Big Data. Najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym

(ebook) (audiobook) (audiobook)

Autorzy:: Nathan Marz, James Warren

Big Data. Najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym Nathan Marz, James Warren - okładka ebooka

Big Data. Najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym Nathan Marz, James Warren - okładka audiobooka MP3

Big Data. Najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym Nathan Marz, James Warren - okładka audiobooks CD

Obróć Zajrzyj do książki

Wydawnictwo:: Helion
Wydawnictwo:: Helion
Ocena:: 6.0/6 Opinie: 3
Stron:: 352
Druk:: oprawa miękka
3w1 w pakiecie:: PDF

ePub

Mobi

+89 pkt

+29 pkt

Książka

89,00 zł

Dodaj do koszyka

Wysyłamy od 3 do 10 dni roboczych

Dostawa 0,00 zł

Ebook

~~59,00 zł~~ 50%
29,50 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Powiadom o dostępności audiobooka »

Czytaj fragment

Obsługa aplikacji, które operują na ogromnych zbiorach danych, czyli na przykład portali społecznościowych, przekracza możliwości zwykłych relacyjnych baz. Praca ze złożonymi zbiorami danych wymaga architektury obejmującej wielomaszynowe klastry, dzięki którym możliwe jest przechowywanie i przesyłanie informacji praktycznie dowolnej wielkości. Architektura taka powinna dodatkowo być prosta w użyciu, niezawodna i skalowalna.

Dzięki tej książce nauczysz się budować tego rodzaju architekturę. Zapoznasz się z technologią wykorzystywania klastrów maszyn. Dowiesz się, jak działają narzędzia przeznaczone specjalnie do przechwytywania i analizy danych na wielką skalę. W książce zaprezentowano łatwe do zrozumienia podejście do obsługi systemów wielkich zbiorów danych, które mogą być budowane i uruchamiane przez niewielki zespół. Nie zabrakło też wyczerpującego opisu praktycznej implementacji systemu Big Data z wykorzystaniem rzeczywistego przykładu.

W tej książce znajdziesz:

teoretyczne podstawy koncepcji systemów Big Data
wskazówki umożliwiające optymalne wykorzystanie zasobów do obsługi danych
wybór technik przetwarzania i obsługi wielkich ilości danych w czasie rzeczywistym
zagadnienia dotyczące baz danych NoSQL, przetwarzania strumieniowego i zarządzania złożonością obliczeń przyrostowych
informacje o praktycznym stosowaniu takich narzędzi jak Hadoop, Cassandra i Storm
wskazówki umożliwiające poszerzenie wiedzy o zwykłych bazach danych

Big Data — to skalowalność i prostota obsługi wielkich ilości danych!

Pokaż opis z okładki oryginału »

Aplikacje internetowe, takie jak portale społecznościowe, analizy czasu rzeczywistego lub strony e-commerce, mają do czynienia z dużą ilością danych, których wolumen i prędkość przekraczają limity tradycyjnych systemów bazodanowych. Te aplikacje wymagają architektur zbudowanych wokół klastrów maszyn, aby przechowywać i przetwarzać dane o dowolnym rozmiarze lub dowolnej prędkości. Na szczęście skalowalność i prostota nie wykluczają się wzajemnie.

Big Data uczy budowania systemów wielkich zbiorów danych przy użyciu architektury zaprojektowanej specjalnie do przechwytywania i analizowania danych na skalę internetową. Ta książka prezentuje architekturę lambda, czyli skalowalne, łatwe do zrozumienia podejście umożliwiające budowanie i uruchamianie systemów danych przez niewielki zespół. Poznasz teorię systemów Big Data i sposoby implementacji ich w praktyce. Poza odkryciem ogólnego frameworku do przetwarzania wielkich zbiorów danych, nauczysz się konkretnych technologii, takich jak Hadoop, Storm oraz bazy danych NoSQL.

Co znajdziesz w środku:

wprowadzenie do systemów Big Data;
przetwarzanie w czasie rzeczywistym danych na skalę internetową;
narzędzia, takie jak Hadoop, Cassandra i Storm;
poszerzenie umiejętności związanych z tradycyjnymi bazami danych.

Ta książka nie wymaga wcześniejszego doświadczenia z analizą danych na dużą skalę lub narzędziami NoSQL. Znajomość tradycyjnych baz danych jest pomocna.
Nathan Marz jest twórcą projektu Apache Storm i autorem architektury lambda dla systemów Big Data. James Warren jest architektem analityki z doświadczeniem w uczeniu maszynowym i obliczeniach naukowych.

„Przewyższa indywidualne narzędzia lub platformy. Lektura obowiązkowa dla każdego, kto pracuje z systemami Big Data”.

Jonathan Esterhazy, Groupon

„Wyczerpująca tematycznie, oparta na przykładach podróż po architekturze lambda, z jej autorem w roli przewodnika”.

Mark Fisher, Pivotal

„Zawiera wiedzę, którą można nabyć tylko podczas pracy nad wieloma projektami Big Data. Lektura obowiązkowa”.

Pere Ferrera Bertran, Datasalt

„De facto przewodnik po optymalizowaniu potoków danych w przetwarzaniu wsadowym i zbliżonym do czasu rzeczywistego”.

Alex Holmes, autor książki Hadoop in Practice

Ebooka przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook
i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Audiobooka posłuchasz:

w aplikacji Ebookpoint na Android, iOS, HarmonyOs
na systemach Windows, MacOS i innych

na dowolnych urządzeniach
i aplikacjach obsługujących format MP3
(pliki spakowane w ZIP)

Masz pytania? Zajrzyj do zakładki Pomoc »

Kurs Video zobaczysz:

Oceny i opinie klientów: Big Data. Najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym Nathan Marz, James Warren (3)

6
(3)
5
(0)
4
(0)
3
(0)
2
(0)
1
(0)

6.0

6 oceniona przez: 2017-11-17

Pozycja, która proponuje architekturę, dzięki której systemy klasy Big Data mogą posiadać z pozoru niemożliwe do spełnienia własności. Można znać, wiele cegiełek z narzędzi Big Data, to jednak nie wystarcza, trzeba wiedzieć jak je ze sobą połączyć - i o tym jest ta pozycja.
6 potwierdzona zakupem i oceniona przez: Kacper Pikulski, 2017-02-10

Świetna! Nauczyła mnie bardzo dużo, polecam każdemu.
6 oceniona przez: Tomasz Lewowski, 2016-06-04

Świetna książka - czytelny układ, jasny przekaz, dużo konkretów i przykładów. Bardzo treściwa i rzeczowa, zdecydowanie polecam.

więcej opinii

Szczegóły ebooka

Tytuł oryginału:: Big Data: Principles and best practices of scalable realtime data systems
Tłumaczenie:: Lech Lachowski
ISBN Książki drukowanej:: 978-83-283-1892-2, 9788328318922
Data wydania książki drukowanej:: 2016-02-18
ISBN Ebooka:: 978-83-283-1895-3, 9788328318953
Data wydania ebooka:: 2016-02-18 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
Format:: 168x237
Numer z katalogu:: 42001
druk na żądanie!: dnż
Rozmiar pliku Pdf:: 7.9MB
Rozmiar pliku ePub:: 6.8MB
Rozmiar pliku Mobi:: 6.8MB
Pobierz przykładowy rozdział PDF
Przykłady na ftp

Zgłoś erratę

Kategorie

Kliknij, aby zgłosić błędnie przypisaną kategorię »

Informatyka » Biznes IT » Big data

Informatyka » IT w ekonomii

Informatyka » Biznes IT » Big data » Analiza danych

Spis treści ebooka

Przedmowa (11)

Podziękowania (13)

O książce (17)

Rozdział 1. Nowy paradygmat dla Big Data (19)

1.1. Zawartość książki (20)
1.2. Skalowanie tradycyjnej bazy danych (21)
- 1.2.1. Skalowanie za pomocą kolejki (22)
- 1.2.2. Skalowanie przez sharding bazy danych (22)
- 1.2.3. Rozpoczynają się problemy z odpornością na błędy (23)
- 1.2.4. Problemy z uszkodzeniem danych (24)
- 1.2.5. Co poszło nie tak? (24)
- 1.2.6. W jaki sposób techniki Big Data mogą pomóc? (24)
1.3. NoSQL nie jest panaceum (25)
1.4. Pierwsze zasady (25)
1.5. Wymagane właściwości systemu Big Data (26)
- 1.5.1. Niezawodność i odporność na błędy (26)
- 1.5.2. Odczytywanie i aktualizowanie z niską latencją (27)
- 1.5.3. Skalowalność (27)
- 1.5.4. Uogólnienie (27)
- 1.5.5. Rozszerzalność (27)
- 1.5.6. Zapytania ad hoc (28)
- 1.5.7. Minimalna konserwacja (28)
- 1.5.8. Debugowalność (28)
1.6. Problemy z architekturami w pełni przyrostowymi (29)
- 1.6.1. Złożoność operacyjna (29)
- 1.6.2. Ekstremalna złożoność osiągania spójności ostatecznej (30)
- 1.6.3. Brak odporności na ludzkie błędy (32)
- 1.6.4. Rozwiązanie w pełni przyrostowe w porównaniu z architekturą lambda (32)
1.7. Architektura lambda (34)
- 1.7.1. Warstwa przetwarzania wsadowego (36)
- 1.7.2. Warstwa obsługująca (37)
- 1.7.3. Warstwy przetwarzania wsadowego i obsługująca zapewniają niemal wszystkie właściwości (37)
- 1.7.4. Warstwa przetwarzania czasu rzeczywistego (39)
1.8. Najnowsze trendy w technologii (41)
- 1.8.1. Procesory nie stają się coraz szybsze (42)
- 1.8.2. Elastyczne chmury (42)
- 1.8.3. Dynamiczny ekosystem open source dla Big Data (42)
1.9. Przykładowa aplikacja: SuperWebAnalytics.com (44)
1.10. Podsumowanie (44)

CZĘŚĆ I. WARSTWA PRZETWARZANIA WSADOWEGO (47)

Rozdział 2. Model danych dla Big Data (49)

2.1. Właściwości danych (51)
- 2.1.1. Dane są surowe (53)
- 2.1.2. Dane są niemutowalne (56)
- 2.1.3. Dane są wiecznie prawdziwe (59)
2.2. Reprezentacja danych za pomocą modelu opartego na faktach (60)
- 2.2.1. Przykładowe fakty i ich właściwości (60)
- 2.2.2. Korzyści ze stosowania modelu opartego na faktach (62)
2.3. Schematy graficzne (66)
- 2.3.1. Elementy schematu graficznego (66)
- 2.3.2. Potrzeba zapewnienia egzekwowalności schematu (67)
2.4. Kompletny model danych dla aplikacji SuperWebAnalytics.com (68)
2.5. Podsumowanie (70)

Rozdział 3. Model danych dla Big Data: ilustracja (71)

3.1. Dlaczego framework serializacji? (72)
3.2. Apache Thrift (72)
- 3.2.1. Węzły (73)
- 3.2.2. Krawędzie (73)
- 3.2.3. Właściwości (74)
- 3.2.4. Połączenie wszystkich elementów w obiekty danych (75)
- 3.2.5. Ewolucja schematu (75)
3.3. Ograniczenia frameworku serializacji (76)
3.4. Podsumowanie (78)

Rozdział 4. Przechowywanie danych w warstwie przetwarzania wsadowego (79)

4.1. Wymagania dotyczące przechowywania głównego zbioru danych (80)
4.2. Wybór rozwiązania pamięci masowej dla warstwy przetwarzania wsadowego (81)
- 4.2.1. Użycie magazynu danych klucz-wartość dla głównego zbioru danych (82)
- 4.2.2. Rozproszone systemy plików (82)
4.3. Sposób działania rozproszonych systemów plików (83)
4.4. Przechowywanie głównego zbioru danych z wykorzystaniem rozproszonego systemu plików (85)
4.5. Partycjonowanie pionowe (86)
4.6. Niskopoziomowy charakter rozproszonych systemów plików (87)
4.7. Przechowywanie głównego zbioru danych aplikacji SuperWebAnalytics.com w rozproszonym systemie plików (89)
4.8. Podsumowanie (90)

Rozdział 5. Przechowywanie danych w warstwie przetwarzania wsadowego: ilustracja (91)

5.1. Korzystanie z Hadoop Distributed File System (92)
- 5.1.1. Problem małych plików (93)
- 5.1.2. Dążenie do wyższego poziomu abstrakcji (93)
5.2. Przechowywanie danych w warstwie przetwarzania wsadowego z wykorzystaniem biblioteki Pail (94)
- 5.2.1. Podstawowe operacje biblioteki Pail (95)
- 5.2.2. Serializacja i umieszczanie obiektów w wiaderkach (96)
- 5.2.3. Operacje przetwarzania wsadowego z wykorzystaniem biblioteki Pail (98)
- 5.2.4. Partycjonowanie pionowe z wykorzystaniem biblioteki Pail (99)
- 5.2.5. Formaty plików i kompresja biblioteki Pail (100)
- 5.2.6. Podsumowanie zalet biblioteki Pail (101)
5.3. Przechowywanie głównego zbioru danych dla aplikacji SuperWebAnalytics.com (102)
- 5.3.1. Ustrukturyzowane wiaderko dla obiektów Thrift (103)
- 5.3.2. Podstawowe wiaderko dla aplikacji SuperWebAnalytics.com (104)
- 5.3.3. Podział wiaderka w celu pionowego partycjonowania zbioru danych (104)
5.4. Podsumowanie (107)

Rozdział 6. Warstwa przetwarzania wsadowego (109)

6.1. Przykłady do rozważenia (110)
- 6.1.1. Liczba odsłon w czasie (110)
- 6.1.2. Inferencja płci (111)
- 6.1.3. Punkty wpływu (111)
6.2. Obliczenia w warstwie przetwarzania wsadowego (112)
6.3. Porównanie algorytmów ponownego obliczania z algorytmami przyrostowymi (114)
- 6.3.1. Wydajność (116)
- 6.3.2. Odporność na ludzkie błędy (117)
- 6.3.3. Ogólność algorytmów (117)
- 6.3.4. Wybór stylu algorytmu (118)
6.4. Skalowalność w warstwie przetwarzania wsadowego (119)
6.5. MapReduce: paradygmat dla obliczeń Big Data (119)
- 6.5.1. Skalowalność (121)
- 6.5.2. Odporność na błędy (123)
- 6.5.3. Ogólność MapReduce (123)
6.6. Niskopoziomowy charakter MapReduce (125)
- 6.6.1. Wieloetapowe obliczenia są nienaturalne (125)
- 6.6.2. Operacje łączenia są bardzo skomplikowane do ręcznej implementacji (126)
- 6.6.3. Wykonywanie logiczne jest ściśle powiązane z fizycznym (128)
6.7. Diagramy potokowe: wyższy poziom sposobu myślenia na temat obliczeń wsadowych (129)
- 6.7.1. Koncepcje diagramów potokowych (129)
- 6.7.2. Wykonywanie diagramów potokowych poprzez MapReduce (134)
- 6.7.3. Agregator łączący (134)
- 6.7.4. Przykłady diagramów potokowych (136)
6.8. Podsumowanie (136)

Rozdział 7. Warstwa przetwarzania wsadowego: ilustracja (139)

7.1. Przykład ilustracyjny (140)
7.2. Typowe pułapki narzędzi do przetwarzania danych (142)
- 7.2.1. Języki niestandardowe (142)
- 7.2.2. Słabo komponowalne abstrakcje (143)
7.3. Wprowadzenie do JCascalog (144)
- 7.3.1. Model danych JCascalog (144)
- 7.3.2. Struktura zapytania JCascalog (145)
- 7.3.3. Kwerendowanie wielu zbiorów danych (147)
- 7.3.4. Grupowanie i agregatory (150)
- 7.3.5. Analiza przykładowego zapytania (150)
- 7.3.6. Niestandardowe operacje predykatów (153)
7.4. Kompozycja (158)
- 7.4.1. Łączenie podzapytań (158)
- 7.4.2. Podzapytania tworzone dynamicznie (159)
- 7.4.3. Makra predykatów (162)
- 7.4.4. Makra predykatów tworzone dynamicznie (164)
7.5. Podsumowanie (166)

Rozdział 8. Przykładowa warstwa przetwarzania wsadowego: architektura i algorytmy (167)

8.1. Projekt warstwy przetwarzania wsadowego aplikacji SuperWebAnalytics.com (168)
- 8.1.1. Obsługiwane zapytania (168)
- 8.1.2. Obrazy wsadowe (169)
8.2. Przegląd przepływu pracy (172)
8.3. Przyjmowanie nowych danych (174)
8.4. Normalizacja adresów URL (174)
8.5. Normalizacja identyfikatorów użytkowników (175)
8.6. Usuwanie zduplikowanych odsłon (180)
8.7. Obliczanie obrazów wsadowych (180)
- 8.7.1. Liczba odsłon w czasie (180)
- 8.7.2. Liczba unikatowych użytkowników w czasie (181)
- 8.7.3. Analiza współczynnika odrzuceń (182)
8.8. Podsumowanie (183)

Rozdział 9. Przykładowa warstwa przetwarzania wsadowego: implementacja (185)

9.1. Punkt startowy (186)
9.2. Przygotowanie przepływu pracy (187)
9.3. Przyjmowanie nowych danych (187)
9.4. Normalizacja adresów URL (191)
9.5. Normalizacja identyfikatorów użytkowników (192)
9.6. Usuwanie zduplikowanych odsłon (197)
9.7. Obliczanie obrazów wsadowych (197)
- 9.7.1. Liczba odsłon w czasie (197)
- 9.7.2. Liczba unikatowych użytkowników w czasie (200)
- 9.7.3. Analiza współczynnika odrzuceń (201)
9.8. Podsumowanie (204)

CZĘŚĆ II. WARSTWA OBSŁUGUJĄCA (205)

Rozdział 10. Warstwa obsługująca (207)

10.1. Metryki wydajności dla warstwy obsługującej (209)
10.2. Rozwiązanie warstwy obsługującej dotyczące problemu wyboru między normalizacją a denormalizacją (211)
10.3. Wymagania względem bazy danych warstwy obsługującej (213)
10.4. Projektowanie warstwy obsługującej dla aplikacji SuperWebAnalytics.com (215)
- 10.4.1. Liczba odsłon w czasie (215)
- 10.4.2. Liczba użytkowników w czasie (216)
- 10.4.3. Analiza współczynnika odrzuceń (217)
10.5. Porównanie z rozwiązaniem w pełni przyrostowym (217)
- 10.5.1. W pełni przyrostowe rozwiązanie problemu liczby unikatowych użytkowników w czasie (218)
- 10.5.2. Porównanie z rozwiązaniem opartym na architekturze lambda (224)
10.6. Podsumowanie (224)

Rozdział 11. Warstwa obsługująca: ilustracja (227)

11.1. Podstawy ElephantDB (228)
- 11.1.1. Tworzenie obrazu w ElephantDB (228)
- 11.1.2. Serwowanie obrazu w ElephantDB (229)
- 11.1.3. Korzystanie z ElephantDB (229)
11.2. Budowanie warstwy obsługującej dla aplikacji SuperWebAnalytics.com (231)
- 11.2.1. Liczba odsłon w czasie (231)
- 11.2.2. Liczba unikatowych użytkowników w czasie (234)
- 11.2.3. Analiza współczynnika odrzuceń (235)
11.3. Podsumowanie (236)

CZĘŚĆ III. WARSTWA PRZETWARZANIA CZASU RZECZYWISTEGO (237)

Rozdział 12. Obrazy czasu rzeczywistego (239)

12.1. Obliczanie obrazów czasu rzeczywistego (241)
12.2. Przechowywanie obrazów czasu rzeczywistego (242)
- 12.2.1. Dokładność ostateczna (243)
- 12.2.2. Ilość stanu przechowywanego w warstwie przetwarzania czasu rzeczywistego (244)
12.3. Wyzwania obliczeń przyrostowych (245)
- 12.3.1. Słuszność twierdzenia CAP (245)
- 12.3.2. Kompleksowa interakcja między twierdzeniem CAP a algorytmami przyrostowymi (247)
12.4. Porównanie aktualizacji asynchronicznych z synchronicznymi (249)
12.5. Wygaszanie obrazów czasu rzeczywistego (250)
12.6. Podsumowanie (253)

Rozdział 13. Obrazy czasu rzeczywistego: ilustracja (255)

13.1. Model danych Cassandry (256)
13.2. Korzystanie z bazy danych Cassandra (257)
- 13.2.1. Zaawansowane funkcje Cassandry (259)
13.3. Podsumowanie (259)

Rozdział 14. Kolejkowanie i przetwarzanie strumieniowe (261)

14.1. Kolejkowanie (262)
- 14.1.1. Serwery kolejek pojedynczego konsumenta (263)
- 14.1.2. Kolejki wielu konsumentów (264)
14.2. Przetwarzanie strumieniowe (265)
- 14.2.1. Kolejki i procesy robocze (266)
- 14.2.2. Pułapki paradygmatu "kolejki i procesy robocze" (267)
14.3. Pojedyncze przetwarzanie strumieniowe wyższego poziomu (268)
- 14.3.1. Model Storm (268)
- 14.3.2. Zapewnianie przetwarzania komunikatów (272)
14.4. Warstwa przetwarzania czasu rzeczywistego dla aplikacji SuperWebAnalytics.com (274)
- 14.4.1. Struktura topologii (277)
14.5. Podsumowanie (278)

Rozdział 15. Kolejkowanie i przetwarzanie strumieniowe: ilustracja (281)

15.1. Definiowanie topologii za pomocą Apache Storm (281)
15.2. Klastry Apache Storm i wdrażanie topologii (284)
15.3. Gwarantowanie przetwarzania komunikatów (286)
15.4. Implementacja warstwy przetwarzania czasu rzeczywistego aplikacji SuperWebAnalytics.com dla liczby unikatowych użytkowników w czasie (288)
15.5. Podsumowanie (292)

Rozdział 16. Mikrowsadowe przetwarzanie strumieniowe (293)

16.1. Osiąganie semantyki "dokładnie raz" (294)
- 16.1.1. Ściśle uporządkowane przetwarzanie (294)
- 16.1.2. Mikrowsadowe przetwarzanie strumieniowe (295)
- 16.1.3. Topologie przetwarzania mikrowsadowego (296)
16.2. Podstawowe koncepcje mikrowsadowego przetwarzania strumieniowego (299)
16.3. Rozszerzanie diagramów potokowych dla przetwarzania mikrowsadowego (300)
16.4. Dokończenie warstwy przetwarzania czasu rzeczywistego dla aplikacji SuperWebAnalytics.com (302)
- 16.4.1. Liczba odsłon w czasie (302)
- 16.4.2. Analiza współczynnika odrzuceń (302)
16.5. Inne spojrzenie na przykład analizy współczynnika odrzuceń (307)
16.6. Podsumowanie (308)

Rozdział 17. Mikrowsadowe przetwarzanie strumieniowe: ilustracja (309)

17.1. Korzystanie z interfejsu Trident (310)
17.2. Dokończenie warstwy przetwarzania czasu rzeczywistego dla aplikacji SuperWebAnalytics.com (313)
- 17.2.1. Liczba odsłon w czasie (314)
- 17.2.2. Analiza współczynnika odrzuceń (316)
17.3. W pełni odporne na błędy przetwarzanie mikrowsadowe z utrzymywaniem stanu w pamięci (322)
17.4. Podsumowanie (323)

Rozdział 18. Tajniki architektury lambda (325)

18.1. Definiowanie systemów danych (325)
18.2. Warstwa przetwarzania wsadowego i warstwa obsługująca (327)
- 18.2.1. Przyrostowe przetwarzanie wsadowe (328)
- 18.2.2. Pomiar i optymalizacja wykorzystania zasobów przez warstwę przetwarzania wsadowego (335)
18.3. Warstwa przetwarzania czasu rzeczywistego (339)
18.4. Warstwa zapytań (340)
18.5. Podsumowanie (341)

Skorowidz (343)

pokaż cały spis treści