大數據云服務技術架構與實踐

《大數據云服務技術架構與實踐》是2016年11月清華大學出版社出版的圖書，作者是李天目。

基本介紹

• 書名：大數據云服務技術架構與實踐
• 作者：李天目
• 出版社：清華大學出版社
• 出版時間：2016年11月
• 定價：49.5 元
• ISBN：9787302454601

內容簡介

本書是從大數據和雲計算相結合的視角，系統地介紹大數據云架構技術與實踐的專業圖書，全書分為五篇19章，分別介紹大數據云計算的概論、關鍵技術、體系架構、雲架構實踐與編程和安全。本書層次清晰，結構合理，主要內容包括大數據云計算關係、大數據套用價值、分散式計算、NoSQL資料庫、機器學習、虛擬化、Docker容器、Web 2.0、綠色數據中心、基礎設計即服務（IaaS）、平台即服務（PaaS）、軟體即服務（SaaS）、容器即服務（CaaS）、大數據云架構搭建、Spark大數據編程、大數據和雲計算面臨的安全威脅、保障大數據安全、套用大數據保障安全等。

本書可作為高年級本科生和研究生教材，也可作為廣大科學技術人員和計算機愛好者的參考書。

圖書目錄

第1篇大數據云計算概論

第1章大數據概述

1.1大數據產生與發展

1.1.1大數據產生背景

1.1.2大數據發展歷程

1.1.3當前大數據

1.2大數據概念與特徵

1.2.1大數據概念

1.2.2大數據的特點

1.3大數據套用

1.3.1企業內部大數據套用

1.3.2物聯網大數據套用

1.3.3面向線上社交網路大數據的套用

1.3.4醫療健康大數據套用

1.3.5群智感知

1.3.6智慧型電網

1.4大數據的研究與展望

1.5本章小結

第2章大數據和雲計算

2.1大數據和雲計算的關係

2.1.1大數據和雲計算關係概述

2.1.2雲計算是大數據處理的基礎

2.1.3大數據是雲計算的延伸

2.2雲計算概念

2.2.1雲的興起

2.2.2雲計算的定義及其特點

2.2.3雲計算名稱的來歷

2.3雲計算類型

2.3.1基礎設施類

2.3.2平台類

2.3.3套用類

2.3.4以所有權劃分雲計算系統類型

2.4雲計算商業模式

2.4.1商業模式是雲計算的基石

2.4.2雲計算的市場規模

2.4.3雲計算商業模式分析

2.5本章小結

第3章大數據套用價值

3.1大數據在電子商務中的套用

3.1.1大數據是電子商務發展要素

3.1.2電子商務大數據的實用措施

3.1.3電子商務大數據的轉型路徑

3.2大數據在金融的套用

3.2.1大數據金融的提出

3.2.2大數據金融的功能

3.2.3大數據金融的挑戰

3.2.4大數據金融創新

3.3大數據在媒體的套用

3.3.1傳統媒體的不足

3.3.2大數據驅動傳統媒體的升級

3.3.3大數據引領新媒體發展

3.4大數據在醫療上的套用

3.4.1大數據改進臨床決策支持系統

3.4.2大數據助推醫療產品研發

3.4.3大數據催生新醫療服務模式

3.5大數據在教育上的套用

3.5.1大數據教育與傳統教育的優勢

3.5.2大數據教學模式的不斷改善

3.5.3教育大數據市場的廣闊前景

3.5.4大數據變革教育套用的實踐措施

3.6本章小結

第2篇大數據云計算關鍵技術

第4章分散式計算框架

4.1分散式計算基本概念

4.1.1分散式計算與並行計算

4.1.2分散式計算和並行計算的比較

4.2Hadoop系統介紹

4.2.1Hadoop發展歷程

4.2.2Hadoop使用場景和特點

4.2.3Hadoop項目組成

4.3分散式檔案系統

4.3.1分散式檔案系統概述

4.3.2HDFS架構

4.3.3HDFS設計特點

4.4MapReduce計算模型

4.4.1MapReduce概述

4.4.2MapReduce套用實例

4.4.3MapReduce實現和架構

4.5分散式協同控制

4.5.1常見分散式並發控制方法

4.5.2Google Chubby並發鎖

4.6Spark計算框架

4.6.1Spark簡介

4.6.2Spark生態系統

4.7Flink計算框架

4.7.1Flink簡介

4.7.2Flink中的調度簡述

4.7.3Flink的生態圈

4.8本章小結

第5章NoSQL資料庫

5.1NoSQL資料庫概述

5.1.1NoSQL資料庫的4大分類

5.1.2資料庫系統CAP理論和BASE理論

5.1.3NoSQL的共同特徵

5.2Hbase資料庫

5.2.1HBase簡介

5.2.2HBase訪問接口

5.2.3HBase數據模型

5.2.4MapReduce on HBase

5.2.5HBase系統架構

5.3本章小結

第6章機器學習

6.1機器學習概述

6.1.1機器學習分類

6.1.2機器學習發展歷程

6.2機器學習常用的算法

6.2.1回歸算法

6.2.2基於實例的算法

6.2.3正則化方法

6.2.4決策樹算法

6.2.5貝葉斯方法

6.2.6基於核的算法

6.2.7聚類算法

6.2.8關聯規則學習

6.2.9遺傳算法

6.2.10人工神經網路

6.2.11深度學習

6.2.12降低維度算法

6.2.13集成算法

6.3本章小結

第7章虛擬化

7.1虛擬化概述

7.1.1虛擬化發展歷史

7.1.2虛擬化技術的發展熱點和趨勢

7.1.3虛擬化技術的概念

7.2虛擬化的分類

7.2.1從實現的層次劃分

7.2.2從套用的領域劃分

7.3套用虛擬化

7.3.1套用虛擬化的使用特點

7.3.2套用虛擬化的優勢

7.3.3套用虛擬化要考慮的問題

7.4桌面虛擬化

7.4.1桌面虛擬化優勢

7.4.2桌面虛擬化使用條件

7.5伺服器虛擬化

7.5.1伺服器虛擬化架構

7.5.2CPU虛擬化

7.5.3記憶體虛擬化

7.5.4I/O虛擬化

7.6網路虛擬化

7.6.1傳統網路虛擬化技術

7.6.2主機網路虛擬化

7.6.3網路設備虛擬化

7.7存儲虛擬化

7.7.1存儲虛擬化概述

7.7.2按照不同層次劃分存儲虛擬化

7.7.3按照實現方式不同劃分存儲虛擬化

7.8本章小結

第8章Docker容器

8．1Docker容器概述

8．1．1Docker容器的由來

8．1．2Docker定義

8．1．3Docker的優勢

8．2Docker的原理

8．2．1Linux Namespace(ns)

8．2．2Control Groups(cgroups)

8．2．3Linux容器(LXC)

8．2．4AUFS

8．2．5Grsec

8．3Docker技術發展與套用

8．3．1Docker解決的問題

8．3．2Docker的未來發展

8．3．3Docker技術的局限

8．4本章小結

第9章Web 2．0

9．1Web 2．0產生背景和定義

9．1．1Web 2．0產生背景

9．1．2Web 2．0的概念

9．1．3Web 2．0和Web 1．0比較

9．1．4Web 2．0特徵

9．2Web 2．0套用產品

9．2．1Web 2．0主要套用產品

9．2．2主要產品的區別

9．3Web 2．0相關技術

9．3．1Web 2．0的設計模式

9．3．2Web標準

9．3．3向Web標準過渡

9．4本章小結

第10章綠色數據中心

10．1綠色數據中心概述

10．1．1雲數據中心發展階段

10．1．2綠色數據中心架構

10．1．3雲數據中心需要整合的資源

10．2數據中心管理和維護

10．2．1實現端到端、大容量、可視化的基礎設施整合

10．2．2實現虛擬化、自動化的管理

10．2．3實現面向業務的套用管理和流量分析

10．3本章小結

第3篇雲計算架構

第11章基礎設施即服務

11．1IaaS概述

11．1．1IaaS的定義

11．1．2IaaS提供服務的方法

11．1．3IaaS雲的特徵

11．1．4IaaS和虛擬化的關係

11．2IaaS技術架構

11．2．1資源層

11．2．2虛擬化層

11．2．3管理層

11．2．4服務層

11．3IaaS雲計算管理

11．3．1自動化部署

11．3．2彈性能力提供技術

11．3．3資源監控

11．3．4資源調度

11．3．5業務管理和計費度量

11．4Amazon雲計算案例

11．4．1概述

11．4．2Amazon S3

11．4．3Amazon Simple DB

11．4．4Amazon RDS

11．4．5Amazon SQS

11．4．6Amazon EC2

11．5本章小結

第12章平台即服務

12．1PaaS概述

12．1．1PaaS的由來

12．1．2PaaS的概念

12．1．3PaaS模式的開發

12．1．4PaaS推進SaaS時代

12．2PaaS架構

12．2．1PaaS的功能

12．2．2多租戶彈性是PaaS的核心特性

12．2．3PaaS架構的核心意義

12．2．4PaaS改變未來軟體開發和維護模式

12．3Google的雲計算平台

12．3．1設計理念

12．3．2構成部分

12．3．3App Engine服務

12．4Windows Azure平台

12．4．1Windows Azure作業系統

12．4．2SQL Azure

12．4．3.NET服務

12．4．4Live服務

12．4．5Windows Azure Platform的用途

12．5本章小結

第13章軟體即服務

13．1SaaS概述

13．1．1SaaS的由來

13．1．2SaaS的概念

13．1．3SaaS與傳統軟體的區別

13．1．4SaaS模式套用於信息化優勢

13．1．5SaaS成熟度模型

13．2模式及實現

13．2．1SaaS商務模式

13．2．2SaaS平台架構

13．2．3SaaS服務平台的主要功能

13．2．4SaaS服務平台關鍵技術

13．3Salesforce雲計算案例

13．3．1Salesforce雲計算產品組成

13．3．2Salesforce雲計算特點

13．4本章小結

第14章容器即服務

14．1容器雲服務

14．1．1雲平台架構層次

14．1．2容器雲

14．1．3容器雲的特點

14．2Kubernetes套用部署

14．2．1Kubernetes架構

14．2．2Kubernetes模型

14．2．3內部使用者的服務發現

14．2．4外部訪問Service

14．3Mesos套用

14．3．1Mesos體系結構和工作流

14．3．2Mesos流程

14．3．3Mesos資源分配

14．3．4Mesos優勢

14．4基於Kubernetes打造SAE容器雲

14．4．1Kubernetes 的好處

14．4．2容器雲網路

14．4．3容器雲存儲

14．5基於Mesos去哪兒網容器雲

14．5．1背景

14．5．2套用Mesos構建容器雲

14．5．3雲環境構建

14．6本章小結

第4篇大數據云架構實踐與編程

第15章大數據云架構搭建

15．1分散式Hadoop與Spark集群搭建

15．1．1Hadoop集群構建

15．1．2Spark集群構建

15．2基於Docker大數據云架構

15．2．1簡介

15．2．2Docker和Weave搭建

15．2．3Hadoop集群鏡像搭建

15．2．4集群部署與啟動

15．2．5基於Ambari管理平台的鏡像搭建

15．2．6桌面系統XFCE搭建

15．3本章小結

第16章Spark大數據編程

16．1Spark套用開發環境配置

16．1．1使用Intellij開發Spark程式

16．1．2使用Spark Shell開發運行Spark程式

16．2Spark大數據編程

16．2．1WordCount

16．2．2股票趨勢預測

16．3本章小結

第5篇大數據安全

第17章大數據云計算面臨的安全威脅

17．1大數據云計算的安全問題

17．1．1大數據基礎設施安全威脅

17．1．2大數據存儲安全威脅

17．1．3大數據云架構網路安全威脅

17．1．4大數據帶來隱私問題

17．1．5針對大數據的高級持續性攻擊

17．1．6其他安全威脅

17．2不同領域大數據的安全需求

17．2．1網際網路行業

17．2．2電信行業

17．2．3金融行業

17．2．4醫療行業

17．2．5政府組織

17．3大數據安全內涵

17．3．1保障大數據安全

17．3．2大數據用於安全領域

17．4大數據安全研究方向

17．4．1大數據安全保障技術

17．4．2大數據安全套用技術

17．5本章小結

第18章保障大數據安全

18．1大數據安全的關鍵技術

18．1．1非關係資料庫安全策略

18．1．2防範APT攻擊

18．2大數據安全保障實踐

18．2．1大數據採集與存儲的安全防護

18．2．2大數據挖掘與套用的安全防護

18．2．3大數據安全審計

18．2．4大數據安全評估與安全管理

18．2．5數據中心的安全保障

18．3本章小結

第19章套用大數據保障安全

19．1大數據安全檢測及套用

19．1．1安全檢測與大數據的融合

19．1．2用戶上網流量數據的挖掘與分析

19．2安全大數據

19．2．1數據挖掘方法

19．2．2挖掘目標及評估

19．3基於大數據的網路態勢感知

19．3．1態勢感知定義

19．3．2網路態勢感知

19．3．3基於流量數據的網路安全感知

19．3．4基於大數據分析的網路最佳化

19．3．5網路安全感知套用實踐

19．4視頻監控數據的安全套用

19．4．1視頻監控數據的處理需求

19．4．2視頻監控數據挖掘技術

19．4．3海量視頻監控數據的分析與處理

19．5本章小結

參考文獻