Муҳаммад ал хоразмий номидаги

X 
Y 
Z 
0 
0 
0 
0 
1 
0 
1 
0 
0 
1 
1 
1 
Zamonaviy kompyuter texnalogiyalari vositalaridan foydalanish talabalarning 
real elementlar va uskunalar hamda ularning elektron sxemalardagi jarayonlarni 
o
’
rganish to
’
g
’
risidagi bilimlarini yanada oshirishi va chuqurlashtirishiga xizmat 
qilishi kerak. 
Adabiyotlar 
1.
Егоров Е.Н., Ремпен И.С. Применение программного 
прикладного пакета 
Multisim 
для моделирования радиофизических схем,
2008, 24с. 
URL: http://www.sgu.ru/files/nodes/30844/MULTISIM.pdf
2.
Карлащук В.И. Электронная лаборатория на 
IBM PC
. Программа 
Electronics Workbench 
и ее применение. –
М.: Изд. «Солон–Р», 2001. –
726 с. 
 
 
ПЛАТФОРМА CASCADING ДЛЯ ОБРАБОТКИ БОЛЬШИХ ДАННЫХ 
С ИСПОЛЬЗОВАНИЕМ 
MAPREDUCE 
Саттаров М.А.
 1
, Юлдашев А.
 1
, Мусаев О.
2 
1
Ассистент Самаркандский филиал Ташкентского университета 
информационных технологий имени Мухаммада ал
-
Хоразмий
2
Преподаватель академического лицея при СамМИ 
Для извлечения знаний из больших данных были разработаны и 
предложены различные модели, программы, программное обеспечение, 
аппаратные средства и технологии. Они пытаются обеспечить более точные 
и надежные результаты для приложений больших данных. Тем не менее, в 
такой среде может быть трудоемким и сложным выбор среди 
многочисленных технологий. Фактически следует учитывать множество 
параметров: технологическую совместимость, сложность развертывания, 
стоимость, эффективность, производительность, надежность, поддержку и 
риски безопасности. В этой статье
мы представляем обзор последних 
технологий, разработанных для больших данных.
MapReduce 
[1] 
это 
фреймворк, 
состоящий 
из 
модели 
программирования и ее реализации. Это один из первых важных шагов для 
нового поколения инструментов управления и анализа больших
данных. 
MapReduce 
имеет интересное преимущество для приложений с большими 
данными. Фактически, это упрощает обработку огромных объемов данных 
благодаря своим эффективным и экономичным механизмам. Это позволяет 
писать программы, которые могут поддерживать параллельную обработку.

---

140 
Каскадная структура [2] 
- 
это богатый 
Java API
, который предоставляет 
множество компонентов для быстрой и экономичной разработки, 
тестирования и интеграции приложений для больших данных. 
Каскадирование имеет интересные преимущества.
Оно позволяет управлять 
сложными запросами и обрабатывать сложные рабочие процессы в кластерах 
Hadoop
. Он поддерживает масштабируемость, переносимость, интеграцию и 
разработку через тестирование.
Этот 
API 
добавляет уровень абстракции в верхней части 
Hadoop
, чтобы 
упростить сложные запросы с помощью каскадной концепции. Фактически, 
загруженные данные обрабатываются и разделяются рядом функций для 
получения нескольких потоков, называемых потоками. Эти потоки образуют 
ациклически ориентированные графы и могут
при необходимости 
объединяться.
Сборка канала определяет поток, который будет проходить между 
источниками данных (ответвления источника) и выходными данными 
(ответвления приемника), которые подключены к каналу. Трубная сборка 
может содержать один или несколько кортежей заданного размера.
Каскадный поток написан на 
Java 
и преобразован во время выполнения 
в классические задания 
MapReduce
. Потоки выполняются в кластерах 
Hadoop 
и основаны на следующем процессе:
Экземпляр потока 
- 
это рабочий процесс, который сначала считывает 
входные данные из одного или нескольких отводов источника, а затем 
обрабатывает их, выполняя набор параллельных или последовательных 
операций, как определено сборкой канала. Затем он записывает выходные 
данные в один или несколько отводов.
Tuple 
представляет собой набор значений (например, запись базы 
данных таблицы 
SQL
), которые могут быть проиндексированы с помощью 
полей и могут быть сохранены непосредственно в любом формате файла 
Hadoop 
в виде пары ключ / значение. Кортеж должен иметь сопоставимые 
типы, чтобы облегчить сравнение кортежей. Для расширения ее 
возможностей было добавлено много расширений, включая [3,4]:
•
Шаблон (
Pattern)
: используется для создания прогнозных приложений 
для больших данных. Он предоставляет множество алгоритмов машинного 
обучения и позволяет переводить документы 
Predictive Model Markup 
Language (PMML
) в приложения на 
Hadoop. 
•
Масштабирование (
Scalding)
: используется в качестве динамического 
языка программирования для решения функциональных задач. Он основан на 
языке Scala с простым синтаксисом. Это расширение создано и 
поддерживается Twitter.
•
Cascalog
: позволяет разрабатывать приложения с использованием Java 
или Clojure (динамический язык программирования, основанный на диалекте 
Lisp). Он поддерживает специальные запросы, выполняя серию нескольких 
заданий MapReduce для анализа различных источников (HDFS, баз данных и 

---

141 
локальных данных). Он обеспечивает более высокий уровень абстракции, 
чем Hive или Pig.
•
Lingual
: предоставляет интерфейс ANSI
-
SQL для Apache Hadoop и 
поддерживает быструю миграцию данных и рабочих нагрузок в и из Hadoop. 
Благодаря Lingual легче интегрировать существующие инструменты бизнес
-
аналитики
и другие приложения.