比较全的大数据技术组件整理以及相关理论论文整理 (2)

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;

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/wpzdsf.html