SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Parallel Applications And Tools For Cloud Computing Environments

yardley-pitts avatar
yardley-pitts
10 diapositives · 241 Views · Nov 19, 2014

Parallel Applications And Tools For Cloud Computing Environments. CloudCom 2010 Indianapolis, Indiana, USA Nov 30 – Dec 3, 2010. Large Scale PageRank with Iterative MapReduce. Shuohuan,Yuduo,Parag,Hui. Outline. m otivation of large scale pagerank o ptimization s trategies

Parallel Applications And Tools For Cloud Computing Environments - slide 1
01 / 10Parallel Applications And Tools For Cloud Computing Environments
1 / 17

Télécharger la présentation

Parallel Applications And Tools For Cloud Computing Environments
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Parallel Applications And Tools For Cloud Computing Environments CloudCom 2010 Indianapolis, Indiana, USA Nov 30 – Dec 3, 2010

  2. Large Scale PageRank with Iterative MapReduce Shuohuan,Yuduo,Parag,Hui

  3. Outline motivation of large scale pagerank optimization strategies experiments results visualization with PlotViz3

  4. PageRank • Large scale PageRank • Large graph processing become popular • Efficient processing of large scale graph challenges current MapReduce runtimes. • Motivation: common optimization strategies for large scale PageRank • Current status • Twister, Hadoop,DryadLINQ with ClueWeb data set with 50 million pages • MPI PageRank

  5. Optimization Strategies • Cache partitions of web graph in Memory • Twister, Pregel, HaLoop, Surfer, • Static Data (am files) • Partition the web graph • DryadLINQ, (Twister, Hadoop) PageRank • Task granularity should fit the memory and network bandwidth in Cloud infrastructure • Hierarchy messaging in reduce stage • Hadoop, (Twister, DryadLINQ) PageRank • Local merge

  6. Cache Static Data

  7. Partition the WebGraphscalability with various nodes on Madrid

  8. Partition the web graphscalability with various input data size on Tempest

  9. Hierarchy Messaging in Reduce Stage

  10. Visualization with PlotViz31k vertices, red vertex: wikipedia.org