📌📌 معرفی ابزار: "آپاچی کاساندرا"

🖌 آپاچی کاساندرا یک سیستم مدیریت پایگاه داده NoSQL توزیع شده منبع باز و رایگان است که به مقادیر زیاد داده در سرورها، با ارائه دسترس پذیری بالا، بدون نقطه شکست رسیدگی می‌کند.

✅ متن کامل یادداشت را در لینک زیر بخوانید:

http://telegra.ph/Apache-Cassandr-04-18

#معرفی_ابزار
#آپاچی_کاساندرا
#ساینا_رتبه‌ای

@BigData_BusinessAnalytics

📌📌 معرفی ابزار: "آپاچی زوکیپر"

🖌 آپاچی زوکیپر یک سرویس متمرکز برای سیستم‌های توزیع‌شده كه براي ذخيره‌سازي key-value سلسله مراتبی ضروري است و برای ارائه خدمات پیکربندی توزیع‌شده، سرویس هماهنگ‌سازی و نامگذاری رجیستری برای سیستم‌های توزیع شده بزرگ استفاده می شود. ZooKeeper زیر پروژه Hadoop بود، اما در حال حاضر یک پروژه آپاچی سطح بالا است.

✅ متن کامل یادداشت را در لینک زیر بخوانید:

http://telegra.ph/معرفي-ابزار-Apache-ZooKeeper-05-01

#معرفی_ابزار
#آپاچی_زوکیپر
#ساینا_رتبه‌ای

@BigData_BusinessAnalytics

📌📌معرفی مقالات داغ حوزه عظیم‌داده

"داده‌کاوی با عظیم‌داده"

"Data Mining with Big Data"


خلاصه و لینک دریافت مقاله:
http://bit.do/emoQE

#بررسی_مقاله
#ساینا_رتبه‌ای


@BigData_BusinessAnalytics

📌📌فایل مقاله

"داده‌کاوی با عظیم‌داده"

"Data Mining with Big Data"


#بررسی_مقاله
#ساینا_رتبه‌ای


@BigData_BusinessAnalytics

📌📌معرفی مقالات داغ حوزه عظیم‌داده

"تعلیم و آموزش برای موفقیت مشاغل در عظیم‌داده و آنالیز کسب‌وکار"

"Education and Training for Successful Career in Big Data and Business Analytics"


خلاصه و لینک دریافت مقاله:
http://bit.do/eohsn

#بررسی_مقاله
#ساینا_رتبه‌ای


@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛
"عظیم‌داده، چگونه داده‌ها، کسب‌وکارهای بزرگ را قدرت می‌بخشند"
"Big Data, Understanding How Data Powers Big Business"
☑ بخش سیزدهم(بخش پایاني): "فراخوانی برای اقدام "
"Call to Action"

📌 برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 http://yon.ir/Vwkl6

#کتاب_بخوانیم
#عظیم‌داده_چگونه_کسب‌وکارهای_بزرگ_را_قدرتمند_می‌سازد
#فصل_سیزدهم
#ساینا_رتبه‌ای
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"

☑️ بخش اول: "ملاقات با هدوپ "
"Meet Hadoop"

📌 برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 http://yon.ir/BDif8

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_اول
#ساینا_رتبه‌ای

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"

☑️ بخش سوم: "HDFS چیست؟ "
"HDFS"

📌 برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗http://yon.ir/r7Pxt

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_سوم
#ساینا_رتبه‌ای

@BigData_BusinessAnalytics

📌📌 معرفی کسب‌وکار داده‌محور

🖌 PubNub

یک شبکه جهانی جریان داده و یک شرکت به عنوان یک سرویس واقع در سانفرانسیسکو می‌باشد. این شرکت محصولاتی را برای توسعه‌دهندگان نرم‌افزار و سخت‌افزار برای ایجاد برنامه‌های کاربردی بلادرنگ وب، تلفن همراه و اینترنت می‌سازد.
محصول اصلی PubNub یک API انتشار/اشتراک پیام در زمان واقعی است که بر روی شبکه جریان داده جهانی خودشان ایجاد شده است. این شبکه از حداقل 14 مرکز داده واقع در آمریکای شمالی، آمریکای جنوبی، اروپا و آسیا تشکیل شده است و در حال حاضر بیش از 330 میلیون دستگاه را در اختیار دارد و پیش از یک میلیارد پیام در ماه در جریان است.

برای خواندن ادامه این متن به لینک زیر مراجعه فرمایید:

🔗https://telegra.ph/PubNub-02-08

#معرفی_ابزار
#کسب_و_کار‌_داده_محور
#ساینا_رتبه‌ای

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"

☑️ بخش هشتم: "انواع MapReduce و فرمت‌ها"

📌مپ‌ردیوس(MapReduce) یک مدل ساده از پردازش داده‌ها را دارد: ورودی‌ها و خروجی‌ها برایmap و توابع reduce جفت‌های کلید ارزش هستند. این فصل به تفصیل به مدل MapReduce می‌پردازد و به ویژه به اینکه چگونه داده‌ها در فرمت‌های مختلف از متن ساده تا اشیاء باینری ساختارمند می‌توانند با این مدل استفاده شوند.

☑️برای خواندن ادامه این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗https://bit.ly/2VCNuIq

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_هشتم
#ساینا_رتبه‌ای

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 🔎کاربرد عظیم‌داده‌ها در باغ‌وحش و حفاظت از حیوانات

🔻به طور سنتی، اکثر کارهای حفاظت شده، انجام کارهای میدانی توسط متخصصان زیست‌شناسی و سایر دانشمندان با ردیابی دستی حرکت جمعیت حیوانات و یا گسترش پوشش گیاهی با استفاده از دستگاه های ردیابی یا چشمانشان می‌باشد. اما، با افزایش پیچیدگی تکنولوژی جمع‌آوری داده‌ها و تجزیه و تحلیل، همراه با ضرورت فزاینده فوری برای نجات تعداد زیادی از گونه‌های در حال انقراض، روش‌های جدید برای کمک به نظارت و ردیابی حیات وحش به طور مداوم در حال توسعه هستند.

🔺 برای خواندن ادامه این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/2Jof21U
#نمونه_موردی
#عظیم_داده
#باغ_وحش
#ساینا_رتبه‌ای
#ZSL

@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"


📌 بخش هجدهم: Apache Crunch

🔸در این فصل به معرفی ابزار Apache Crunch پرداخته می‌شود. Apache Crunch یک API با سطح بالاتر برای نوشتن pipelineهای MapReduce است. مهم‌ترین مزایای آن نسبت به MapReduce ساده، تمرکز آن بر روی برنامه‌نویسان انواع جاوا سازگار مانند رشته‌ها و اشیاء ساده قدیمی جاوا، مجموعه‌ای غنی‌تر از عملیات تبدیل داده‌ها و pipelineهای چند مرحله‌ای است.

✅ برای خواندن ادامه این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/2Sb4s1t

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_هجدهم
#ساینا_رتبه‌ای


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"


📌 بخش نوزدهم: Apache Spark

🔸در این فصل به معرفی ابزار Apache Spark پرداخته می‌شود. Apache Spark یک چارچوب محاسباتی خوشه‌ای برای پردازش داده در مقیاس بزرگ است. برخلاف بسیاری از چارچوب‌های پردازش دیگر که در این کتاب مورد بحث قرار گرفته است، Spark از MapReduce به عنوان موتور اجرا استفاده نمی‌کند. در عوض، برای اجرای کار روی یک خوشه از زمان اجرای توزیع شده خود استفاده می‌کند. Spark طوری با Hadoop یکپارچه شده است که می‌تواند YARN را اجرا کند و با فرمت‌های فایل Hadoop و پشتیبان‌های ذخیره‌سازی مانند HDFS کار کند.

✅ برای خواندن ادامه این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/2R6f8Oi

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_نوزدهم
#ساینا_رتبه‌ای


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"


📌 بخش بیست و یکم: ZooKeeper

🔸تاکنون در این کتاب، به بررسی پردازش داده در مقیاس بزرگ پرداخته شده است. این فصل متفاوت در مورد ساخت برنامه‌های کاربردی توزیع شده عمومی با استفاده از سرویس هماهنگی توزیع شده Hadoop، به نام ZooKeeper است. نوشتن برنامه‌های توزیع شده کار سختی است. این کار در درجه اول به دلیل عدم موفقیت جزئی سخت است. وقتی یک پیام بین دو گره به شبکه ارسال می‌شود و شبکه خراب می شود ، فرستنده نمی‌داند گیرنده پیام را دریافت کرده است یا خیر. ممکن است قبل از اینکه شبکه خراب شود پیام دریافت شود، یا ممکن است دریافت نشده باشد. یا شاید پروسه گیرنده از کار بیافتد. تنها راهی که فرستنده می‌تواند متوجه شود چه اتفاقی افتاده است ، اتصال مجدد به گیرنده و سؤال از آن است. این یک شکست جزئی است: ما حتی نمی‌دانیم که یک عمل انجام نشده است. ZooKeeper نمی‌تواند شکست‌های جزئی را از بین ببرد، زیرا در اصل سیستم‌های توزیع شده هستند. مطمئناً شکست‌های جزئی را نیز پنهان نمی‌کند. اما آنچه ZooKeeper انجام می‌دهد دادن مجموعه‌ای از ابزارها برای ساختن برنامه‌های توزیع شده است که می‌تواند با اطمینان نقص جزئی را بکار بگیرد.

✅ برای خواندن ادامه این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/2y0Jnzl

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_بیست_و_یکم
#ساینا_رتبه‌ای


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"ذخیره‌سازی و تحلیل در سطح اینترنت" از مجموعه کتب "راهنمای کامل هدوپ"
"Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale"


📌 بخش بیست و چهارم: مطالعه موردی - Cascading

🔸 آبشار (Cascading) یک کتابخانه جاوای منبع باز و API است که یک لایه انتزاعی برای MapReduce فراهم می‌کند. این برنامه‌نویس‌ها را قادر می‌سازد تا برنامه‌های پیچیده و مهم برای پردازش داده‌ها را که روی خوشه‌های Hadoop اجرا می‌شوند، ایجاد کنند. این فصل از کتاب با مقدمه‌ای بر مفاهیم اصلی Cascading آغاز می‌شود، سپس در یک مطالعه موردی با مروری بر نحوه استفاده ShareThis از Cascading در زیرساخت‌های خود به پایان می‌رسد.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/39zdlsE

#کتاب_بخوانیم
#ذخیره‌سازی_و_تحلیل_در_سطح_اینترنت_از_مجموعه_کتب_راهنمای_کامل_هدوپ
#فصل_بیست_و_چهارم
#ساینا_رتبه‌ای

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

Big data platforms: in the lens of selection and evaluation approach

🖋نویسندگان:
Saeed Rouhani, Sayna Rotbei

🔸 تجلی عظیم داده‌ها علاوه بر چالش های اساسی برای پردازش داده‌ها، در شرکت‌ها برای ارزش تحلیلی تمایلات شدید را ایجاد کرده است. باز کردن قفل پتانسیل‌های تجزیه و تحلیل عظیم داده‌ها به طراحی و تنظیم سیستم عامل ها از طریق زنجیره ارزش عظیم داده‌ها بستگی دارد. دستیابی به این سیستم عامل‌های مناسب امری ضروری است و نیاز به یک روش انتخاب و ارزیابی دارد. به همین منظور، در این تحقیق، رویکرد جدید fuzzy superiority and inferiority برای انتخاب و ارزیابی سیستم عامل‌های عظیم داده‌ها مورد بررسی قرار گرفته و معرفی شده است.
🔹در روش پیشنهادی، هر دو معیار عملکردی و غیر عملکردی برای سیستم عامل‌ عظیم‌داده‌ها جمع‌آوری و سفارشی‌سازی شدند. برای نشان دادن کاربرد روش، یک مثال عددی ارائه شده است و روش پیشنهادی در مورد شرکتی که با این مشکل خرید سیستم عامل روبرو شده بود مورد استفاده قرار گرفته است. ساده سازی ارزیابی و انتخاب سیستم عامل‌های عظیم داده‌ها و روش عملی‌، ارزش اصلی رویکرد ارائه شده است. روش پیشنهادی با توجه به ارزیابی دقیق‌تر و تصمیم‌گیری بهتر در مورد خرید، برای شرکت‌های خریدار، فروشندگان و صنایع عظیم‌داده مفید است.

🔸 خلاصه و دريافت مقاله:

🔗 https://bit.ly/2Z3yx5B


#معرفی_مقاله
#پلتفرم‌های_عظیم_داده
#دکتر_سعید_روحانی
#ساینا_رتبه‌ای




www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش نهم: تجزیه و تحلیل ‌عظیم‌داده برای خدمات مالی و بانکی

🔸 در این فصل روش‌های احتمالی کاربرد تحلیلگری عظیم‌داده در بخش خدمات بانکی و مالی مورد بررسی قرار گرفته است.در یک تجارت مالی بسیار رقابتی، شرکت‌هایی داریم که برای جلب مشتریان بالقوه خود با یکدیگر رقابت می‌کنند. این امر خواستار نظارت دقیق آنها بر نظرات و بازخورد مشتری در همه سیستم عامل‌های مختلف جهان با اینترنت که داده‌های بی‌سابقه‌ای را برای ترسیم بینش ارائه می‌دهد، می‌باشد. پدیده عظیم‌داده منجر به گسترش طیف وسیعی از انواع داده قابل پردازش شده است که به بانک‌ها و موسسات مالی امکان هضم، جذب و پاسخ بهتر به تعاملات فیزیکی و دیجیتالی آنها با مشتریان را می‌دهد.

🔹بینش مشتری و تجزیه و تحلیل بازاریابی، تجزیه و تحلیل احساسات برای ادغام بازخورد مشتری، تجزیه و تحلیل پیش‌بینی برای استفاده از بینش مشتری، ایجاد مدل، کشف تقلب و مدیریت ریسک، ادغام تجزیه و تحلیل ‌عظیم‌داده در عملیات، بهترین روشهای تجزیه و تحلیل داده‌ها در بانکداری برای جبران بحران و مدیریت از جمله موارد مورد بررسی در این فصل است.


✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/r41438

#کتاب_بخوانیم
#فصل_نهم
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🔸نوآوری در عظیم داده - Netflix
نتفلیکس بر اساس آنچه مشتریان قبلاً مشاهده کرده اند با جمع آوری داده‌ها در برنامه‌های تلویزیونی مشاهده شده، زمان صرف شده در هر نمایش، ترجیحات بازیگران و غیره تبلیغات تلویزیونی را انجام می‌دهد. با همه این موارد، نتفلیکس می‌تواند ارزش مشتری را برای تبلیغ کنندگان محاسبه کند.
🔹 چشم انداز آینده
به دلیل این که بسیاری از مشاغل دارای داده‌های زیادی از مشتریان خود هستند اما زیرساخت‌ها یا توانایی درک آنها را ندارند، نیاز به زیرساخت‌ها و تجزیه و تحلیل فناوری بهتر و جدید همچنان افزایش می‌یابد. بنابراین، با استفاده از قدرت تجزیه و تحلیل داده‌ها، تبلیغ کنندگان می‌توانند روندهای نوظهور را شناسایی کرده و گزینه‌های تبلیغات زنده را در زمان واقعی ارائه دهند: تجزیه و تحلیل پیش‌بینی شده مبتنی بر فناوری عظیم داده می‌تواند به مخاطبین مناسب در زمان مناسب، هدف همه تبلیغات، کمک کند. این فرصتی را برای شرکت‌ها فراهم می‌کند تا داده‌های خود را استخراج کنند تا هم سطح پایینی و هم خدمات مشتری را بهبود بخشند، به جای اینکه کورکورانه روی معدن طلای داده‌های مشتریان بنشینند.
🔸 نتیجه گیری
در این فصل، نقش احتمالی تجزیه و تحلیل عظیم داده در تبلیغات تجزیه و تحلیل شده است. نقش تجزیه و تحلیل پیش‌بینی در تبلیغات با مثال Netflix ارائه شده است. در نهایت چشم انداز آینده برای نقش تجزیه و تحلیل عظیم داده در تبلیغات ارائه شده است.


#کتاب_بخوانیم
#فصل_دوازدهم
#تبلیغات
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🔎 استفاده از هوش مصنوعی برای درک اطلاعات مشتری

🔻 مطالعه موردی: شرکت کیمبرلی کلارک

🔸 کیمبرلی کلارک برخی از معروف‌ترین برندهای مراقبت شخصی از جمله Huggies، Kleenex و Scott را تولید می‌کند که در 175 کشور به فروش می‌رسند. در واقع، از هر چهار نفر جمعیت جهان، یک نفر از محصولات آن را به طور منظم استفاده می کند. ممکن است این محصولات پر زرق و برق نباشند، اما بخش مهمی از زندگی روزمره هستند، به این معنی که مقادیر زیادی از منابع برای اطمینان از تولید، فروش و توزیع موثر آنها صرف می شود. این بدان معناست که مانند بسیاری از مشاغل بزرگ دیگر، کیمبرلی کلارک دریافته است که سازنده ترین راه رو به جلو، تبدیل شدن به یک شرکت فناوری می باشد. علاوه بر تولید کالاهای روزمره که نام خود را بر روی آن بنا نهاده است، بیش از 150 فناوری خودساخته، از شرکت‌های نوپا گرفته تا شرکت‌های Fortune، مجوز می‌دهد.

🔹 کیمبرلی کلارک از هوش مصنوعی (AI) استفاده می‌کند تا تمام داده‌هایی را که از مشتریان و عملیات تجاری آنها جمع‌آوری می‌کند، معنا کند. این داده ها برای ساخت مدل های دقیق از اینکه مشتریان آن چه کسانی هستند استفاده می شود. سپس مشتریان واقعی را می‌توان بر اساس مدلی که بهترین مدل را دارند، «بخش‌بندی» کرد تا سرنخ‌هایی به کسب‌وکار در مورد آنچه که ممکن است بخواهند بخرند ارائه دهند.

🔸 در سراسر جهان بیش از 15000 محصول Kimberly-Clark در هر ثانیه در هر روز فروخته می شود. هر یک از این فروش‌ها نقاط داده تولید می‌کند، از زمان و مکان فروش گرفته تا اطلاعات مشتری از طرح های وفاداری یا نمایه‌های خرید آنلاین، و همچنین داده‌های خارجی از منابعی مانند رتبه بندی Nielsen. با داده‌های بسیار زیاد، هوش تجاری سنتی و فناوری ارتباط با مشتری نمی‌تواند به اندازه کافی سریع عمل کند تا قبل از منسوخ شدن داده‌ها بینش ایجاد کند. هوش مصنوعی و فناوری که برای پشتیبانی از آن ساخته شده است - پلتفرم‌های عظیم‌داده مانند Hadoop و چارچوب‌های اینترنت اشیا - استخراج معنی را ممکن می‌کند.


🔺 برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/n07172

#نمونه_موردی
#عظیم_داده
#هوش_مصنوعی
#ساینا_رتبه‌ای

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش پانزدهم: امنیت در عظیم داده‌ها

🔸در فصل‌های قبلی، دیدیم که چگونه تکنیک‌های تجزیه و تحلیل عظیم داده‌ را می‌توان در حوزه‌های کاربردی مختلف مانند وب معنایی اجتماعی، IOT، خدمات مالی و بانکداری، بازار سرمایه و بیمه اعمال کرد. در تمام این موارد، موفقیت چنین کاربرد تکنیک‌های تجزیه و تحلیل عظیم داده‌ به شدت به امنیت بستگی دارد. در این فصل، چگونگی و میزان توان تضمین امنیت در عظیم داده‌ بررسی خواهد شد.

🔹مجمع جهانی اقتصاد اخیراً داده‌ها را «نفت جدید» نامیده است. عصر طلایی جدیدی بوجود آمده که در آن شرکت‌هایی مانند IBM، Oracle، SAS، Microsoft، SAP، EMC، HP و Dell برای به حداکثر رساندن سود خود سازمان‌دهی می‌کنند. از آنجایی که با ارزش ترین منبع در حال حاضر داده است و کسانی که بیشترین مقدار داده را در اختیار دارند، قدرت و نفوذ زیادی خواهند داشت، بنابراین، شرکت‌هایی مانند فیس‌بوک، گوگل و اکسیون در حال ایجاد بزرگترین مجموعه داده‌ها در مورد رفتار انسان هستند که تا به حال در تاریخ ایجاد شده‌اند و می‌توانند از این اطلاعات برای اهداف خود برای سود، نظارت یا تحقیقات پزشکی استفاده کنند.

🔸مانند سایر منابع ارزشمند، این با ارزش‌ترین منبع جدید، «داده‌ها» باید به اندازه کافی با مقررات امنیتی مناسب محافظت و حراست شود. در حال حاضر مکانیسم‌های امنیتی کافی برای محافظت از این منبع نداریم. پایگاه داده‌ای که چنین داده‌هایی را ذخیره می‌کند آسیب پذیر هستند و توسط عناصر غیرقانونی یا مجرمانه قابل دسترسی و هک است. همچنین در مورد داده های زیاد ذخیره شده در شرکت هایی مانند فیس بوک و گوگل نیز در مقابل دسترسی، هک، سوء استفاده آسیب پذیر است. در این فصل، آسیب‌پذیری‌ها و تهدیدات امنیتی در عظیم‌داده‌ها شناسایی شده و همچنین تکنیک‌های ممکن به عنوان اقدامات اصلاحی خلاصه شده است.


✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/z30973

#کتاب_بخوانیم
#فصل_پانزدهم
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics