這大概是史上最全的「大數據」學習資源了!

內容目錄

  • 關係資料庫管理系統(RDBMS)
  • 框架
  • 分散式編程
  • 分散式文件系統
  • 文件數據模型
  • Key -Map 數據模型
  • 鍵-值數據模型
  • 圖形數據模型
  • NewSQL資料庫
  • 列式資料庫
  • 時間序列資料庫
  • 類SQL處理
  • 數據攝取
  • 服務編程
  • 調度
  • 機器學習
  • 基準測試
  • 安全性
  • 系統部署
  • 應用程序
  • 搜索引擎與框架
  • MySQL的分支和演化
  • PostgreSQL的分支和演化
  • Memcached的分支和演化
  • 嵌入式資料庫
  • 商業智能
  • 數據可視化
  • 物聯網和感測器
  • 文章
  • 論文
  • 視頻

關係資料庫管理系統RDBMS

  • MySQL:世界最流行的開源資料庫;
  • PostgreSQL:世界最先進的開源資料庫;
  • Oracle 資料庫:對象-關係型資料庫管理系統。

框架

  • Apache Hadoop:分散式處理架構,結合了 MapReduce(並行處理)、YARN(作業調度)和HDFS(分散式文件系統);
  • Tigon:高吞吐量實時流處理框架。

分散式編程

  • AddThis Hydra :最初在AddThis上開發的分散式數據處理和存儲系統;
  • AMPLab SIMR:用在Hadoop MapReduce v1上運行Spark;
  • Apache Beam:為統一的模型以及一套用於定義和執行數據處理工作流的特定SDK語言;
  • Apache Crunch:一個簡單的Java API,用於執行在普通的MapReduce實現時比較單調的連接、數據聚合等任務;
  • Apache DataFu:由LinkedIn開發的針對Hadoop and 和Pig的用戶定義的函數集合;
  • Apache Flink:具有高性能的執行時間和自動程序優化;
  • Apache Gora:內存中的數據模型和持久性框架;
  • Apache Hama:BSP(整體同步並行)計算框架;
  • Apache MapReduce :在集群上使用並行、分散式演算法處理大數據集的編程模型;
  • Apache Pig :Hadoop中,用於處理數據分析程序的高級查詢語言;
  • Apache REEF :用來簡化和統一低層大數據系統的保留性評估執行框架;
  • Apache S4 :S4中流處理與實現的框架;
  • Apache Spark :內存集群計算框架;
  • Apache Spark Streaming :流處理框架,同時是Spark的一部分;
  • Apache Storm :Twitter流處理框架,也可用於YARN;
  • Apache Samza :基於Kafka和YARN的流處理框架;
  • Apache Tez :基於YARN,用於執行任務中的複雜DAG(有向無環圖);
  • Apache Twill :基於YARN的抽象概念,用於減少開發分散式應用程序的複雜度;
  • Cascalog:數據處理和查詢庫;
  • Cheetah :在MapReduce之上的高性能、自定義數據倉庫;
  • Concurrent Cascading :在Hadoop上的數據管理/分析框架;
  • Damballa Parkour :用於Clojure的MapReduce庫;
  • Datasalt Pangool :可選擇的MapReduce範例;
  • DataTorrent StrAM :為實時引擎,用於以儘可能暢通的方式、最小的開支和對性能最小的影響,實現分散式、非同步、實時的內存大數據計算;
  • Facebook Corona :為Hadoop做優化處理,從而消除單點故障;
  • Facebook Peregrine :MapReduce框架;
  • Facebook Scuba :分散式內存數據存儲;
  • Google Dataflow :創建數據管道,以幫助其分析框架;
  • Netflix PigPen :為MapReduce,用於編譯成Apache Pig;
  • Nokia Disco :由Nokia開發的MapReduc獲取、轉換和分析數據;
  • Google MapReduce :MapReduce框架;
  • Google MillWheel :容錯流處理框架;
  • JAQL :用於處理結構化、半結構化和非結構化數據工作的聲明性編程語言;
  • Kite :為一組庫、工具、實例和文檔集,用於使在Hadoop的生態系統上建立系統更加容易;
  • Metamarkets Druid :用於大數據集的實時e框架;
  • Onyx :分散式雲計算;
  • Pinterest Pinlater :非同步任務執行系統;
  • Pydoop :用於Hadoop的Python MapReduce和HDFS API;
  • Rackerlabs Blueflood :多租戶分散式測度處理系統;
  • Stratosphere :通用集群計算框架;
  • Streamdrill :用於計算基於不同時間窗口的事件流的活動,並找到最活躍的一個;
  • Tuktu :易於使用的用於分批處理和流計算的平台,通過Scala、 Akka和Play所建;
  • Twitter Scalding:基於Cascading,用於Map Reduce工作的Scala庫;
  • Twitter Summingbird :在Twitter上使用Scalding和Storm串流MapReduce;
  • Twitter TSAR :Twitter上的時間序列聚合器。

分散式文件系統

  • Apache HDFS:在多台機器上存儲大型文件的方式;
  • BeeGFS:以前是FhGFS,並行分散式文件系統;
  • Ceph Filesystem:設計的軟體存儲平台;
  • Disco DDFS:分散式文件系統;
  • Facebook Haystack:對象存儲系統;
  • Google Colossus:分散式文件系統(GFS2);
  • Google GFS:分散式文件系統;
  • Google Megastore:可擴展的、高度可用的存儲;
  • GridGain:兼容GGFS、Hadoop內存的文件系統;
  • Lustre file system:高性能分散式文件系統;
  • Quantcast File System QFS:開源分散式文件系統;
  • Red Hat GlusterFS:向外擴展的附網存儲(Network-attached Storage)文件系統;
  • Seaweed-FS:簡單的、高度可擴展的分散式文件系統;
  • Alluxio:以可靠的存儲速率在跨集群框架上文件共享;
  • Tahoe-LAFS:分散式雲存儲系統;

文件數據模型

  • Actian Versant:商用的面向對象資料庫管理系統;
  • Crate Data:是一個開源的大規模可擴展的數據存儲,需要零管理模式;
  • Facebook Apollo:Facebook的Paxos演算法,類似於NoSQL資料庫;
  • jumboDB:基於Hadoop的面向文檔的數據存儲;
  • LinkedIn Espresso:可橫向擴展的面向文檔的NoSQL數據存儲;
  • MarkLogic:模式不可知的企業版NoSQL資料庫技術;
  • MongoDB:面向文檔的資料庫系統;
  • RavenDB:一個事務性的,開源文檔資料庫;
  • RethinkDB:支持連接查詢和群組依據等查詢的文檔型資料庫。

Key Map 數據模型

注意:業內存在一些術語混亂,有兩個不同的東西都叫做「列式資料庫」。這裡列出的有一些是圍繞「key-map」數據模型而建的分散式、持續型資料庫,其中所有的數據都有(可能綜合了)鍵,並與映射中的鍵-值對相關聯。在一些系統中,多個這樣的值映射可以與鍵相關聯,並且這些映射被稱為「列族」(具有映射值的鍵被稱為「列」)。

另一組也可稱為「列式資料庫」的技術因其存儲數據的方式而有別於前一組,它在磁碟上或在存儲器中——而不是以傳統方式,即所有既定鍵的鍵值都相鄰著、逐行存儲。這些系統也彼此相鄰來存儲所有列值,但是要得到給定列的所有值卻不需要以前那麼繁複的工作。

前一組在這裡被稱為「key map數據模型」,這兩者和Key-value 數據模型之間的界限是相當模糊的。後者對數據模型有更多的存儲格式,可在列式資料庫中列出。若想了解更多關於這兩種模型的區分,可閱讀Daniel Abadi的博客:Distinguishing two major types of Column Stores。

  • Apache Accumulo:內置在Hadoop上的分散式鍵/值存儲;
  • Apache Cassandra:由BigTable授權,面向列的分散式數據存儲;
  • Apache HBase:由BigTable授權,面向列的分散式數據存儲;
  • Facebook HydraBase:Facebook所開發的HBase的衍化品;
  • Google BigTable:面向列的分散式數據存儲;
  • Google Cloud Datastore:為完全管理型的無模式資料庫,用於存儲在BigTable上非關係型數據;
  • Hypertable:由BigTable授權,面向列的分散式數據存儲;
  • InfiniDB:通過MySQL的介面訪問,並使用大規模並行處理進行並行查詢;
  • Tephra:用於HBase處理;
  • Twitter Manhattan:Twitter的實時、多租戶分散式資料庫。

鍵-值數據模型

  • Aerospike:支持NoSQL的快閃記憶體優化,數據存儲在內存。開源,「』C』(不是Java或Erlang)中的伺服器代碼可精確地調整從而避免上下文切換和內存拷貝」。
  • Amazon DynamoDB:分散式鍵/值存儲,Dynamo論文的實現;
  • Edis:為替代Redis的協議兼容的伺服器;
  • ElephantDB:專門研究Hadoop中數據導出的分散式資料庫;
  • EventStore:分散式時間序列資料庫;
  • GridDB:適用於存儲在時間序列中的感測器數據;
  • LinkedIn Krati:簡單的持久性數據存儲,擁有低延遲和高吞吐量;
  • Linkedin Voldemort:分散式鍵/值存儲系統;
  • Oracle NoSQL Database:Oracle公司開發的分散式鍵值資料庫;
  • Redis:內存中的鍵值數據存儲;
  • Riak:分散式數據存儲;
  • Storehaus:Twitter開發的非同步鍵值存儲的庫;
  • Tarantool:一個高效的NoSQL資料庫和Lua應用伺服器;
  • TiKV:由Google Spanner和HBase授權,Rust提供技術支持的分散式鍵值資料庫;
  • TreodeDB:可複製、共享的鍵-值存儲,能提供多行原子寫入。

圖形數據模型

  • Apache Giraph:基於Hadoop的Pregel實現;
  • Apache Spark Bagel:可實現Pregel,為Spark的一部分;
  • ArangoDB:多層模型分散式資料庫;
  • DGraph:一個可擴展的、分散式、低時延、高吞吐量的圖形資料庫,旨在為Google生產水平規模和吞吐量提供足夠的低延遲,用於TB級的結構化數據的實時用戶查詢;
  • Facebook TAO:TAO是facebook廣泛用來存儲和服務於社交圖形的分散式數據存儲;
  • GCHQ Gaffer:GCHQ中的Gaffer是一個易於存儲大規模圖形的框架,其中節點和邊緣都有統計數據;
  • Google Cayley:開源圖形資料庫;
  • Google Pregel :圖形處理框架;
  • GraphLab PowerGraph:核心C ++ GraphLab API和建立在GraphLab API之上的高性能機器學習和數據挖掘工具包的集合;
  • GraphX:Spark中的彈性分散式圖形系統;
  • Gremlin:圖形追蹤語言;
  • Infovore:以RDF為中心的Map / Reduce框架;
  • Intel GraphBuilder:在Hadoop上構建大規模圖形的工具;
  • MapGraph:用於在GPU上大規模並行圖形處理;
  • Neo4j:完全用Java寫入的圖形資料庫;
  • OrientDB:文檔和圖形資料庫;
  • Phoebus:大型圖形處理框架;
  • Titan:建於Cassandra的分散式圖形資料庫;
  • Twitter FlockDB:分散式圖形資料庫。

NewSQL資料庫

  • Actian Ingres:由商業支持,開源的SQL關係資料庫管理系統;
  • Amazon RedShift:基於PostgreSQL的數據倉庫服務;
  • BayesDB:面向統計數值的SQL資料庫;
  • CitusDB:通過分區和複製橫向擴展PostgreSQL;
  • Cockroach:可擴展、地址可複製、交易型的資料庫;
  • Datomic:旨在產生可擴展、靈活的智能應用的分散式資料庫;
  • FoundationDB:由F1授意的分散式資料庫;
  • Google F1:建立在Spanner上的分散式SQL資料庫;
  • Google Spanner:全球性的分散式半關係型資料庫;
  • H-Store:是一個實驗性主存並行資料庫管理系統,用於聯機事務處理(OLTP)應用的優化;
  • Haeinsa:基於Percolator,HBase的線性可擴展多行多表交易庫;
  • HandlerSocket:MySQL/MariaDB的NoSQL插件;
  • InfiniSQL:無限可擴展的RDBMS;
  • MemSQL:內存中的SQL資料庫,其中有優化的快閃記憶體列存儲;
  • NuoDB:SQL / ACID兼容的分散式資料庫;
  • Oracle TimesTen in-Memory Database:內存中具有持久性和可恢復性的關係型資料庫管理系統;
  • Pivotal GemFire XD:內存中低延時的分散式SQL數據存儲,可為內存列表數據提供SQL介面,在HDFS中較持久化;
  • SAP HANA:是在內存中面向列的關係型資料庫管理系統;
  • SenseiDB:分散式實時半結構化的資料庫;
  • Sky:用於行為數據的靈活、高性能分析的資料庫;
  • SymmetricDS:用於文件和資料庫同步的開源軟體;
  • Map-D:為GPU內存資料庫,也為大數據分析和可視化平台;
  • TiDB:TiDB是分散式SQL資料庫,基於谷歌F1的設計靈感;
  • VoltDB:自稱為最快的內存資料庫。

列式資料庫

注意:請在鍵-值數據模型 閱讀相關注釋。

  • Columnar Storage:解釋什麼是列存儲以及何時會需要用到它;
  • Actian Vector:面向列的分析型資料庫;
  • C-Store:面向列的DBMS;
  • MonetDB:列存儲資料庫;
  • Parquet:Hadoop的列存儲格式;
  • Pivotal Greenplum:專門設計的、專用的分析數據倉庫,類似於傳統的基於行的工具,提供了一個列式工具;
  • Vertica:用來管理大規模、快速增長的大量數據,當用於數據倉庫時,能夠提供非常快的查詢性能;
  • Google BigQuery :谷歌的雲產品,由其在Dremel的創始工作提供支持;
  • Amazon Redshift :亞馬遜的雲產品,它也是基於柱狀數據存儲後端。

時間序列資料庫

  • Cube:使用MongoDB來存儲時間序列數據;
  • Axibase Time Series Database:在HBase之上的分散式時間序列資料庫,它包括內置的Rule Engine、數據預測和可視化;
  • Heroic:基於Cassandra和Elasticsearch的可擴展的時間序列資料庫;
  • InfluxDB:分散式時間序列資料庫;
  • Kairosdb:類似於OpenTSDB但會考慮到Cassandra;
  • OpenTSDB:在HBase上的分散式時間序列資料庫;
  • Prometheus:一種時間序列資料庫和服務監測系統;
  • Newts:一種基於Apache Cassandra的時間序列資料庫。

SQL處理

  • Actian SQL for Hadoop:高性能互動式的SQL,可訪問所有的Hadoop數據;
  • Apache Drill:由Dremel授意的互動式分析框架;
  • Apache HCatalog:Hadoop的表格和存儲管理層;
  • Apache Hive:Hadoop的類SQL數據倉庫系統;
  • Apache Optiq:一種框架,可允許高效的查詢翻譯,其中包括異構性及聯合性數據的查詢;
  • Apache Phoenix:Apache Phoenix 是 HBase 的 SQL 驅動;
  • Cloudera Impala:由Dremel授意的互動式分析框架;
  • Concurrent Lingual:Cascading中的類SQL查詢語言;
  • Datasalt Splout SQL:用於大數據集的完整的SQL查詢工具;
  • Facebook PrestoDB:分散式SQL查詢工具;
  • Google BigQuery:互動式分析框架,Dremel的實現;
  • Pivotal HAWQ:Hadoop的類SQL的數據倉庫系統;
  • RainstorDB:用於存儲大規模PB級結構化和半結構化數據的資料庫;
  • Spark Catalyst:用於Spark和Shark的查詢優化框架;
  • SparkSQL:使用Spark操作結構化數據;
  • Splice Machine:一個全功能的Hadoop上的SQL RDBMS,並帶有ACID事務;
  • Stinger:用於Hive的互動式查詢;
  • Tajo:Hadoop的分散式數據倉庫系統;
  • Trafodion:為企業級的SQL-on-HBase針對大數據的事務或業務工作負載的解決方案。

數據攝取

  • Amazon Kinesis:大規模數據流的實時處理;
  • Apache Chukwa:數據採集系統;
  • Apache Flume:管理大量日誌數據的服務;
  • Apache Kafka:分散式發布-訂閱消息系統;
  • Apache Sqoop:在Hadoop和結構化的數據存儲區之間傳送數據的工具;
  • Cloudera Morphlines:幫助 Solr、HBase和HDFS完成ETL的框架;
  • Facebook Scribe:流日誌數據聚合器;
  • Fluentd:採集事件和日誌的工具;
  • Google Photon:實時連接多個數據流的分散式計算機系統,具有高可擴展性和低延遲性;
  • Heka:開源流處理軟體系統;
  • HIHO:用Hadoop連接不同數據源的框架;
  • Kestrel:分散式消息隊列系統;
  • LinkedIn Databus:對資料庫更改捕獲的事件流;
  • LinkedIn Kamikaze:壓縮已分類整型數組的程序包;
  • LinkedIn White Elephant:日誌聚合器和儀錶板;
  • Logstash:用於管理事件和日誌的工具;
  • Netflix Suro:像基於Chukwa 的Storm和Samza一樣的日誌聚合器;
  • Pinterest Secor:是實現Kafka日誌持久性的服務;
  • Linkedin Gobblin:LinkedIn的通用數據攝取框架;
  • Skizze:是一種數據存儲略圖,使用概率性數據結構來處理計數、略圖等相關的問題;
  • StreamSets Data Collector:連續大數據採集的基礎設施,可簡單地使用IDE。

服務編程

  • Akka Toolkit:JVM中分布性、容錯事件驅動應用程序的運行時間;
  • Apache Avro:數據序列化系統;
  • Apache Curator:Apache ZooKeeper的Java庫;
  • Apache Karaf:在任何OSGi框架之上運行的OSGi運行時間;
  • Apache Thrift:構建二進位協議的框架;
  • Apache Zookeeper:流程管理集中式服務;
  • Google Chubby:一種松耦合分散式系統鎖服務;
  • Linkedin Norbert:集群管理器;
  • OpenMPI:消息傳遞框架;
  • Serf:服務發現和協調的分散化解決方案;
  • Spotify Luigi:一種構建批處理作業的複雜管道的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:數據攝取、實時分析、批量處理和數據導出的分散式、可擴展系統;
  • Twitter Elephant Bird:LZO壓縮數據的工作庫;
  • Twitter Finagle:JVM的非同步網路堆棧。

調度

  • Apache Aurora:在Apache Mesos之上運行的服務調度程序;
  • Apache Falcon:數據管理框架;
  • Apache Oozie:工作流作業調度程序;
  • Chronos:分散式容錯調度;
  • Linkedin Azkaban:批處理工作流作業調度;
  • Schedoscope:Hadoop作業敏捷調度的Scala DSL;
  • Sparrow:調度平台;
  • Airflow:一個以編程方式編寫、調度和監控工作流的平台。

機器學習

  • Apache Mahout:Hadoop的機器學習庫;
  • brain:JavaScript中的神經網路;
  • Cloudera Oryx:實時大規模機器學習;
  • Concurrent Pattern:Cascading的機器學習庫;
  • convnetjs:Javascript中的機器學習,在瀏覽器中訓練卷積神經網路(或普通網路);
  • Decider:Ruby中靈活、可擴展的機器學習;
  • ENCOG:支持多種先進演算法的機器學習框架,同時支持類的標準化和處理數據;
  • etcML:機器學習文本分類;
  • Etsy Conjecture:Scalding中可擴展的機器學習;
  • Google Sibyl:Google中的大規模機器學習系統;
  • GraphLab Create:Python的機器學習平台,包括ML工具包、數據工程和部署工具的廣泛集合;
  • H2O:Hadoop統計性的機器學習和數學運行時間;
  • MLbase:用於BDAS堆棧的分散式機器學習庫;
  • MLPNeuralNet:針對iOS和Mac OS X的快速多層感知神經網路庫;
  • MonkeyLearn:使文本挖掘更為容易,從文本中提取分類數據;
  • nupic:智能計算的Numenta平台,它是一個啟發大腦的機器智力平台,基於皮質學習演算法的精準的生物神經網路;
  • PredictionIO:建於Hadoop、Mahout和Cascading上的機器學習伺服器;
  • SAMOA:分散式流媒體機器學習框架;
  • scikit-learn:scikit-learn為Python中的機器學習;
  • Spark MLlib:Spark中一些常用的機器學習(ML)功能的實現;
  • Vowpal Wabbit:微軟和雅虎發起的學習系統;
  • WEKA:機器學習軟體套件;
  • BidMach:CPU和加速GPU的機器學習庫。

基準測試

  • Apache Hadoop Benchmarking:測試Hadoop性能的微基準;
  • Berkeley SWIM Benchmark:現實大數據工作負載基準測試;
  • Intel HiBench:Hadoop基準測試套件;
  • PUMA Benchmarking:MapReduce應用的基準測試套件;
  • Yahoo Gridmix3:雅虎工程師團隊的Hadoop集群基準測試。

安全性

  • Apache Knox Gateway:Hadoop集群安全訪問的單點;
  • Apache Sentry:存儲在Hadoop的數據安全模塊。

系統部署

  • Apache Ambari:Hadoop管理的運作框架;
  • Apache Bigtop:Hadoop生態系統的部署框架;
  • Apache Helix:集群管理框架;
  • Apache Mesos:集群管理器;
  • Apache Slider:一種YARN應用,用來部署YARN中現有的分散式應用程序;
  • Apache Whirr:運行雲服務的庫集;
  • Apache YARN:集群管理器;
  • Brooklyn:用於簡化應用程序部署和管理的庫;
  • Buildoop:基於Groovy語言,和Apache BigTop類似;
  • Cloudera HUE:和Hadoop進行交互的Web應用程序;
  • Facebook Prism:多數據中心複製系統;
  • Google Borg:作業調度和監控系統;
  • Google Omega:作業調度和監控系統;
  • Hortonworks HOYA:可在YARN上部署HBase集群的應用;
  • Marathon:用於長期運行服務的Mesos框架。

應用程序

  • Adobe spindle:使用Scala、Spark和Parquet處理的下一代web分析;
  • Apache Kiji:基於HBase,實時採集和分析數據的框架;
  • Apache Nutch:開源網路爬蟲;
  • Apache OODT:用於NASA科學檔案中數據的捕獲、處理和共享;
  • Apache Tika:內容分析工具包;
  • Argus:時間序列監測和報警平台;
  • Countly:基於Node.js和MongoDB,開源的手機和網路分析平台;
  • Domino:運行、規劃、共享和部署模型——沒有任何基礎設施;
  • Eclipse BIRT:基於Eclipse的報告系統;
  • Eventhub:開源的事件分析平台;
  • Hermes:建於Kafka上的非同步消息代理;
  • HIPI Library:在Hadoop』s MapReduce上執行圖像處理任務的API;
  • Hunk:Hadoop的Splunk分析;
  • Imhotep:大規模分析平台;
  • MADlib:RDBMS的用於數據分析的數據處理庫;
  • Kylin:來自eBay的開源分散式分析工具;
  • PivotalR:Pivotal HD / HAWQ和PostgreSQL中的R;
  • Qubole:為自動縮放Hadoop集群,內置的數據連接器;
  • Sense:用於數據科學和大數據分析的雲平台;
  • SnappyData:用於實時運營分析的分散式內存數據存儲,提供建立在Spark單一集成集群中的數據流分析、OLTP(聯機事務處理)和OLAP(聯機分析處理);
  • Snowplow:企業級網路和事件分析,由Hadoop、Kinesis、Redshift 和Postgres提供技術支持;
  • SparkR:Spark的R前端;
  • Splunk:用於機器生成的數據的分析;
  • Sumo Logic:基於雲的分析儀,用於分析機器生成的數據;
  • Talend:用於YARN、Hadoop、HBASE、Hive、HCatalog和Pig的統一開源環境;
  • Warp:利用大數據(OS X app)的實例查詢工具。

搜索引擎與框架

  • Apache Lucene:搜索引擎庫;
  • Apache Solr:用於Apache Lucene的搜索平台;
  • ElasticSearch:基於Apache Lucene的搜索和分析引擎;
  • Enigma.io:為免費增值的健壯性web應用,用於探索、篩選、分析、搜索和導出來自網路的大規模數據集;
  • Facebook Unicorn:社交圖形搜索平台;
  • Google Caffeine:連續索引系統;
  • Google Percolator:連續索引系統;
  • TeraGoogle:大型搜索索引;
  • HBase Coprocessor:為Percolator的實現,HBase的一部分;
  • Lily HBase Indexer:快速、輕鬆地搜索存儲在HBase的任何內容;
  • LinkedIn Bobo:完全由Java編寫的分面搜索的實現,為Apache Lucene的延伸;
  • LinkedIn Cleo:為一個一個靈活的軟體庫,使得局部、無序、實時預輸入的搜索實現了快速發展;
  • LinkedIn Galene:LinkedIn搜索架構;
  • LinkedIn Zoie:是用Java編寫的實時搜索/索引系統;
  • Sphinx Search Server:全文搜索引擎

MySQL的分支和演化

  • Amazon RDS:亞馬遜雲的MySQL資料庫;
  • Drizzle:MySQL的6.0的演化;
  • Google Cloud SQL:谷歌雲的MySQL資料庫;
  • MariaDB:MySQL的增強版嵌入式替代品;
  • MySQL Cluster:使用NDB集群存儲引擎的MySQL實現;
  • Percona Server:MySQL的增強版嵌入式替代品;
  • ProxySQL:MySQL的高性能代理;
  • TokuDB:用於MySQL和 MariaDB的存儲引擎;
  • WebScaleSQL:運行MySQL時面臨類似挑戰的幾家公司,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:高性能數據倉庫設備;
  • Postgres-XL:基於PostgreSQL,可擴展的開源資料庫集群;
  • RecDB:完全建立在PostgreSQL內部的開源推薦引擎;
  • Stado:開源MPP資料庫系統,只針對數據倉庫和數據集市的應用程序;
  • Yahoo Everest:PostgreSQL可以推導多位元組P比特資料庫/MPP。

Memcached的分支和演化

  • Facebook McDipper:快閃記憶體的鍵/值緩存;
  • Facebook Memcached:Memcache的分支;
  • Twemproxy:Memcached和Redis的快速、輕型代理;
  • Twitter Fatcache:快閃記憶體的鍵/值緩存;
  • Twitter Twemcache:Memcache的分支。

嵌入式資料庫

  • Actian PSQL:Pervasive Software公司開發的ACID兼容的DBMS,在應用程序中嵌入了優化;
  • BerkeleyDB:為鍵/值數據提供一個高性能的嵌入式資料庫的一個軟體庫;
  • HanoiDB:Erlang LSM BTree存儲;
  • LevelDB:谷歌寫的一個快速鍵-值存儲庫,它提供了從字元串鍵到字元串值的有序映射;
  • LMDB:Symas開發的超快、超緊湊的鍵-值嵌入的式數據存儲;
  • RocksDB:基於性LevelDB,用於快速存儲的嵌入式持續性鍵-值存儲。

商業智能

  • BIME Analytics:商業智能雲平台;
  • Chartio:精益業務智能平台,用於可視化和探索數據;
  • datapine:基於雲的自助服務商業智能工具;
  • Jaspersoft:功能強大的商業智能套件;
  • Jedox Palo:定製的商業智能平台;
  • Microsoft:商業智能軟體和平台;
  • Microstrategy:商業智能、移動智能和網路應用軟體平台;
  • Pentaho:商業智能平台;
  • Qlik:商業智能和分析平台;
  • FineBI:大數據BI分析平台;
  • Saiku:開源的分析平台;
  • SpagoBI:開源商業智能平台;
  • Tableau:商業智能平台;
  • Zoomdata:大數據分析;
  • Jethrodata:互動式大數據分析。

數據可視化

  • Airpal:用於PrestoDB的網頁UI;
  • Arbor:利用網路工作者和jQuery的圖形可視化庫;
  • Banana:對存儲在Kibana中Solr. Port的日誌和時戳數據進行可視化;
  • Bokeh:一個功能強大的Python互動式可視化庫,它針對要展示的現代web瀏覽器,旨在為D3.js風格的新奇的圖形提供優雅簡潔的設計,同時在大規模數據或流數據集中,通過高性能交互性來表達這種能力;
  • C3:基於D3可重複使用的圖表庫;
  • CartoDB:開源或免費增值的虛擬主機,用於帶有強大的前端編輯功能和API的地理空間資料庫;
  • chartd:只帶Img標籤的反應靈敏、兼容Retina的圖表;
  • Chart.js:開源的HTML5圖表可視化效果;
  • Chartist.js:另一個開源HTML5圖表可視化效果;
  • Crossfilter:JavaScript庫,用於在瀏覽器中探索多元大數據集,用Dc.js和D3.js.效果很好;
  • Cubism:用於時間序列可視化的JavaScript庫;
  • Cytoscape:用於可視化複雜網路的JavaScript庫;
  • DC.js:維度圖表,和Crossfilter一起使用,通過D3.js呈現出來,它比較擅長連接圖表/附加的元數據,從而徘徊在D3的事件附近;
  • D3:操作文件的JavaScript庫;
  • D3.compose:從可重複使用的圖表和組件構成複雜的、數據驅動的可視化;
  • D3Plus:一組相當強大的可重用的圖表,還有D3.js的樣式;
  • Echarts:百度企業場景圖表;
  • Envisionjs:動態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混搭的開源實時儀錶盤構建;
  • Gephi:屢獲殊榮的開源平台,可視化和操縱大型圖形和網路連接,有點像Photoshop,但是針對於圖表,適用於Windows和Mac OS X;
  • Google Charts:簡單的圖表API;
  • Grafana:石墨儀錶板前端、編輯器和圖形組合器;
  • Graphite:可擴展的實時圖表;
  • Highcharts:簡單而靈活的圖表API;
  • IPython:為互動式計算提供豐富的架構;
  • Kibana:可視化日誌和時間標記數據;
  • Matplotlib:Python繪圖;
  • Metricsgraphic.js:建立在D3之上的庫,針對時間序列數據進行最優化;
  • NVD3:d3.js的圖表組件;
  • Peity:漸進式SVG條形圖,折線和餅圖;
  • Plot.ly:易於使用的Web服務,它允許快速創建從熱圖到直方圖等複雜的圖表,使用圖表Plotly的在線電子表格上傳數據進行創建和設計;
  • Plotly.js:支持plotly的開源JavaScript圖形庫;
  • Recline:簡單但功能強大的庫,純粹利用JavaScript和HTML構建數據應用;
  • Redash:查詢和可視化數據的開源平台;
  • Shiny:針對R的Web應用程序框架;
  • Sigma.js:JavaScript庫,專門用於圖形繪製;
  • Vega:一個可視化語法;
  • Zeppelin:一個筆記本式的協作數據分析;
  • Zing Charts:用於大數據的JavaScript圖表庫。

物聯網和感測器

  • TempoIQ:基於雲的感測器分析;
  • 2lemetry:物聯網平台;
  • Pubnub:數據流網路;
  • ThingWorx:ThingWorx 是讓企業快速創建和運行互聯應用程序平台;
  • IFTTT:IFTTT 是一個被稱為 「網路自動化神器」 的創新型互聯網服務,它的全稱是 If this then that,意思是「如果這樣,那麼就那樣」;
  • Evrythng:Evrythng則是一款真正意義上的大眾物聯網平台,使得身邊的很多產品變得智能化。

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(大數據基準)- Redshift, Hive, Shark, Impala and Stiger/Tez的基準;
  • The big data successor of the spreadsheet(電子表格的大數據繼承者) – 電子表格的繼承者應該是大數據。

論文

2015 – 2016

  • 2015 – Facebook – One Trillion Edges: Graph Processing at Facebook-Scale.(一兆邊:Facebook規模的圖像處理)

2013 – 2014

  • 2014 – Stanford - Mining of Massive Datasets.(海量數據集挖掘)
  • 2013 – AMPLab – Presto: Distributed Machine Learning and Graph Processing with Sparse Matrices. (Presto: 稀疏矩陣的分散式機器學習和圖像處理)
  • 2013 – AMPLab – MLbase: A Distributed Machine-learning System. (MLbase:分散式機器學習系統)
  • 2013 – AMPLab - Shark: SQL and Rich Analytics at Scale. (Shark: 大規模的SQL 和豐富的分析)
  • 2013 - AMPLab - GraphX: A Resilient Distributed Graph System on Spark. (GraphX:基於Spark的彈性分散式圖計算系統)
  • 2013 - Google – HyperLogLog in Practice: Algorithmic Engineering of a State of The Art Cardinality Estimation Algorithm. (HyperLogLog實踐:一個藝術形態的基數估算演算法)
  • 2013 – Microsoft - Scalable Progressive Analytics on Big Data in the Cloud.(雲端大數據的可擴展性漸進分析)
  • 2013 - Metamarkets - Druid: A Real-time Analytical Data Store. (Druid:實時分析數據存儲)
  • 2013 – Google – Online, Asynchronous Schema Change in F1.(F1中在線、非同步模式的轉變)
  • 2013 - Google - F1: A Distributed SQL Database That Scales. (F1: 分散式SQL資料庫)
  • 2013 – Google – MillWheel: Fault-Tolerant Stream Processing at Internet Scale.(MillWheel: 互聯網規模下的容錯流處理)
  • 2013 – Facebook - Scuba: Diving into Data at Facebook. (Scuba: 深入Facebook的數據世界)
  • 2013 – Facebook – Unicorn: A System for Searching the Social Graph. (Unicorn: 一種搜索社交圖的系統)
  • 2013 -Facebook - Scaling Memcache at Facebook. (Facebook 對 Memcache 伸縮性的增強)

2011 – 2012

  • 2012 – Twitter – The Unified Logging Infrastructure for Data Analytics at Twitter. (Twitter數據分析的統一日誌基礎結構)
  • 2012 – AMPLab –Blink and It』s Done: Interactive Queries on Very Large Data. (Blink及其完成:超大規模數據的互動式查詢)
  • 2012 – AMPLab –Fast and Interactive Analytics over Hadoop Data with Spark. (Spark上 Hadoop數據的快速互動式分析)
  • 2012 – AMPLab –Shark: Fast Data Analysis Using Coarse-grained Distributed Memory. (Shark:使用粗粒度的分散式內存快速數據分析)
  • 2012 – Microsoft –Paxos Replicated State Machines as the Basis of a High-Performance Data Store. (Paxos的複製狀態機——高性能數據存儲的基礎)
  • 2012 – Microsoft –Paxos Made Parallel. (Paxos演算法實現並行)
  • 2012 – AMPLab – BlinkDB:BlinkDB: Queries with Bounded Errors and Bounded Response Times on Very Large Data.(超大規模數據中有限誤差與有界響應時間的查詢)
  • 2012 – Google –Processing a trillion cells per mouse click.(每次點擊處理一兆個單元格)
  • 2012 – Google –Spanner: Google』s Globally-Distributed Database.(Spanner:谷歌的全球分散式資料庫)
  • 2011 – AMPLab –Scarlett: Coping with Skewed Popularity Content in MapReduce Clusters.(Scarlett:應對MapReduce集群中的偏向性內容)
  • 2011 – AMPLab –Mesos: A Platform for Fine-Grained Resource Sharing in the Data Center.(Mesos:數據中心中細粒度資源共享的平台)
  • 2011 – Google –Megastore: Providing Scalable, Highly Available Storage for Interactive Services.(Megastore:為互動式服務提供可擴展,高度可用的存儲)

2001 – 2010

  • 2010 – Facebook - Finding a needle in Haystack: Facebook』s photo storage.(探究Haystack中的細微之處: Facebook圖片存儲)
  • 2010 – AMPLab - Spark: Cluster Computing with Working Sets.(Spark:工作組上的集群計算)
  • 2010 – Google – Storage Architecture and Challenges.(存儲架構與挑戰)
  • 2010 – Google - Pregel: A System for Large-Scale Graph Processing.(Pregel: 一種大型圖形處理系統)
  • 2010 – Google - Large-scale Incremental Processing Using Distributed Transactions and Noti?cations base of Percolator and Caffeine.(使用基於Percolator 和 Caffeine平台分散式事務和通知的大規模增量處理)
  • 2010 – Google – Dremel: Interactive Analysis of Web-Scale Datasets.(Dremel: Web規模數據集的交互分析)
  • 2010 – Yahoo - S4: Distributed Stream Computing Platform.(S4:分散式流計算平台)
  • 2009 – HadoopDB:An Architectural Hybrid of MapReduce and DBMS Technologies for Analytical Workloads.(混合MapReduce和DBMS技術用於分析工作負載的的架構)
  • 2008 – AMPLab – Chukwa: A large-scale monitoring system.(Chukwa: 大型監控系統)
  • 2007 – Amazon - Dynamo: Amazon』s Highly Available Key-value Store.(Dynamo: 亞馬遜的高可用的關鍵價值存儲)
  • 2006 – Google – The Chubby lock service for loosely-coupled distributed systems.(面向鬆散耦合的分散式系統的鎖服務)
  • 2006 – Google – Bigtable: A Distributed Storage System for Structured Data.(Bigtable: 結構化數據的分散式存儲系統)
  • 2004 – Google - MapReduce: Simplied Data Processing on Large Clusters.(MapReduce: 大型集群上簡化數據處理)
  • 2003 -Google- The Google File System.(谷歌文件系統)

數據可視化

  • 數據可視化之美
  • Noah Iliinsky的數據可視化設計
  • Hans Rosling』s 200 Countries, 200 Years, 4 Minutes
  • 冰桶挑戰的數據可視化

文章源自:史上最全的「大數據」學習資源-博客-雲棲社區-阿里雲

往期文章推薦:

一文讀懂大數據平台--寫給大數據開發初學者的話!

穩定和性能如何兼顧?58大數據平台的技術演進與實踐

推薦閱讀:

有了大數據加智能,你願把荷包交給機器打理嗎?
食品的前世今生,都在這款可視化監控系統里了
演算法類產品的數據產品經理的成長之路(二)
阿里天池大數據競賽心得 : 前50強付出與回報

TAG:大数据 | 数据分析 | 大数据分析 |