史上最全大数据学习资源整理(二)

chhy

来源：http://jaydenwang.blog.51cto.com/6033165/1774393

服务编程

　　Akka Toolkit：JVM中分布性、容错事件驱动应用程序的运行时间;

　　Apache Avro：数据序列化系统;

　　Apache Curator：Apache ZooKeeper的Java库;

　　Apache Karaf：在任何OSGi框架之上运行的OSGi运行时间;

　　Apache Thrift：构建二进制协议的框架;

　　Apache Zookeeper：流程管理集中式服务;

　　Google Chubby：一种松耦合分布式系统锁服务;

　　Linkedin Norbert：集群管理器;

　　OpenMPI：消息传递框架;

　　Serf：服务发现和协调的分散化解决方案;

　　Spotify Luigi：一种构建批处理作业的复杂管道的Python包，它能够处理依赖性解析、工作流管理、可视化、故障处理、命令行一体化等等问题;

　　Spring XD：数据摄取、实时分析、批量处理和数据导出的分布式、可扩展系统;

　　Twitter Elephant Bird：LZO压缩数据的工作库;

　　Twitter Finagle：JVM的异步网络堆栈。

调度

　　Apache Aurora：在Apache Mesos之上运行的服务调度程序;

　　Apache Falcon：数据管理框架;

　　Apache Oozie：工作流作业调度程序;

　　Chronos：分布式容错调度;

　　Linkedin Azkaban：批处理工作流作业调度;

　　Schedoscope：Hadoop作业敏捷调度的Scala DSL;

　　Sparrow：调度平台;

　　Airflow：一个以编程方式编写、调度和监控工作流的平台。

机器学习

　　Apache Mahout：Hadoop的机器学习库;

　　brain：JavaScript中的神经网络;

　　Cloudera Oryx：实时大规模机器学习;

　　Concurrent Pattern：Cascading的机器学习库;

　　convnetjs：Javascript中的机器学习，在浏览器中训练卷积神经网络(或普通网络);

　　Decider：Ruby中灵活、可扩展的机器学习;

　　ENCOG：支持多种先进算法的机器学习框架，同时支持类的标准化和处理数据;

　　etcML：机器学习文本分类;

　　Etsy Conjecture：Scalding中可扩展的机器学习;

　　Google Sibyl：Google中的大规模机器学习系统;

　　GraphLab Create：Python的机器学习平台，包括ML工具包、数据工程和部署工具的广泛集合;

　　H2O：Hadoop统计性的机器学习和数学运行时间;

　　MLbase：用于BDAS堆栈的分布式机器学习库;

　　MLPNeuralNet：针对iOS和Mac OS X的快速多层感知神经网络库;

　　MonkeyLearn：使文本挖掘更为容易，从文本中提取分类数据;

　　nupic：智能计算的Numenta平台，它是一个启发大脑的机器智力平台，基于皮质学习算法的精准的生物神经网络;

　　PredictionIO：建于Hadoop、Mahout和Cascading上的机器学习服务器;

　　SAMOA：分布式流媒体机器学习框架;

　　scikit-learn：scikit-learn为Python中的机器学习;

　　Spark MLlib：Spark中一些常用的机器学习(ML)功能的实现;

　　Vowpal Wabbit：微软和雅虎发起的学习系统;

　　WEKA：机器学习软件套件;

　　BidMach：CPU和加速GPU的机器学习库。

基准测试

　　Apache Hadoop Benchmarking：测试Hadoop性能的微基准;

　　Berkeley SWIM Benchmark：现实大数据工作负载基准测试;

　　Intel HiBench：Hadoop基准测试套件;

　　PUMA Benchmarking：MapReduce应用的基准测试套件;

　　Yahoo Gridmix3：雅虎工程师团队的Hadoop集群基准测试。

安全性

　　Apache Knox Gateway：Hadoop集群安全访问的单点;

　　Apache Sentry：存储在Hadoop的数据安全模块。

系统部署

　　Apache Ambari：Hadoop管理的运作框架;

　　Apache Bigtop：Hadoop生态系统的部署框架;

　　Apache Helix：集群管理框架;

　　Apache Mesos：集群管理器;

　　Apache Slider：一种YARN应用，用来部署YARN中现有的分布式应用程序;

　　Apache Whirr：运行云服务的库集;

　　Apache YARN：集群管理器;

　　Brooklyn：用于简化应用程序部署和管理的库;

　　Buildoop：基于Groovy语言，和Apache BigTop类似;

　　Cloudera HUE：和Hadoop进行交互的Web应用程序;

　　Facebook Prism：多数据中心复制系统;

　　Google Borg：作业调度和监控系统;

　　Google Omega：作业调度和监控系统;

　　Hortonworks HOYA：可在YARN上部署HBase集群的应用;

　　Marathon：用于长期运行服务的Mesos框架。

应用程序

　　Adobe spindle：使用Scala、Spark和Parquet处理的下一代web分析;

　　Apache Kiji：基于HBase，实时采集和分析数据的框架;

　　Apache Nutch：开源网络爬虫;

　　Apache OODT：用于NASA科学档案中数据的捕获、处理和共享;

　　Apache Tika：内容分析工具包;

　　Argus：时间序列监测和报警平台;

　　Countly：基于Node.js和MongoDB，开源的手机和网络分析平台;

　　Domino：运行、规划、共享和部署模型——没有任何基础设施;

　　Eclipse BIRT：基于Eclipse的报告系统;

　　Eventhub：开源的事件分析平台;

　　Hermes：建于Kafka上的异步消息代理;

　　HIPI Library：在Hadoop's MapReduce上执行图像处理任务的API;

　　Hunk：Hadoop的Splunk分析;

　　Imhotep：大规模分析平台;

　　MADlib：RDBMS的用于数据分析的数据处理库;

　　Kylin：来自eBay的开源分布式分析工具;

　　PivotalR：Pivotal HD / HAWQ和PostgreSQL中的R;

　　Qubole：为自动缩放Hadoop集群，内置的数据连接器;

　　Sense：用于数据科学和大数据分析的云平台;

　　SnappyData：用于实时运营分析的分布式内存数据存储，提供建立在Spark单一集成集群中的数据流分析、OLTP(联机事务处理)和OLAP(联机分析处理);

　　Snowplow：企业级网络和事件分析，由Hadoop、Kinesis、Redshift 和Postgres提供技术支持;

　　SparkR：Spark的R前端;

　　Splunk：用于机器生成的数据的分析;

　　Sumo Logic：基于云的分析仪，用于分析机器生成的数据;

　　Talend：用于YARN、Hadoop、HBASE、Hive、HCatalog和Pig的统一开源环境;

　　Warp：利用大数据(OS X app)的实例查询工具。

搜索引擎与框架

　　Apache Lucene：搜索引擎库;

　　Apache Solr：用于Apache Lucene的搜索平台;

　　ElasticSearch：基于Apache Lucene的搜索和分析引擎;

　　Enigma.io：为免费增值的健壮性web应用，用于探索、筛选、分析、搜索和导出来自网络的大规模数据集;

　　Facebook Unicorn：社交图形搜索平台;

　　Google Caffeine：连续索引系统;

　　Google Percolator：连续索引系统;

　　TeraGoogle：大型搜索索引;

　　HBase Coprocessor：为Percolator的实现，HBase的一部分;

　　Lily HBase Indexer：快速、轻松地搜索存储在HBase的任何内容;

　　LinkedIn Bobo：完全由Java编写的分面搜索的实现，为Apache Lucene的延伸;

　　LinkedIn Cleo：为一个一个灵活的软件库，使得局部、无序、实时预输入的搜索实现了快速发展;

　　LinkedIn Galene：LinkedIn搜索架构;

　　LinkedIn Zoie：是用Java编写的实时搜索/索引系统;

　　Sphinx Search Server：全文搜索引擎

MySQL的分支和演化

　　Amazon RDS：亚马逊云的MySQL数据库;

　　Drizzle：MySQL的6.0的演化;

　　Google Cloud SQL：谷歌云的MySQL数据库;

　　MariaDB：MySQL的增强版嵌入式替代品;

　　MySQL Cluster：使用NDB集群存储引擎的MySQL实现;

　　Percona Server：MySQL的增强版嵌入式替代品;

　　ProxySQL：MySQL的高性能代理;

　　TokuDB：用于MySQL和 MariaDB的存储引擎;

　　WebScaleSQL：运行MySQL时面临类似挑战的几家公司，它们的工程师之间的合作。

PostgreSQL的分支和演化

　　Yahoo Everest - multi-peta-byte database / MPP derived by PostgreSQL.

　　HadoopDB：MapReduce和DBMS的混合体;

　　IBM Netezza：高性能数据仓库设备;

　　Postgres-XL：基于PostgreSQL，可扩展的开源数据库集群;

　　RecDB：完全建立在PostgreSQL内部的开源推荐引擎;

　　Stado：开源MPP数据库系统，只针对数据仓库和数据集市的应用程序;

　　Yahoo Everest：PostgreSQL可以推导多字节P比特数据库/MPP。

Memcached的分支和演化

　　Facebook McDipper：闪存的键/值缓存;

　　Facebook Memcached：Memcache的分支;

　　Twemproxy：Memcached和Redis的快速、轻型代理;

　　Twitter Fatcache：闪存的键/值缓存;

　　Twitter Twemcache：Memcache的分支。

嵌入式数据库

　　Actian PSQL：Pervasive Software公司开发的ACID兼容的DBMS，在应用程序中嵌入了优化;

　　BerkeleyDB：为键/值数据提供一个高性能的嵌入式数据库的一个软件库;

　　HanoiDB：Erlang LSM BTree存储;

　　LevelDB：谷歌写的一个快速键-值存储库，它提供了从字符串键到字符串值的有序映射;

　　LMDB：Symas开发的超快、超紧凑的键-值嵌入的式数据存储;

　　RocksDB：基于性LevelDB，用于快速存储的嵌入式持续性键-值存储。

　　商业智能

　　BIME Analytics：商业智能云平台;

　　Chartio：精益业务智能平台，用于可视化和探索数据;

　　datapine：基于云的自助服务商业智能工具;

　　Jaspersoft：功能强大的商业智能套件;

　　Jedox Palo：定制的商业智能平台;

　　Microsoft：商业智能软件和平台;

　　Microstrategy：商业智能、移动智能和网络应用软件平台;

　　Pentaho：商业智能平台;

　　Qlik：商业智能和分析平台;

　　Saiku：开源的分析平台;

　　SpagoBI：开源商业智能平台;

　　Tableau：商业智能平台;

　　Zoomdata：大数据分析;

　　Jethrodata：交互式大数据分析。

数据可视化

　　Airpal：用于PrestoDB的网页UI;

　　Arbor：利用网络工作者和jQuery的图形可视化库;

　　Banana：对存储在Kibana中Solr. Port的日志和时戳数据进行可视化;

　　Bokeh：一个功能强大的Python交互式可视化库，它针对要展示的现代web浏览器，旨在为D3.js风格的新奇的图形提供优雅简洁的设计，同时在大规模数据或流数据集中，通过高性能交互性来表达这种能力;

　　C3：基于D3可重复使用的图表库;

　　CartoDB：开源或免费增值的虚拟主机，用于带有强大的前端编辑功能和API的地理空间数据库;

　　chartd：只带Img标签的反应灵敏、兼容Retina的图表;

　　Chart.js：开源的HTML5图表可视化效果;

　　Chartist.js：另一个开源HTML5图表可视化效果;

　　Crossfilter：JavaScript库，用于在浏览器中探索多元大数据集，用Dc.js和D3.js.效果很好;

　　Cubism：用于时间序列可视化的JavaScript库;

　　Cytoscape：用于可视化复杂网络的JavaScript库;

　　DC.js：维度图表，和Crossfilter一起使用，通过D3.js呈现出来，它比较擅长连接图表/附加的元数据，从而徘徊在D3的事件附近;

　　D3：操作文件的JavaScript库;

　　D3.compose：从可重复使用的图表和组件构成复杂的、数据驱动的可视化;

　　D3Plus：一组相当强大的可重用的图表，还有D3.js的样式;

　　Echarts：百度企业场景图表;

　　Envisionjs：动态HTML5可视化;

　　FnordMetric：写SQL查询，返回SVG图表，而不是表;

　　Freeboard：针对IOT和其他Web混搭的开源实时仪表盘构建;

　　Gephi：屡获殊荣的开源平台，可视化和操纵大型图形和网络连接，有点像Photoshop，但是针对于图表，适用于Windows和Mac OS X;

　　Google Charts：简单的图表API;

　　Grafana：石墨仪表板前端、编辑器和图形组合器;

　　Graphite：可扩展的实时图表;

　　Highcharts：简单而灵活的图表API;

　　IPython：为交互式计算提供丰富的架构;

　　Kibana：可视化日志和时间标记数据;

　　Matplotlib：Python绘图;

　　Metricsgraphic.js：建立在D3之上的库，针对时间序列数据进行最优化;

　　NVD3：d3.js的图表组件;

　　Peity：渐进式SVG条形图，折线和饼图;

　　Plot.ly：易于使用的Web服务，它允许快速创建从热图到直方图等复杂的图表，使用图表Plotly的在线电子表格上传数据进行创建和设计;

　　Plotly.js：支持plotly的开源JavaScript图形库;

　　Recline：简单但功能强大的库，纯粹利用JavaScript和HTML构建数据应用;

　　Redash：查询和可视化数据的开源平台;

　　Shiny：针对R的Web应用程序框架;

　　Sigma.js：JavaScript库，专门用于图形绘制;

　　Vega：一个可视化语法;

　　Zeppelin：一个笔记本式的协作数据分析;

　　Zing Charts：用于大数据的JavaScript图表库。

物联网和传感器

　　TempoIQ：基于云的传感器分析;

　　2lemetry：物联网平台;

　　Pubnub：数据流网络;

　　ThingWorx：ThingWorx 是让企业快速创建和运行互联应用程序平台;

　　IFTTT：IFTTT 是一个被称为 “网络自动化神器” 的创新型互联网服务，它的全称是 If this then that，意思是“如果这样，那么就那样”;

　　Evrythng：Evrythng则是一款真正意义上的大众物联网平台，使得身边的很多产品变得智能化。

文章推荐

　 　NoSQL Comparison(NoSQL 比较)- 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(大数据基准)- Redshift, Hive, Shark, Impala and Stiger/Tez的基准;

　　The big data successor of the spreadsheet(电子表格的大数据继承者) - 电子表格的继承者应该是大数据。

论文

　　2015 - 2016

　　2015 - Facebook - One Trillion Edges: Graph Processing at Facebook-Scale.(一兆边：Facebook规模的图像处理)

　　2013 - 2014

　　2014 - Stanford - Mining of Massive Datasets.(海量数据集挖掘)

　　2013 - AMPLab - Presto: Distributed Machine Learning and Graph Processing with Sparse Matrices. (Presto： 稀疏矩阵的分布式机器学习和图像处理)

　　2013 - AMPLab - MLbase: A Distributed Machine-learning System. (MLbase：分布式机器学习系统)

　　2013 - AMPLab - Shark: SQL and Rich Analytics at Scale. (Shark: 大规模的SQL 和丰富的分析)

　　2013 - AMPLab - GraphX: A Resilient Distributed Graph System on Spark. (GraphX:基于Spark的弹性分布式图计算系统)

　 　2013 - Google - HyperLogLog in Practice: Algorithmic Engineering of a  State of The Art Cardinality Estimation Algorithm.  (HyperLogLog实践:一个艺术形态的基数估算算法)

　　2013 - Microsoft - Scalable Progressive Analytics on Big Data in the Cloud.(云端大数据的可扩展性渐进分析)

　　2013 - Metamarkets - Druid: A Real-time Analytical Data Store. (Druid：实时分析数据存储)

　　2013 - Google - Online, Asynchronous Schema Change in F1.(F1中在线、异步模式的转变)

　　2013 - Google - F1: A Distributed SQL Database That Scales. (F1: 分布式SQL数据库)

　　2013 - Google - MillWheel: Fault-Tolerant Stream Processing at Internet Scale.(MillWheel: 互联网规模下的容错流处理)

　　2013 - Facebook - Scuba: Diving into Data at Facebook. (Scuba: 深入Facebook的数据世界)

　　2013 - Facebook - Unicorn: A System for Searching the Social Graph. (Unicorn: 一种搜索社交图的系统)

　　2013 - Facebook - Scaling Memcache at Facebook. (Facebook 对 Memcache 伸缩性的增强)

　　2011 - 2012

　　2012 - Twitter - The Unified Logging Infrastructure for Data Analytics at Twitter. (Twitter数据分析的统一日志基础结构)

　　2012 - AMPLab –Blink and It’s Done: Interactive Queries on Very Large Data. (Blink及其完成：超大规模数据的交互式查询)

　　2012 - AMPLab –Fast and Interactive Analytics over Hadoop Data with Spark. (Spark上 Hadoop数据的快速交互式分析)

　　2012 - AMPLab –Shark: Fast Data Analysis Using Coarse-grained Distributed Memory. (Shark：使用粗粒度的分布式内存快速数据分析)

　　2012 - Microsoft –Paxos Replicated State Machines as the Basis of a High-Performance Data Store. (Paxos的复制状态机——高性能数据存储的基础)

　　2012 - Microsoft –Paxos Made Parallel. (Paxos算法实现并行)

　 　2012 - AMPLab – BlinkDB：BlinkDB: Queries with Bounded Errors and  Bounded Response Times on Very Large Data.(超大规模数据中有限误差与有界响应时间的查询)

　　2012 - Google –Processing a trillion cells per mouse click.(每次点击处理一兆个单元格)

　　2012 - Google –Spanner: Google’s Globally-Distributed Database.(Spanner：谷歌的全球分布式数据库)

　　2011 - AMPLab –Scarlett: Coping with Skewed Popularity Content in MapReduce Clusters.(Scarlett：应对MapReduce集群中的偏向性内容)

　　2011 - AMPLab –Mesos: A Platform for Fine-Grained Resource Sharing in the Data Center.(Mesos：数据中心中细粒度资源共享的平台)

　 　2011 - Google –Megastore: Providing Scalable, Highly Available Storage  for Interactive Services.(Megastore：为交互式服务提供可扩展，高度可用的存储)

　　2001 - 2010

　　2010 - Facebook - Finding a needle in Haystack: Facebook’s photo storage.(探究Haystack中的细微之处： Facebook图片存储)

　　2010 - AMPLab - Spark: Cluster Computing with Working Sets.(Spark:工作组上的集群计算)

　　2010 - Google - Storage Architecture and Challenges.(存储架构与挑战)

　　2010 - Google - Pregel: A System for Large-Scale Graph Processing.(Pregel: 一种大型图形处理系统)

　 　2010 - Google - Large-scale Incremental Processing Using Distributed  Transactions and Notications base of Percolator and  Caffeine.(使用基于Percolator 和 Caffeine平台分布式事务和通知的大规模增量处理)

　　2010 - Google - Dremel: Interactive Analysis of Web-Scale Datasets.(Dremel: Web规模数据集的交互分析)

　　2010 - Yahoo - S4: Distributed Stream Computing Platform.(S4:分布式流计算平台)

　 　2009 - HadoopDB：An Architectural Hybrid of MapReduce and DBMS  Technologies for Analytical Workloads.(混合MapReduce和DBMS技术用于分析工作负载的的架构)

　　2008 - AMPLab - Chukwa: A large-scale monitoring system.(Chukwa: 大型监控系统)

　　2007 - Amazon - Dynamo: Amazon’s Highly Available Key-value Store.(Dynamo: 亚马逊的高可用的关键价值存储)

　　2006 - Google - The Chubby lock service for loosely-coupled distributed systems.(面向松散耦合的分布式系统的锁服务)

　　2006 - Google - Bigtable: A Distributed Storage System for Structured Data.(Bigtable: 结构化数据的分布式存储系统)

　　2004 - Google - MapReduce: Simplied Data Processing on Large Clusters.(MapReduce: 大型集群上简化数据处理)

　　2003 - Google - The Google File System.(谷歌文件系统)