Plataformas de visualización de datos tolerantes a fallos por medio de MongoDB.
Barra lateral del artículo
Contenido principal del artículo
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
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los miembros que conforman el Comité Editorial de la Revista Científica ECOCIENCIA, realizan una labor transparente en los diferentes procesos de gestión de la misma garantizando la elevada calidad de cada uno de los artículos que quedan publicados a disposición de la comunidad académica y científica. Dicho Comité verifica que cada artículo enviado por su autor/es, carezca de plagio y para ello se emplea el software antiplagio COMPILATIO.
El reporte que URKUND envía como respuesta al editor evaluador, permite que este pueda visualizar si ha habido similitudes o plagio (en su defecto) lo cual comúnmente sucede por errores en la forma de citar o referenciar por parte del autor del artículo. Igualmente, el evaluador gracias al reporte de URKUND, puede visualizar de cuáles fuentes o documentos originales ha incurrido en plagio el autor del trabajo. Una vez que sea constatada la ausencia de plagio en cada artículo, se da inicio al proceso de revisión por parte de los pares ciegos. Si se detecta plagio en el artículo, automáticamente este es rechazado y se notifica el veredicto al autor/es.
Cuando un artículo es aprobado, el/los autor/es conservan los derechos de autor y cede(n) a la Revista Científica ECOCIENCIA, el derecho de ser la primera que pueda editarlo, reproducirlo, exhibirlo y comunicarlo mediante medios impresos y electrónicos.
La Revista Científica ECOCIENCIA opera bajo una bajo una licencia Creative Commons Reconocimiento-No Comercial 4.0 Internacional (CC-BY-NC 4.0).
BY: la dirección de la revista, así como el Comité Editorial, tienen atribución para compartir, copiar y redistribuir el material de la revista en cualquier medio o formato, así como adaptar, remezclar y transformar las secciones de la revista no causando alteración en el contenido de los artículos publicados o previo a publicar por parte de los autores.
NC: el material de la revista no puede ser manejado con fines comerciales por lo cual ninguna de sus secciones ni artículos publicados por los autores, está disponible para la venta o actividad comercial.
Se autoriza la reproducción, parcial o total, de los artículos publicados en la Revista Científica ECOCIENCIA, siempre que se cite apropiadamente la fuente y se use sin propósitos comerciales.
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.