相關商品
商品簡介
目次
商品簡介
本書向科學家、工程師和學生介紹雲計算，內容涵蓋雲計算的支撐技術、解決雲技術問題的新方法，以及將雲服務集成到科學工作中所需要的概念。具體包括：管理雲中的數據，以及如何對這些服務進行編程；在雲計算中，從部署單一虛擬機或容器到支持基本的交互式科學實驗，從而收集機器集群的數據以進行分析；將雲作為自動化分析程序、機器學習和分析流數據的平臺；用開源軟件構建自己的雲；雲安全。
目次
出版者的話
譯者序
前言
致謝
第1章 在雲的宇宙中定位 1
1.1 雲：計算機、助理和平臺 1
1.2 雲的概況 2
1.3 本書導讀 5
1.4 獲取雲服務的方式：網站、應用編程接口和軟件開發工具包 6
1.4.1 Web界面、應用編程接口、軟件開發工具包和命令行界面 6
1.4.2 本地應用和雲應用 8
1.5 本書使用的工具 8
1.5.1 Python 8
1.5.2 Jupyter：基於Web的交互式計算工具 9
1.5.3 版本控制系統GitHub 10
1.5.4 Globus 10
1.6 小結 10
1.7 資源 11
第一部分 管理雲中的數據
第2章 存儲即服務 15
2.1 三個啟發式的例子 15
2.2 存儲模型 16
2.2.1 文件系統 16
2.2.2 對象存儲 17
2.2.3 關係型數據庫 17
2.2.4 NoSQL數據庫 18
2.2.5 圖數據庫 19
2.2.6 數據倉庫 20
2.3 雲存儲全景 20
2.3.1 文件系統 20
2.3.2 對象存儲 21
2.3.3 NoSQL服務 21
2.3.4 關係型數據庫 22
2.3.5 基於數據倉庫的數據分析 22
2.3.6 圖數據庫及其他服務 23
2.3.7 OpenStack存儲服務和Jetstream雲服務 23
2.4 小結 24
2.5 資源 24
第3章 使用雲存儲服務 25
3.1 兩種訪問方式：門戶和API 25
3.2 使用Amazon雲存儲服務 26
3.3 使用Microsoft Azure雲存儲服務 28
3.4 使用Google雲存儲服務 31
3.4.1 Google Bigtable 32
3.4.2 Google Cloud Datastore 33
3.5 使用OpenStack雲存儲服務 34
3.6 用Globus傳輸和共享數據 35
3.6.1 用Globus傳輸數據 36
3.6.2 用Globus共享數據 38
3.7 小結 38
3.8 資源 39
第二部分 雲中的計算
第4章 計算即服務 43
4.1 虛擬機和容器 43
4.2 先進的計算服務 45
4.3 無服務器計算 46
4.4 公有雲計算的優缺點 46
4.5 小結 47
4.6 資源 48
第5章 虛擬機的使用和管理 49
5.1 歷史根源 49
5.2 亞馬遜的彈性計算雲 50
5.2.1 創建虛擬機實例 50
5.2.2 連接存儲 52
5.3 Azure虛擬機 54
5.4 穀歌雲虛擬機服務 55
5.5 Jetstream虛擬機服務 55
5.6 小結 56
5.7 資源 57
第6章 使用和管理容器 58
6.1 容器的基礎知識 58
6.2 Docker和Hub 59
6.3 容器用於科學 61
6.4 構建你自己的容器 62
6.5 小結 63
6.6 資源 63
第7章 彈性部署 64
7.1 雲中並行計算的範式 64
7.2 SPMD和HPC風格的並行 65
7.2.1 雲中的消息傳遞接口 65
7.2.2 雲中的GPU 65
7.2.3 在Amazon雲上部署HPC集群 67
7.2.4 在Azure上部署HPC集群 70
7.2.5 集群的進一步擴展 71
7.3 多任務並行計算 72
7.4 MapReduce和批量同步並行計算 72
7.5 圖數據流的執行和Spark 73
7.6 代理和微服務 74
7.6.1 微服務和容器資源管理器 75
7.6.2 在集群中管理身份 75
7.6.3 簡單的例子 75
7.6.4 Amazon EC2容器服務 76
7.6.5 Google的Kubernetes 81
7.6.6 Mesos和Mesosphere 84
7.7 HTCondor 86
7.8 小結 86
7.9 資源 87
第三部分 雲平臺
第8章 雲中的數據分析 91
8.1 Hadoop和YARN 91
8.2 Spark 93
8.2.1 一個簡單的Spark程序 93
8.2.2 一個更有趣的Spark程序：k均值聚類 94
8.2.3 容器中的Spark 95
8.2.4 Spark中的SQL 96
8.3 Amazon Elastic MapReduce 97
8.4 Azure HDInsight和數據湖 99
8.4.1 Azure Data Lake存儲 100
8.4.2 數據湖分析 101
8.5 Amazon Athena分析 102
8.6 Google雲數據實驗室 102
8.6.1 華盛頓和印第安納州的風疹 103
8.6.2 尋找氣象臺的異常 104
8.7 小結 107
8.8 資源 107
第9章 將數據以流式傳輸到雲端 109
9.1 科學流案例 109
9.1.1 廣域地球物理傳感器網絡 110
9.1.2 城市信息學 110
9.1.3 大規模科學數據流 111
9.2 流系統的基本設計挑戰 112
9.3 Amazon Kinesis和Firehose 112
9.3.1 Kinesis Streams架構 113
9.3.2 Kinesis和Amazon SQS 114
9.4 Kinesis、Spark和物體陣列 115
9.5 用Azure進行流數據處理 118
9.6 Kafka、Storm和Heron Streams 121
9.7 Google Dataflow和Apache Beam 124
9.8 Apache Flink 126
9.9 小結 127
9.10 資源 128
第10章 基於雲的機器學習 129
10.1 Spark機器學習庫 129
10.1.1 邏輯回歸 130
10.1.2 芝加哥餐廳案例 130
10.2 Azure機器學習空間 133
10.3 Amazon機器學習平臺 136
10.4 深度學習淺析 138
10.4.1 深度網絡 139
10.4.2 卷積神經網絡 140
10.4.3 遞歸神經網絡 141
10.5 Amazon MXNet虛擬機鏡像 143
10.6 Google TensorFlow 146
10.7 微軟認知工具包 147
10.8 小結 149
10.9 資源 150
第11章 Globus研究數據管理平臺 152
11.1 分布式數據的挑戰和機遇 152
11.2 Globus平臺 153
11.2.1 Globus傳輸和共享 153
11.2.2 rule_data結構 155
11.3 身份和證書管理 155
11.3.1 Globus Auth授權服務 156
11.3.2 一個典型的Globus Auth工作流 157
11.3.
譯者序
前言
致謝
第1章 在雲的宇宙中定位 1
1.1 雲：計算機、助理和平臺 1
1.2 雲的概況 2
1.3 本書導讀 5
1.4 獲取雲服務的方式：網站、應用編程接口和軟件開發工具包 6
1.4.1 Web界面、應用編程接口、軟件開發工具包和命令行界面 6
1.4.2 本地應用和雲應用 8
1.5 本書使用的工具 8
1.5.1 Python 8
1.5.2 Jupyter：基於Web的交互式計算工具 9
1.5.3 版本控制系統GitHub 10
1.5.4 Globus 10
1.6 小結 10
1.7 資源 11
第一部分 管理雲中的數據
第2章 存儲即服務 15
2.1 三個啟發式的例子 15
2.2 存儲模型 16
2.2.1 文件系統 16
2.2.2 對象存儲 17
2.2.3 關係型數據庫 17
2.2.4 NoSQL數據庫 18
2.2.5 圖數據庫 19
2.2.6 數據倉庫 20
2.3 雲存儲全景 20
2.3.1 文件系統 20
2.3.2 對象存儲 21
2.3.3 NoSQL服務 21
2.3.4 關係型數據庫 22
2.3.5 基於數據倉庫的數據分析 22
2.3.6 圖數據庫及其他服務 23
2.3.7 OpenStack存儲服務和Jetstream雲服務 23
2.4 小結 24
2.5 資源 24
第3章 使用雲存儲服務 25
3.1 兩種訪問方式：門戶和API 25
3.2 使用Amazon雲存儲服務 26
3.3 使用Microsoft Azure雲存儲服務 28
3.4 使用Google雲存儲服務 31
3.4.1 Google Bigtable 32
3.4.2 Google Cloud Datastore 33
3.5 使用OpenStack雲存儲服務 34
3.6 用Globus傳輸和共享數據 35
3.6.1 用Globus傳輸數據 36
3.6.2 用Globus共享數據 38
3.7 小結 38
3.8 資源 39
第二部分 雲中的計算
第4章 計算即服務 43
4.1 虛擬機和容器 43
4.2 先進的計算服務 45
4.3 無服務器計算 46
4.4 公有雲計算的優缺點 46
4.5 小結 47
4.6 資源 48
第5章 虛擬機的使用和管理 49
5.1 歷史根源 49
5.2 亞馬遜的彈性計算雲 50
5.2.1 創建虛擬機實例 50
5.2.2 連接存儲 52
5.3 Azure虛擬機 54
5.4 穀歌雲虛擬機服務 55
5.5 Jetstream虛擬機服務 55
5.6 小結 56
5.7 資源 57
第6章 使用和管理容器 58
6.1 容器的基礎知識 58
6.2 Docker和Hub 59
6.3 容器用於科學 61
6.4 構建你自己的容器 62
6.5 小結 63
6.6 資源 63
第7章 彈性部署 64
7.1 雲中並行計算的範式 64
7.2 SPMD和HPC風格的並行 65
7.2.1 雲中的消息傳遞接口 65
7.2.2 雲中的GPU 65
7.2.3 在Amazon雲上部署HPC集群 67
7.2.4 在Azure上部署HPC集群 70
7.2.5 集群的進一步擴展 71
7.3 多任務並行計算 72
7.4 MapReduce和批量同步並行計算 72
7.5 圖數據流的執行和Spark 73
7.6 代理和微服務 74
7.6.1 微服務和容器資源管理器 75
7.6.2 在集群中管理身份 75
7.6.3 簡單的例子 75
7.6.4 Amazon EC2容器服務 76
7.6.5 Google的Kubernetes 81
7.6.6 Mesos和Mesosphere 84
7.7 HTCondor 86
7.8 小結 86
7.9 資源 87
第三部分 雲平臺
第8章 雲中的數據分析 91
8.1 Hadoop和YARN 91
8.2 Spark 93
8.2.1 一個簡單的Spark程序 93
8.2.2 一個更有趣的Spark程序：k均值聚類 94
8.2.3 容器中的Spark 95
8.2.4 Spark中的SQL 96
8.3 Amazon Elastic MapReduce 97
8.4 Azure HDInsight和數據湖 99
8.4.1 Azure Data Lake存儲 100
8.4.2 數據湖分析 101
8.5 Amazon Athena分析 102
8.6 Google雲數據實驗室 102
8.6.1 華盛頓和印第安納州的風疹 103
8.6.2 尋找氣象臺的異常 104
8.7 小結 107
8.8 資源 107
第9章 將數據以流式傳輸到雲端 109
9.1 科學流案例 109
9.1.1 廣域地球物理傳感器網絡 110
9.1.2 城市信息學 110
9.1.3 大規模科學數據流 111
9.2 流系統的基本設計挑戰 112
9.3 Amazon Kinesis和Firehose 112
9.3.1 Kinesis Streams架構 113
9.3.2 Kinesis和Amazon SQS 114
9.4 Kinesis、Spark和物體陣列 115
9.5 用Azure進行流數據處理 118
9.6 Kafka、Storm和Heron Streams 121
9.7 Google Dataflow和Apache Beam 124
9.8 Apache Flink 126
9.9 小結 127
9.10 資源 128
第10章 基於雲的機器學習 129
10.1 Spark機器學習庫 129
10.1.1 邏輯回歸 130
10.1.2 芝加哥餐廳案例 130
10.2 Azure機器學習空間 133
10.3 Amazon機器學習平臺 136
10.4 深度學習淺析 138
10.4.1 深度網絡 139
10.4.2 卷積神經網絡 140
10.4.3 遞歸神經網絡 141
10.5 Amazon MXNet虛擬機鏡像 143
10.6 Google TensorFlow 146
10.7 微軟認知工具包 147
10.8 小結 149
10.9 資源 150
第11章 Globus研究數據管理平臺 152
11.1 分布式數據的挑戰和機遇 152
11.2 Globus平臺 153
11.2.1 Globus傳輸和共享 153
11.2.2 rule_data結構 155
11.3 身份和證書管理 155
11.3.1 Globus Auth授權服務 156
11.3.2 一個典型的Globus Auth工作流 157
11.3.
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。