大数据实用DevOps
- 波城大学 — Franck Barbier (前言)
- Netfective Technology — Youssef Ridene, Joas Yannick Kinouani, Laurie-Anne Parant
- 帝国理工学院 — Giuliano Casale, Chen Li, Lulai Zhu, Tatiana Ustinova, Pooyan Jamshidi
- 米兰理工大学 — Danilo Ardagna, Marcello Bersani, Elisabetta Di Nitto, Eugenio Gianniti, Michele Guerriero, Matteo Rossi, Damian Andrew Tamburri, Safia Kalwar, Francesco Marconi
- IeAT — Gabriel Iuhasz, Dana Petcu, Ioan Dragan
- XLAB d.o.o. — Matej Artač, Tadej Borovšak
- flexiOPS — Craig Sheridan, David McGowran, Grant Olsson
- ATC SA — Vasilis Papanikolaou, George Giotis
- Prodevelop — Christophe Joubert, Ismael Torres, Marc Gil
- 萨拉戈萨大学 — Simona Bernardi, Abel Gómez, José Merseguer, Diego Pérez, José-Ignacio Requeno
本书介绍了一种构建大数据应用程序的方法论。方法论是为了解决软件开发问题而存在的。它由开发流程（工作流程、做事方式）和工具组成，以帮助将其具体化。方法论的理想和指导原则是在软件项目中促进工作并保证利益相关者（包括最终用户和维护人员）的满意度。我们的方法论解决了有效且高效地构建高质量的大数据系统的问题，该问题涉及重用复杂且不易学习的大数据技术。为此，它借鉴了另外两种成功的方法论：DevOps 和模型驱动工程。关于先决条件，我们假设读者对软件工程有基本的了解，并且从工具的角度来看，熟悉统一建模语言 (UML) 和 Eclipse IDE。
本书由八部分组成。第一部分是引言（第 1 章）和现状（第 2 章）。第二部分阐述了我们的方法论（第 3 章）并回顾了一些适合建模大数据系统的 UML 图（第 4 章）。第三部分展示了如何调整 UML 以使其支持逐步细化方法，其中模型变得越来越详细和精确。除了第 5 章介绍了主题之外，接下来的每一章（第 6、7 和 8 章）都专门介绍我们三个细化步骤中的一个。第四部分侧重于模型分析。实际上，模型使设计人员能够仔细研究系统，而无需实现它：模型检查器（第 9 章）可以验证系统（如建模）是否满足某些服务质量要求；模拟器（第 10 章）可以探索其可能的行为；优化器（第 11 章）可以找到最佳行为。第五部分解释了模型如何用于自动安装（第 12 章）、配置（第 13 章）和测试（第 14 章和第 15 章）建模的大数据技术。第六部分描述了收集运行时性能数据（第 16 章）以检测异常（第 17 章）、违反质量要求（第 18 章）并相应地重新思考模型（第 19 章）。第七部分介绍了该方法论的三个案例研究（第 20、21 和 22 章）。最后，第八部分在提到未来的研究方向（第 23 章）后总结了本书（第 24 章）。
