Plataformas de visualización de datos tolerantes a fallos por medio de MongoDB.

Contenido principal del artículo

Edy Gómez Coaboy
Joe Carrión Jumbo

Resumen

Para el siguiente trabajo de investigación se analizan las funcionalidades de un sistema distribuido para visualización de datos, por medio de un clúster de almacenamiento tolerante a fallos que permita el análisis estadístico, mediante la integración de herramientas. Se utiliza para experimentación datos abiertos del Instituto Nacional de Estadísticas y Censos sobre matrimonios correspondientes al 2018. Se ha integrado MongoDB Atlas y Compass, que permiten la visualización de datos en un esquema distribuido en la nube. Se realiza la carga de datos que serán mostrados mediante gráficos y análisis detallado de cada uno. El uso de MongoDB Atlas para el modelado de documentos resulta simple de desplegar y proporciona funcionalidades para una mayor adaptabilidad escalable a los desarrolladores y analistas de datos. Posee interfaces gráficas útiles al momento de trabajar con bases de datos, también interpreta diferentes lenguajes, siendo una de las herramientas que ayudará en la actualidad y futuras generaciones al tratar con modelos de consultas. Este trabajo está enfocado para fines educativos con el objetivo de realizar la visualización de los datos y hacer réplicas de la información mediante servidores en la nube, se plantean asuntos a discutir en la implementación de estas herramientas para futuras investigaciones. Los resultados muestran las funciones de clúster tolerante a fallos con herramientas de visualización ágiles y simples de implementar, por lo que es una alternativa a evaluar para las organizaciones con necesidades de plataformas de visualización.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Gómez Coaboy, E., & Carrión Jumbo, J. . (2021). Plataformas de visualización de datos tolerantes a fallos por medio de MongoDB. REVISTA CIENTÍFICA ECOCIENCIA, 8(2), 45–70. https://doi.org/10.21855/ecociencia.82.386
Sección
Artículos
Biografía del autor/a

Edy Gómez Coaboy, Consultor en Data Science, Quito, Ecuador.

Magister en Data Science (Ecuador).

Joe Carrión Jumbo, Docente titular de la Universidad Internacional SEK, Quito, Ecuador.

Doctor en Informática (España).

Citas

Ashraff , H. (2018). rear un Cluster de Base de Datos en la Nube con MongoDB Atlas. Obtenido de https://code.tutsplus.com/es/tutorials/create-a-database-cluster-in-the-cloud-with-mongodb-atlas--cms-31840

Baruffa, G., Femminella, M., Pergolesi, M., & Reali, G. (2019). Comparison of MongoDB and Cassandra Databases for Spectrum Monitoring As-a-Service. Perugia: IEEE.

Fayyad, U., Shapiro, G. P., & Smyth, P. (1996). Knowledge Discovery and Data Mining: Towards a Unifying Framework., (págs. 1-7).

Giamas, A. (2017). Mastering MongoDB 3.x: An expert's guide to building fault-tolerant MongoDB applications. Kindle.

Gómez, M. (2013). Bases de datos, notas del curso. Cuajimalpa: Prolongación Canal de Miramontes.

Hammood, A., & Murat, S. (2016). Comparison Of NoSQL Database Systems: A Study On MongoDB, Apache Hbase, And Apache Cassandra. International Conference on Computer Science and Engineering, (págs. 626-631). Tekirdağ,.

Haughian, G., Osman, R., & Knottenbelt, W. (2016). Benchmarking Replication in Cassandra and MongoDB NoSQL Datastore. Springer, 152-166.

INEC. (2018). Instituto Nacional de Estadísticas y Censos. Obtenido de https://www.ecuadorencifras.gob.ec/matrimonios-divorcios/

Ioana , A., Diaconita, V., & Bologa, R. (2015). Data integration approaches using ETL. 19-27.

Kalman, J., & Rendón, V. (2016). Uso de la hoja de cálculo para analizar datos cualitativos. Redalyc, 29-48.

Liu, H., & Hiroshi, M. (2012). Feature selection for knowledge discovery and data mining. New York: Springer Science.

Maimon , O., & Rokach, L. (2009). Introduction to knowledge discovery. (págs. 1-15). Boston: Springer.

Makris, A., Tserpes, K., Spiliopoulos, G., & Anagnostopoulos, D. (2019). Performance Evaluation of MongoDB and PostgreSQL for. Lisbon: CEUR.

Matallah, H., Belalen, G., & Bouamrane, K. (2017). Experimental comparative study of NoSQL databases: HBASE versus MongoDB by YCSB. Comput. Syst. Sci. Eng, 32(4), págs. 307-317.

Merlino, H. (2014). Metodología de transformacion de datos. Buenso Aires: Reportes Técnicos en Ingeniería del Software.

MongoDB. (2020). Interact with Cluster Data. Load Sample Data into Your Atlas Cluster. Obtenido de https://docs.atlas.mongodb.com/sample-data/

Organización Internacional de Normalización. (2011). Calidad de Software y Datos (ISO/IEC 25040). Obtenido de https://iso25000.com/index.php/normas-iso-25000/iso-25040

Piedrabuena, F. (2007). Diseño lógico y físico de bases de datos. Uruguay.

Power, D. (2016). Beneficios de la Replicación de Base de Datos. Obtenido de https://blog.powerdata.es/el-valor-de-la-gestion-de-datos/beneficios-de-la-replicacion-de-base-de-datos

Rodríguez , C., & García , M. (2016). Adecuación a metodología de minería de datos para aplicar a problemas no supervisados tipo atributo-valor. Scielo, 43-53. Obtenido de http://rus.ucf.edu.cu/

Tello, R. (2015). Base de datos en la ingeniería y los negocios. Redalyc, 1-5.

Tyulenev , M., Schwerin, A., Kamsky, A., Tan, R., Cabral, A., & Mulrow , J. (2019). Implementation of Cluster-wide Logical Clock. SIGMOD (págs. 1-15). Amsterdam: Storage & Indexing .

Vallejo, H., Guevara, E., & Medina, S. (2018). Minería de Datos. Recimundo, 339-349.

Vázquez, S. (2015). Tecnologías de almacenamiento de información en el ambiente digital. Redalyc, 3-16.