Bernd Fondermann brainlounge. Blaue oder rote Pille: SQL oder MapReduce?
|
|
- Hinrich Rolf Adler
- vor 8 Jahren
- Abrufe
Transkript
1 Bernd Fondermann brainlounge Blaue oder rote Pille: SQL oder MapReduce?
2 TODOs pills on all pages upd source code 1
3 Blaue oder rote Pille - SQL oder MapReduce? Bernd Fondermann, BigDataCon/JAX
4 Rote oder blaue Pille? "You take the blue pill - the story ends, you wake up in your bed and believe whatever you want to believe. You take the red pill - you stay in Wonderland and I show you how deep the rabbithole goes." Morpheus, The Matrix 3
5 SQL - Die Blaue Pille 4
6 SQL - Die Blaue Pille SQL gibt es schon ewig 4
7 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe 4
8 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe in vielen Teams und Unternehmen eingeführt 4
9 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe in vielen Teams und Unternehmen eingeführt in Design, Development & Betrieb 4
10 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe in vielen Teams und Unternehmen eingeführt in Design, Development & Betrieb für alle denkbaren Datenmodelle 4
11 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe in vielen Teams und Unternehmen eingeführt in Design, Development & Betrieb für alle denkbaren Datenmodelle breite Unterstützung 4
12 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe in vielen Teams und Unternehmen eingeführt in Design, Development & Betrieb für alle denkbaren Datenmodelle breite Unterstützung die Invariante in unserer IT Landschaft 4
13 SQL - Die Blaue Pille SQL gibt es schon ewig solide Allzweckwaffe in vielen Teams und Unternehmen eingeführt in Design, Development & Betrieb für alle denkbaren Datenmodelle breite Unterstützung die Invariante in unserer IT Landschaft Frage nach Ersatz stellt sich gar nicht 4
14 SQL - Grundkonzepte 5
15 SQL - Grundkonzepte organisiert Daten in Tabellen, Zeilen, Spalten 5
16 SQL - Grundkonzepte organisiert Daten in Tabellen, Zeilen, Spalten Spalten streng typisiert 5
17 SQL - Grundkonzepte organisiert Daten in Tabellen, Zeilen, Spalten Spalten streng typisiert Primary Key über eine (wenige) Spalten 5
18 SQL - Grundkonzepte organisiert Daten in Tabellen, Zeilen, Spalten Spalten streng typisiert Primary Key über eine (wenige) Spalten strenge Referenzierung über Tabellengrenzen 5
19 SQL - Grundkonzepte organisiert Daten in Tabellen, Zeilen, Spalten Spalten streng typisiert Primary Key über eine (wenige) Spalten strenge Referenzierung über Tabellengrenzen Indizierung von beliebigen Spalten 5
20 SQL - Grundkonzepte organisiert Daten in Tabellen, Zeilen, Spalten Spalten streng typisiert Primary Key über eine (wenige) Spalten strenge Referenzierung über Tabellengrenzen Indizierung von beliebigen Spalten ausgebufftes Transaktionshandling 5
21 implizite Beschränkungen 6
22 implizite Beschränkungen Spalten streng typisiert 6
23 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write 6
24 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig 6
25 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten 6
26 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check 6
27 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check strenge Referenzierung über Tabellengrenzen 6
28 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check strenge Referenzierung über Tabellengrenzen R/W tangieren mehrere Tabellen 6
29 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check strenge Referenzierung über Tabellengrenzen R/W tangieren mehrere Tabellen Indizierung von beliebigen Spalten 6
30 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check strenge Referenzierung über Tabellengrenzen R/W tangieren mehrere Tabellen Indizierung von beliebigen Spalten Write lösen Index Update aus 6
31 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check strenge Referenzierung über Tabellengrenzen R/W tangieren mehrere Tabellen Indizierung von beliebigen Spalten Write lösen Index Update aus ausgebufftes Transaktionshandling 6
32 implizite Beschränkungen Spalten streng typisiert Prüfung und Codec bei Read/Write Evolution des Schemas schwierig Primary Key über eine oder wenige Spalten Insert: PK-Check strenge Referenzierung über Tabellengrenzen R/W tangieren mehrere Tabellen Indizierung von beliebigen Spalten Write lösen Index Update aus ausgebufftes Transaktionshandling verschiedene Arten von Locking 6
33 No Go Areas für SQL-DBs 7
34 No Go Areas für SQL-DBs Verteilen einer Tabelle über Rechnergrenzen 7
35 No Go Areas für SQL-DBs Verteilen einer Tabelle über Rechnergrenzen Verteilen von DBs über Rechnergrenzen 7
36 No Go Areas für SQL-DBs Verteilen einer Tabelle über Rechnergrenzen Verteilen von DBs über Rechnergrenzen Entkopplung von Schreiben & Lesen 7
37 No Go Areas für SQL-DBs Verteilen einer Tabelle über Rechnergrenzen Verteilen von DBs über Rechnergrenzen Entkopplung von Schreiben & Lesen Ausfalltoleranz 7
38 No Go Areas für SQL-DBs Verteilen einer Tabelle über Rechnergrenzen Verteilen von DBs über Rechnergrenzen Entkopplung von Schreiben & Lesen Ausfalltoleranz Grösse einer Tabelle 7
39 Was ist Hadoop? HDFS Verteiltes Filesystem redundant, hoch-skalierbar MapReduce parallele Datenverarbeitung Verfügbarkeit: "design-for-failure" Durchsatz: parallele Zugriffe 8
40 Voraussetzungen: Datenmenge "Big Data" bei nur 1 Block Input nur 1 Mapper-Prozess wenig Mapper => Management Overhead ungerechtfertigt 20 Maschinen à 8 Cores => 114 parallele Tasks => 7,2 GB 9
41 Voraussetzungen: Ablaufumgebung Ergebnisse im Minutenbereich Start-Latenz abhängig von Job-JAR Jeder Task eine neue JVM pro Cluster mind. 1 Maschine für Hadoop-Verwaltung pro Worker-Maschine 1-2 Cores for Hadoop-Verwaltung Jobabbrüche nicht tolerierbar not-invented-here komplexes Scheduling und Rollbacks hohe Verfügbarkeit Fehlertoleranz 10
42 Voraussetzungen: Problemstellung muss mit Map/Reduce formulierbar sein Daten sind partitionierbar semistrukturierte Daten Code greift nicht online auf andere Systeme zu Mapper können autark laufen 11
43 Voraussetzungen: Kultur 12
44 Voraussetzungen: Kultur Alle muss mitziehen, offen für Paradigmenwechsel 12
45 Voraussetzungen: Kultur Alle muss mitziehen, offen für Paradigmenwechsel Entwickler 12
46 Voraussetzungen: Kultur Alle muss mitziehen, offen für Paradigmenwechsel Entwickler DBAs 12
47 Voraussetzungen: Kultur Alle muss mitziehen, offen für Paradigmenwechsel Entwickler DBAs Beschaffung 12
48 Voraussetzungen: Kultur Alle muss mitziehen, offen für Paradigmenwechsel Entwickler DBAs Beschaffung Betrieb 12
49 The Pink Pill Antworten im Millisekunden-Bereich kein Read/Write Lock keine JOINS MapReduce verfügbar Zugriff mittels PK skalierbar, verfügbar wie Hadoop strenge Konsistenz => 13
50 Hadoop Datenmodell keine Indizes kein Schema Reads & Writes blockieren nicht Datenstrukturen über Hadoop-eigene Serialisierung Files Text, CSV, XML, Logs, Binärformate z.b. als Stream von Key/Value-Paaren 14
51 Map/Reduce Pattern Input Map Reduce Output Node Code Daten Node Großes Problem Node Code Daten Code Teil- Ergebnis Großes Problem Code Sehr viele Daten Node Code Daten Code Node Teil- Ergebnis End- Ergebnis Code Node Daten Code Node Teil- Ergebnis 15
52 MapReduce Nodes Jobtracker: MapReduce Master, SPoF startet, verteilt & koordiniert Tasks Tasktracker: bei den Datanodes koordiniert Worker auf seinem Node Worker eigene JVMs führen Mapper- & Reducer- Code aus 16
53 MapReduce 17
54 MapShuffleReduce 17
55 MapReduce - Phasen Algorithmus hat zwei Hauptphasen 1. "Map", 2. "Reduce" Zwischenphase "Shuffle" Das Programm kommt zu den Daten 18
56 MapReduce - Map-Phase JAR-Upload MR-Framework versorgt Map-Phase mit "Records" Map erzeugt Key/Value Paare Mapper Node Daten in: "ID75932"->"CN= out: "com.hadoop.www"->75932, " "->" 19
57 MapReduce - Shuffle-Phase Alle Values zu einem Map-Key werden zusammenkopiert Sortierung nach Key Verteilung auf die Reduce-Tasks Node Daten Node Daten Node Daten Node Daten Node Daten 20
58 MapReduce - Reduce-Phase Alle Values zu einem Map-Key werden demselben Reduce-Task übergeben Reduce verarbeitet weiter: Node Sortieren Reducer Daten Aggregieren Schreiben in generisches Datenformat (Index) JAR-Upload auch als Zwischenergebnis für nächsten MR-Job 21
59 Data Processing MapReduce MR-Job HDFS Split Map +Sort Combine Map Out Hadoop Client Big Data File 22
60 Data Processing MapReduce Map Out Shuffle + Sort Reduce (#=4) HDFS 23
61 MapReduce Pattern 24
62 MapReduce Pattern Input lesen: RecordReader 24
63 MapReduce Pattern Input lesen: RecordReader in: Input1 24
64 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) 24
65 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper 24
66 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) 24
67 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) 24
68 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) Reducer 24
69 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) Reducer in: (Key2, Set<Value2>) 24
70 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) Reducer in: (Key2, Set<Value2>) out: (Key3, Value3) 24
71 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) Reducer in: (Key2, Set<Value2>) out: (Key3, Value3) RecordWriter 24
72 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) Reducer in: (Key2, Set<Value2>) out: (Key3, Value3) RecordWriter in: (Key3, Value3) 24
73 MapReduce Pattern Input lesen: RecordReader in: Input1 out: (Key1, Value1) Mapper in: (Key1, Value1) out: (Key2, Value2) Reducer in: (Key2, Set<Value2>) out: (Key3, Value3) RecordWriter in: (Key3, Value3) out: Output4 24
74 MapReduce Beispieljob semi-strukturierten Daten analysieren Daten aus SSL Zertifikaten Domainnamen extrahieren Ähnlichkeiten feststellen 12,52 GB rohe Daten 6 Knoten Quad Core HT (8 virtuelle Cores) 8 GB RAM max. 32 parallele Tasks 25
75 MapReduce Beispieljob CSV File Map Datenquelle: 26
76 MapReduce Beispieljob Map CSV File Zeilen-Split Datenquelle: 26
77 MapReduce Beispieljob Map CSV File Zeilen-Split csv[14] Datenquelle: 26
78 MapReduce Beispieljob Map CSV File Zeilen-Split csv[14] CN=(.*) Datenquelle: 26
79 MapReduce Beispieljob Map CSV File Zeilen-Split csv[14] CN=(.*) X=genKey(CN) Datenquelle: 26
80 MapReduce Beispieljob Map CSV File Zeilen-Split csv[14] CN=(.*) X=genKey(CN) Datenquelle: emit(x,cn) 26
81 semi-strukturierter Input \N, " ", "SHA1 Fingerprint=9E:80:0E:0F:92:9F:8D:FA:B6:7D:74:2A:A3:90:05:BD:94:B4:8F:DF", " ", " ", " C=US, ST=UT, L=Salt Lake City, O=The USERTRUST Network, OU= CN=UTN-USERFirst-Hardware", "Yes", "Yes", "/ssl-data/sslscanner7/85.x.x.x/85.x.x.50/ results", "00:9b:d5:c1:87:4a:0f:81: :fd:c0", " sha1withrsaencryption", " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/streetAddress=Rathausplatz 2, O=Kulturkreis Ottobrunn e.v., OU=vhs-ottobrunn.de, OU=Authorized by United SSL, OU=Comodo InstantSSL, CN= \N,\N,\N,\N," rsaencryption"," (0x10001)",\N,"1", " Jul 18 23:59: GMT"," Jul 13 00:00: GMT", " 3 (0x2)", " \N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,"A1:72:5F:26:1B:28:98:43:95:5D:07:37:D5:85:96:9D:4B:D2:C3:45",\N,"(critical) FALSE",\N, " :Policy: :CPS=== "URI=== ANDALSO URI=== Hardware.crl", "TLS Web Server Authentication, TLS Web Client Authentication",\N,\N, "(critical) Digital Signature, Key Encipherment",\N,\N,\N,\N, "DNS=== DNS:vhs-ottobrunn.de",\N, "C5:7D:0F:7A:A7:A8:C0:29:0C:60:33:46:F3:31:37:0D:71:B5:04:DA", \N,\N,\N," ", " :00:00"," :59:59",\N," :00:00"," :59:59" Datenquelle: 27
82 semi-strukturierter Input \N, " ", "SHA1 Fingerprint=9E:80:0E:0F:92:9F:8D:FA:B6:7D:74:2A:A3:90:05:BD:94:B4:8F:DF", " ", " ", " C=US, ST=UT, L=Salt Lake City, O=The USERTRUST Network, OU= CN=UTN-USERFirst-Hardware", "Yes", "Yes", "/ssl-data/sslscanner7/85.x.x.x/85.x.x.50/ results", "00:9b:d5:c1:87:4a:0f:81: :fd:c0", " sha1withrsaencryption", " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/streetAddress=Rathausplatz 2, O=Kulturkreis Ottobrunn e.v., OU=vhs-ottobrunn.de, OU=Authorized by United SSL, OU=Comodo InstantSSL, CN= \N,\N,\N,\N," rsaencryption"," (0x10001)",\N,"1", " Jul 18 23:59: GMT"," Jul 13 00:00: GMT", " 3 (0x2)", " \N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,"A1:72:5F:26:1B:28:98:43:95:5D:07:37:D5:85:96:9D:4B:D2:C3:45",\N,"(critical) " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/ FALSE",\N, streetaddress=rathausplatz 2, O=Kulturkreis Ottobrunn e.v., " :Policy: :CPS=== OU=vhs-ottobrunn.de, OU=Authorized by United SSL, "URI=== ANDALSO URI=== Hardware.crl", OU=Comodo InstantSSL, CN= "TLS Web Server Authentication, TLS Web Client Authentication",\N,\N, "(critical) Digital Signature, Key Encipherment",\N,\N,\N,\N, "DNS=== DNS:vhs-ottobrunn.de",\N, "C5:7D:0F:7A:A7:A8:C0:29:0C:60:33:46:F3:31:37:0D:71:B5:04:DA", \N,\N,\N," ", " :00:00"," :59:59",\N," :00:00"," :59:59" Datenquelle: 27
83 semi-strukturierter Input \N, " ", "SHA1 Fingerprint=9E:80:0E:0F:92:9F:8D:FA:B6:7D:74:2A:A3:90:05:BD:94:B4:8F:DF", " ", " ", " C=US, ST=UT, L=Salt Lake City, O=The USERTRUST Network, OU= CN=UTN-USERFirst-Hardware", "Yes", "Yes", "/ssl-data/sslscanner7/85.x.x.x/85.x.x.50/ results", "00:9b:d5:c1:87:4a:0f:81: :fd:c0", " sha1withrsaencryption", " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/streetAddress=Rathausplatz 2, O=Kulturkreis Ottobrunn e.v., OU=vhs-ottobrunn.de, OU=Authorized by United SSL, OU=Comodo InstantSSL, CN= \N,\N,\N,\N," rsaencryption"," (0x10001)",\N,"1", CN= " Jul 18 23:59: GMT"," Jul 13 00:00: GMT", " 3 (0x2)", " \N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,"A1:72:5F:26:1B:28:98:43:95:5D:07:37:D5:85:96:9D:4B:D2:C3:45",\N,"(critical) " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/ FALSE",\N, streetaddress=rathausplatz 2, O=Kulturkreis Ottobrunn e.v., " :Policy: :CPS=== OU=vhs-ottobrunn.de, OU=Authorized by United SSL, "URI=== ANDALSO URI=== Hardware.crl", OU=Comodo InstantSSL, CN= "TLS Web Server Authentication, TLS Web Client Authentication",\N,\N, "(critical) Digital Signature, Key Encipherment",\N,\N,\N,\N, "DNS=== DNS:vhs-ottobrunn.de",\N, "C5:7D:0F:7A:A7:A8:C0:29:0C:60:33:46:F3:31:37:0D:71:B5:04:DA", \N,\N,\N," ", " :00:00"," :59:59",\N," :00:00"," :59:59" Datenquelle: 27
84 semi-strukturierter Input \N, " ", "SHA1 Fingerprint=9E:80:0E:0F:92:9F:8D:FA:B6:7D:74:2A:A3:90:05:BD:94:B4:8F:DF", " ", " ", " C=US, ST=UT, L=Salt Lake City, O=The USERTRUST Network, OU= CN=UTN-USERFirst-Hardware", "Yes", "Yes", "/ssl-data/sslscanner7/85.x.x.x/85.x.x.50/ results", "00:9b:d5:c1:87:4a:0f:81: :fd:c0", " sha1withrsaencryption", " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/streetAddress=Rathausplatz vhs-ottobrunn 2, O=Kulturkreis Ottobrunn e.v., OU=vhs-ottobrunn.de, OU=Authorized by United SSL, OU=Comodo InstantSSL, CN= \N,\N,\N,\N," rsaencryption"," (0x10001)",\N,"1", CN= " Jul 18 23:59: GMT"," Jul 13 00:00: GMT", " 3 (0x2)", " \N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,\N,"A1:72:5F:26:1B:28:98:43:95:5D:07:37:D5:85:96:9D:4B:D2:C3:45",\N,"(critical) " C=DE/postalCode=85521, ST=Bayern, L=Ottobrunn/ FALSE",\N, streetaddress=rathausplatz 2, O=Kulturkreis Ottobrunn e.v., " :Policy: :CPS=== OU=vhs-ottobrunn.de, OU=Authorized by United SSL, "URI=== ANDALSO URI=== Hardware.crl", OU=Comodo InstantSSL, CN= "TLS Web Server Authentication, TLS Web Client Authentication",\N,\N, "(critical) Digital Signature, Key Encipherment",\N,\N,\N,\N, "DNS=== DNS:vhs-ottobrunn.de",\N, "C5:7D:0F:7A:A7:A8:C0:29:0C:60:33:46:F3:31:37:0D:71:B5:04:DA", \N,\N,\N," ", " :00:00"," :59:59",\N," :00:00"," :59:59" Datenquelle: 27
85 MapReduce Beispieljob Reduce (X,CN1..CNn) Datenquelle: 28
86 MapReduce Beispieljob Reduce (X,CN1..CNn) n>1 Datenquelle: 28
87 MapReduce Beispieljob Reduce (X,CN1..CNn) n>1 R=concat(CNi) Datenquelle: 28
88 MapReduce Beispieljob Reduce (X,CN1..CNn) n>1 R=concat(CNi) emit(r) Datenquelle: 28
89 MR: Domainnamen in SSL-Zertifikaten analysieren 29
90 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen 29
91 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv 29
92 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren 29
93 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv 29
94 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn 29
95 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn Reducer: passende Domains ausgeben 29
96 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn Reducer: passende Domains ausgeben in: Text key, Iterator<Text> fqdniterator 29
97 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn Reducer: passende Domains ausgeben in: Text key, Iterator<Text> fqdniterator out: Text key, Text resultfordomain 29
98 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn Reducer: passende Domains ausgeben in: Text key, Iterator<Text> fqdniterator out: Text key, Text resultfordomain RecordWriter: Ergebnisse 29
99 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn Reducer: passende Domains ausgeben in: Text key, Iterator<Text> fqdniterator out: Text key, Text resultfordomain RecordWriter: Ergebnisse in: Text key, Text resultfordomain 29
100 MR: Domainnamen in SSL-Zertifikaten analysieren FileReader: CSV File lesen out: Text onelineofcsv Mapper: Domainnamen extrahieren & analysieren in: LongWritable filepointer, Text onelineofcsv out: Text key, Text fqdn Reducer: passende Domains ausgeben in: Text key, Iterator<Text> fqdniterator out: Text key, Text resultfordomain RecordWriter: Ergebnisse in: Text key, Text resultfordomain out: TextFile 29
101 Source-Code Mapper 30
102 Source-Code Reducer IDE... 31
103 Job Demo 32
104 Job Statistiken ca. 1:40 Min. Laufzeit 29 Mapper, 1 Reducer Cluster-Durchsatz: 1 GBit/sec Input-Daten 33
105 Anhaltspunkte für Wechsel zu MapReduce 34
106 Anhaltspunkte für Wechsel zu MapReduce Laufzeit eines Batch-Job zu lang 34
107 Anhaltspunkte für Wechsel zu MapReduce Laufzeit eines Batch-Job zu lang Job nur auf verdichteten Daten möglich 34
108 Anhaltspunkte für Wechsel zu MapReduce Laufzeit eines Batch-Job zu lang Job nur auf verdichteten Daten möglich Ausführung auf gespiegeltem System 34
109 Anhaltspunkte für Wechsel zu MapReduce Laufzeit eines Batch-Job zu lang Job nur auf verdichteten Daten möglich Ausführung auf gespiegeltem System aufwändige selbstgestrickte Batchverarbeitung 34
110 MapReduce erweitert das Data-Processing- Repertoire mit neuen Möglichkeiten über SQL 35
Neue Ansätze der Softwarequalitätssicherung
Neue Ansätze der Softwarequalitätssicherung Googles MapReduce-Framework für verteilte Berechnungen am Beispiel von Apache Hadoop Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik
MehrPeter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr
Peter Dikant mgm technology partners GmbH Echtzeitsuche mit Hadoop und Solr ECHTZEITSUCHE MIT HADOOP UND SOLR PETER DIKANT MGM TECHNOLOGY PARTNERS GMBH WHOAMI peter.dikant@mgm-tp.com Java Entwickler seit
MehrApache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.
Apache Hadoop Distribute your data and your application Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org Apache The Apache Software Foundation Community und
MehrHadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes
Hadoop Eine Open-Source-Implementierung von MapReduce und BigTable von Philipp Kemkes Hadoop Framework für skalierbare, verteilt arbeitende Software Zur Verarbeitung großer Datenmengen (Terra- bis Petabyte)
MehrHadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen
Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Brownbag am Freitag, den 26.07.2013 Daniel Bäurer inovex GmbH Systems Engineer Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und
MehrMapReduce. www.kit.edu. Johann Volz. IPD Snelting, Lehrstuhl Programmierparadigmen
MapReduce Johann Volz IPD Snelting, Lehrstuhl Programmierparadigmen KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Wozu MapReduce?
MehrPostgreSQL in großen Installationen
PostgreSQL in großen Installationen Cybertec Schönig & Schönig GmbH Hans-Jürgen Schönig Wieso PostgreSQL? - Die fortschrittlichste Open Source Database - Lizenzpolitik: wirkliche Freiheit - Stabilität,
MehrNCDiff Testmanagement leicht gemacht
Testmanagement leicht gemacht Nagler & Company Thomas Gebhard & Anton Garra Complexity Die stetige Anpassung an neue Anforderungen der IT und das Bestreben Marktgegebenheiten zu folgen oder voraus zu sein,
MehrWell-Balanced. Performance Tuning
Well-Balanced Real Application Cluster Performance Tuning Über mich virtual7 GmbH Jürgen Bouché Zeppelinstraße 2 76185 Karlsruhe Tel.: +49 (721) 6190170 Fax.: +49 (721) 61901729 Email: jbouche@heine.de
MehrANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik
ARFA ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik Ralf Leipner Domain Architect Analytics, Risk Management & Finance 33. Berner Architekten
MehrJune 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration
June 2015 Automic Hadoop Agent Data Automation - Hadoop Integration + Aufbau der Hadoop Anbindung + Was ist eigentlich ist MapReduce? + Welches sind die Stärken von Hadoop + Welches sind die Schwächen
MehrBesprechung Übung 1 & Vorstellung Übung 2
Besprechung Übung 1 & Vorstellung Übung 2 Software Qualität, FS09 06.04.2009 Reinhard Stoiber Übung 1 Ergebnisse: grossteils gut Subversion (svn+ssh) auf Windows Server 2003 Bereitete Probleme mit Schreibrechten
Mehr3. Stud.IP-Entwickler-Workshop 2. Juni 2006 Workshop 3c: Stud.IP-Enterprise-Edition André Noack, Frank Elsner
3. Stud.IP-Entwickler-Workshop 2. Juni 2006 Workshop 3c: Stud.IP-Enterprise-Edition André Noack, Frank Elsner Gliederung Das Problem: Skalierbarkeit LAMP Tuning Mehr als ein Server Stud.IP und shared nothing
MehrBibliografische Informationen digitalisiert durch http://d-nb.info/995021198
Auf einen Blick 1 Einleitung 15 2 Datenbankentwurf 23 3 Datenbankdefinition 43 4 Datensätze einfügen (INSERT INTO) 95 5 Daten abfragen (SELECT) 99 6 Daten aus mehreren Tabellen abfragen (JOIN) 143 7 Unterabfragen
MehrPICALIKE API DOKUMENTATION
PICALIKE API DOKUMENTATION 2 INDEX EINFÜHRUNG PICALIKE 3 ABLAUF 3 VORAUSSETZUNG 4 PFLICHTFELDER 4 WEITERE FELDER 4 API 5 ÄHNLICHKEITSSUCHE 5 RECOMMENDOR 5 WEITERE EINSTELLUNGEN 6 KONTAKT 7 3 EINFÜHRUNG
MehrGeneralisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE
Institut für Kartographie und Geoinformatik Leibniz Universität Hannover Generalisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE Frank Thiemann, Thomas Globig Frank.Thiemann@ikg.uni-hannover.de
MehrXesar. Die vielfältige Sicherheitslösung
Xesar Die vielfältige Sicherheitslösung Xesar Die professionelle Lösung für Ihr Unternehmen Xesar Sicher und flexibel Xesar ist das vielseitige elektronische Schließsystem aus dem Hause EVVA. Komplexe
MehrEinführung in Hadoop
Einführung in Hadoop Inhalt / Lern-Ziele Übersicht: Basis-Architektur von Hadoop Einführung in HDFS Einführung in MapReduce Ausblick: Hadoop Ökosystem Optimierungen Versionen 10.02.2012 Prof. Dr. Christian
MehrApache HBase. A BigTable Column Store on top of Hadoop
Apache HBase A BigTable Column Store on top of Hadoop Ich bin... Mitch Köhler Selbstständig seit 2010 Tätig als Softwareentwickler Softwarearchitekt Student an der OVGU seit Oktober 2011 Schwerpunkte Client/Server,
MehrGrundlagen der Videotechnik. Redundanz
Grundlagen der Videotechnik Redundanz Redundanz beruht auf: - statistischen Abhängigkeiten im Signal, - Information, die vorher schon gesendet wurde - generell eine Art Gedächtnis im Signal Beispiel: Ein
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
MehrOpen Source GIS - das alternative geogovernment
Open Source GIS - das alternative geogovernment Dr. Horst Düster Leiter Abteilung SO!GIS Koordination Kanton Solothurn horst.duester@bd.so.ch www.sogis.so.ch Open Source (freie Software) Was ist freie
MehrMapReduce und Datenbanken Thema 15: Strom bzw. Onlineverarbeitung mit MapReduce
MapReduce Jan Kristof Nidzwetzki MapReduce 1 / 17 Übersicht 1 Begriffe 2 Verschiedene Arbeiten 3 Ziele 4 DEDUCE: at the intersection of MapReduce and stream processing Beispiel 5 Beyond online aggregation:
MehrMercurial. or how I learned to stop worrying and love the merge. Ted Naleid IAIK
Mercurial or how I learned to stop worrying and love the merge Ted Naleid Inhalt Einleitung Vergleich SVN / Mercurial Mercurial verstehen Zusammenarbeit mit Mercurial Demo Mercurial - Intro Entwickelt
MehrWebalizer HOWTO. Stand: 18.06.2012
Webalizer HOWTO Stand: 18.06.2012 Copyright 2003 by manitu. Alle Rechte vorbehalten. Alle verwendeten Bezeichnungen dienen lediglich der Kennzeichnung und können z.t. eingetragene Warenzeichen sein, ohne
MehrSQL on Hadoop für praktikables BI auf Big Data.! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh
SQL on Hadoop für praktikables BI auf Big Data! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh War nicht BigData das gleiche NoSQL? 2 Wie viele SQL Lösungen für Hadoop gibt es mittlerweile? 3 ! No SQL!?
MehrMS SQL Server: Index Management. Stephan Arenswald 10. Juli 2008
MS SQL Server: Index Management Stephan Arenswald 10. Juli 2008 Agenda 1. Einführung 2. Grundlagen Tabellen 3. Grundlagen Indexe 4. Indextypen 5. Index-Erstellung 6. Indexe und Constraints 7. Und Weiter...?
MehrSystemvoraussetzungen:
Systemvoraussetzungen: Allgemein Der rechnungsmanager ist eine moderne Softwarelösung, welche mit geringen Systemvoraussetzungen betrieben werden kann. Die Anwendung besteht u.a. aus den Modulen Server-Dienste
MehrDie wichtigsten Hadoop-Komponenten für Big Data mit SAS
Webinar@Lunchtime Die wichtigsten Hadoop-Komponenten für Big Data mit SAS Herzlich Willkommen bei Webinar@Lunchtime Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant Xing-Profil:
MehrSichere email mit OpenPGP und S/MIME
Sichere email mit OpenPGP und S/MIME Eine Kurzeinführung von Django http://dokuwiki.nausch.org Inhalt Ausgangssituation (mit Beispielen) Zielbild Lösungsansätze (im Grundsatz) OpenPGP
MehrHilfe zur Konfiguration der Software Smart-eShop & Smart-Admin-Bereich
Hilfe zur Konfiguration der Software Smart-eShop & Smart-Admin-Bereich Füllen Sie die leeren Felder mit entsprechenden Daten aus, achten Sie dabei auf korrekte Eingabe Ihrer Daten. Berücksichtigen Sie
MehrRisikomanagement bei PPP Projekten: Erfahrungen aus Deutschland
Verein PPP Schweiz Risikomanagement bei PPP Projekten: Erfahrungen aus Deutschland Veranstaltung des Verein PPP Schweiz am14.05.2014 in Bern Vortrag von Peter Walter Landrat a.d., Vorsitzender Verein PPP
MehrDigitale Zertifikate
Digitale Zertifikate Zertifikate und Schlüssel verteilen SECARDEO GmbH Die SECARDEO GmbH ist ein Anbieter von Unternehmenslösungen mit digitalen Zertifikaten. SECARDEO bietet dazu seit der Gründung 2001
MehrMatrix42. Use Case - Sicherung und Rücksicherung persönlicher Einstellungen über Personal Backup. Version 1.0.0. 23. September 2015 - 1 -
Matrix42 Use Case - Sicherung und Rücksicherung persönlicher Version 1.0.0 23. September 2015-1 - Inhaltsverzeichnis 1 Einleitung 3 1.1 Beschreibung 3 1.2 Vorbereitung 3 1.3 Ziel 3 2 Use Case 4-2 - 1 Einleitung
MehrMapReduce-Konzept. Thomas Findling, Thomas König
MapReduce - Konzept 1 Inhalt 1. Motivation 2. Einführung MapReduce Google Rechenzentren Vergleich MapReduce und Relationale DBS 3. Hadoop Funktionsweise Input / Output Fehlerbehandlung 4. Praxis-Beispiel
MehrÜbung 1 mit C# 6.0 MATTHIAS RONCORONI
Übung 1 mit C# 6.0 MATTHIAS RONCORONI Inhalt 2 1. Überblick über C# 2. Lösung der Übung 1 3. Code 4. Demo C# allgemein 3 aktuell: C# 6.0 mit.net-framework 4.6: Multiparadigmatisch (Strukturiert, Objektorientiert,
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrSystemvoraussetzungen: DOMUS NAVI für DOMUS 1000 Stand 09/15
Systemvoraussetzungen: DOMUS NAVI für DOMUS 1000 Stand 09/15 Benötigen Sie Unterstützung* oder haben essentielle Fragen? Kundenbetreuung Tel.: +49 [0] 89 66086-230 Fax: +49 [0] 89 66086-235 e-mail: domusnavi@domus-software.de
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
MehrViele Bilder auf der FA-Homepage
Viele Bilder auf der FA-Homepage Standardmäßig lassen sich auf einer FA-Homepage nur 2 Bilder mit zugehörigem Text unterbringen. Sollen es mehr Bilder sein, muss man diese als von einer im Internet
MehrInfo-Veranstaltung zur Erstellung von Zertifikaten
Info-Veranstaltung zur Erstellung von Zertifikaten Prof. Dr. Till Tantau Studiengangsleiter MINT Universität zu Lübeck 29. Juni 2011 Gliederung Zertifikate Wer, Wann, Was Ablauf der Zertifikaterstellung
MehrSOLISYON GMBH TOBIAS GRUBER BEN WEISSMAN. Analyse von Dimensions-Schlüsselfehlern bei der Aufbereitung von SSAS Datenbanken
WEITER BLICKEN. MEHR ERKENNEN. BESSER ENTSCHEIDEN. Analyse von Dimensions-Schlüsselfehlern bei der Aufbereitung von SSAS Datenbanken SOLISYON GMBH TOBIAS GRUBER BEN WEISSMAN ANALYSE VON OLAP-AUFBEREITUNGSFEHLERN
MehrIndizierungs- und Suchlogs. Version 2015
Indizierungs- und Suchlogs Version 2015 Status: 13. März 2015 Copyright Mindbreeze GmbH, A-4020 Linz, 2015. Alle Rechte vorbehalten. Alle verwendeten Hard- und Softwarenamen sind Handelsnamen und/oder
MehrIn diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access. Die Grundlagen der Datenbanken.
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access Die Grundlagen der Datenbanken kurspc15 Inhaltsverzeichnis Access... Fehler! Textmarke nicht
MehrVorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik
Vorlesung Text und Data Mining S9 Text Clustering Hans Hermann Weber Univ. Erlangen, Informatik Document Clustering Überblick 1 Es gibt (sehr viele) verschiedene Verfahren für das Bilden von Gruppen Bei
MehrBehebung des sog. Heartbleed-Bugs (CVE-2014-0160) in der Krypto-Bibliothek OpenSSL.
NCP Volume License Server (Win32/64) Service Release: 1.03 Build 004 Datum: Juli 2014 Open SSL Heartbleed-Bugs (CVE-2014-0160) Behebung des sog. Heartbleed-Bugs (CVE-2014-0160) in der Krypto-Bibliothek
MehrHadoop. Simon Prewo. Simon Prewo
Hadoop Simon Prewo Simon Prewo 1 Warum Hadoop? SQL: DB2, Oracle Hadoop? Innerhalb der letzten zwei Jahre hat sich die Datenmenge ca. verzehnfacht Die Klassiker wie DB2, Oracle usw. sind anders konzeptioniert
MehrBig Data Informationen neu gelebt
Seminarunterlage Version: 1.01 Copyright Version 1.01 vom 21. Mai 2015 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen
MehrFolgende Voraussetzungen für die Konfiguration müssen erfüllt sein: - Ein Bootimage ab Version 7.4.4. - Optional einen DHCP Server.
1. Dynamic Host Configuration Protocol 1.1 Einleitung Im Folgenden wird die Konfiguration von DHCP beschrieben. Sie setzen den Bintec Router entweder als DHCP Server, DHCP Client oder als DHCP Relay Agent
MehrSeminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006
Seminar Informationsintegration und Informationsqualität TU Kaiserslautern 30. Juni 2006 Gliederung Autonomie Verteilung führt zu Autonomie... Intra-Organisation: historisch Inter-Organisation: Internet
MehrSUB-ID- VERWALTUNG MIT GPP SETUP-GUIDE FÜR PUBLISHER
SUB-ID- VERWALTUNG MIT GPP SETUP-GUIDE FÜR PUBLISHER INHALTSVERZEICHNIS Inhaltsverzeichnis... 2 Symbolverzeichnis... 3 Was ist GPP?... 4 Parameternamen... 4 Parameterformat und -größe... 4 Unterstützte
MehrEin Blick voraus. des Autors von C++: Bjarne Stroustrup. 04.06.2005 Conrad Kobsch
Ein Blick voraus des Autors von C++: Bjarne Stroustrup 04.06.2005 Conrad Kobsch Inhalt Einleitung Rückblick Nur eine Übergangslösung? Was würde C++ effektiver machen? Quelle 2 Einleitung Wo steht C++,
MehrMapReduce in der Praxis
MapReduce in der Praxis Rolf Daniel Seminar Multicore Programmierung 09.12.2010 1 / 53 Agenda Einleitung 1 Einleitung 2 3 Disco Hadoop BOOM 4 2 / 53 1 Einleitung 2 3 Disco Hadoop BOOM 4 3 / 53 Motivation
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrOnline-Dateienablage und Datenaustauschdienst Box.net Stand: September 2011
Online-Dateienablage und Datenaustauschdienst Box.net Stand: September 2011 Jan Oesch, PHBern, Institut Sekundarstufe II Der Datenaustauschdienst Box.net eignet sich besonders für den regelmässigen Austausch
MehrTSM Information für Administratoren Include-Exclude-Listen
TSM Information für Administratoren Include-Exclude-Listen Das Backup-Team Daniel Stanek stanek@rz.rwth-aachen.de RWTH Aachen zentrale Konfigurationsdatei dsm.sys / dsm.opt /opt/tivoli/tsm/client/ba/bin/dsm.sys
MehrDatenbanken Microsoft Access 2010
Datenbanken Microsoft Access 2010 Abfragen Mithilfe von Abfragen kann ich bestimmte Informationen aus einer/mehrerer Tabellen auswählen und nur diese anzeigen lassen die Daten einer/mehrerer Tabellen sortieren
Mehrhttp://webbasics.ch/webbearbeitung/hostpoint/
Hostpoint Angebot (#Angebot) Anmeldung (#Anmeldung) Control Panel (Services / Domains / Admin) (#controlpanel) Server (E-Mail / Webseiten / Explorer) (#server) externer Webeditor / FTP (#editor) CMS /
MehrTransaction Validation for XML Documents based on XPath
Transaction Validation for XML Documents based on XPath @ Informatik 2002, m-dbis Stefan Böttcher Adelhard Türling Universität Paderborn Überblick Transaktionen für XML - Daten & mobile Clients Motivation
MehrAnleitung für die Teilnahme an den Platzvergaben "Studio II, Studio IV und Studio VI" im Studiengang Bachelor Architektur SS15
Anleitung für die Teilnahme an den Platzvergaben "Studio II, Studio IV und Studio VI" im Studiengang Bachelor Architektur SS15 1 Bitte melden Sie sich über das Campusmanagementportal campus.studium.kit.edu
MehrLokale Installation von DotNetNuke 4 ohne IIS
Lokale Installation von DotNetNuke 4 ohne IIS ITM GmbH Wankelstr. 14 70563 Stuttgart http://www.itm-consulting.de Benjamin Hermann hermann@itm-consulting.de 12.12.2006 Agenda Benötigte Komponenten Installation
MehrETL in den Zeiten von Big Data
ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse
Mehr1 Application Compatibility Toolkit (ACT) 5.6
1 Application Compatibility Toolkit (ACT) 5.6 Systemvoraussetzungen: SQL Server 2005/2008 (auch Express) ACT 5.6 besteht aus zwei Tools: Der Compatibility Manager ermittelt Informationen, die Auswirkungen
Mehr1. Einführung. 2. Alternativen zu eigenen Auswertungen. 3. Erstellen eigener Tabellen-Auswertungen
1. Einführung Über die Tabellen-Auswertungen können Sie eigene Auswertungen nach Ihren Wünschen erstellen. Diese Auswertungen werden immer anhand der aktuellen Daten aus orgamax ermittelt, Sie können also
MehrKonfiguration des Novell GroupWise Connectors
Konfiguration des Novell GroupWise Connectors Installation und Konfiguration Version 2013 Spring Release Status: 09. März 2013 Copyright Mindbreeze Software GmbH, A-4020 Linz, 2013. Alle Rechte vorbehalten.
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrMetadateneditoren für ArcGIS
Metadateneditoren für ArcGIS Matthias Schenker Geoinformatik AG Zürich, Schweiz Inhalt Metadaten in ArcGIS Erweiterung des bestehenden ISO-Editors Einbinden eigener Editoren Import und Export von bestehenden
MehrDatenbanken für Online Untersuchungen
Datenbanken für Online Untersuchungen Im vorliegenden Text wird die Verwendung einer MySQL Datenbank für Online Untersuchungen beschrieben. Es wird davon ausgegangen, dass die Untersuchung aus mehreren
MehrFlorian Hopf www.florian-hopf.de @fhopf. elasticsearch. Bern 07.10.2015
Florian Hopf www.florian-hopf.de @fhopf elasticsearch. Bern 07.10.2015 Agenda Suche Verteilung Elasticsearch und Java Aggregationen Zentralisiertes Logging Suche Installation # download archive wget https://download.elastic.co/elasticsearch
MehrDas SIARD Format und die zugehörige Tool-Landschaft
Das SIARD Format und die zugehörige Tool-Landschaft Arbeitskreis Archivierung von Unterlagen aus digitalen Systemen 17. Tagung im Staatsarchiv Dresden 13./14. März 2013 Inhaltsübersicht Langzeitarchivierung
MehrPerzentile mit Hadoop ermitteln
Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile
Mehrmobilepoi 0.91 Demo Version Anleitung Das Software Studio Christian Efinger Erstellt am 21. Oktober 2005
Das Software Studio Christian Efinger mobilepoi 0.91 Demo Version Anleitung Erstellt am 21. Oktober 2005 Kontakt: Das Software Studio Christian Efinger ce@efinger-online.de Inhalt 1. Einführung... 3 2.
Mehr1. Übungsblatt. Besprechung: 27.10 (Gruppe A), 3.11 (Gruppe B)
DATENBANKEN IN DER PRAXIS: DATA WAREHOUSING Wintersemester 2015/2016 Prof. Dr. Jens Teubner DBIS Group Übung: Dr. Cornelia Tadros ISSI Group Allgemeine Hinweise 1. Übungsblatt Besprechung: 27.10 (Gruppe
MehrSpark, Impala und Hadoop in der Kreditrisikoberechnung
Spark, Impala und Hadoop in der Kreditrisikoberechnung Big Data In-Memory-Technologien für mittelgroße Datenmengen TDWI München, 22. Juni 2015 Joschka Kupilas, Data Scientist, Adastra GmbH 2 Inhalt Vorwort
MehrBig Data Kundendaten im 2015 Michael Gisiger Wortgefecht Training & Beratung
Big Data Kundendaten im 2015 Social Media für Medienunternehmen Trendtagung am Agenda Kurze Vorstellung Big Data was ist das genau? Case: DW Nutzungsdaten und -analysen von Videos im Web 2 Vorstellung
MehrMSXFORUM - Exchange Server 2003 > SMTP Konfiguration von Exchange 2003
Page 1 of 8 SMTP Konfiguration von Exchange 2003 Kategorie : Exchange Server 2003 Veröffentlicht von webmaster am 25.02.2005 SMTP steht für Simple Mail Transport Protocol, welches ein Protokoll ist, womit
MehrSchnellste Realtime Segmentierung weltweit
Schnellste Realtime Segmentierung weltweit powered by 1 Über Webtrekk Gegründet 2004 in Berlin Einer der führenden europäischen Webanalyseanbieter 45 Mitarbeiter 2 2nd only to Omniture 3 Referenzen Kunden
MehrXSLT Vortrag. 2. Beispiel XML. 3. Anwendungsmöglichkeiten von XSLT 4. XHTML
XSLT Vortrag 1. Was ist XSLT? XSLT ist eine Transformationssprache für XML Dokumente. XSLT war wahrscheinlich die erste XML basierte Programmiersprache. XSLT ist von der Struktur her Template-Matching,
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrHandbuch Fischertechnik-Einzelteiltabelle V3.7.3
Handbuch Fischertechnik-Einzelteiltabelle V3.7.3 von Markus Mack Stand: Samstag, 17. April 2004 Inhaltsverzeichnis 1. Systemvorraussetzungen...3 2. Installation und Start...3 3. Anpassen der Tabelle...3
MehrCopyright 2014 Delta Software Technology GmbH. All Rights reserved.
Karlsruhe, 21. Mai 2014 Softwareentwicklung - Modellgetrieben und trotzdem agil Daniela Schilling Delta Software Technology GmbH The Perfect Way to Better Software Modellgetriebene Entwicklung Garant für
MehrKapitel 33. Der xml-datentyp. In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023
Kapitel 33 Der xml-datentyp In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023 995 996 Kapitel 33: Der xml-datentyp Eine der wichtigsten
MehrPredictive Modeling Markup Language. Thomas Morandell
Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrXAMPP-Systeme. Teil 3: My SQL. PGP II/05 MySQL
XAMPP-Systeme Teil 3: My SQL Daten Eine Wesenseigenschaft von Menschen ist es, Informationen, in welcher Form sie auch immer auftreten, zu ordnen, zu klassifizieren und in strukturierter Form abzulegen.
MehrBeratung. Results, no Excuses. Consulting. Lösungen. Grown from Experience. Ventum Consulting. SQL auf Hadoop Oliver Gehlert. 2014 Ventum Consulting
Beratung Results, no Excuses. Consulting Lösungen Grown from Experience. Ventum Consulting SQL auf Hadoop Oliver Gehlert 1 Ventum Consulting Daten und Fakten Results, no excuses Fachwissen Branchenkenntnis
MehrSCHNELLEINSTIEG FÜR HOSTED EXCHANGE BASIC / PREMIUM
SCHNELLEINSTIEG FÜR HOSTED EXCHANGE BASIC / PREMIUM Inhaltsverzeichnis SCHNELLEINSTIEG FÜR HOSTED EXCHANGE BASIC / PREMIUM... 1 SCHNELLEINSTIEG FÜR HOSTED EXCHANGE... 3 WAS KANN HOSTED EXCHANGE BASIC /
MehrEntwicklungen bei der Linux Clustersoftware
Quo vadis Linux-HA? Entwicklungen bei der Linux Clustersoftware Michael Schwartzkopff misch@schwartzkopff.org (c) Michael Schwartzkopff, 2010 1 / 19 Linux Clustersoftware Linux Virtual Server Bietet Skalierbarkeit...
MehrInformationssystemanalyse Lebenszyklusmodelle 3 1. Lebenszyklusmodelle sollen hauptsächlich drei Aufgaben erfüllen:
Informationssystemanalyse Lebenszyklusmodelle 3 1 Aufgaben von Lebenszyklusmodellen Lebenszyklusmodelle sollen hauptsächlich drei Aufgaben erfüllen: Definition der Tätigkeiten im Entwicklungsprojekt Zusicherung
MehrR. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007
R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007 SG15/25D NAME: Lösungen 1. In einer Packung sind Glühbirnen, davon sind zwei
MehrC.M.I. Control and Monitoring Interface. Zusatzanleitung: Datentransfer mit CAN over Ethernet (COE) Version 1.08
C.M.I. Version 1.08 Control and Monitoring Interface Zusatzanleitung: Datentransfer mit CAN over Ethernet (COE) de LAN LAN Beschreibung der Datentransfermethode Mit dieser Methode ist es möglich, analoge
MehrAdvoware mit VPN Zugriff lokaler Server / PC auf externe Datenbank
Advoware mit VPN Zugriff lokaler Server / PC auf externe Datenbank Die Entscheidung Advoware über VPN direkt auf dem lokalen PC / Netzwerk mit Zugriff auf die Datenbank des zentralen Servers am anderen
MehrVeröffentlichen von Apps, Arbeitsblättern und Storys. Qlik Sense 2.0.6 Copyright 1993-2015 QlikTech International AB. Alle Rechte vorbehalten.
Veröffentlichen von Apps, Arbeitsblättern und Storys Qlik Sense 2.0.6 Copyright 1993-2015 QlikTech International AB. Alle Rechte vorbehalten. Copyright 1993-2015 QlikTech International AB. Alle Rechte
MehrPressemeldung 09/2012
Pressemeldung 09/2012 Bonn, den 13.09.2012 Einer für alles!!! : Die innovative Allzweckwaffe agindo DATA DISPENSER löst nahezu jedes Schnittstellen-Problem Die agindo GmbH mit Sitz in Bonn, einer der führenden
MehrAnwendungsbeispiele Sign Live! Secure Mail Gateway
Anwendungsbeispiele Sign Live! Secure Mail Gateway Kritik, Kommentare & Korrekturen Wir sind ständig bemüht, unsere Dokumentation zu optimieren und Ihren Bedürfnissen anzupassen. Ihre Anregungen sind uns
MehrInformationen zum neuen Studmail häufige Fragen
1 Stand: 15.01.2013 Informationen zum neuen Studmail häufige Fragen (Dokument wird bei Bedarf laufend erweitert) Problem: Einloggen funktioniert, aber der Browser lädt dann ewig und zeigt nichts an Lösung:
MehrWICHTIGER HINWEIS FÜR HÄNDLER UND SERVICE-WERKSTÄTTEN:
Sehr geehrter Kunde, ruwido erweitert seine Serviceleistungen für den Sektor seiner Symphony Ersatzfernbedienungen sowie der bisher für ASWO/ESPO hergestellten COM genius Ersatzfernbedienungen mit einem
MehrScanning, Inputmanagement, Data Capture Neue Wege für Metadaten mit PDF/A-3
Scanning mit PDF/A-3 Scanning, Inputmanagement, Data Capture Neue Wege für Metadaten mit PDF/A-3 PDF Association A PDF Association Presentation 2012 by PDF Association 1 Gescannte Dokumente in PDF/A Thema:
MehrLimeSurvey Fragetypen
Page 1 of 6 LimeSurvey Fragetypen LimeSurvey bietet eine Vielzahl von Fragetypen und es kann verwirrend sein, den richtigen Typ für eine Umfrage auszuwählen. Im folgenden werden alle von LimeSurvey unterstützten
MehrMS Excel 2010 Kompakt
MS Excel 00 Kompakt FILTERN Aus einem großen Datenbestand sollen nur jene Datensätze (Zeilen) angezeigt werden, die einem bestimmten Eintrag eines Feldes (Spalte) entsprechen. Excel unterstützt Filterungen
MehrProperty-Graph-Databases. 20 Jahre praktische Erfahrung
Property-Graph-Databases 20 Jahre praktische Erfahrung Agenda Was sind die Bausteine der Property- Graph-Database Aspekte der Architektur und der Implementierung Möglichkeiten, Vor- und Nachteile von PG-
Mehr