CloudVista: Visual Cluster Exploration for Extreme Scale Data in the Cloud

Chen, Keke; Xu, Huiqi; Tian, Fengguang; Guo, Shumin

doi:10.1007/978-3-642-22351-8_21

Cited by 8 publications

(4 citation statements)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…FusionCharts [115] is another tool to allow users to visually select a subset of data from the plotted data points to be submitted back to the server for further processing. Cloud-Vista [116,117] is a software to help on visual data selection for further analysis refinement.…”

Section: Visualisation and User Interactionmentioning

confidence: 99%

Big Data computing and clouds: Trends and future directions

Assunção

Calheiros

Bianchi

et al. 2015

Journal of Parallel and Distributed Computing

674

317

View full text Add to dashboard Cite

This paper discusses approaches and environments for carrying out analytics on Clouds for Big Data applications. It revolves around four important areas of analytics and Big Data, namely (i) data management and supporting architectures; (ii) model development and scoring; (iii) visualisation and user interaction; and (iv) business models. Through a detailed survey, we identify possible gaps in technology and provide recommendations for the research community on future directions on Cloud-supported Big Data computing and analytics solutions.

show abstract

Section: Visualisation and User Interactionmentioning

confidence: 99%

Big Data computing and clouds: Trends and future directions

Assunção

Calheiros

Bianchi

et al. 2015

Journal of Parallel and Distributed Computing

674

317

View full text Add to dashboard Cite

show abstract

“…Visualizations with multiple levels of detail required for exploration of big data are currently not available. Existing data visualization applications solve this problem with native clients by locally rendering the data they dynamically fetch from the cloud.…”

Section: Architectures For Concurrent Data Analysismentioning

confidence: 99%

Concurrent software architectures for exploratory data analysis

Starič

Demšar

Zupan

2015

WIREs Data Min & Knowl

View full text Add to dashboard Cite

Decades ago, increased volume of data made manual analysis obsolete and prompted the use of computational tools with interactive user interfaces and rich palette of data visualizations. Yet their classic, desktop-based architectures can no longer cope with the ever-growing size and complexity of data. Next-generation systems for explorative data analysis will be developed on client-server architectures, which already run concurrent software for data analytics but are not tailored to for an engaged, interactive analysis of data and models. In explorative data analysis, the key is the responsiveness of the system and prompt construction of interactive visualizations that can guide the users to uncover interesting data patterns. In this study, we review the current software architectures for distributed data analysis and propose a list of features to be included in the next generation frameworks for exploratory data analysis. The new generation of tools for explorative data analysis will need to address integrated data storage and processing, fast prototyping of data analysis pipelines supported by machine-proposed analysis workflows, pre-emptive analysis of data, interactivity, and user interfaces for intelligent data visualizations. The systems will rely on a mixture of concurrent software architectures to meet the challenge of seamless integration of explorative data interfaces at client site with management of concurrent data mining procedures on the servers.

show abstract

“…Plus généralement, la visualisation de big data connaît néanmoins un essor important ces dernières années. Parmi les indicateurs qui permettent d'étayer cette affirmation on peut citer l'organisation du premier atelier spécifiquement dédié à cette thématique en octobre 2013 34 ainsi que l'apparition de techniques de visualisation s'appuyant sur Hadoop (Vo et al, 2011;Chen et al, 2011).…”

Section: Le Post-traitement Des Donnéesunclassified

Big data, le cas des systèmes d’information

Mothe¹,

Pitarch²,

Gaussier³

2014

isi

View full text Add to dashboard Cite

RESUME. Nous présentons dans cet article les principaux défis que pose le « big data » aux systèmes d'information, c'est-à-dire aux systèmes en charge du stockage et du traitement des données en vue de prises de décision. Après avoir détaillé deux applications majeures du big data que sont la recherche d'information et l'intelligence économique, nous nous intéressons à la place des données ouvertes et du web dans le big data ainsi qu'à celle que le web occupe dans les sciences et la société. Nous abordons ensuite les méthodes et technologies informatiques déployées pour traiter le big data en mettant l'accent sur la façon dont les données sont stockées, traitées et analysées afin d'en extraire des connaissances. Nous nous intéressons enfin aux défis que pose le big data aux entreprises et aux citoyens, notamment en terme de qualité des données et de préservation de la vie privée.ABSTRACT. In this paper, we present the main challenges "big data" raises to information systems, that is to systems dedicated to the storage and processing of data for decision making purposes. After presenting in detail two major applications of big data (information retrieval and business intelligence), we investigate the role of open data and the web in big bata applications, as well as the role the web plays in science and society. We discuss the methods and computer technologies deployed to address big data challenges, focusing on how the data is stored, processed and analyzed in order to extract knowledge. Finally, we consider the challenges big data raises to companies and citizens, especially in terms of data quality and privacy preserving processes. MOTS-CLES : Systèmes d'information, Big data, recherche d'information, intelligence économique, données ouvertes, Hadoop, NoSQL, fouille de données)2 Acronyme Revue. Volume 1 -n° 1/2012 6 Acronyme Revue. Volume 1 -n° 1/2012 disponible). Les secondes étant constituées de petits et gros objets, souvent hétérogènes (Cox et Ellsworth, 1997).Comme nous le verrons dans la suite de cet article, il n'existe que peu, voire pas, d'applications mettant en jeu des données possédant toutes ces caractéristiques. Une définition plus juste pourrait alors être « des données qui sont trop volumineuses ou ayant une arrivée trop rapide ou une variété trop grande pour permettre de les ranger directement dans des bases de données ou de les traiter par les algorithmes actuels ». Ainsi, l'aspect a priori évident du volume du big data ne doit pas cacher les deux autres aspects fondamentaux que sont la variété et la vélocité des données.Comme le soulignent McAfee et Brynjolfsson (2012), pour certaines applications, la vitesse de création des données est plus problématique que leur volume. Par exemple, les données que sont les informations sur la position d'objets mobiles doivent être traitées en temps réel au risque de devenir obsolètes et inutiles. La vélocité est particulièrement importante également dans le cas des données issues des capteurs ou de vidéo-surveillance qui nécessitent un traitement rapide po...

show abstract

CloudVista: Visual Cluster Exploration for Extreme Scale Data in the Cloud

Cited by 8 publications

References 26 publications

Big Data computing and clouds: Trends and future directions

Big Data computing and clouds: Trends and future directions

Concurrent software architectures for exploratory data analysis

Big data, le cas des systèmes d’information

Contact Info

Product

Resources

About