云計算：科學(xué)與工程實(shí)踐指南簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:本書(shū)向科學(xué)家、工程師和學(xué)生介紹云計算，內容涵蓋云計算的支撐技術(shù)、解決云技術(shù)問(wèn)題的新方法，以及將云服務(wù)集成到科學(xué)工作中所需要的概念。具體包括：管理云中的數據，以及如何對這些服務(wù)進(jìn)行編程；在云計算中，從部署單一虛擬機或容器到支持基本的交互式科學(xué)實(shí)驗，從而收集機器集群的數據以進(jìn)行分析；將云作為自動(dòng)化分析程序、機器學(xué)習和分析流數據的平臺；用開(kāi)源軟件構建自己的云；云安全。

作者簡(jiǎn)介:---作者簡(jiǎn)介---
伊恩?福斯特（Ian Foster） 計算機科學(xué)家，芝加哥大學(xué)教授，阿貢國家實(shí)驗室杰出研究員。他是網(wǎng)格計算理論的創(chuàng )始人和積極倡導者，被尊稱(chēng)為“網(wǎng)格計算之父”。
丹尼斯·B. 甘農（Dennis B. Gannon) 印第安納大學(xué)計算機科學(xué)系榮譽(yù)退休教授。曾任微軟云研究戰略總監，向全球的研究和教育機構提供Azure云計算資源。

---譯者簡(jiǎn)介【已更新】---
趙勇 清數科技及融數鏈創(chuàng )始人，電子科技大學(xué)副教授，曾任職于美國微軟搜索與廣告部，獲微軟杰出員工獎。博士期間師從Ian Foster教授。
黃毅 美國SkyGlue公司總裁兼CTO，圣何塞大學(xué)教授兼大數據實(shí)驗室主任。曾任職于微軟，擔任Azure云計算軟件開(kāi)發(fā)工程師。博士期間師從Dennis Gannon教授。

目錄:出版者的話(huà)
譯者序
前言
致謝
第1章　在云的宇宙中定位 1
1.1　云：計算機、助理和平臺 1
1.2　云的概況 2
1.3　本書(shū)導讀 5
1.4　獲取云服務(wù)的方式：網(wǎng)站、應用編程接口和軟件開(kāi)發(fā)工具包 6
1.4.1　Web界面、應用編程接口、軟件開(kāi)發(fā)工具包和命令行界面 6
1.4.2　本地應用和云應用 8
1.5　本書(shū)使用的工具 8
1.5.1　Python 8
1.5.2　Jupyter：基于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　管理云中的數據
第2章　存儲即服務(wù) 15
2.1　三個(gè)啟發(fā)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(guān)系型數據庫 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　云存儲全景 20
2.3.1　文件系統 20
2.3.2　對象存儲 21
2.3.3　NoSQL服務(wù) 21
2.3.4　關(guān)系型數據庫 22
2.3.5　基于數據倉庫的數據分析 22
2.3.6　圖數據庫及其他服務(wù) 23
2.3.7　OpenStack存儲服務(wù)和Jetstream云服務(wù) 23
2.4　小結 24
2.5　資源 24
第3章　使用云存儲服務(wù) 25
3.1　兩種訪(fǎng)問(wèn)方式：門(mén)戶(hù)和API 25
3.2　使用Amazon云存儲服務(wù) 26
3.3　使用Microsoft Azure云存儲服務(wù) 28
3.4　使用Google云存儲服務(wù) 31
3.4.1　Google Bigtable 32
3.4.2　Google Cloud Datastore 33
3.5　使用OpenStack云存儲服務(wù) 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　云中的計算
第4章　計算即服務(wù) 43
4.1　虛擬機和容器 43
4.2　先進(jìn)的計算服務(wù) 45
4.3　無(wú)服務(wù)器計算 46
4.4　公有云計算的優(yōu)缺點(diǎn) 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　亞馬遜的彈性計算云 50
5.2.1　創(chuàng )建虛擬機實(shí)例 50
5.2.2　連接存儲 52
5.3　Azure虛擬機 54
5.4　谷歌云虛擬機服務(wù) 55
5.5　Jetstream虛擬機服務(wù) 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　容器用于科學(xué) 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　云中并行計算的范式 64
7.2　SPMD和HPC風(fēng)格的并行 65
7.2.1　云中的消息傳遞接口 65
7.2.2　云中的GPU 65
7.2.3　在A(yíng)mazon云上部署HPC集群 67
7.2.4　在A(yíng)zure上部署HPC集群 70
7.2.5　集群的進(jìn)一步擴展 71
7.3　多任務(wù)并行計算 72
7.4　MapReduce和批量同步并行計算 72
7.5　圖數據流的執行和Spark 73
7.6　代理和微服務(wù) 74
7.6.1　微服務(wù)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(jiǎn)單的例子 75
7.6.4　Amazon EC2容器服務(wù) 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　云平臺
第8章　云中的數據分析 91
8.1　Hadoop和YARN 91
8.2　Spark 93
8.2.1　一個(gè)簡(jiǎn)單的Spark程序 93
8.2.2　一個(gè)更有趣的Spark程序：k均值聚類(lèi) 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云數據實(shí)驗室 102
8.6.1　華盛頓和印第安納州的風(fēng)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云端 109
9.1　科學(xué)流案例 109
9.1.1　廣域地球物理傳感器網(wǎng)絡(luò ) 110
9.1.2　城市信息學(xué) 110
9.1.3　大規?？茖W(xué)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(jìn)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　基于云的機器學(xué)習 129
10.1　Spark機器學(xué)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(xué)習空間 133
10.3　Amazon機器學(xué)習平臺 136
10.4　深度學(xué)習淺析 138
10.4.1　深度網(wǎng)絡(luò ) 139
10.4.2　卷積神經(jīng)網(wǎng)絡(luò ) 140
10.4.3　遞歸神經(jīng)網(wǎng)絡(luò ) 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(shū)管理 155
11.3.1　Globus Auth授權服務(wù) 156
11.3.2　一個(gè)典型的Globus Auth工作流 157
11.3.