關(guān)系數(shù)據(jù)庫管理系統(tǒng)(RDBMS)
MySQL:世界最流行的開源數(shù)據(jù)庫;
PostgreSQL:世界最先進(jìn)的開源數(shù)據(jù)庫;
Oracle 數(shù)據(jù)庫:對象-關(guān)系型數(shù)據(jù)庫管理系統(tǒng)。
框架
Apache Hadoop:分布式處理架構(gòu),結(jié)合了 MapReduce(并行處理)、YARN(作業(yè)調(diào)度)和HDFS(分布式文件系統(tǒng));
Tigon:高吞吐量實(shí)時(shí)流處理框架。
分布式編程
AddThis Hydra :最初在AddThis上開發(fā)的分布式數(shù)據(jù)處理和存儲(chǔ)系統(tǒng);
AMPLab SIMR:用在Hadoop MapReduce v1上運(yùn)行Spark;
Apache Beam:為統(tǒng)一的模型以及一套用于定義和執(zhí)行數(shù)據(jù)處理工作流的特定SDK語言;
Apache Crunch:一個(gè)簡單的Java API,用于執(zhí)行在普通的MapReduce實(shí)現(xiàn)時(shí)比較單調(diào)的連接、數(shù)據(jù)聚合等任務(wù);
Apache DataFu:由LinkedIn開發(fā)的針對Hadoop and 和Pig的用戶定義的函數(shù)集合;
Apache Flink:具有高性能的執(zhí)行時(shí)間和自動(dòng)程序優(yōu)化;
Apache Gora:內(nèi)存中的數(shù)據(jù)模型和持久性框架;
Apache Hama:BSP(整體同步并行)計(jì)算框架;
Apache MapReduce :在集群上使用并行、分布式算法處理大數(shù)據(jù)集的編程模型;
Apache Pig :Hadoop中,用于處理數(shù)據(jù)分析程序的高級(jí)查詢語言;
Apache REEF :用來簡化和統(tǒng)一低層大數(shù)據(jù)系統(tǒng)的保留性評(píng)估執(zhí)行框架;
Apache S4 :S4中流處理與實(shí)現(xiàn)的框架;
Apache Spark :內(nèi)存集群計(jì)算框架;
Apache Spark Streaming :流處理框架,同時(shí)是Spark的一部分;
Apache Storm :Twitter流處理框架,也可用于YARN;
Apache Samza :基于Kafka和YARN的流處理框架;
Apache Tez :基于YARN,用于執(zhí)行任務(wù)中的復(fù)雜DAG(有向無環(huán)圖);
Apache Twill :基于YARN的抽象概念,用于減少開發(fā)分布式應(yīng)用程序的復(fù)雜度;
Cascalog:數(shù)據(jù)處理和查詢庫;
Cheetah :在MapReduce之上的高性能、自定義數(shù)據(jù)倉庫;
Concurrent Cascading :在Hadoop上的數(shù)據(jù)管理/分析框架;
Damballa Parkour :用于Clojure的MapReduce庫;
Datasalt Pangool :可選擇的MapReduce范例;
DataTorrent StrAM :為實(shí)時(shí)引擎,用于以盡可能暢通的方式、最小的開支和對性能最小的影響,實(shí)現(xiàn)分布式、異步、實(shí)時(shí)的內(nèi)存大數(shù)據(jù)計(jì)算;
Facebook Corona :為Hadoop做優(yōu)化處理,從而消除單點(diǎn)故障;
Facebook Peregrine :MapReduce框架;
Facebook Scuba :分布式內(nèi)存數(shù)據(jù)存儲(chǔ);
Google Dataflow :創(chuàng)建數(shù)據(jù)管道,以幫助其分析框架;
Netflix PigPen :為MapReduce,用于編譯成Apache Pig;
Nokia Disco :由Nokia開發(fā)的MapReduc獲取、轉(zhuǎn)換和分析數(shù)據(jù);
Google MapReduce :MapReduce框架;
Google MillWheel :容錯(cuò)流處理框架;
JAQL :用于處理結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)工作的聲明性編程語言;
Kite :為一組庫、工具、實(shí)例和文檔集,用于使在Hadoop的生態(tài)系統(tǒng)上建立系統(tǒng)更加容易;
Metamarkets Druid :用于大數(shù)據(jù)集的實(shí)時(shí)e框架;
Onyx :分布式云計(jì)算;
Pinterest Pinlater :異步任務(wù)執(zhí)行系統(tǒng);
Pydoop :用于Hadoop的Python MapReduce和HDFS API;
Rackerlabs Blueflood :多租戶分布式測度處理系統(tǒng);
Stratosphere :通用集群計(jì)算框架;
Streamdrill :用于計(jì)算基于不同時(shí)間窗口的事件流的活動(dòng),并找到最活躍的一個(gè);
Tuktu :易于使用的用于分批處理和流計(jì)算的平臺(tái),通過Scala、 Akka和Play所建;
Twitter Scalding:基于Cascading,用于Map Reduce工作的Scala庫;
Twitter Summingbird :在Twitter上使用Scalding和Storm串流MapReduce;
Twitter TSAR :Twitter上的時(shí)間序列聚合器。
分布式文件系統(tǒng)
Apache HDFS:在多臺(tái)機(jī)器上存儲(chǔ)大型文件的方式;
BeeGFS:以前是FhGFS,并行分布式文件系統(tǒng);
Ceph Filesystem:設(shè)計(jì)的軟件存儲(chǔ)平臺(tái);
Disco DDFS:分布式文件系統(tǒng);
Facebook Haystack:對象存儲(chǔ)系統(tǒng);
Google Colossus:分布式文件系統(tǒng)(GFS2);
Google GFS:分布式文件系統(tǒng);
Google Megastore:可擴(kuò)展的、高度可用的存儲(chǔ);
GridGain:兼容GGFS、Hadoop內(nèi)存的文件系統(tǒng);
Lustre file system:高性能分布式文件系統(tǒng);
Quantcast File System QFS:開源分布式文件系統(tǒng);
Red Hat GlusterFS:向外擴(kuò)展的附網(wǎng)存儲(chǔ)(Network-attached Storage)文件系統(tǒng);
Seaweed-FS:簡單的、高度可擴(kuò)展的分布式文件系統(tǒng);
Alluxio:以可靠的存儲(chǔ)速率在跨集群框架上文件共享;
Tahoe-LAFS:分布式云存儲(chǔ)系統(tǒng);
文件數(shù)據(jù)模型
Actian Versant:商用的面向?qū)ο髷?shù)據(jù)庫管理系統(tǒng);
Crate Data:是一個(gè)開源的大規(guī)??蓴U(kuò)展的數(shù)據(jù)存儲(chǔ),需要零管理模式;
Facebook Apollo:Facebook的Paxos算法,類似于NoSQL數(shù)據(jù)庫;
jumboDB:基于Hadoop的面向文檔的數(shù)據(jù)存儲(chǔ);
LinkedIn Espresso:可橫向擴(kuò)展的面向文檔的NoSQL數(shù)據(jù)存儲(chǔ);
MarkLogic:模式不可知的企業(yè)版NoSQL數(shù)據(jù)庫技術(shù);
MongoDB:面向文檔的數(shù)據(jù)庫系統(tǒng);
RavenDB:一個(gè)事務(wù)性的,開源文檔數(shù)據(jù)庫;
RethinkDB:支持連接查詢和群組依據(jù)等查詢的文檔型數(shù)據(jù)庫。
Key Map 數(shù)據(jù)模型
注意:業(yè)內(nèi)存在一些術(shù)語混亂,有兩個(gè)不同的東西都叫做“列式數(shù)據(jù)庫”。這里列出的有一些是圍繞“key-map”數(shù)據(jù)模型而建的分布式、持續(xù)型數(shù)據(jù)庫,其中所有的數(shù)據(jù)都有(可能綜合了)鍵,并與映射中的鍵-值對相關(guān)聯(lián)。在一些系統(tǒng)中,多個(gè)這樣的值映射可以與鍵相關(guān)聯(lián),并且這些映射被稱為“列族”(具有映射值的鍵被稱為“列”)。
另一組也可稱為“列式數(shù)據(jù)庫”的技術(shù)因其存儲(chǔ)數(shù)據(jù)的方式而有別于前一組,它在磁盤上或在存儲(chǔ)器中——而不是以傳統(tǒng)方式,即所有既定鍵的鍵值都相鄰著、逐行存儲(chǔ)。這些系統(tǒng)也彼此相鄰來存儲(chǔ)所有列值,但是要得到給定列的所有值卻不需要以前那么繁復(fù)的工作。
前一組在這里被稱為“key map數(shù)據(jù)模型”,這兩者和Key-value 數(shù)據(jù)模型之間的界限是相當(dāng)模糊的。后者對數(shù)據(jù)模型有更多的存儲(chǔ)格式,可在列式數(shù)據(jù)庫中列出。若想了解更多關(guān)于這兩種模型的區(qū)分,可閱讀Daniel Abadi的博客:Distinguishing two major types of Column Stores。
Apache Accumulo:內(nèi)置在Hadoop上的分布式鍵/值存儲(chǔ);
Apache Cassandra:由BigTable授權(quán),面向列的分布式數(shù)據(jù)存儲(chǔ);
Apache HBase:由BigTable授權(quán),面向列的分布式數(shù)據(jù)存儲(chǔ);
Facebook HydraBase:Facebook所開發(fā)的HBase的衍化品;
Google BigTable:面向列的分布式數(shù)據(jù)存儲(chǔ);
Google Cloud Datastore:為完全管理型的無模式數(shù)據(jù)庫,用于存儲(chǔ)在BigTable上非關(guān)系型數(shù)據(jù);
Hypertable:由BigTable授權(quán),面向列的分布式數(shù)據(jù)存儲(chǔ);
InfiniDB:通過MySQL的接口訪問,并使用大規(guī)模并行處理進(jìn)行并行查詢;
Tephra:用于HBase處理;
Twitter Manhattan:Twitter的實(shí)時(shí)、多租戶分布式數(shù)據(jù)庫。
鍵-值數(shù)據(jù)模型
Aerospike:支持NoSQL的閃存優(yōu)化,數(shù)據(jù)存儲(chǔ)在內(nèi)存。開源,“’C'(不是Java或Erlang)中的服務(wù)器代碼可精確地調(diào)整從而避免上下文切換和內(nèi)存拷貝”。
Amazon DynamoDB:分布式鍵/值存儲(chǔ),Dynamo論文的實(shí)現(xiàn);
Edis:為替代Redis的協(xié)議兼容的服務(wù)器;
ElephantDB:專門研究Hadoop中數(shù)據(jù)導(dǎo)出的分布式數(shù)據(jù)庫;
EventStore:分布式時(shí)間序列數(shù)據(jù)庫;
GridDB:適用于存儲(chǔ)在時(shí)間序列中的傳感器數(shù)據(jù);
LinkedIn Krati:簡單的持久性數(shù)據(jù)存儲(chǔ),擁有低延遲和高吞吐量;
Linkedin Voldemort:分布式鍵/值存儲(chǔ)系統(tǒng);
Oracle NoSQL Database:Oracle公司開發(fā)的分布式鍵值數(shù)據(jù)庫;
Redis:內(nèi)存中的鍵值數(shù)據(jù)存儲(chǔ);
Riak:分散式數(shù)據(jù)存儲(chǔ);
Storehaus:Twitter開發(fā)的異步鍵值存儲(chǔ)的庫;
Tarantool:一個(gè)高效的NoSQL數(shù)據(jù)庫和Lua應(yīng)用服務(wù)器;
TiKV:由Google Spanner和HBase授權(quán),Rust提供技術(shù)支持的分布式鍵值數(shù)據(jù)庫;
TreodeDB:可復(fù)制、共享的鍵-值存儲(chǔ),能提供多行原子寫入。
圖形數(shù)據(jù)模型
Apache Giraph:基于Hadoop的Pregel實(shí)現(xiàn);
Apache Spark Bagel:可實(shí)現(xiàn)Pregel,為Spark的一部分;
ArangoDB:多層模型分布式數(shù)據(jù)庫;
DGraph:一個(gè)可擴(kuò)展的、分布式、低時(shí)延、高吞吐量的圖形數(shù)據(jù)庫,旨在為Google生產(chǎn)水平規(guī)模和吞吐量提供足夠的低延遲,用于TB級(jí)的結(jié)構(gòu)化數(shù)據(jù)的實(shí)時(shí)用戶查詢;
Facebook TAO:TAO是facebook廣泛用來存儲(chǔ)和服務(wù)于社交圖形的分布式數(shù)據(jù)存儲(chǔ);
GCHQ Gaffer:GCHQ中的Gaffer是一個(gè)易于存儲(chǔ)大規(guī)模圖形的框架,其中節(jié)點(diǎn)和邊緣都有統(tǒng)計(jì)數(shù)據(jù);
Google Cayley:開源圖形數(shù)據(jù)庫;
Google Pregel :圖形處理框架;
GraphLab PowerGraph:核心C ++ GraphLab API和建立在GraphLab API之上的高性能機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘工具包的集合;
GraphX:Spark中的彈性分布式圖形系統(tǒng);
Gremlin:圖形追蹤語言;
Infovore:以RDF為中心的Map / Reduce框架;
Intel GraphBuilder:在Hadoop上構(gòu)建大規(guī)模圖形的工具;
MapGraph:用于在GPU上大規(guī)模并行圖形處理;
Neo4j:完全用Java寫入的圖形數(shù)據(jù)庫;
OrientDB:文檔和圖形數(shù)據(jù)庫;
Phoebus:大型圖形處理框架;
Titan:建于Cassandra的分布式圖形數(shù)據(jù)庫;
Twitter FlockDB:分布式圖形數(shù)據(jù)庫。
NewSQL數(shù)據(jù)庫
Actian Ingres:由商業(yè)支持,開源的SQL關(guān)系數(shù)據(jù)庫管理系統(tǒng);
Amazon RedShift:基于PostgreSQL的數(shù)據(jù)倉庫服務(wù);
BayesDB:面向統(tǒng)計(jì)數(shù)值的SQL數(shù)據(jù)庫;
CitusDB:通過分區(qū)和復(fù)制橫向擴(kuò)展PostgreSQL;
Cockroach:可擴(kuò)展、地址可復(fù)制、交易型的數(shù)據(jù)庫;
Datomic:旨在產(chǎn)生可擴(kuò)展、靈活的智能應(yīng)用的分布式數(shù)據(jù)庫;
FoundationDB:由F1授意的分布式數(shù)據(jù)庫;
Google F1:建立在Spanner上的分布式SQL數(shù)據(jù)庫;
Google Spanner:全球性的分布式半關(guān)系型數(shù)據(jù)庫;
H-Store:是一個(gè)實(shí)驗(yàn)性主存并行數(shù)據(jù)庫管理系統(tǒng),用于聯(lián)機(jī)事務(wù)處理(OLTP)應(yīng)用的優(yōu)化;
Haeinsa:基于Percolator,HBase的線性可擴(kuò)展多行多表交易庫;
HandlerSocket:MySQL/MariaDB的NoSQL插件;
InfiniSQL:無限可擴(kuò)展的RDBMS;
MemSQL:內(nèi)存中的SQL數(shù)據(jù)庫,其中有優(yōu)化的閃存列存儲(chǔ);
NuoDB:SQL / ACID兼容的分布式數(shù)據(jù)庫;
Oracle TimesTen in-Memory Database:內(nèi)存中具有持久性和可恢復(fù)性的關(guān)系型數(shù)據(jù)庫管理系統(tǒng);
Pivotal GemFire XD:內(nèi)存中低延時(shí)的分布式SQL數(shù)據(jù)存儲(chǔ),可為內(nèi)存列表數(shù)據(jù)提供SQL接口,在HDFS中較持久化;
SAP HANA:是在內(nèi)存中面向列的關(guān)系型數(shù)據(jù)庫管理系統(tǒng);
SenseiDB:分布式實(shí)時(shí)半結(jié)構(gòu)化的數(shù)據(jù)庫;
Sky:用于行為數(shù)據(jù)的靈活、高性能分析的數(shù)據(jù)庫;
SymmetricDS:用于文件和數(shù)據(jù)庫同步的開源軟件;
Map-D:為GPU內(nèi)存數(shù)據(jù)庫,也為大數(shù)據(jù)分析和可視化平臺(tái);
TiDB:TiDB是分布式SQL數(shù)據(jù)庫,基于谷歌F1的設(shè)計(jì)靈感;
VoltDB:自稱為最快的內(nèi)存數(shù)據(jù)庫。
列式數(shù)據(jù)庫
注意:請?jiān)阪I-值數(shù)據(jù)模型 閱讀相關(guān)注釋。
Columnar Storage:解釋什么是列存儲(chǔ)以及何時(shí)會(huì)需要用到它;
Actian Vector:面向列的分析型數(shù)據(jù)庫;
C-Store:面向列的DBMS;
MonetDB:列存儲(chǔ)數(shù)據(jù)庫;
Parquet:Hadoop的列存儲(chǔ)格式;
Pivotal Greenplum:專門設(shè)計(jì)的、專用的分析數(shù)據(jù)倉庫,類似于傳統(tǒng)的基于行的工具,提供了一個(gè)列式工具;
Vertica:用來管理大規(guī)模、快速增長的大量數(shù)據(jù),當(dāng)用于數(shù)據(jù)倉庫時(shí),能夠提供非??斓牟樵冃阅?
Google BigQuery :谷歌的云產(chǎn)品,由其在Dremel的創(chuàng)始工作提供支持;
Amazon Redshift :亞馬遜的云產(chǎn)品,它也是基于柱狀數(shù)據(jù)存儲(chǔ)后端。
時(shí)間序列數(shù)據(jù)庫
Cube:使用MongoDB來存儲(chǔ)時(shí)間序列數(shù)據(jù);
Axibase Time Series Database:在HBase之上的分布式時(shí)間序列數(shù)據(jù)庫,它包括內(nèi)置的Rule Engine、數(shù)據(jù)預(yù)測和可視化;
Heroic:基于Cassandra和Elasticsearch的可擴(kuò)展的時(shí)間序列數(shù)據(jù)庫;
InfluxDB:分布式時(shí)間序列數(shù)據(jù)庫;
Kairosdb:類似于OpenTSDB但會(huì)考慮到Cassandra;
OpenTSDB:在HBase上的分布式時(shí)間序列數(shù)據(jù)庫;
Prometheus:一種時(shí)間序列數(shù)據(jù)庫和服務(wù)監(jiān)測系統(tǒng);
Newts:一種基于Apache Cassandra的時(shí)間序列數(shù)據(jù)庫。
類SQL處理
Actian SQL for Hadoop:高性能交互式的SQL,可訪問所有的Hadoop數(shù)據(jù);
Apache Drill:由Dremel授意的交互式分析框架;
Apache HCatalog:Hadoop的表格和存儲(chǔ)管理層;
Apache Hive:Hadoop的類SQL數(shù)據(jù)倉庫系統(tǒng);
Apache Optiq:一種框架,可允許高效的查詢翻譯,其中包括異構(gòu)性及聯(lián)合性數(shù)據(jù)的查詢;
Apache Phoenix:Apache Phoenix 是 HBase 的 SQL 驅(qū)動(dòng);
Cloudera Impala:由Dremel授意的交互式分析框架;
Concurrent Lingual:Cascading中的類SQL查詢語言;
Datasalt Splout SQL:用于大數(shù)據(jù)集的完整的SQL查詢工具;
Facebook PrestoDB:分布式SQL查詢工具;
Google BigQuery:交互式分析框架,Dremel的實(shí)現(xiàn);
Pivotal HAWQ:Hadoop的類SQL的數(shù)據(jù)倉庫系統(tǒng);
RainstorDB:用于存儲(chǔ)大規(guī)模PB級(jí)結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)庫;
Spark Catalyst:用于Spark和Shark的查詢優(yōu)化框架;
SparkSQL:使用Spark操作結(jié)構(gòu)化數(shù)據(jù);
Splice Machine:一個(gè)全功能的Hadoop上的SQL RDBMS,并帶有ACID事務(wù);
Stinger:用于Hive的交互式查詢;
Tajo:Hadoop的分布式數(shù)據(jù)倉庫系統(tǒng);
Trafodion:為企業(yè)級(jí)的SQL-on-HBase針對大數(shù)據(jù)的事務(wù)或業(yè)務(wù)工作負(fù)載的解決方案。
數(shù)據(jù)攝取
Amazon Kinesis:大規(guī)模數(shù)據(jù)流的實(shí)時(shí)處理;
Apache Chukwa:數(shù)據(jù)采集系統(tǒng);
Apache Flume:管理大量日志數(shù)據(jù)的服務(wù);
Apache Kafka:分布式發(fā)布-訂閱消息系統(tǒng);
Apache Sqoop:在Hadoop和結(jié)構(gòu)化的數(shù)據(jù)存儲(chǔ)區(qū)之間傳送數(shù)據(jù)的工具;
Cloudera Morphlines:幫助 Solr、HBase和HDFS完成ETL的框架;
Facebook Scribe:流日志數(shù)據(jù)聚合器;
Fluentd:采集事件和日志的工具;
Google Photon:實(shí)時(shí)連接多個(gè)數(shù)據(jù)流的分布式計(jì)算機(jī)系統(tǒng),具有高可擴(kuò)展性和低延遲性;
Heka:開源流處理軟件系統(tǒng);
HIHO:用Hadoop連接不同數(shù)據(jù)源的框架;
Kestrel:分布式消息隊(duì)列系統(tǒng);
LinkedIn Databus:對數(shù)據(jù)庫更改捕獲的事件流;
LinkedIn Kamikaze:壓縮已分類整型數(shù)組的程序包;
LinkedIn White Elephant:日志聚合器和儀表板;
Logstash:用于管理事件和日志的工具;
Netflix Suro:像基于Chukwa 的Storm和Samza一樣的日志聚合器;
Pinterest Secor:是實(shí)現(xiàn)Kafka日志持久性的服務(wù);
Linkedin Gobblin:LinkedIn的通用數(shù)據(jù)攝取框架;
Skizze:是一種數(shù)據(jù)存儲(chǔ)略圖,使用概率性數(shù)據(jù)結(jié)構(gòu)來處理計(jì)數(shù)、略圖等相關(guān)的問題;
StreamSets Data Collector:連續(xù)大數(shù)據(jù)采集的基礎(chǔ)設(shè)施,可簡單地使用IDE。
服務(wù)編程
Akka Toolkit:JVM中分布性、容錯(cuò)事件驅(qū)動(dòng)應(yīng)用程序的運(yùn)行時(shí)間;
Apache Avro:數(shù)據(jù)序列化系統(tǒng);
Apache Curator:Apache ZooKeeper的Java庫;
Apache Karaf:在任何OSGi框架之上運(yùn)行的OSGi運(yùn)行時(shí)間;
Apache Thrift:構(gòu)建二進(jìn)制協(xié)議的框架;
Apache Zookeeper:流程管理集中式服務(wù);
Google Chubby:一種松耦合分布式系統(tǒng)鎖服務(wù);
Linkedin Norbert:集群管理器;
OpenMPI:消息傳遞框架;
Serf:服務(wù)發(fā)現(xiàn)和協(xié)調(diào)的分散化解決方案;
Spotify Luigi:一種構(gòu)建批處理作業(yè)的復(fù)雜管道的Python包,它能夠處理依賴性解析、工作流管理、可視化、故障處理、命令行一體化等等問題;
Spring XD:數(shù)據(jù)攝取、實(shí)時(shí)分析、批量處理和數(shù)據(jù)導(dǎo)出的分布式、可擴(kuò)展系統(tǒng);
Twitter Elephant Bird:LZO壓縮數(shù)據(jù)的工作庫;
Twitter Finagle:JVM的異步網(wǎng)絡(luò)堆棧。
調(diào)度
Apache Aurora:在Apache Mesos之上運(yùn)行的服務(wù)調(diào)度程序;
Apache Falcon:數(shù)據(jù)管理框架;
Apache Oozie:工作流作業(yè)調(diào)度程序;
Chronos:分布式容錯(cuò)調(diào)度;
Linkedin Azkaban:批處理工作流作業(yè)調(diào)度;
Schedoscope:Hadoop作業(yè)敏捷調(diào)度的Scala DSL;
Sparrow:調(diào)度平臺(tái);
Airflow:一個(gè)以編程方式編寫、調(diào)度和監(jiān)控工作流的平臺(tái)。
機(jī)器學(xué)習(xí)
Apache Mahout:Hadoop的機(jī)器學(xué)習(xí)庫;
brain:JavaScript中的神經(jīng)網(wǎng)絡(luò);
Cloudera Oryx:實(shí)時(shí)大規(guī)模機(jī)器學(xué)習(xí);
Concurrent Pattern:Cascading的機(jī)器學(xué)習(xí)庫;
convnetjs:Javascript中的機(jī)器學(xué)習(xí),在瀏覽器中訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(或普通網(wǎng)絡(luò));
Decider:Ruby中靈活、可擴(kuò)展的機(jī)器學(xué)習(xí);
ENCOG:支持多種先進(jìn)算法的機(jī)器學(xué)習(xí)框架,同時(shí)支持類的標(biāo)準(zhǔn)化和處理數(shù)據(jù);
etcML:機(jī)器學(xué)習(xí)文本分類;
Etsy Conjecture:Scalding中可擴(kuò)展的機(jī)器學(xué)習(xí);
Google Sibyl:Google中的大規(guī)模機(jī)器學(xué)習(xí)系統(tǒng);
GraphLab Create:Python的機(jī)器學(xué)習(xí)平臺(tái),包括ML工具包、數(shù)據(jù)工程和部署工具的廣泛集合;
H2O:Hadoop統(tǒng)計(jì)性的機(jī)器學(xué)習(xí)和數(shù)學(xué)運(yùn)行時(shí)間;
MLbase:用于BDAS堆棧的分布式機(jī)器學(xué)習(xí)庫;
MLPNeuralNet:針對iOS和Mac OS X的快速多層感知神經(jīng)網(wǎng)絡(luò)庫;
MonkeyLearn:使文本挖掘更為容易,從文本中提取分類數(shù)據(jù);
nupic:智能計(jì)算的Numenta平臺(tái),它是一個(gè)啟發(fā)大腦的機(jī)器智力平臺(tái),基于皮質(zhì)學(xué)習(xí)算法的精準(zhǔn)的生物神經(jīng)網(wǎng)絡(luò);
PredictionIO:建于Hadoop、Mahout和Cascading上的機(jī)器學(xué)習(xí)服務(wù)器;
SAMOA:分布式流媒體機(jī)器學(xué)習(xí)框架;
scikit-learn:scikit-learn為Python中的機(jī)器學(xué)習(xí);
Spark MLlib:Spark中一些常用的機(jī)器學(xué)習(xí)(ML)功能的實(shí)現(xiàn);
Vowpal Wabbit:微軟和雅虎發(fā)起的學(xué)習(xí)系統(tǒng);
WEKA:機(jī)器學(xué)習(xí)軟件套件;
BidMach:CPU和加速GPU的機(jī)器學(xué)習(xí)庫。
基準(zhǔn)測試
Apache Hadoop Benchmarking:測試Hadoop性能的微基準(zhǔn);
Berkeley SWIM Benchmark:現(xiàn)實(shí)大數(shù)據(jù)工作負(fù)載基準(zhǔn)測試;
Intel HiBench:Hadoop基準(zhǔn)測試套件;
PUMA Benchmarking:MapReduce應(yīng)用的基準(zhǔn)測試套件;
Yahoo Gridmix3:雅虎工程師團(tuán)隊(duì)的Hadoop集群基準(zhǔn)測試。
安全性
Apache Knox Gateway:Hadoop集群安全訪問的單點(diǎn);
Apache Sentry:存儲(chǔ)在Hadoop的數(shù)據(jù)安全模塊。
系統(tǒng)部署
Apache Ambari:Hadoop管理的運(yùn)作框架;
Apache Bigtop:Hadoop生態(tài)系統(tǒng)的部署框架;
Apache Helix:集群管理框架;
Apache Mesos:集群管理器;
Apache Slider:一種YARN應(yīng)用,用來部署YARN中現(xiàn)有的分布式應(yīng)用程序;
Apache Whirr:運(yùn)行云服務(wù)的庫集;
Apache YARN:集群管理器;
Brooklyn:用于簡化應(yīng)用程序部署和管理的庫;
Buildoop:基于Groovy語言,和Apache BigTop類似;
Cloudera HUE:和Hadoop進(jìn)行交互的Web應(yīng)用程序;
Facebook Prism:多數(shù)據(jù)中心復(fù)制系統(tǒng);
Google Borg:作業(yè)調(diào)度和監(jiān)控系統(tǒng);
Google Omega:作業(yè)調(diào)度和監(jiān)控系統(tǒng);
Hortonworks HOYA:可在YARN上部署HBase集群的應(yīng)用;
Marathon:用于長期運(yùn)行服務(wù)的Mesos框架。
應(yīng)用程序
Adobe spindle:使用Scala、Spark和Parquet處理的下一代web分析;
Apache Kiji:基于HBase,實(shí)時(shí)采集和分析數(shù)據(jù)的框架;
Apache Nutch:開源網(wǎng)絡(luò)爬蟲;
Apache OODT:用于NASA科學(xué)檔案中數(shù)據(jù)的捕獲、處理和共享;
Apache Tika:內(nèi)容分析工具包;
Argus:時(shí)間序列監(jiān)測和報(bào)警平臺(tái);
Countly:基于Node.js和MongoDB,開源的手機(jī)和網(wǎng)絡(luò)分析平臺(tái);
Domino:運(yùn)行、規(guī)劃、共享和部署模型——沒有任何基礎(chǔ)設(shè)施;
Eclipse BIRT:基于Eclipse的報(bào)告系統(tǒng);
Eventhub:開源的事件分析平臺(tái);
Hermes:建于Kafka上的異步消息代理;
HIPI Library:在Hadoop’s MapReduce上執(zhí)行圖像處理任務(wù)的API;
Hunk:Hadoop的Splunk分析;
Imhotep:大規(guī)模分析平臺(tái);
MADlib:RDBMS的用于數(shù)據(jù)分析的數(shù)據(jù)處理庫;
Kylin:來自eBay的開源分布式分析工具;
PivotalR:Pivotal HD / HAWQ和PostgreSQL中的R;
Qubole:為自動(dòng)縮放Hadoop集群,內(nèi)置的數(shù)據(jù)連接器;
Sense:用于數(shù)據(jù)科學(xué)和大數(shù)據(jù)分析的云平臺(tái);
SnappyData:用于實(shí)時(shí)運(yùn)營分析的分布式內(nèi)存數(shù)據(jù)存儲(chǔ),提供建立在Spark單一集成集群中的數(shù)據(jù)流分析、OLTP(聯(lián)機(jī)事務(wù)處理)和OLAP(聯(lián)機(jī)分析處理);
Snowplow:企業(yè)級(jí)網(wǎng)絡(luò)和事件分析,由Hadoop、Kinesis、Redshift 和Postgres提供技術(shù)支持;
SparkR:Spark的R前端;
Splunk:用于機(jī)器生成的數(shù)據(jù)的分析;
Sumo Logic:基于云的分析儀,用于分析機(jī)器生成的數(shù)據(jù);
Talend:用于YARN、Hadoop、HBASE、Hive、HCatalog和Pig的統(tǒng)一開源環(huán)境;
Warp:利用大數(shù)據(jù)(OS X app)的實(shí)例查詢工具。
搜索引擎與框架
Apache Lucene:搜索引擎庫;
Apache Solr:用于Apache Lucene的搜索平臺(tái);
ElasticSearch:基于Apache Lucene的搜索和分析引擎;
Enigma.io:為免費(fèi)增值的健壯性web應(yīng)用,用于探索、篩選、分析、搜索和導(dǎo)出來自網(wǎng)絡(luò)的大規(guī)模數(shù)據(jù)集;
Facebook Unicorn:社交圖形搜索平臺(tái);
Google Caffeine:連續(xù)索引系統(tǒng);
Google Percolator:連續(xù)索引系統(tǒng);
TeraGoogle:大型搜索索引;
HBase Coprocessor:為Percolator的實(shí)現(xiàn),HBase的一部分;
Lily HBase Indexer:快速、輕松地搜索存儲(chǔ)在HBase的任何內(nèi)容;
LinkedIn Bobo:完全由Java編寫的分面搜索的實(shí)現(xiàn),為Apache Lucene的延伸;
LinkedIn Cleo:為一個(gè)一個(gè)靈活的軟件庫,使得局部、無序、實(shí)時(shí)預(yù)輸入的搜索實(shí)現(xiàn)了快速發(fā)展;
LinkedIn Galene:LinkedIn搜索架構(gòu);
LinkedIn Zoie:是用Java編寫的實(shí)時(shí)搜索/索引系統(tǒng);
Sphinx Search Server:全文搜索引擎
MySQL的分支和演化
Amazon RDS:亞馬遜云的MySQL數(shù)據(jù)庫;
Drizzle:MySQL的6.0的演化;
Google Cloud SQL:谷歌云的MySQL數(shù)據(jù)庫;
MariaDB:MySQL的增強(qiáng)版嵌入式替代品;
MySQL Cluster:使用NDB集群存儲(chǔ)引擎的MySQL實(shí)現(xiàn);
Percona Server:MySQL的增強(qiáng)版嵌入式替代品;
ProxySQL:MySQL的高性能代理;
TokuDB:用于MySQL和 MariaDB的存儲(chǔ)引擎;
WebScaleSQL:運(yùn)行MySQL時(shí)面臨類似挑戰(zhàn)的幾家公司,它們的工程師之間的合作。
PostgreSQL的分支和演化
Yahoo Everest – multi-peta-byte database / MPP derived by PostgreSQL.
HadoopDB:MapReduce和DBMS的混合體;
IBM Netezza:高性能數(shù)據(jù)倉庫設(shè)備;
Postgres-XL:基于PostgreSQL,可擴(kuò)展的開源數(shù)據(jù)庫集群;
RecDB:完全建立在PostgreSQL內(nèi)部的開源推薦引擎;
Stado:開源MPP數(shù)據(jù)庫系統(tǒng),只針對數(shù)據(jù)倉庫和數(shù)據(jù)集市的應(yīng)用程序;
Yahoo Everest:PostgreSQL可以推導(dǎo)多字節(jié)P比特?cái)?shù)據(jù)庫/MPP。
Memcached的分支和演化
Facebook McDipper:閃存的鍵/值緩存;
Facebook Memcached:Memcache的分支;
Twemproxy:Memcached和Redis的快速、輕型代理;
Twitter Fatcache:閃存的鍵/值緩存;
Twitter Twemcache:Memcache的分支。
嵌入式數(shù)據(jù)庫
Actian PSQL:Pervasive Software公司開發(fā)的ACID兼容的DBMS,在應(yīng)用程序中嵌入了優(yōu)化;
BerkeleyDB:為鍵/值數(shù)據(jù)提供一個(gè)高性能的嵌入式數(shù)據(jù)庫的一個(gè)軟件庫;
HanoiDB:Erlang LSM BTree存儲(chǔ);
LevelDB:谷歌寫的一個(gè)快速鍵-值存儲(chǔ)庫,它提供了從字符串鍵到字符串值的有序映射;
LMDB:Symas開發(fā)的超快、超緊湊的鍵-值嵌入的式數(shù)據(jù)存儲(chǔ);
RocksDB:基于性LevelDB,用于快速存儲(chǔ)的嵌入式持續(xù)性鍵-值存儲(chǔ)。
商業(yè)智能
BIME Analytics:商業(yè)智能云平臺(tái);
Chartio:精益業(yè)務(wù)智能平臺(tái),用于可視化和探索數(shù)據(jù);
datapine:基于云的自助服務(wù)商業(yè)智能工具;
Jaspersoft:功能強(qiáng)大的商業(yè)智能套件;
Jedox Palo:定制的商業(yè)智能平臺(tái);
Microsoft:商業(yè)智能軟件和平臺(tái);
Microstrategy:商業(yè)智能、移動(dòng)智能和網(wǎng)絡(luò)應(yīng)用軟件平臺(tái);
Pentaho:商業(yè)智能平臺(tái);
Qlik:商業(yè)智能和分析平臺(tái);
Saiku:開源的分析平臺(tái);
SpagoBI:開源商業(yè)智能平臺(tái);
Tableau:商業(yè)智能平臺(tái);
Zoomdata:大數(shù)據(jù)分析;
Jethrodata:交互式大數(shù)據(jù)分析。
數(shù)據(jù)可視化
Airpal:用于PrestoDB的網(wǎng)頁UI;
Arbor:利用網(wǎng)絡(luò)工作者和jQuery的圖形可視化庫;
Banana:對存儲(chǔ)在Kibana中Solr. Port的日志和時(shí)戳數(shù)據(jù)進(jìn)行可視化;
Bokeh:一個(gè)功能強(qiáng)大的Python交互式可視化庫,它針對要展示的現(xiàn)代web瀏覽器,旨在為D3.js風(fēng)格的新奇的圖形提供優(yōu)雅簡潔的設(shè)計(jì),同時(shí)在大規(guī)模數(shù)據(jù)或流數(shù)據(jù)集中,通過高性能交互性來表達(dá)這種能力;
C3:基于D3可重復(fù)使用的圖表庫;
CartoDB:開源或免費(fèi)增值的虛擬主機(jī),用于帶有強(qiáng)大的前端編輯功能和API的地理空間數(shù)據(jù)庫;
chartd:只帶Img標(biāo)簽的反應(yīng)靈敏、兼容Retina的圖表;
Chart.js:開源的HTML5圖表可視化效果;
Chartist.js:另一個(gè)開源HTML5圖表可視化效果;
Crossfilter:JavaScript庫,用于在瀏覽器中探索多元大數(shù)據(jù)集,用Dc.js和D3.js.效果很好;
Cubism:用于時(shí)間序列可視化的JavaScript庫;
Cytoscape:用于可視化復(fù)雜網(wǎng)絡(luò)的JavaScript庫;
DC.js:維度圖表,和Crossfilter一起使用,通過D3.js呈現(xiàn)出來,它比較擅長連接圖表/附加的元數(shù)據(jù),從而徘徊在D3的事件附近;
D3:操作文件的JavaScript庫;
D3.compose:從可重復(fù)使用的圖表和組件構(gòu)成復(fù)雜的、數(shù)據(jù)驅(qū)動(dòng)的可視化;
D3Plus:一組相當(dāng)強(qiáng)大的可重用的圖表,還有D3.js的樣式;
Echarts:百度企業(yè)場景圖表;
Envisionjs:動(dòng)態(tài)HTML5可視化;
FnordMetric:寫SQL查詢,返回SVG圖表,而不是表;
Freeboard:針對IOT和其他Web混搭的開源實(shí)時(shí)儀表盤構(gòu)建;
Gephi:屢獲殊榮的開源平臺(tái),可視化和操縱大型圖形和網(wǎng)絡(luò)連接,有點(diǎn)像Photoshop,但是針對于圖表,適用于Windows和Mac OS X;
Google Charts:簡單的圖表API;
Grafana:石墨儀表板前端、編輯器和圖形組合器;
Graphite:可擴(kuò)展的實(shí)時(shí)圖表;
Highcharts:簡單而靈活的圖表API;
IPython:為交互式計(jì)算提供豐富的架構(gòu);
Kibana:可視化日志和時(shí)間標(biāo)記數(shù)據(jù);
Matplotlib:Python繪圖;
Metricsgraphic.js:建立在D3之上的庫,針對時(shí)間序列數(shù)據(jù)進(jìn)行最優(yōu)化;
NVD3:d3.js的圖表組件;
Peity:漸進(jìn)式SVG條形圖,折線和餅圖;
Plot.ly:易于使用的Web服務(wù),它允許快速創(chuàng)建從熱圖到直方圖等復(fù)雜的圖表,使用圖表Plotly的在線電子表格上傳數(shù)據(jù)進(jìn)行創(chuàng)建和設(shè)計(jì);
Plotly.js:支持plotly的開源JavaScript圖形庫;
Recline:簡單但功能強(qiáng)大的庫,純粹利用JavaScript和HTML構(gòu)建數(shù)據(jù)應(yīng)用;
Redash:查詢和可視化數(shù)據(jù)的開源平臺(tái);
Shiny:針對R的Web應(yīng)用程序框架;
Sigma.js:JavaScript庫,專門用于圖形繪制;
Vega:一個(gè)可視化語法;
Zeppelin:一個(gè)筆記本式的協(xié)作數(shù)據(jù)分析;
Zing Charts:用于大數(shù)據(jù)的JavaScript圖表庫。
物聯(lián)網(wǎng)和傳感器
TempoIQ:基于云的傳感器分析;
2lemetry:物聯(lián)網(wǎng)平臺(tái);
Pubnub:數(shù)據(jù)流網(wǎng)絡(luò);
ThingWorx:ThingWorx 是讓企業(yè)快速創(chuàng)建和運(yùn)行互聯(lián)應(yīng)用程序平臺(tái);
IFTTT:IFTTT 是一個(gè)被稱為 “網(wǎng)絡(luò)自動(dòng)化神器” 的創(chuàng)新型互聯(lián)網(wǎng)服務(wù),它的全稱是 If this then that,意思是“如果這樣,那么就那樣”;
Evrythng:Evrythng則是一款真正意義上的大眾物聯(lián)網(wǎng)平臺(tái),使得身邊的很多產(chǎn)品變得智能化。
文章推薦
NoSQL Comparison(NoSQL 比較)- 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(大數(shù)據(jù)基準(zhǔn))- Redshift, Hive, Shark, Impala and Stiger/Tez的基準(zhǔn);
The big data successor of the spreadsheet(電子表格的大數(shù)據(jù)繼承者) – 電子表格的繼承者應(yīng)該是大數(shù)據(jù)。
論文
2015 – 2016
2015 – Facebook – One Trillion Edges: Graph Processing at Facebook-Scale.(一兆邊:Facebook規(guī)模的圖像處理)
2013 – 2014
2014 – Stanford – Mining of Massive Datasets.(海量數(shù)據(jù)集挖掘)
2013 – AMPLab – Presto: Distributed Machine Learning and Graph Processing with Sparse Matrices. (Presto: 稀疏矩陣的分布式機(jī)器學(xué)習(xí)和圖像處理)
2013 – AMPLab – MLbase: A Distributed Machine-learning System. (MLbase:分布式機(jī)器學(xué)習(xí)系統(tǒng))
2013 – AMPLab – Shark: SQL and Rich Analytics at Scale. (Shark: 大規(guī)模的SQL 和豐富的分析)
2013 – AMPLab – GraphX: A Resilient Distributed Graph System on Spark. (GraphX:基于Spark的彈性分布式圖計(jì)算系統(tǒng))
2013 – Google – HyperLogLog in Practice: Algorithmic Engineering of a State of The Art Cardinality Estimation Algorithm. (HyperLogLog實(shí)踐:一個(gè)藝術(shù)形態(tài)的基數(shù)估算算法)
2013 – Microsoft – Scalable Progressive Analytics on Big Data in the Cloud.(云端大數(shù)據(jù)的可擴(kuò)展性漸進(jìn)分析)
2013 – Metamarkets – Druid: A Real-time Analytical Data Store. (Druid:實(shí)時(shí)分析數(shù)據(jù)存儲(chǔ))
2013 – Google – Online, Asynchronous Schema Change in F1.(F1中在線、異步模式的轉(zhuǎn)變)
2013 – Google – F1: A Distributed SQL Database That Scales. (F1: 分布式SQL數(shù)據(jù)庫)
2013 – Google – MillWheel: Fault-Tolerant Stream Processing at Internet Scale.(MillWheel: 互聯(lián)網(wǎng)規(guī)模下的容錯(cuò)流處理)
2013 – Facebook – Scuba: Diving into Data at Facebook. (Scuba: 深入Facebook的數(shù)據(jù)世界)
2013 – Facebook – Unicorn: A System for Searching the Social Graph. (Unicorn: 一種搜索社交圖的系統(tǒng))
2013 – Facebook – Scaling Memcache at Facebook. (Facebook 對 Memcache 伸縮性的增強(qiáng))
2011 – 2012
2012 – Twitter – The Unified Logging Infrastructure for Data Analytics at Twitter. (Twitter數(shù)據(jù)分析的統(tǒng)一日志基礎(chǔ)結(jié)構(gòu))
2012 – AMPLab –Blink and It’s Done: Interactive Queries on Very Large Data. (Blink及其完成:超大規(guī)模數(shù)據(jù)的交互式查詢)
2012 – AMPLab –Fast and Interactive Analytics over Hadoop Data with Spark. (Spark上 Hadoop數(shù)據(jù)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內(nèi)存快速數(shù)據(jù)分析)
2012 – Microsoft –Paxos Replicated State Machines as the Basis of a High-Performance Data Store. (Paxos的復(fù)制狀態(tài)機(jī)——高性能數(shù)據(jù)存儲(chǔ)的基礎(chǔ))
2012 – Microsoft –Paxos Made Parallel. (Paxos算法實(shí)現(xiàn)并行)
2012 – AMPLab – BlinkDB:BlinkDB: Queries with Bounded Errors and Bounded Response Times on Very Large Data.(超大規(guī)模數(shù)據(jù)中有限誤差與有界響應(yīng)時(shí)間的查詢)
2012 – Google –Processing a trillion cells per mouse click.(每次點(diǎn)擊處理一兆個(gè)單元格)
2012 – Google –Spanner: Google’s Globally-Distributed Database.(Spanner:谷歌的全球分布式數(shù)據(jù)庫)
2011 – AMPLab –Scarlett: Coping with Skewed Popularity Content in MapReduce Clusters.(Scarlett:應(yīng)對MapReduce集群中的偏向性內(nèi)容)
2011 – AMPLab –Mesos: A Platform for Fine-Grained Resource Sharing in the Data Center.(Mesos:數(shù)據(jù)中心中細(xì)粒度資源共享的平臺(tái))
2011 – Google –Megastore: Providing Scalable, Highly Available Storage for Interactive Services.(Megastore:為交互式服務(wù)提供可擴(kuò)展,高度可用的存儲(chǔ))
2001 – 2010
2010 – Facebook – Finding a needle in Haystack: Facebook’s photo storage.(探究Haystack中的細(xì)微之處: Facebook圖片存儲(chǔ))
2010 – AMPLab – Spark: Cluster Computing with Working Sets.(Spark:工作組上的集群計(jì)算)
2010 – Google – Storage Architecture and Challenges.(存儲(chǔ)架構(gòu)與挑戰(zhàn))
2010 – Google – Pregel: A System for Large-Scale Graph Processing.(Pregel: 一種大型圖形處理系統(tǒng))
2010 – Google – Large-scale Incremental Processing Using Distributed Transactions and Noti?cations base of Percolator and Caffeine.(使用基于Percolator 和 Caffeine平臺(tái)分布式事務(wù)和通知的大規(guī)模增量處理)
2010 – Google – Dremel: Interactive Analysis of Web-Scale Datasets.(Dremel: Web規(guī)模數(shù)據(jù)集的交互分析)
2010 – Yahoo – S4: Distributed Stream Computing Platform.(S4:分布式流計(jì)算平臺(tái))
2009 – HadoopDB:An Architectural Hybrid of MapReduce and DBMS Technologies for Analytical Workloads.(混合MapReduce和DBMS技術(shù)用于分析工作負(fù)載的的架構(gòu))
2008 – AMPLab – Chukwa: A large-scale monitoring system.(Chukwa: 大型監(jiān)控系統(tǒng))
2007 – Amazon – Dynamo: Amazon’s Highly Available Key-value Store.(Dynamo: 亞馬遜的高可用的關(guān)鍵價(jià)值存儲(chǔ))
2006 – Google – The Chubby lock service for loosely-coupled distributed systems.(面向松散耦合的分布式系統(tǒng)的鎖服務(wù))
2006 – Google – Bigtable: A Distributed Storage System for Structured Data.(Bigtable: 結(jié)構(gòu)化數(shù)據(jù)的分布式存儲(chǔ)系統(tǒng))
2004 – Google – MapReduce: Simplied Data Processing on Large Clusters.(MapReduce: 大型集群上簡化數(shù)據(jù)處理)
2003 – Google – The Google File System.(谷歌文件系統(tǒng))
視頻
數(shù)據(jù)可視化
數(shù)據(jù)可視化之美
Noah Iliinsky的數(shù)據(jù)可視化設(shè)計(jì)
Hans Rosling’s 200 Countries, 200 Years, 4 Minutes
冰桶挑戰(zhàn)的數(shù)據(jù)可視化