Dstream: Plataforma de Coleta, Processamento e Armazenamento de Streams de Dados de Sensoriamento Remoto
Resumo
Atualmente, uma das maiores aplicações de séries temporais tem sido na identificação de transformações da superfície do planeta Terra, que está mu-dando a uma taxa sem precedentes. Por isso, grandes esforços tem sido feitos para criar soluções para identificar estas mudanças processando grandes volumes de dados (Big Data) gerados continuamente por diversas fontes (streaming). O objetivo deste trabalho é explorar as arquiteturas paralelas para propor uma nova solução distribuída para coleta, armazenamento, indexação e processamento de séries temporais de imagens de sensoriamento remoto.
Palavras-chave:
Google Cloud, Amazon Web Service Cloud, Carga de Trabalho, MongoDB, Máquinas Preemptáveis.
Referências
Chen, M., Mao, S., and Liu, Y. (2014). Big data: A survey. Mobile Networks and Applications, 19(2):171–209.
Chi, M., Plaza, A., Benediktsson, J. A., Sun, Z., Shen, J., and Zhu, Y. (2016). Big data for remote sensing: Challenges and opportunities. Proceedings of the IEEE, 104(11):2207–2219.
de Oliveira, S. S. T., de Castro Cardoso, M., dos Santos, W., Costa, P., do Sacramento Ro- processing in a distributed computing environment. Revista Brasileira de Cartografia, 69(5).
Fan, J., Han, F., and Liu, H. (2014). Challenges of big data analysis. National science review, 1(2):293–314.
Ma, Y., Wu, H., Wang, L., Huang, B., Ranjan, R., Zomaya, A., and Jie, W. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 51:47–60.
Rakthanmanon, T., Campana, B., Mueen, A., Batista, G., Westover, B., Zhu, Q., Zakaria, J., and Keogh, E. (2013). Addressing big data time series: Mining trillions of time series subsequences under dynamic time warping. ACM Transactions on Knowledge Discovery from Data (TKDD), 7(3):10.
Sottile, M. J., Mattson, T. G., and Rasmussen, C. E. (2009). Introduction to concurrency in programming languages. CRC Press.
Chi, M., Plaza, A., Benediktsson, J. A., Sun, Z., Shen, J., and Zhu, Y. (2016). Big data for remote sensing: Challenges and opportunities. Proceedings of the IEEE, 104(11):2207–2219.
de Oliveira, S. S. T., de Castro Cardoso, M., dos Santos, W., Costa, P., do Sacramento Ro- processing in a distributed computing environment. Revista Brasileira de Cartografia, 69(5).
Fan, J., Han, F., and Liu, H. (2014). Challenges of big data analysis. National science review, 1(2):293–314.
Ma, Y., Wu, H., Wang, L., Huang, B., Ranjan, R., Zomaya, A., and Jie, W. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 51:47–60.
Rakthanmanon, T., Campana, B., Mueen, A., Batista, G., Westover, B., Zhu, Q., Zakaria, J., and Keogh, E. (2013). Addressing big data time series: Mining trillions of time series subsequences under dynamic time warping. ACM Transactions on Knowledge Discovery from Data (TKDD), 7(3):10.
Sottile, M. J., Mattson, T. G., and Rasmussen, C. E. (2009). Introduction to concurrency in programming languages. CRC Press.
Publicado
08/08/2018
Como Citar
OLIVEIRA, Sávio; FERREIRA, Laerte; SANTOS, Claudinei; MARTINS, Wellington; RODRIGUES, Vagner.
Dstream: Plataforma de Coleta, Processamento e Armazenamento de Streams de Dados de Sensoriamento Remoto. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 2018. , 2018, Goiânia.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 331-336.
