Обзор методик обработки и хранения больших данных

Боковая панель статьи

PDF
Опубликован: дек 30, 2022
Обновлен: 2022-12-30
Версии:
2022-12-30 (2)
Ключевые слова:
большие данные, хранилище данных, нормальные формы, витрины данных, интеллектуальный анализ данных big data, data warehouse, normal forms, data marts, data mining

Основное содержимое статьи

А. Д. Самсонов
Государственный университет «Дубна», Дубна, Россия

Аннотация

В данной статье был произведён обзор организации работ больших данных. Как показывает деятельность человека, большие данные используются для проведения аналитических расчётов. Полученные расчёты нужны для принятия важных управленческих или иных решений. Поэтому очень важно, чтобы эти большие данные были организованы эффективным образом. От грамотно поставленных задач организации больших данных, их обработки и хранения, зависит эффективность не только самой информационной системы, но и бизнес-процессов в целом.В статье показаны этапы развития идеи организации больших данных. Рассмотрены этапы развития идеи их организации, причины их возникновения, проблемы методик, а также сделаны предложения по развитию методик их обработки и хранения.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
[1]
Самсонов, А.Д. 2022. Обзор методик обработки и хранения больших данных. Системный анализ в науке и образовании. 4 (дек. 2022), 15–21.
Выпуск
№ 4 (2022): № 4 (2022)
Раздел
Статьи
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Корнев, М. С. История понятия «большие данные» (Big Data): словари, научная и деловая периодики // Вестник РГГУ. Серия: Литературоведение, Языкознание. Культурология. – 2018. – № 1. – С. 81.-85. – DOI: https://doi.org/10.28995/2073-6355-2018-1-81-85.

Кошлич А. Д., Гулаков К. В Современные подходы к построению хранилищ данных // Sciences of Europe. – 2019. – Т. 1. – № 45-1. – С. 32-37.

Суховенко, С. А. Сравнительное исследование подходов к моделированию хранилищ данных: Инмон, Кимбалл и Data Vault // Постулат – 2021. – № 2.

Павлович, Н. В. Data vault: преимущества и недостатки // Новые информационные технологии в научных исследованиях : материалы XXVI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов, Рязань, 2021 г. / Рязанский государственный радиотехнический университет имени В. Ф. Уткина. – Рязань, 2021. – С. 35–36.

Джабраилов, Ш. В. Сравнительный анализ методологий проектирования хранилищ данных / Ш. В. Джабраилов, Ю. А. Орлова, Ш. Ш. Камбарова // Молодой ученый. – 2020. – № 20 (310). – С. 27-30. – URL: https://moluch.ru/archive/310/70003/ (дата обращения: 17.11.2022).

Кислицын, Е. В. Особенности использования методологии Anchor modeling для решения задач больших данных / Е. В. Кислицын, Р. С. Жернаков // Интернет-журнал «e-FORUM». – 2018. – № 2 (3).

Data Engineering: ETL, ELT, Data Pipeline, Data Warehouse, Data Lakes, Data Marts. – Текст: электронный // ivan-shamaev.ru: [сайт]. – URL: https://ivan-shamaev.ru/data-engineering-etl-pipeline-data-warehouse-datalake/ (дата обращения: 17.11.2022).