Wyniki wyszukiwania - BazTech

1

Perspektywa wspólnego podejmowania decyzji oparta na przetwarzaniu danych w chmurze w przedsiębiorstwach petrochemicznych

Wei G., Bian Y.

Przemysł Chemiczny

|

2018

|

T. 97, nr 11

1857--1865

PL

Zgodnie z wymogami zarządzania danymi z wielu systemów, informatyzacja przedsiębiorstw petrochemicznych uległa znaczącym zmianom. Analizie poddano problemy konwencjonalnych metod podejmowania decyzji w przedsiębiorstwach petrochemicznych. W celu ich przezwyciężenia zbadano technologię przetwarzania w chmurze. Technologia ta może pomóc w eksploracji metod optymalizacji wspólnego podejmowania decyzji przy użyciu aplikacji rozproszonego przetwarzania danych MapReduce. Połączenie optymalizacji zarządzania zasobami przedsiębiorstwa petrochemicznego i technologii przetwarzania w chmurze umożliwia wspólne podejmowanie decyzji. Korzysta się tu z zalet równoległego stosowania tej technologii w celu reorganizacji działań osób odpowiedzialnych za decyzje w różnych działach. Dzięki temu podejmujący decyzje mogą poprawić współpracę i uzyskać zoptymalizowane możliwości przetwarzania danych o zasobach przedsiębiorstwa z wielu systemów. Analizując wspólne działanie w połączeniu z procesem informatyzacji wybranego przedsiębiorstwa oraz perspektywy zastosowań, osiągnięto zwiększenie wydajności w wyniku zarządzania przedsiębiorstwem petrochemicznym.

EN

The conventional decision making methods for petrochem. enterprises were analyzed and compared with cloud computing technol. For optimizing the collaborative decision making by using the MapReduce-distributed processing framework. This framework benefited from an advantage of parallel processing the cloud-computing technol. to reorganize the decision members in particular departments. This reorganization allowed decision members of an improvement of the collaboration with each other and achieving an optimized enterprise resource data processing capability from multiple systems.

2

Use a cluster approach to organize and analyze data inside the cloud

Boyko N., Mykhailyshyn P., Kryvenchuk Y.

ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes

|

2018

|

Vol. 7, No 2

15--22

EN

In this paper, description of a concept of cloud storage is offered. Cloud data storage is a model of an online storage where the data is being stored in multiple, divided between network servers that are provided for clients’ usage, mostly by a third-party company. The majority of the cloud storages (as opposed to file-exchangers) are offering almost boundless set of functions for free, by only limiting the size of the available storage (mostly a couple of gigabytes). Integrated data mining is being used for extracting potentially useful information from unprocessed data. The methods of data analysis are quite important with cloud computing. The implementation of the methods of integrated data mining inside the cloud will let the users receive the helpful information from non-structured or half-constructed web data sources. The main purpose of this work is to organize huge diverse data coming from different sources into clusters, depending on the type of data.

3

Data and Task Scheduling in Distributed Computing Environments

Szmajduch M.

Journal of Telecommunications and Information Technology

|

2014

|

nr 4

71--78

EN

Data-aware scheduling in today’s large-scale heterogeneous environments has become a major research and engineering issue. Data Grids (DGs), Data Clouds (DCs) and Data Centers are designed for supporting the processing and analysis of massive data, which can be generated by distributed users, devices and computing centers. Data scheduling must be considered jointly with the application scheduling process. It generates a wide family of global optimization problems with the new scheduling criteria including data transmission time, data access and processing times, reliability of the data servers, security in the data processing and data access processes. In this paper, a new version of the Expected Time to Compute Matrix (ETC Matrix) model is defined for independent batch scheduling in physical network in DG and DC environments. In this model, the completion times of the computing nodes are estimated based on the standard ETC Matrix and data transmission times. The proposed model has been empirically evaluated on the static grid scheduling benchmark by using the simple genetic-based schedulers. A simple comparison of the achieved results for two basic scheduling metrics, namely makespan and average flowtime, with the results generated in the case of ignoring the data scheduling phase show the significant impact of the data processing model on the schedule execution times.