Este patrón consiste en un entorno de solución con la capacidad de transformar grandes volúmenes de datos obtenidos de varias fuentes, y posteriormente, trasladar dichos datos convertidos a la bodega de datos empresarial (EDW) * Transformación de datos (Data transformation) * Almacenamiento de Acceso a la Transmisión (Streaming access storage) * Poly Source * Almacenamiento de Accso Aleatorio (Random Access Storage).
Este patrón es equivalente a ETL. * Transformación de Datos (Data transformation) * Mejora de aplicaciones (Application enhancement) * Procesamiento de Datos por Lotes (Batch data processing) * Poly source.
La aplicación de este patrón exime a las bases de datos existentes de tener que realizar tareas complejas y prolongadas de transformación de datos en datasets de gran tamaño * Transformación de Datos (Data transformation) * Mejora de aplicaciones (Application enhancement) * Procesamiento de Datos por Lotes (Batch data processing) * Almacenamiento de Accso Aleatorio (Random Access Storage).
El patrón compuesto de Transformación de Datos se compone de los siguientes patrones clave: * Poly Source * Almacenamiento de Acceso a la Transmisión Replicación y Reconstrucción Automática de Datos Procesamiento por Lotes (Batch Processing) a Gran Escala Relational Sink Ejecución Automatizada de Datasets.
El patrón compuesto de Transformación de Datos se compone de los siguientes patrones de extensión: Reducción del Tamaño de los Datos Almacenamiento Tabular de Gran Volumen Almacenamiento Jerárquico de Gran Volumen Sharding Automático de Datos Descomposición de Lógica Compleja .
Este patrón consiste en un entorno de solución con la capacidad de ingerir grandes volúmenes de datos, con el objetivo de calcular ciertas estadísticas o ejecutar el aprendizaje automático (Machine Learning) y posteriormente incorporar los resultados a los sistemas empresariales. * Mejora de Aplicaciones (Application enhancement) * Transformación de Datos (Data transformation) * Aislamiento por Procesos Analíticos (Analytical sandbox) * Bodega de Datos de Big Data (Big Data Warehouse) .
Este patrón es equivalente a la capa de utilización. * Mejora de Aplicaciones (Application enhancement) * Transformación de Datos (Data transformation) * Aislamiento por Procesos Analíticos (Analytical sandbox) * Almacén de Datos no Estructurados (Unstructured data store).
El patrón compuesto de Mejora de Aplicaciones comprende los siguientes patrones clave:
* Poly Source * Almacenamiento de Acceso a la Transmisión * Almacenamiento de Acceso Aleatorio Replicación y Reconstrucción Automática de Datos Procesamiento por Lotes (Batch Processing) a Gran Escala Ejecución Automatizada de Datasets .
El patrón compuesto de Mejora de Aplicaciones comprende los siguientes patrones de extensión: Reducción del Tamaño de los Datos (Datasize reduction) Formato Canónico de Datos Almacenamiento de Acceso en Tiempo Real Procesamiento de Grafos a Gran Escala * Poly Sink Acceso Directo a Datos.
Este patrón consiste en un entorno de solución independiente con capacidad de almacenar datos de gran volumen y variedad, a fin de realizar varios servicios de analítica independientemente de otros sistemas empresariales. * Aislamiento por Procesos Analíticos (Analytical Sandbox) * Transformación de Datos (Data transformation) * Mejora de Aplicaciones (Application enhancement) * Almacén de Datos Operativos (Operational data store).
El partrón Aislamiento por Procesos Analíticos está integrado a la EDW falso verdadero.
El patrón compuesto de Aislamiento por Procesos Analíticos comprende los siguientes patrones clave:
* Poly Storage * Poly Source Procesamiento por Lotes (Batch Processing) a Gran Escala Procesamiento de Abstracción * Poly sink.
El patrón compuesto de Aislamiento por Procesos Analíticos comprende los siguientes patrones de extensión: Reducción del Tamaño de los Datos Ejecución Automatizada de Datasets Acceso Directo a Datos Almacenamiento de Datos Confidenciales Procesamiento de Grafos a Gran Escala.
Este patrón consiste en un entorno de solución con capacidad de ingerir y almacenar grandes volúmenes de datos semiestructurados y sin estructurar para desarrollar modelos estadísticos y de aprendizaje automático (Machine Learning) de alta fidelidad, con el fin de prestar servicios de analítica predictiva y prescriptiva * Almacén de Datos no Estructurados (Unstructured data store) * Repositorio de Datos Online (Online data repository) * Almacén de Datos Operativos (Operational data store) * Transformación de Datos (Data transformation).
Por lo general, esta es la opción utilizada por las empresas que desean avanzar hacia el área de servicios de analítica predictiva y prescriptiva. Sin embargo su infraestructura de almacenamiento no les permite almacenar datos semiestructurados y sin estructurar. * Almacén de Datos no Estructurados (Unstructured data store) * Repositorio de Datos Online (Online data repository) * Almacén de Datos Operativos (Operational data store) * Transformación de Datos (Data transformation).
El patrón compuesto de Almacén de Datos sin Estructurar comprende los siguientes patrones clave: File-Based Source * Almacenamiento de Acceso a la Transmisión * Almacenamiento de Acceso Aleatorio Replicación y Reconstrucción Automática de Datos Procesamiento por Lotes (Batch Processing) a Gran Escala Ejecución Automatizada de Datasets.
El patrón compuesto de Almacén de Datos sin Estructurar comprende los siguientes patrones de extensión: Reducción del Tamaño de los Datos (Datasize reduction) Relational Sink File-Based Sink Procesamiento de Abstracción Acceso Directo a Datos.
La combinación de los patrones _____ y _____ implica que es usado para aprendizaje automático (Machine Learning) Procesamiento de Abstracción Acceso Directo a Datos Procesamiento de Grafos a Gran Escala Almacenamiento de Datos Confidenciales .
Los 4 patrones _____, _____, _____ y _____ se suelen usar en conjunto Realtime access storage
Streaming source Streaming egress High velocity realtime processing Streaming ingress.
Este patrón consiste en un entorno de solución con el propósito de liberar a la plataforma de Big Data del procesamiento de grandes volúmenes de datos estructurados. * Procesamiento de Datos por Lotes (Batch data processing) * Transformación de Datos (Data transformation) * Almacén de Datos no Estructurados (Unstructured data store) * Procesamiento de Datos en Tiempo Real (Realtime data processing).
El patrón compuesto de Procesamiento de Datos por Lotes (Batch Processing) comprende los siguientes patrones clave: Relational Source * Almacenamiento de Acceso a la Transmisión Replicación y Reconstrucción Automática de Datos Procesamiento por Lotes (Batch Processing) a Gran Escala Relational Sink Ejecución Automatizada de Datasets .
El patrón compuesto de Procesamiento de Datos por Lotes (Batch Processing) comprende los siguientes patrones de extensión: Reducción del Tamaño de los Datos Almacenamiento Tabular de Gran Volumen Sharding Automático de Datos Descomposición de Lógica Compleja Desnormalización del Dataset Almacenamiento de Datos Confidenciales.
Este patrón representa un entorno de solución que consta de un almacenamiento económico usado para almacenar online grandes cantidades de datos, provenientes de fuentes tanto internas como externas, para el consumo de cualquier sistema empresarial * Repositorio de Datos Online (Online data repository) * Bodega de Datos de Big Data (Big Data Warehouse) * Almacén de Datos Operativos (Operational data store) * Mejora de Aplicaciones (Application enhancement).
El patrón compuesto de Repositorio de Datos Online consta de los siguientes patrones clave: * Poly Source * Almacenamiento de Acceso a la Transmisión * Almacenamiento de Acceso Aleatorio Replicación y Reconstrucción Automática de Datos Relational Sink .
El patrón compuesto de Repositorio de Datos Online consta de los siguientes patrones de extensión: Formato Canónico de Datos Almacenamiento de Datos Confidenciales Reducción del Tamaño de los Datos File-Based Sink .
Este patrón representa un entorno de solución capaz de almacenar y analizar cantidades muy grandes de datasets estructurados, sin estructurar y semiestructurados de Big Data. * Bodega de Datos Digital (Data Warehouse) de Big Data * Almacén de Datos sin Estructurar (Unstructured data store) * Procesamiento de Datos por Lotes (Batch data processing) * Procesamiento de Datos en Tiempo Real (Realtime data processing).
El patrón compuesto de Bodega de Datos Digital (Data Warehouse) de Big Data comprende los siguientes patrones clave: *Poly Source Reducción del Tamaño de los Datos * Almacenamiento de Acceso Aleatorio * Almacenamiento de Acceso a la Transmisión Replicación y Reconstrucción Automática de Datos Procesamiento por Lotes (Batch Processing) a Gran Escala Ejecución Automatizada de Datasets Procesamiento de Abstracción .
El patrón compuesto de Bodega de Datos Digital (Data Warehouse) de Big Data comprende los siguientes patrones de extensión: Almacenamiento de Datos Confidenciales Relational Sink File-Based Sink.
Este patrón representa un entorno de solución que consta de almacenamiento NoSQL económico, el cual se utiliza como un ___ tradicional en el que se recolectan grandes cantidades de datos transaccionales de sistemas operativos de la empresa para la inteligencia de negocios (BI) operativa y la entrega de reportes * Almacén de Datos Operativos (ODS) * Almacén de Datos sin Estructurar (Unstructured data store) * Transformación de Datos (ETL) * Aislamiento por Procesos Analíticos.
El patrón compuesto de Almacén de Datos Operativos consta de los siguientes patrones clave: Relational Source Almacenamiento Tabular de Gran Volumen Replicación y Reconstrucción Automática de Datos Sharding Automático de Datos Relational Sink Acceso Indirecto a Datos .
El patrón compuesto de Almacén de Datos Operativos consta de los siguientes patrones de extensión: Reducción del Tamaño de los Datos *Almacenamiento de Acceso a la Transmisión Procesamiento por Lotes (Batch Processing) a Gran Escala Ejecución Automatizada de Datasets .
Este patrón representa un entorno de solución capaz de procesar flujos de datos en tiempo real o tiempo prácticamente real; por ejemplo, en la ejecución de tareas de analítica sobre datos generados por máquinas o social media. * Procesamiento de Datos en Tiempo Real * Procesamiento de Datos por Lotes (Batch data processing) * Transformación de Datos Procesamiento de grafos a gran escala .
El patrón compuesto de Procesamiento de Datos en Tiempo Real consta de los siguientes patrones clave: Almacenamiento de Acceso en Tiempo Real Procesamiento en Tiempo Real a Alta Velocidad Fuente de Transmisión * Almacenamiento de Acceso Aleatorio Replicación y Reconstrucción Automática de Datos Ejecución Automatizada de Datasets Salida de Transmisión .
El patrón compuesto de Procesamiento de Datos en Tiempo Real consta de los siguientes patrones de extensión: Reducción del Tamaño de los Datos Almacenamiento de Acceso a la Transmisión Descomposición de Lógica Compleja Relational Sink File-Based Sink .
Juan quiere llevar a cabo analíticas predictivas utilizando una variedad de archivos de registro (log files) textuales. Sin embargo, la infraestructura actual de almacenamiento de datos consiste en tecnologías de bases de datos relacionales. Juan logra su objetivo almacenando y preprocesando los archivos de registro (log files) sin afectar el almacenamiento actual. ¿Qué patrón compuesto utilizó Juan? Almacén de Datos sin Estructurar (Unstructured data store) Repositorio de Datos Online (Online data repository) Transformación de Datos (Data transformation) Almacén de Datos Operativos (Operational data store).
Cada día, la oficina principal de ABC recibe un gran volumen de reportes provenientes de cada una de sus sucursales de todo el mundo. A partir de estos reportes se obtienen los datos de desempeño, que luego son importados a la bodega de datos digital (Data Warehouse) de la empresa, donde son usados para varias tareas de reporte. Los reportes están en formato XML y son convertidos dentro de una base de datos relacional; y posteriormente se ejecuta una utilidad para llevar a cabo la limpieza (Cleansing) y extracción de los datos necesarios. El proceso completo de ingesta y carga dentro de la bodega de datos digital (Data Warehouse) toma mucho tiempo; y debido a que los reportes se vuelven más detallados, se puede anticipar que no será posible procesar los reportes de manera oportuna. ¿Qué patrón compuesto se puede utilizar para procesar los reportes XML sin necesidad de una base de datos provisional? Transformación de Datos (Data transformation) Procesamiento de Datos por Lotes (Batch data processing) Repositorio de Datos Online (Online data repository) Almacén de Datos Operativos (Operational data store).
XYZ quiere mejorar sus capacidades analíticas mediante la recopilación de grandes volúmenes de datos estructurados y sin estructurar en toda la empresa, permitiéndoles a sus científicos de datos llevar a cabo analíticas avanzadas. Sin embargo, a los arquitectos de Big Data se les informó que hacerlo no afectará las operaciones actuales de la bodega de datos digital (Data Warehouse) empresarial, y que cualquier infraestructura de tecnología necesaria debería mantenerse separada del entorno actual de TI. ¿Qué patrón compuesto deben utilizar los arquitectos de Big Data para configurar la plataforma de Big Data correspondiente? Aislamiento por Procesos Analíticos (Analytical sandbox) Bodega de Datos de Big Data (Big Data Data Warehouse) Procesamiento de Datos por Lotes (Batch data processing) Repositorio de Datos Online (Online data repository).
Una gran tienda de libros online ofrece actualmente a sus posibles clientes una gran variedad de libros en su página web. Sin embargo, la tienda planea mostrar recomendaciones personalizadas a sus clientes con base en sus perfiles y los tipos de libros que hayan adquirido en el pasado. Este proceso implica ingerir grandes volúmenes de datos de los perfiles de los clientes a partir del sistema CRM, combinarlos con el historial de compras de los clientes y aplicar un algoritmo de aprendizaje automático (Machine Learning). Después, los resultados obtenidos son ingresados en la página web que el cliente está utilizando. ¿Qué patrón compuesto puede utilizarse para implementar la solución necesaria? Mejora de Aplicaciones (Application enhancement) Bodega de Datos de Big Data (Big Data Data Warehouse) Almacén de Datos sin Estructurar (Unstructured data store) Aislamiento por Procesos Analíticos (Analytical sandbox).
Una gran compañía de teléfonos está mejorando su proceso mensual de facturación mediante la introducción de facturas desglosadas. No obstante, con más de 5 millones de clientes, completar un proceso tan simple requiere mucho tiempo. La compañía prevé que la nueva característica tomará el doble del tiempo que tarda actualmente. Juan, un arquitecto de Big Data, propone una solución basada en tecnología de Big Data que permitiría completar rápidamente el nuevo proceso de facturación desglosada. ¿Qué patrón compuesto utilizará Juan para completar dicha tarea?
Procesamiento de Datos por Lotes (Batch data processing) Procesamiento de Datos en Tiempo Real (Real time data processing) Mejora de Aplicaciones (Application enhancement) Almacén de Datos Operativos (Operational data store).
ABC, un reconocido fabricante de autos, ha modernizado sus instalaciones de fabricación al agregar varios sensores en toda la línea de ensamblaje. Cada sensor realiza una lectura cada cinco segundos. ABC debe monitorear las lecturas que hace cada sensor a medida que son transmitidas. El proceso de monitoreo incluye una comparación de grupos relacionados de lecturas de sensores para garantizar que dichas lecturas se encuentran dentro de los parámetros predeterminados. ¿Qué patrón compuesto puede utilizarse para obtener el resultado deseado? Procesamiento de Datos por Lotes (Batch data processing) Procesamiento de Datos en Tiempo Real (Real time data processing) Almacén de Datos sin Estructurar (Unstructured data store) Repositorio de Datos Online (Online data repository).
Los científicos de datos de ABC frecuentemente requieren acceder a datos históricos sin procesar, que se remontan hasta diez años atrás, para realizar diversos análisis de datos (Data Analysis). Juanita, la arquitecta de Big Data, debe proporcionar los datos necesarios de tal manera que los datos puedan ser recuperados sin retraso alguno. ¿Qué configuración debería utilizar Juanita para implementar la plataforma de Big Data? Almacén de Datos sin Estructurar (Unstructured data store) Bodega de Datos de Big Data (Big Data Warehouse) Repositorio de Datos Online (Online data repository) Almacén de Datos Operativos (Operational data store).
Se le ha solicitado al equipo de Inteligencia de negocios (BI) de una gran tienda minorista que integre las cifras de ventas semanales en un tablero de control (Dashboard), el cual actualmente muestra las cifras de ventas diarias. El equipo se dio cuenta que el almacén actual de datos operativos, el cual es utilizado para generar cifras de ventas diarias, ya está funcionando a su máxima capacidad de almacenamiento. ¿Qué configuración debería utilizar el equipo para implementar una solución utilizando la plataforma de Big Data? Almacén de Datos sin Estructurar (Unstructured data store) Almacén de Datos Operativos (Operational data store) Repositorio de Datos Online (Online data repository) Bodega de Datos de Big Data (Big Data Warehouse) .
ABC, un pequeño fabricante de juguetes, ha crecido de forma estable durante los últimos cinco años. El entorno actual de TI de ABC consta de un sistema ERP y un sistema CRM. Ambos sistemas están basados en código abierto, ya que ABC solo dispone de una pequeña cantidad de presupuesto para TI. Las ventas son monitoreadas mediante reportes que se elaboran para fin de mes, a partir de consultas por medio de los sistemas ERP y CRM. Sin embargo, estos reportes solo se remontan a seis meses atrás, por lo que los datos antiguos se archivan dentro de una unidad de cinta. ¿Qué patrón compuesto puede utilizarse para que ABC mantenga grandes volúmenes de datos transaccionales online, a partir de los cuales se pueden elaborar reportes detallados de ventas con más frecuencia? Repositorio de Datos Online (Online data repository) Bodega de Datos de Big Data (Big Data Warehouse) Almacén de Datos Operativos (Operational data store) Mejora de Aplicaciones (Application enhancement).
Entre los ejemplos de mejoras en la funcionalidad del patrón ________ se encuentran recomendaciones personalizadas, descuentos y publicidad orientada. * Mejora de Aplicaciones (Application enhancement) * Transformación de Datos (Data transformation) * Analytical Sandbox * Almacén de datos no estructurados.
En el patrón ____ está establecido que el dataset debe ser almacenado en un formato canónico interoperable y ampliable, de manera que una variedad de clientes pueda acceder a los datos sin necesidad de convertir el formato de los mismos Formato Canónico de Datos (Canonical data format) Almacenamiento de Datos Confidenciales (Confidential data store) Criterios de Desnormalización de Dataset (Dataset denormalization criteria) Procesamiento de Grafos a Gran Escala (Large scale graph processing).
El patrón Formato Canónico de Datos (Canonical data format) está relacionado con los mecanismos: motor de serialización motor de transferencia de datos dispositivos de almacenamiento motor de procesamiento. .
A fin de ofrecer una capacidad de acceso a datos de baja latencia, se puede utilizar el patrón de _____, el cual garantiza el uso de un dispositivo de almacenamiento con base en la memoria con capacidad de lectura y escritura aleatoria. Almacenamiento de Acceso en Tiempo Real (Realtime access storage) Almacenamiento de Datos Confidenciales (Confidential data store) Acceso Directo a Datos (Direct data access) Criterios de Desnormalización de Dataset (Dataset denormalization criteria).
Por lo general, el patrón de Almacenamiento de Acceso en Tiempo Real se utiliza conjuntamente con los patrones: Fuente de Transmisión (Streaming source) Procesamiento de Alta Velocidad en Tiempo Real (high velocity realtime processing) * Random Access Storage Large-scale batch processing.
La aplicación del patrón de Almacenamiento de Acceso en Tiempo Real implica mayores costos debido al precio elevado de los dispositivos de almacenamiento con base en memoria, en comparación con los dispositivos de almacenamiento con base en disco. falso verdadero.
El patrón de Almacenamiento de Acceso en Tiempo Real está relacionado con los mecanismos: dispositivo de almacenamiento (con base en la memoria) motor de transferencia de datos (evento) motor de procesamiento (tiempo real) motor de consultas (Query Engine) dispositivo de almacenamiento (con base en disco).
Este patrón puede utilizarse para realizar una conexión directa entre el dispositivo de almacenamiento o el motor de consultas (Query Engine) y la herramienta de analítica externa mediante un conector Acceso Directo a Datos (Direct data access) Almacenamiento de Acceso en Tiempo Real (Realtime access storage) Acceso Indirecto a Datos (Indirect data access) Formato Canónico de Datos (Canonical data format).
El patrón Acceso Directo a Datos (Direct data access) está asociado con los mecanismos: motor de consultas (Query Engine) motor de procesamiento dispositivo de almacenamiento.
Dicha solución generalmente es usada por aquellas empresas que apenas han comenzado a implementar el proyecto de Big Data o en las que existe la necesidad de mantener la iniciativa de Big Data separada de las operaciones y sistemas existentes de TI. Patrón compuesto de Aislamiento por Procesos Analíticos (Analytical Sandbox) Patrón compuesto de Bodega de Datos de Big Data (Big Data Warehouse) Patrón compuesto de Almacén de Datos Operativos (Operational data store) Patrón compuesto de Repositorio de Datos Online (Online data repository).
Este patrón se usa para garantizar que, incluso en caso de que los usuarios malintencionados obtengan acceso a los datos confidenciales, no podrán leerlos ni usarlos Almacenamiento de Datos Confidenciales (Confidential data storage) Formato Canónico de Datos (Canonical data format) Acceso Indirecto a Datos (Indirect data access) Reducción del Tamaño de los Datos (Data size reduction).
El patrón de Almacenamiento de Datos Confidenciales está relacionado con los mecanismos: motor de seguridad dispositivo de almacenamiento portal de productividad.
Para examinar una gran cantidad de nodos (entidades) por medio de sus bordes definidos (links) se usa el patrón: Procesamiento de Grafos a Gran Escala (Large scale graph processing) Procesamiento por Lotes (Batch Processing) a Gran Escala Procesamiento de Abstracción (Processing abstraction) Descomposición de Lógica Compleja.
La aplicación del patrón de Procesamiento de Grafos a Gran Escala normalmente se traduce en un gran uso de memoria falso verdadero.
El patrón de Procesamiento de Grafos a Gran Escala está relacionado con los mecanismos: motor de transferencia de datos (archivo/relacional) motor de procesamiento (grafo) dispositivo de almacenamiento gestor de recursos motor de coordinación.
Este patrón se usa para facilitar el procesamiento de datasets que pueden estar compuestos por registros en los cuales los valores de atributos que representan colectivamente una sola entidad están distribuidos entre diversos registros. Desnormalización del dataset (Dataset denormalization) Formato Canónico de Datos (Canonical data format) Acceso Directo a Datos (Direct data access) Acceso Indirecto a Datos (Indirect data access).
El patrón de Desnormalización de Datasets está relacionado con los mecanismos: motor de procesamiento (batch) dispositivos de almacenamiento.
Para permitir el acceso a los datos preprocesados o a resultados de análisis almacenados en un entorno de solución de Big data por medio de herramientas existentes de inteligencia de negocios (BI), se puede aplicar el patrón? Acceso Indirecto a Datos (Indirect data access) Acceso Directo a Datos (Direct data access) Almacenamiento de Acceso en Tiempo Real (Realtime access storage) Desnormalización del dataset (Dataset denormalization).
El patrón de Acceso Indirecto a Datos está relacionado con los mecanismos: motor de transferencia de datos (relacional) dispositivo de almacenamiento portal de productividad motor de flujo de trabajo (Workflow) motor de consultas (Query Engine).
Los datos deben ser procesados a medida que son recibidos para obtener resultados inmediatos. Tales situaciones requieren la aplicación del patrón? Procesamiento en Tiempo Real a Alta Velocidad (high velocity realtime processing) Procesamiento de Grafos a Gran Escala (Large scale graph processing) Procesamiento por Lotes (Batch Processing) a Gran Escala Procesamiento de Abstracción (Processing abstraction).
El patrón Procesamiento en Tiempo Real a Alta Velocidad se aplica generalmente junto con los patrones: Fuente de Transmisión (streaming source) Almacenamiento de Acceso a la Transmisión (streaming access storage) Almacenamiento Tabular de Gran Volumen Sharding Automático de Datos.
El patrón de Procesamiento en Tiempo Real a Alta Velocidad está relacionado con los mecanismos: motor de transferencia de datos (eventos) motor de procesamiento (en tiempo real) dispositivo de almacenamiento (en memoria) gestor de recursos motor de coordinación.
Cuando se procesan datos en tiempo real, por lo general los resultados del análisis se requieren de forma instantánea para tomar medidas inmediatamente. Para facilitar la exportación inmediata de resultados, se puede aplicar el patrón: Salida de Transmisión (Streaming egress) Acceso Directo a Datos (Direct data access) Acceso Indirecto a Datos (Indirect data access) Almacenamiento de Acceso en Tiempo Real (Realtime access storage).
El patrón Salida de Transmisión (Streaming egress) se aplica generalmente junto con los patrones: Fuente de Transmisión (streaming source) Almacenamiento de Datos en Tiempo Real (realtime access storage) Procesamiento en Tiempo Real a Alta Velocidad. (high velocity realtime processing) Procesamiento por Lotes (Batch Processing) a Gran Escala.
Con respecto al patrón de inserción de metadatos de procesamiento automatizado, los metadatos se añaden generalmente a través de la interfaz programática del _____. dispositivo de almacenamiento (storage device) motor de procesamiento (processing engine) motor de consultas (query engine) motor de coordinación (coordination engine).
La aplicación del patrón _____ requiere exportar los datos a través de un motor de transferencia de datos relacionales a la bodega de datos. Acceso indirecto a los datos (Indirect data aceess) Acceso directo a los datos (Direct data aceess) Almacenamiento de resultados intermedios (Intermediate results storage) Acceso integrado (Itegrated access).
¿Qué escenario común de alto nivel de uso de Big Data está integrado con la EDW y libera a las bases de datos existentes de tener que realizar trabajos complejos de transformación de datos? transformación de datos aislamento analítico de procesos mejora de la aplicación Ninguno de los anteriores.
Una empresa de telecomunicaciones está mejorando su proceso de facturación mensual mediante la introducción de la facturación detallada. Un arquitecto de Big Data sugiere una solución que se basa en las tecnologías de Big Data y completa el proceso de facturación detallada en un período de tiempo muy corto basado en las tecnologías de Big Data. ¿Qué configuración usaron? procesamiento de datos por lotes (Batch data processing) almacenamiento de datos no estructurados (Unstructured data store) procesamiento de datos en tiempo real (Realtime data processing) Ninguno de los anteriores.
¿Qué patrón está asociado con el motor de serialización, el motor de transferencia de datos, el dispositivo de almacenamiento y los mecanismos del motor de procesamiento? Patrón de almacenamiento de datos confidenciales (Confidential Data Storage) Patrón de formato de datos canónico (Canonical Data Format) Tanto A como B son ciertas. Ninguno de los anteriores.
|
