⁧مایکروسافت سیستم سنتر یا Microsoft System Center در حقیقت یک مجموعه از محصولات مدیریتی مایکروسافت است که برای کمک کردن به مدیران IT سازمان ها برای مدیریت و پشتیبانی بهتر و آسانتر سیستم های سرور و کلاینت در شبکه های تحت این سیستم عامل طراحی شده است و شامل محصولات متنوعی است که هر کدام به منظور بر طرف سازی بخشی از نیاز یک مدیر IT طراحی شده اند به شرح زیر هستند :


1. Microsoft System Center Configuration Manager یا به اصطلاح SCCM نمونه بروز شده محصول قبلی مایکروسافت در سال 2003 بوده که با نام Systems Management Server یا SMS شناخته میشده است و مهمترین وظایف آن مدیریت تنظیمات ، مدیریت منابع سخت افزاری و نرم افزاری و توزیع بسته های امنیتی به روی کلاینت ها ( Patch Deployment) می باشد .
2. Microsoft System Center Data Protection Manager یا به اصطلاح SCDPM نمونه کاملی از یک نرم افزار تهیه نسخه پشتیبان از سیستم ها ( Backup) و بازگردانی اطلاعات در مواقع بروز حادثه ( Disaster Recovery) برای محصولات مایکروسافت است . دوستانی که با نرم افزارهایی مثل Acronis و Symantec Backup Exec کار کردند بهتر میدونن که این یک نمونه از همینگونه نرم افزار هاست .
3. Microsoft System Center Operations Manager یا به اصطلاح SCOM نرم افزار بسیار قدرتمند برای پایش یا مانیتورینگ و گزارش گیری از عملکرد سرویس های و برنامه های کابردی تحت سیستم عامل مایکروسافت است .
4. Microsoft System Center Essentials به اصطلاح SCE ترکیبی از SCOM و WSUS ( سیستم بروز رسانی مرکزی مایکروسافت یا Windows Server Update Services)
5. System Center Mobile Device Manager یا به اصطلاح SCMDM همانطور که از اسمش پیداست برای مدیریت ابزارهای موبایل مثل PDA و SmartPhone ها بکار میرود.
6. Microsoft System Center Virtual Machine Manager یا به اصطلاح SCVMM همانطور که از اسمشی پیداست برای مدیریت ماشین های مجازی و مجازی سازی دیتا سنتر ها استفاده میشود .
7. Microsoft System Center Opalis یا به اصطلاح SCO اپالیس یک سیستم مکانیزه شده برای هماهنگ سازی ابزارهای فناوری اطلاعات در کنار هم است و هدف اصلی آن کاهش هزینه های مدیریت دیتا سنتر در عین بالا بردن قابلیت های پردازشی فناوری اطلاعات در سازمان است . این نرم افزار توان مکانیزه سازی قابلیت های موجود ( Best Practices ) در محصول (MOF ( Microsoft Operations Framework و همچنین هماهنگی کامل با ITIL را دارد .

اینم یه مورد از aggregation و map-reduce.......اول کم میکنه....بعد خلاصه میکنه......جالبه!

مشابه با معماریهای ابری، چشم انداز کلان داده به چهار لایه که به صورت عمودی در شکل زیر نشان داده شده است می تواند تقسیم گردد.

Infrastructure as a service (IaaS):
شامل حافظه، سرورها و شبکه بعنوان کالای پایه و ارزان پشته داده کلان می باشد.این پشته می تواند به صورت فیزیکی یا مجازی(ابری) باشد.سیستمهای فایل توزیع شده قسمتی ازین لایه هستند.

Platform as a service (PaaS):
منابع ذخیره داده NoSQL و cacheهای توزیع شده که می توانند به طور منطقی توسط زبانهای پرسجو مورد پرسجو قرار گیرند لایه پلتفرم داده کلان را تشکیل می دهند.این لایه مدل منطقی برای داده خام و غیرساخت یافته ذخیره شده در فایلها را فراهم می کند.

Data as a Service (DaaS):
کل آرایه ابزارهای در دسترس برای یکپارچگی با لایه PaaS با استفاده از موتورهای جستجو، آداپتورهای یکپارچگی، برنامه های دسته ای و ... در این لایه قرار می گیرند.API موجود در این لایه بوسیله تمام سیستمهای نقطه نهایی در مد محاسباتی الاستیک مورد مصرف قرار می گیرد.

Big Data Business Functions as a Service (BFaaS):
صنایع خاص-مانند سلامت، خرده فروشی، تجارت الکترونیک، انرژی، بانکداری- می توانند بسته برنامه هایی که یک نیاز تجاری خاص را سرویس دهند ایجاد کنند و از لایه DaaS برای توابع داده میان بر نهایت استفاده را ببرند.

تحلیل داده غیر ساخت یافته شامل تشخیص الگوها در متن، ویدئو، تصاویر و سایر چنین محتویاتی می باشد.این امر با جستجوهای مرسوم که مستندات مرتبط را بر پایه یک رشته جستجو برای ما می آورد تفاوت دارد.تحلیل متن درباره جستجو برای الگوهای تکراری در مستندات، ایمیلها، محاورات و سایر داده هاست تا استنتاج و بینش به ما دهد.
داده غیر ساخت یافته با متدهایی نظیر تحلیل زیان طبیعی (NLP) و داده کاوی و مدیریت داده اصلی (MDM) و آمار تحلیل می گردد.تحلیل متن از پایگاه داده های NoSQL برای استانداردسازی ساختار داده استفاده می کند تا آن بتواند بوسیله زبانهای پرسجویی نظیر PIG، Hive و ... تحلیل گردد.فرآیندهای تحلیل و استخراج از مزایای تکنیکهایی که از زبانشناسی، آمار و تحلیل عددی سرچشمه می گیرند، بهره می جوید.

با چالشهای زیادی روبرو هستیم.
یکی از چالشهای اساسی فهمیدن و اولویت بندی داده از آشغال (داده بیخود) می باشد که بداخل سازمان می آید.نود درصد داده ها بیخود هستند و کلاسبندی و فیلتر کردن دانش ازین داده ها کار ترسناکی است.
در جستجوی یافتن متدهای کم هزینه تحلیل، سازمانها باید در برابر الزامات محرمانگی داده مصالحه کرده و توازن برقرار کنند.استفاده از رایانش ابری و مجازی سازی تصمیم گیری در مورد میزبانی راه حل های داده کلان در خارج از سازمان را پیچیده تر کرده است. اما استفاده از این تکنولوژیها یک مبادله در برابر هزینه مالکیتی است که هر سازمانی با آن سروکار دارد.
داده به سرعت زیاد می شود طوریکه بایگانی آن گران تمام می شود.سازمانها باید تعیین کنند که تا چه مدتی می خواهند داده نگهداری گردد. این یک سوال زیرکانه است چرا که بعضی از داده ها برای تصمیم گیری بلند مدت سودمند هستند در حالیکه بقیه داده ها حتی چند ساعت پس از اینکه تولید شدند و تحلیل گشته و بینشی از آنها اخذ گردید، مناسب نمی باشند.
با اختراع تکنولوژیهای جدید و ابزارهای موردنیاز برای ساخت راه حل های داده کلان،در دسترس بودن مهارت ها یک چالش بزرگ برای CIO ها می باشد.امروزه یک سطح بالا از مهارت در دانش داده برای پیاده سازی راه حل های داده کلان مورد نیاز می باشد زیرا ابزارها هنوز کاربر پسند نیستند.

حجم داده اطراف ما هر روز در حال رشد است، همانطور که در شکل زیر می بینیم

از آنجاییکه 70 درصد داده ها بوسیله افرادی تولید می شود که مشتریان سازمانها یا جاهای دیگر می باشند، سازمانها نمی توانند از این منبع مهم فیدبک مشتریان که بینشی در مورد رفتار مشتریان به ما می دهد چشم پوشی کنند.