中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 機械工業(yè)出版社計算機科學(xué)叢書云計算:科學(xué)與工程實踐指南/(美)伊恩.福斯特
開本：
16開
頁數(shù)：
230
本類榜單：計算機/網(wǎng)絡(luò)銷量榜
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
機械工業(yè)出版社計算機科學(xué)叢書云計算:科學(xué)與工程實踐指南/(美)伊恩.福斯特 版權(quán)信息
- ISBN：9787111606727
- 條形碼：9787111606727 ; 978-7-111-60672-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機械工業(yè)出版社計算機科學(xué)叢書云計算:科學(xué)與工程實踐指南/(美)伊恩.福斯特 本書特色
由“網(wǎng)格計算之父”Ian Foster教授領(lǐng)銜撰寫，通過豐富的實戰(zhàn)案例復(fù)盤云的構(gòu)建和管理方法
機械工業(yè)出版社計算機科學(xué)叢書云計算:科學(xué)與工程實踐指南/(美)伊恩.福斯特 內(nèi)容簡介
本書向科學(xué)家、工程師和學(xué)生介紹云計算，內(nèi)容涵蓋云計算的支撐技術(shù)、解決云技術(shù)問題的新方法，以及將云服務(wù)集成到科學(xué)工作中所需要的概念。具體包括：管理云中的數(shù)據(jù)，以及如何對這些服務(wù)進行編程；在云計算中，從部署單一虛擬機或容器到支持基本的交互式科學(xué)實驗，從而收集機器集群的數(shù)據(jù)以進行分析；將云作為自動化分析程序、機器學(xué)習(xí)和分析流數(shù)據(jù)的平臺；用開源軟件構(gòu)建自己的云；云安全。
機械工業(yè)出版社計算機科學(xué)叢書云計算:科學(xué)與工程實踐指南/(美)伊恩.福斯特 目錄
出版者的話
譯者序
前言
致謝
第1章 在云的宇宙中定位 1
1.1 云：計算機、助理和平臺 1
1.2 云的概況 2
1.3 本書導(dǎo)讀 5
1.4 獲取云服務(wù)的方式：網(wǎng)站、應(yīng)用編程接口和軟件開發(fā)工具包 6
1.4.1 Web界面、應(yīng)用編程接口、軟件開發(fā)工具包和命令行界面 6
1.4.2 本地應(yīng)用和云應(yīng)用 8
1.5 本書使用的工具 8
1.5.1 Python 8
1.5.2 Jupyter：基于Web的交互式計算工具 9
1.5.3 版本控制系統(tǒng)GitHub 10
1.5.4 Globus 10
1.6 小結(jié) 10
1.7 資源 11
**部分 管理云中的數(shù)據(jù)
第2章 存儲即服務(wù) 15
2.1 三個啟發(fā)式的例子 15
2.2 存儲模型 16
2.2.1 文件系統(tǒng) 16
2.2.2 對象存儲 17
2.2.3 關(guān)系型數(shù)據(jù)庫 17
2.2.4 NoSQL數(shù)據(jù)庫 18
2.2.5 圖數(shù)據(jù)庫 19
2.2.6 數(shù)據(jù)倉庫 20
2.3 云存儲全景 20
2.3.1 文件系統(tǒng) 20
2.3.2 對象存儲 21
2.3.3 NoSQL服務(wù) 21
2.3.4 關(guān)系型數(shù)據(jù)庫 22
2.3.5 基于數(shù)據(jù)倉庫的數(shù)據(jù)分析 22
2.3.6 圖數(shù)據(jù)庫及其他服務(wù) 23
2.3.7 OpenStack存儲服務(wù)和Jetstream云服務(wù) 23
2.4 小結(jié) 24
2.5 資源 24
第3章 使用云存儲服務(wù) 25
3.1 兩種訪問方式：門戶和API 25
3.2 使用Amazon云存儲服務(wù) 26
3.3 使用Microsoft Azure云存儲服務(wù) 28
3.4 使用Google云存儲服務(wù) 31
3.4.1 Google Bigtable 32
3.4.2 Google Cloud Datastore 33
3.5 使用OpenStack云存儲服務(wù) 34
3.6 用Globus傳輸和共享數(shù)據(jù) 35
3.6.1 用Globus傳輸數(shù)據(jù) 36
3.6.2 用Globus共享數(shù)據(jù) 38
3.7 小結(jié) 38
3.8 資源 39
第二部分 云中的計算
第4章 計算即服務(wù) 43
4.1 虛擬機和容器 43
4.2 先進的計算服務(wù) 45
4.3 無服務(wù)器計算 46
4.4 公有云計算的優(yōu)缺點 46
4.5 小結(jié) 47
4.6 資源 48
第5章 虛擬機的使用和管理 49
5.1 歷史根源 49
5.2 亞馬遜的彈性計算云 50
5.2.1 創(chuàng)建虛擬機實例 50
5.2.2 連接存儲 52
5.3 Azure虛擬機 54
5.4 谷歌云虛擬機服務(wù) 55
5.5 Jetstream虛擬機服務(wù) 55
5.6 小結(jié) 56
5.7 資源 57
第6章 使用和管理容器 58
6.1 容器的基礎(chǔ)知識 58
6.2 Docker和Hub 59
6.3 容器用于科學(xué) 61
6.4 構(gòu)建你自己的容器 62
6.5 小結(jié) 63
6.6 資源 63
第7章 彈性部署 64
7.1 云中并行計算的范式 64
7.2 SPMD和HPC風(fēng)格的并行 65
7.2.1 云中的消息傳遞接口 65
7.2.2 云中的GPU 65
7.2.3 在Amazon云上部署HPC集群 67
7.2.4 在Azure上部署HPC集群 70
7.2.5 集群的進一步擴展 71
7.3 多任務(wù)并行計算 72
7.4 MapReduce和批量同步并行計算 72
7.5 圖數(shù)據(jù)流的執(zhí)行和Spark 73
7.6 代理和微服務(wù) 74
7.6.1 微服務(wù)和容器資源管理器 75
7.6.2 在集群中管理身份 75
7.6.3 簡單的例子 75
7.6.4 Amazon EC2容器服務(wù) 76
7.6.5 Google的Kubernetes 81
7.6.6 Mesos和Mesosphere 84
7.7 HTCondor 86
7.8 小結(jié) 86
7.9 資源 87
第三部分 云平臺
第8章 云中的數(shù)據(jù)分析 91
8.1 Hadoop和YARN 91
8.2 Spark 93
8.2.1 一個簡單的Spark程序 93
8.2.2 一個更有趣的Spark程序：k均值聚類 94
8.2.3 容器中的Spark 95
8.2.4 Spark中的SQL 96
8.3 Amazon Elastic MapReduce 97
8.4 Azure HDInsight和數(shù)據(jù)湖 99
8.4.1 Azure Data Lake存儲 100
8.4.2 數(shù)據(jù)湖分析 101
8.5 Amazon Athena分析 102
8.6 Google云數(shù)據(jù)實驗室 102
8.6.1 華盛頓和印第安納州的風(fēng)疹 103
8.6.2 尋找氣象臺的異常 104
8.7 小結(jié) 107
8.8 資源 107
第9章 將數(shù)據(jù)以流式傳輸?shù)皆贫?109
9.1 科學(xué)流案例 109
9.1.1 廣域地球物理傳感器網(wǎng)絡(luò) 110
9.1.2 城市信息學(xué) 110
9.1.3 大規(guī)模科學(xué)數(shù)據(jù)流 111
9.2 流系統(tǒng)的基本設(shè)計挑戰(zhàn) 112
9.3 Amazon Kinesis和Firehose 112
9.3.1 Kinesis Streams架構(gòu) 113
9.3.2 Kinesis和Amazon SQS 114
9.4 Kinesis、Spark和物體陣列 115
9.5 用Azure進行流數(shù)據(jù)處理 118
9.6 Kafka、Storm和Heron Streams 121
9.7 Google Dataflow和Apache Beam 124
9.8 Apache Flink 126
9.9 小結(jié) 127
9.10 資源 128
第10章 基于云的機器學(xué)習(xí) 129
10.1 Spark機器學(xué)習(xí)庫 129
10.1.1 邏輯回歸 130
10.1.2 芝加哥餐廳案例 130
10.2 Azure機器學(xué)習(xí)空間 133
10.3 Amazon機器學(xué)習(xí)平臺 136
10.4 深度學(xué)習(xí)淺析 138
10.4.1 深度網(wǎng)絡(luò) 139
10.4.2 卷積神經(jīng)網(wǎng)絡(luò) 140
10.4.3 遞歸神經(jīng)網(wǎng)絡(luò) 141
10.5 Amazon MXNet虛擬機鏡像 143
10.6 Google TensorFlow 146
10.7 微軟認(rèn)知工具包 147
10.8 小結(jié) 149
10.9 資源 150
第11章 Globus研究數(shù)據(jù)管理平臺 152
11.1 分布式數(shù)據(jù)的挑戰(zhàn)和機遇 152
11.2 Globus平臺 153
11.2.1 Globus傳輸和共享 153
11.2.2 rule_data結(jié)構(gòu) 155
11.3 身份和證書管理 155
11.3.1 Globus Auth授權(quán)服務(wù) 156
11.3.2 一個典型的Globus Auth工作流 157
11.3.
譯者序
前言
致謝
第1章 在云的宇宙中定位 1
1.1 云：計算機、助理和平臺 1
1.2 云的概況 2
1.3 本書導(dǎo)讀 5
1.4 獲取云服務(wù)的方式：網(wǎng)站、應(yīng)用編程接口和軟件開發(fā)工具包 6
1.4.1 Web界面、應(yīng)用編程接口、軟件開發(fā)工具包和命令行界面 6
1.4.2 本地應(yīng)用和云應(yīng)用 8
1.5 本書使用的工具 8
1.5.1 Python 8
1.5.2 Jupyter：基于Web的交互式計算工具 9
1.5.3 版本控制系統(tǒng)GitHub 10
1.5.4 Globus 10
1.6 小結(jié) 10
1.7 資源 11
**部分 管理云中的數(shù)據(jù)
第2章 存儲即服務(wù) 15
2.1 三個啟發(fā)式的例子 15
2.2 存儲模型 16
2.2.1 文件系統(tǒng) 16
2.2.2 對象存儲 17
2.2.3 關(guān)系型數(shù)據(jù)庫 17
2.2.4 NoSQL數(shù)據(jù)庫 18
2.2.5 圖數(shù)據(jù)庫 19
2.2.6 數(shù)據(jù)倉庫 20
2.3 云存儲全景 20
2.3.1 文件系統(tǒng) 20
2.3.2 對象存儲 21
2.3.3 NoSQL服務(wù) 21
2.3.4 關(guān)系型數(shù)據(jù)庫 22
2.3.5 基于數(shù)據(jù)倉庫的數(shù)據(jù)分析 22
2.3.6 圖數(shù)據(jù)庫及其他服務(wù) 23
2.3.7 OpenStack存儲服務(wù)和Jetstream云服務(wù) 23
2.4 小結(jié) 24
2.5 資源 24
第3章 使用云存儲服務(wù) 25
3.1 兩種訪問方式：門戶和API 25
3.2 使用Amazon云存儲服務(wù) 26
3.3 使用Microsoft Azure云存儲服務(wù) 28
3.4 使用Google云存儲服務(wù) 31
3.4.1 Google Bigtable 32
3.4.2 Google Cloud Datastore 33
3.5 使用OpenStack云存儲服務(wù) 34
3.6 用Globus傳輸和共享數(shù)據(jù) 35
3.6.1 用Globus傳輸數(shù)據(jù) 36
3.6.2 用Globus共享數(shù)據(jù) 38
3.7 小結(jié) 38
3.8 資源 39
第二部分 云中的計算
第4章 計算即服務(wù) 43
4.1 虛擬機和容器 43
4.2 先進的計算服務(wù) 45
4.3 無服務(wù)器計算 46
4.4 公有云計算的優(yōu)缺點 46
4.5 小結(jié) 47
4.6 資源 48
第5章 虛擬機的使用和管理 49
5.1 歷史根源 49
5.2 亞馬遜的彈性計算云 50
5.2.1 創(chuàng)建虛擬機實例 50
5.2.2 連接存儲 52
5.3 Azure虛擬機 54
5.4 谷歌云虛擬機服務(wù) 55
5.5 Jetstream虛擬機服務(wù) 55
5.6 小結(jié) 56
5.7 資源 57
第6章 使用和管理容器 58
6.1 容器的基礎(chǔ)知識 58
6.2 Docker和Hub 59
6.3 容器用于科學(xué) 61
6.4 構(gòu)建你自己的容器 62
6.5 小結(jié) 63
6.6 資源 63
第7章 彈性部署 64
7.1 云中并行計算的范式 64
7.2 SPMD和HPC風(fēng)格的并行 65
7.2.1 云中的消息傳遞接口 65
7.2.2 云中的GPU 65
7.2.3 在Amazon云上部署HPC集群 67
7.2.4 在Azure上部署HPC集群 70
7.2.5 集群的進一步擴展 71
7.3 多任務(wù)并行計算 72
7.4 MapReduce和批量同步并行計算 72
7.5 圖數(shù)據(jù)流的執(zhí)行和Spark 73
7.6 代理和微服務(wù) 74
7.6.1 微服務(wù)和容器資源管理器 75
7.6.2 在集群中管理身份 75
7.6.3 簡單的例子 75
7.6.4 Amazon EC2容器服務(wù) 76
7.6.5 Google的Kubernetes 81
7.6.6 Mesos和Mesosphere 84
7.7 HTCondor 86
7.8 小結(jié) 86
7.9 資源 87
第三部分 云平臺
第8章 云中的數(shù)據(jù)分析 91
8.1 Hadoop和YARN 91
8.2 Spark 93
8.2.1 一個簡單的Spark程序 93
8.2.2 一個更有趣的Spark程序：k均值聚類 94
8.2.3 容器中的Spark 95
8.2.4 Spark中的SQL 96
8.3 Amazon Elastic MapReduce 97
8.4 Azure HDInsight和數(shù)據(jù)湖 99
8.4.1 Azure Data Lake存儲 100
8.4.2 數(shù)據(jù)湖分析 101
8.5 Amazon Athena分析 102
8.6 Google云數(shù)據(jù)實驗室 102
8.6.1 華盛頓和印第安納州的風(fēng)疹 103
8.6.2 尋找氣象臺的異常 104
8.7 小結(jié) 107
8.8 資源 107
第9章 將數(shù)據(jù)以流式傳輸?shù)皆贫?109
9.1 科學(xué)流案例 109
9.1.1 廣域地球物理傳感器網(wǎng)絡(luò) 110
9.1.2 城市信息學(xué) 110
9.1.3 大規(guī)模科學(xué)數(shù)據(jù)流 111
9.2 流系統(tǒng)的基本設(shè)計挑戰(zhàn) 112
9.3 Amazon Kinesis和Firehose 112
9.3.1 Kinesis Streams架構(gòu) 113
9.3.2 Kinesis和Amazon SQS 114
9.4 Kinesis、Spark和物體陣列 115
9.5 用Azure進行流數(shù)據(jù)處理 118
9.6 Kafka、Storm和Heron Streams 121
9.7 Google Dataflow和Apache Beam 124
9.8 Apache Flink 126
9.9 小結(jié) 127
9.10 資源 128
第10章 基于云的機器學(xué)習(xí) 129
10.1 Spark機器學(xué)習(xí)庫 129
10.1.1 邏輯回歸 130
10.1.2 芝加哥餐廳案例 130
10.2 Azure機器學(xué)習(xí)空間 133
10.3 Amazon機器學(xué)習(xí)平臺 136
10.4 深度學(xué)習(xí)淺析 138
10.4.1 深度網(wǎng)絡(luò) 139
10.4.2 卷積神經(jīng)網(wǎng)絡(luò) 140
10.4.3 遞歸神經(jīng)網(wǎng)絡(luò) 141
10.5 Amazon MXNet虛擬機鏡像 143
10.6 Google TensorFlow 146
10.7 微軟認(rèn)知工具包 147
10.8 小結(jié) 149
10.9 資源 150
第11章 Globus研究數(shù)據(jù)管理平臺 152
11.1 分布式數(shù)據(jù)的挑戰(zhàn)和機遇 152
11.2 Globus平臺 153
11.2.1 Globus傳輸和共享 153
11.2.2 rule_data結(jié)構(gòu) 155
11.3 身份和證書管理 155
11.3.1 Globus Auth授權(quán)服務(wù) 156
11.3.2 一個典型的Globus Auth工作流 157
11.3.
展開全部
機械工業(yè)出版社計算機科學(xué)叢書云計算:科學(xué)與工程實踐指南/(美)伊恩.福斯特 作者簡介
---作者簡介--- 伊恩?福斯特（Ian Foster） 計算機科學(xué)家，芝加哥大學(xué)教授，阿貢國家實驗室杰出研究員。他是網(wǎng)格計算理論的創(chuàng)始人和積極倡導(dǎo)者，被尊稱為“網(wǎng)格計算之父”。 丹尼斯·B. 甘農(nóng)（Dennis B. Gannon) 印第安納大學(xué)計算機科學(xué)系榮譽退休教授。曾任微軟云研究戰(zhàn)略總監(jiān)，向全球的研究和教育機構(gòu)提供Azure云計算資源。 ---譯者簡介【已更新】--- 趙勇 清數(shù)科技及融數(shù)鏈創(chuàng)始人，電子科技大學(xué)副教授，曾任職于美國微軟搜索與廣告部，獲微軟杰出員工獎。博士期間師從Ian Foster教授。 黃毅 美國SkyGlue公司總裁兼CTO，圣何塞大學(xué)教授兼大數(shù)據(jù)實驗室主任。曾任職于微軟，擔(dān)任Azure云計算軟件開發(fā)工程師。博士期間師從Dennis Gannon教授。
書友推薦
- >
名家?guī)阕x魯迅:故事新編
- >
羅庸西南聯(lián)大授課錄
- >
我與地壇
- >
莉莉和章魚
- >
煙與鏡
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
李白與唐代文化
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
本類暢銷
