系统;
  • TeraGoogle:大型搜索索引;
  • HBase Coprocessor:为Percolator的实现,HBase的一部分;
  • Lily HBase Indexer:快速、轻松地搜索存储在HBase的任何内容;
  • LinkedIn Bobo:完全由Java编写的分面搜索的实现,为Apache Lucene的延伸;
  • LinkedIn Cleo:为一个一个灵活的软件库,使得局部、无序、实时预输入的搜索实现了快速发展;
  • LinkedIn Galene:LinkedIn搜索架构;
  • LinkedIn Zoie:是用Java编写的实时搜索/索引系统;
  • Sphinx Search Server:全文搜索引擎

MySQL的分支和演化

  • Amazon RDS:亚马逊云的MySQL数据库;
  • Drizzle:MySQL的6.0的演化;
  • Google Cloud SQL:谷歌云的MySQL数据库;
  • MariaDB:MySQL的增强版嵌入式替代品;
  • MySQL Cluster:使用NDB集群存储引擎的MySQL实现;
  • Percona Server:MySQL的增强版嵌入式替代品;
  • ProxySQL:MySQL的高性能代理;
  • TokuDB:用于MySQL和 MariaDB的存储引擎;
  • WebScaleSQL:运行MySQL时面临类似挑战的几家公司,它们的工程师之间的合作。

PostgreSQL的分支和演化

  • Yahoo Everest - multi-peta-byte database / MPP derived by PostgreSQL.
  • HadoopDB:MapReduce和DBMS的混合体;
  • IBM Netezza:高性能数据仓库设备;
  • Postgres-XL:基于PostgreSQL,可扩展的开源数据库集群;
  • RecDB:完全建立在PostgreSQL内部的开源推荐引擎;
  • Stado:开源MPP数据库系统,只针对数据仓库和数据集市的应用程序;
  • Yahoo Everest:PostgreSQL可以推导多字节P比特数据库/MPP。

Memcached的分支和演化

  • Facebook McDipper:闪存的键/值缓存;
  • Facebook Memcached:Memcache的分支;
  • Twemproxy:Memcached和Redis的快速、轻型代理;
  • Twitter Fatcache:闪存的键/值缓存;
  • Twitter Twemcache:Memcache的分支。

嵌入式数据库

  • Actian PSQL:Pervasive Software公司开发的ACID兼容的DBMS,在应用程序中嵌入了优化;
  • BerkeleyDB:为键/值数据提供一个高性能的嵌入式数据库的一个软件库;
  • HanoiDB:Erlang LSM BTree存储;
  • LevelDB:谷歌写的一个快速键-值存储库,它提供了从字符串键到字符串值的有序映射;
  • LMDB:Symas开发的超快、超紧凑的键-值嵌入的式数据存储;
  • RocksDB:基于性LevelDB,用于快速存储的嵌入式持续性键-值存储。

商业智能

  • BIME Analytics:商业智能云平台;
  • Chartio:精益业务智能平台,用于可视化和探索数据;
  • datapine:基于云的自助服务商业智能工具;
  • Jaspersoft:功能强大的商业智能套件;
  • Jedox Palo:定制的商业智能平台;
  • Microsoft:商业智能软件和平台;
  • Microstrategy:商业智能、移动智能和网络应用软件平台;
  • Pentaho:商业智能平台;
  • Qlik:商业智能和分析平台;
  • Saiku:开源的分析平台;
  • SpagoBI:开源商业智能平台;
  • Tableau:商业智能平台;
  • Zoomdata:大数据分析;
  • Jethrodata:交互式大数据分析。

数据可视化

  • Airpal:用于PrestoDB的网页UI;
  • Arbor:利用网络工作者和jQuery的图形可视化库;
  • Banana:对存储在Kibana中Solr. Port的日志和时戳数据进行可视化;
  • Bokeh:一个功能强大的Python交互式可视化库,它针对要展示的现代web浏览器,旨在为D3.js风格的新奇的图形提供优雅简洁的设计,同时在大规模数据或流数据集中,通过高性能交互性来表达这种能力;
  • C3:基于D3可重复使用的图表库;
  • CartoDB:开源或免费增值的虚拟主机,用于带有强大的前端编辑功能和API的地理空间数据库;
  • chartd:只带Img标签的反应灵敏、兼容Retina的图表;
  • Chart.js:开源的HTML5图表可视化效果;
  • Chartist.js:另一个开源HTML5图表可视化效果;
  • Crossfilter:JavaScript库,用于在浏览器中探索多元大数据集,用Dc.js和D3.js.效果很好;
  • Cubism:用于时间序列可视化的JavaScript库;
  • Cytoscape:用于可视化复杂网络的JavaScript库;
  • DC.js:维度图表,和Crossfilter一起使用,通过D3.js呈现出来,它比较擅长连接图表/附加的元数据,从而徘徊在D3的事件附近;
  • D3:操作文件的JavaScript库;
  • D3.compose:从可重复使用的图表和组件构成复杂的、数据驱动的可视化;
  • D3Plus:一组相当强大的可重用的图表,还有D3.js的样式;
  • Echarts:百度企业场景图表;
  • Envisionjs:动态HTML5可视化;
  • FnordMetric:写SQL查询,返回SVG图表,而不是表;
  • Freeboard:针对IOT和其他Web混搭的开源实时仪表盘构建;
  • Gephi:屡获殊荣的开源平台,可视化和操纵大型图形和网络连接,有点像Photoshop,但是针对于图表,适用于Windows和Mac OS X;
  • Google Charts:简单的图表API;
  • Grafana:石墨仪表板前端、编辑器和图形组合器;
  • Graphite:可扩展的实时图表;
  • Highcharts:简单而灵活的图表API;
  • IPython:为交互式计算提供丰富的架构;
  • Kibana:可视化日志和时间标记数据;
  • Matplotlib:Python绘图;
  • Metricsgraphic.js:建立在D3之上的库,针对时间序列数据进行最优化;
  • NVD3:d3.js的图表组件;
  • Peity:渐进式SVG条形图,折线和饼图;
  • Plot.ly:易于使用的Web服务,它允许快速创建从热图到直方图等复杂的图表,使用图表Plotly的在线电子表格上传数据进行创建和设计;
  • Plotly.js:支持plotly的开源JavaScript图形库;
  • Recline:简单但功能强大的库,纯粹利用JavaScript和HTML构建数据应用;
  • Redash:查询和可视化数据的开源平台;
  • Shiny:针对R的Web应用程序框架;
  • Sigma.js:JavaScript库,专门用于图形绘制;
  • Vega:一个可视化语法;
  • Zeppelin:一个笔记本式的协作数据分析;
  • Zing Charts:用于大数据的JavaScript图表库。

物联网和传感器

  • TempoIQ:基于云的传感器分析;
  • 2lemetry:物联网平台;
  • Pubnub:数据流网络;
  • ThingWorx:ThingWorx 是让企业快速创建和运行互联应用程序平台;
  • IFTTT:IFTTT 是一个被称为 “网络自动化神器” 的创新型互联网服务,它的全称是 If this then that,意思是“如果这样,那么就那样”;
  • Evrythng:Evrythng则是一款真正意义上的大众物联网平台,使得身边的很多产品变得智能化。

文章推荐

  • NoSQL Comparison(NoSQL 比较)- Cassandra vs MongoDB vs CouchDB vs Redis vs Riak vs HBase vs Couchbase vs Neo4j vs Hypertable vs ElasticSearch vs Accumulo vs VoltDB vs Scalaris comparison;
  • Big Data Benchmark(大数据基准)- Redshift, Hive, Shark, Impala and Stiger/Tez的基准;
  • The big data successor of the spreadsheet(电子表格的大数据继承者) - 电子表格的继承者应该是大数据。

论文

2015 - 2016

2015 - Facebook - One Trillion Edges: Graph Processing at Facebook-Scale.(一兆边:Facebook规模的图像处理)

2013 - 2014

2014 - Stanford - Mining of Massive Datasets.(海量数据集挖掘)

2013 - AMPLab - Presto: Distributed Machine Learning and Graph Processing with Sparse Matrices. (Presto: 稀疏矩阵的分布式机器学习和图像处理)

2013 - AMPLab - MLbase: A Distributed Machine-learning System. (MLbase:分布式机器学习系统)

2013 - AMPLab - Shark: SQL and Rich Analytics at Scale. (Shark: 大规模的SQL 和丰富的分析)

2013 - AMPLab - GraphX: A Resilient Distributed Graph System on Spark. (GraphX:基于Spark的弹性分布式图计算系统)

2013 - Google - HyperLogLog in Practice: Algorithmic Engineering of a State of The Art Cardinality Estimation Algorithm. (HyperLogLog实践:一个艺术形态的基数估算算法)

2013 - Microsoft - Scalable Progressive Analytics on Big Data in the Cloud.(云端大数据的可扩展性渐进分析)

2013 - Metamarkets - Druid: A Real-time Analytical Data Store. (Druid:实时分析数据存储)

2013 - Google - Online, Asynchronous Schema Change in F1.(F1中在线、异步模式的转变)

2013 - Google - F1: A Distributed SQL Database That Scales. (F1: 分布式SQL数据库)

2013 - Google - MillWheel: Fault-Tolerant Stream Processing at Internet Scale.(MillWheel: 互联网规模下的容错流处理)

2013 - Facebook - Scuba: Diving into Data at Facebook. (Scuba: 深入Facebook的数据世界)

2013 - Facebook - Unicorn: A System for Searching the Social Graph. (Unicorn: 一种搜索社交图的系统)

2013 - Facebook - Scaling Memcache at Facebook. (Facebook 对 Memcache 伸缩性的增强)

2011 - 2012

2012 - Twitter - The Unified Logging Infrastructure for Data Analytics at Twitter. (Twitter数据分析的统一日志基础结构)

2012 - AMPLab –Blink and It’s Done: Interactive Queries on Very Large Data. (Blink及其完成:超大规模数据的交互式查询)

2012 - AMPLab –Fast and Interactive Analytics over Hadoop Data with Spark. (Spark上 Hadoop数据的快速交互式分析)

2012 - AMPLab –Shark: Fast Data Analysis Using Coarse-grained Distributed Memory. (Shark:使用粗粒度的分布式内存快速数据分析)

2012 - Microsoft –Paxos Replicated State Machines as the Basis of a High-Performance Data Store. (Paxos的复制状态机——高性能数据存储的基础)

2012 - Microsoft –Paxos Made Parallel. (Paxos算法实现并行)

2012 - AMPLab – BlinkDB:BlinkDB: Queries with Bounded Errors and Bounded Response Times on Very Large Data.(超大规模数据中有限误差与有界响应时间的查询)

2012 - Google –Processing a trillion cells per mouse click.(每次点击处理一兆个单元格)

2012 - Google –Spanner: Google’s Globally-Distributed Database.(Spanner:谷歌的全球分布式数据库)

2011 - AMPLab –Scarlett: Coping with Skewed Popularity Content in MapReduce Clusters.(Scarlett:应对MapReduce集群中的偏向性内容)

2011 - AMPLab –Mesos: A Platform for Fine-Grained Resource Sharing in the Data Center.(Mesos:数据中心中细粒度资源共享的平台)

2011 - Google –Megastore: Providing Scalable, Highly Available Storage for Interactive Services.(Megastore:为交互式服务提供可扩展,高度可用的存储)

2001 - 2010

2010 - Facebook - Finding a needle in Haystack: Facebook’s photo storage.(探究Haystack中的细微之处: Facebook图片存储)

2010 - AMPLab - Spark: Cluster Computing with Working Sets.(Spark:工作组上的集群计算)

2010 - Google - Storage Architecture and Challenges.(存储架构与挑战)

2010 - Google - Pregel: A System for Large-Scale Graph Processing.(Pregel: 一种大型图形处理系统)

2010 - Google - Large-scale Incremental Processing Using Distributed Transactions and Notifications base of Percolator and Caffeine.(使用基于Percolator 和 Caffeine平台分布式事务和通知的大规模增量处理)

2010 - Google - Dremel: Interactive Analysis of Web-Scale Datasets.(Dremel: Web规模数据集的交互分析)

2010 - Yahoo - S4: Distributed Stream Computing Platform.(S4:分布式流计算平台)

2009 - HadoopDB:An Architectural Hybrid of MapReduce and DBMS Technologies for Analytical Workloads.(混合MapReduce和DBMS技术用于分析工作负载的的架构)

2008 - AMPLab - Chukwa: A large-scale monitoring system.(Chukwa: 大型监控系统)

2007 - Amazon - Dynamo: Amazon’s Highly Available Key-value Store.(Dynamo: 亚马逊的高可用的关键价值存储)

2006 - Google - The Chubby lock service for loosely-coupled distributed systems.(面向松散耦合的分布式系统的锁服务)

2006 - Google - Bigtable: A Distributed Storage System for Structured Data.(Bigtable: 结构化数据的分布式存储系统)

2004 - Google - MapReduce: Simplied Data Processing on Large Clusters.(MapReduce: 大型集群上简化数据处理)

2003 - Google - The Google File System.(谷歌文件系统)
文章参考:https://blog.csdn.net/qq_44163077/java/article/details/87890160

以上是 比较全的大数据技术组件整理以及相关理论论文整理 的全部内容, 来源链接: utcz.com/z/534649.html

回到顶部