大數據日知錄：架構與算法 大数据日知录:架构与算法

<內容簡介>

大數據是當前最為流行的熱點概念之一，其已由技術名詞衍生到對很多行業產生顛覆性影響的社會現象，作為最明確的技術發展趨勢之一，基於大數據的各種新型產品必將會對每個人的日常生活產生日益重要的影響。書中從架構與算法角度全面梳理了大數據存儲與處理的相關技術。

大數據技術具有涉及的知識點異常眾多且正處於快速演進發展過程中等特點，其技術點包括底層的硬件體系結構、相關的基礎理論、大規模數據存儲系統、分佈式架構設計、各種不同應用場景下的差異化系統設計思路、機器學習與數據挖掘並行算法以及層出不窮的新架構、新系統等。

《大數據日知錄:架構與算法》對眾多紛繁蕪雜的相關技術文獻和系統進行了擇優汰劣並系統性地對相關知識分門別類地進行整理和介紹，將大數據相關技術分為大數據基礎理論、大數據系統體系結構、大數據存儲，以及包含批處理、流式計算、交互式數據分析、圖數據庫、並行機器學習的架構與算法以及增量計算等技術分支在內的大數據處理等幾個大的方向。通過這種體系化的知識梳理與講解，相信對於讀者整體和系統地瞭解、吸收和掌握相關的優秀技術有極大的幫助與促進作用。

《大數據日知錄:架構與算法》的讀者對象包括對NoSQL系統及大數據處理感興趣的所有技術人員，以及有志於投身到大數據處理方向從事架構師、算法工程師、數據科學家等相關職業的在校本科生及研究生。

<章節目錄>

第0章當談論大數據時我們在談什麼1
0.1大數據是什麼2
0.2大數據之翼：技術範型轉換4
0.3大數據商業煉金術6
0.4 “大數據”在路上7
第1章數據分片與路由9
1.1抽像模型10
1.2哈希分片（Hash Partition） 11
1.2.1 Round Robin11
1.2.2虛擬桶（Virtual Buckets） 12
1.2.3一致性哈希（Consistent Hashing） 13
1.3範圍分片（ Range Partition） 18
參考文獻19
第2章數據複製與一致性20
2.1基本原則與設計理念21
2.1.1原教旨CAP主義21
2.1.2 CAP重裝上陣（CAP Reloaded）23
2.1.3 ACID原則24
2.1. 4 BASE原則24
2.1.5 CAP／ACID／BASE三者的關係25
2.1.6冪等性（Idempotent）26
2.2一致性模型分類26
2.2.1強一致性27
2.2.2最終一致性28
2.2.3因果一致性28
2.2.4 “讀你所寫”一致性29
2.2.5會話一致性29
2.2.6單調讀一致性30
2.2.7單調寫一致性30
2.3副本更新策略30
2.3.1同時更新30
2.3.2主從式更新31
2.3.3任意節點更新32
2.4一致性協議32
2.4.1兩階段提交協議（Two—Phrase Commit，2PC）33
2.4.2向量時鐘（Vector Clock） 38
2.4.3 RWN協議40
2.4.4 Paxos協議42
2.4.5 Raft協議45
參考文獻49
第3章大數據常用的算法與數據結構51
3.1布隆過濾器（Bloom Filter） 51
3.1.1基本原理52
3.1.2誤判率及相關計算52
3.1.3改進：計數Bloom Filter53
3.1.4應用54
3.2 SkipList55
3.3 LSM樹58
3.4 Merkle哈希樹（Merkle Hash Tree） 62
3.4.1 Merkle樹基本原理62
3.4.2 Dynamo中的應用63
3.4.3比特幣中的應用63
3.5 Snappy與LZSS算法65
3.5.1 LZSS算法65
3.5.2 Snappy67
3.6 Cuckoo哈希（Cuckoo Hashing） 67
3.6.1基本原理68
3.6.2應用：SILT存儲系統68
參考文獻70
第4章集群資源管理與調度71
4.1資源管理抽像模型72
4.1.1概念模型72
4.1.2通用架構73
4.2調度系統設計的基本問題74
4.2.1資源異質性與工作負載異質性74
4.2.2數據局部性（Data Locality） 75
4.2.3搶占式調度與非搶占式調度75
4.2.4資源分配粒度（Allocation Granularity） 76
4.2.5餓死（Starvation）與死鎖（Dead Lock ）問題76
4.2.6資源隔離方法77
4.3資源管理與調度系統範型77
4.3.1集中式調度器（Monolithic Scheduler）78
4.3.2兩級調度器（Two—Level Scheduler） 79
4.3.3狀態共享調度器（Shared—State Scheduler） 79
4.4資源調度策略81
4.4.1 FIFO調度策略81
4.4.2公平調度器（Fair Scheduler）81
4.4.3能力調度器（Capacity Scheduler） 82
4.4.4延遲調度策略（ Delay Scheduling）82
4.4.5主資源公平調度策略（Dominant Resource Fair Scheduling）82
4.5 Mesos 84
4.6 YARN87
參考文獻90
第5章分佈式協調系統91
5.1 Chubby鎖服務92
5.1.1系統架構93
5.1.2數據模型94
5.1.3會話與KeepAlive機制95
5.1.4客戶端緩存95
5.2 ZooKeeper 96
5.2.1體系結構96
5.2.2數據模型（Data Model） 97
5.2.3 API 98
5.2.4 ZooKeeper的典型應用場景98
5.2.5 ZooKeeper的實際應用103
參考文獻104
第6章分佈式通信106
6.1序列化與遠程過程調用框架107
6.1.1 Protocol Buffer與Thrift 108
6.1.2 Avro109
6.2消息隊列110
6.2.1常見的消息隊列系統110
6.2.2 Kafka 111
6.3應用層多播通信（Application—Level Multi—Broadcast）114
6.3.1概述114
6.3.2 Gossip協議115
參考文獻118
第7章數據通道120
7.1 Log數據收集120
7.1.1 Chukwa121
7.1.2 Scribe122
7.2數據總線123
7.2.1 Databus125
7.2.2 Wormhole 127
7.3數據導入／導出128
參考文獻129
第8章分佈式文件系統131
8.1 Google文件系統（GFS） 132
8.1.1 GFS設計原則132
8.1.2 GFS整體架構133
8.1.3 GFS主控服務器134
8.1.4系統交互行為136
8.1.5 Colossus 137
8.2 HDFS 138
8.2.1 HDFS整體架構139
8.2.2 HA方案140
8.2.3 NameNode聯盟143
8.3 HayStack存儲系統145
8.3.1 HayStack整體架構146
8.3.2目錄服務147
8.3.3 HayStack緩存148
8.3.4 HayStack存儲系統的實現148
8.4文件存儲佈局150
8.4.1行式存儲151
8.4.2列式存儲151
8.4.3混合式存儲156
8.5糾刪碼（Erasure Code）158
8.5.1 Reed—Solomon編碼159
8.5.2 LRC編碼164
8.5.3 HDFS—RAID架構166
參考文獻166
……
第9章內存KV數據庫168
第10章列式數據庫176
第11章大規模批處理系統199
第12章流式計算219
第13章交互式數據分析240
第14章圖數據庫：架構與算法271
第15章機器學習：範型與架構313
第16章機器學習：分佈式算法337
第17章增量計算366
附錄A硬件體系結構及常用性能指標378
附錄B大數據必讀文獻380