歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
KB, MB, GB, TB的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理
KB, MB, GB, TB的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦張偉洋寫的 Hadoop大數據技術開發實戰 可以從中找到所需的評價。
另外網站计算机中b、KB、MB、GB、TB之间的换算关系 - 腾讯云也說明：容量中b、KB、MB、GB 、TB之间的换算关系对照. 1B（字节）=8b（位） 1 KB = 1024 B 1 MB = 1024 KB 1 GB = 1024 MB 1TB = 1024GB. 1字节= 1个英文字母或1个数字或一个 ...
國立陽明交通大學 傳統醫藥研究所 許中華、陳方佩所指導 陳玉紅豔的 中藥(VGH-BPH1)對於良性攝護腺增生病人之療效評估 （2021），提出KB, MB, GB, TB關鍵因素是什麼，來自於良性前列腺增生、中藥、隨機、雙盲、安慰劑對照交叉試驗。
而第二篇論文臺北醫學大學 藥學系臨床藥學碩士在職專班 王莉萱所指導 林志翰的 探討 Selective serotonin reuptake inhibitors對慢性阻塞性肺病患者罹患肺癌風險性的影響 （2021），提出因為有 肺癌、慢性阻塞性肺病的重點而找出了 KB, MB, GB, TB的解答。
最後網站TB GB MB KB 換算 - 緹娜的生活小日記- 痞客邦則補充：1 Byte = 8 Bits · 1 Kilobyte (KB) = 1024 Bytes · 1 Megabyte (MB) = 1024 KB · 1 Gigabyte (GB) = 1024 MB · 1 Terabyte (TB) = 1024 GB · 1 Petabyte (PB) ...
Hadoop大數據技術開發實戰
為了解決KB, MB, GB, TB 的問題，作者張偉洋 這樣論述：
本書以Hadoop及其周邊框架為主線，介紹了整個Hadoop生態系統主流的大資料開發技術。全書共16章，第1章講解了VMware中CentOS 7作業系統的安裝；第2章講解了大資料開發之前對作業系統集群環境的配置；第3~16章講解了Hadoop生態系統各框架HDFS、MapReduce、YARN、ZooKeeper、HBase、Hive、Sqoop和資料即時處理系統Flume、Kafka、Storm、Spark以及分散式搜索系統Elasticsearch等的基礎知識、架構原理、集群環境搭建，同時包括常用的Shell命令、API操作、源碼剖析，並通過實際案例加深對各個框架的理解與應用。通過閱讀本
書，讀者即使沒有任何大資料基礎，也可以對照書中的步驟成功搭建屬於自己的大資料集群並獨立完成專案開發。 本書可作為Hadoop新手入門的指導書，也可作為大資料開發人員的隨身手冊以及大資料從業者的參考用書。 張偉洋 畢業于中國地質大學計算機科學與技術專業，先後就職于知名互聯網公司百度、慧聰網，任Java高級軟體工程師，互聯網旅遊公司任軟體研發事業部技術經理。目前供職于青島英穀教育科技股份有限公司，任大資料項目目講師，為數十所高校先後舉行多次大資料專題講座，對Hadoop及周邊框架ZooKeeper、Hive、HBase、Storm、Spark等有深入的研究。高等院校雲計算與大
資料專業課改教材《雲計算與大資料概論》《大資料開發與應用》的主要編寫者，百度文庫、百度閱讀簽約作者。 第1章 VMware中安裝CentOS 7 1 1.1 下載CENTOS 7鏡像文件 1 1.2 新建虛擬機器 5 1.3 安裝作業系統 9 第2章 CentOS 7集群環境配置 16 2.1 系統環境配置 16 2.1.1 新建用戶 17 2.1.2 修改用戶許可權 17 2.1.3 關閉防火牆 17 2.1.4 設置固定IP 18 2.1.5 修改主機名稱 22 2.1.6 新建資原始目錄 23 2.2 安裝JDK 23 2.3 克隆虛擬機
器 25 2.4 配置主機IP映射 29 第3章 Hadoop 31 3.1 HADOOP簡介 31 3.1.1 Hadoop生態系統架構 32 3.1.2 Hadoop 1.x與2.x的架構對比 33 3.2 YARN基本架構及組件 34 3.3 YARN工作流程 37 3.4 配置集群各節點SSH無金鑰登錄 38 3.4.1 無金鑰登錄原理 38 3.4.2 無金鑰登錄操作步驟 39 3.5 搭建HADOOP 2.X分散式集群 41 第4章 HDFS 48 4.1 HDFS簡介 48 4.1.1 設計目標 49 4.1.2 總體架構 49 4.1.3 主
要組件 50 4.1.4 文件讀寫 53 4.2 HDFS命令列操作 54 4.3 HDFS WEB介面操作 57 4.4 HDFS JAVA API操作 59 4.4.1 讀取數據 59 4.4.2 創建目錄 61 4.4.3 創建文件 62 4.4.4 刪除檔 63 4.4.5 遍歷檔和目錄 64 4.4.6 獲取檔或目錄的中繼資料 65 4.4.7 上傳本地檔 66 4.4.8 下載檔案到本地 66 第5章 MapReduce 68 5.1 MAPREDUCE簡介 68 5.1.1 設計思想 69 5.1.2 任務流程 70 5.1.3 工作原理 71
5.2 MAPREDUCE程式編寫步驟 74 5.3 案例分析：單詞計數 76 5.4 案例分析：數據去重 82 5.5 案例分析：求平均分 86 5.6 案例分析：二次排序 89 5.7 使用MRUNIT測試MAPREDUCE程式 97 第6章 ZooKeeper 100 6.1 ZOOKEEPER簡介 100 6.1.1 應用場景 101 6.1.2 架構原理 101 6.1.3 資料模型 102 6.1.4 節點類型 103 6.1.5 Watcher機制 103 6.1.6 分散式鎖 105 6.2 ZOOKEEPER安裝配置 106 6.2.1 單
機模式 106 6.2.2 偽分佈模式 108 6.2.3 集群模式 109 6.3 ZOOKEEPER命令列操作 112 6.4 ZOOKEEPER JAVA API操作 114 6.4.1 創建Java工程 114 6.4.2 創建節點 115 6.4.3 修改資料 118 6.4.4 獲取資料 118 6.4.5 刪除節點 123 6.5 案例分析：監聽伺服器動態上下線 124 第7章 HDFS與YARN HA 129 7.1 HDFS HA搭建 129 7.1.1 架構原理 130 7.1.2 搭建步驟 131 7.1.3 結合ZooKeeper進行HD
FS自動容錯移轉 137 7.2 YARN HA搭建 142 7.2.1 架構原理 142 7.2.2 搭建步驟 142 第8章 HBase 147 8.1 什麼是HBASE 147 8.2 HBASE基本結構 148 8.3 HBASE資料模型 149 8.4 HBASE集群架構 151 8.5 HBASE安裝配置 153 8.5.1 單機模式 153 8.5.2 偽分佈模式 155 8.5.3 集群模式 156 8.6 HBASE SHELL命令操作 160 8.7 HBASE JAVA API操作 164 8.7.1 創建Java工程 164 8.7.2
創建表 164 8.7.3 添加數據 166 8.7.4 查詢資料 168 8.7.5 刪除資料 169 8.8 HBASE篩檢程式 170 8.9 案例分析：HBASE MAPREDUCE資料轉移 174 8.9.1 HBase不同表間資料轉移 174 8.9.2 HDFS資料轉移至HBase 180 8.10 案例分析：HBASE資料備份與恢復 183 第9章 Hive 185 9.1 什麼是HIVE 185 9.1.1 資料單元 186 9.1.2 資料類型 187 9.2 HIVE架構體系 189 9.3 HIVE三種運行模式 190 9.4 HIVE
安裝配置 191 9.4.1 內嵌模式 192 9.4.2 本地模式 195 9.4.3 遠端模式 198 9.5 HIVE常見屬性配置 200 9.6 BEELINE CLI的使用 201 9.7 HIVE資料庫操作 205 9.8 HIVE表操作 208 9.8.1 內部表 209 9.8.2 外部表 213 9.8.3 分區表 215 9.8.4 分桶表 219 9.9 HIVE查詢 223 9.9.1 SELECT子句查詢 224 9.9.2 JOIN連接查詢 230 9.10 其他HIVE命令 233 9.11 HIVE中繼資料表結構分析 235 9.
12 HIVE自訂函數 237 9.13 HIVE JDBC操作 239 9.14 案例分析：HIVE與HBASE整合 242 9.15 案例分析：HIVE分析搜狗使用者搜索日誌 246 第10章 Sqoop 251 10.1 什麼是SQOOP 251 10.1.1 Sqoop基本架構 252 10.1.2 Sqoop開發流程 252 10.2 使用SQOOP 253 10.3 資料導入工具 254 10.4 資料匯出工具 259 10.5 SQOOP安裝與配置 261 10.6 案例分析：將MYSQL表數據導入到HDFS中 262 10.7 案例分析：將HDFS
中的資料匯出到MYSQL中 263 10.8 案例分析：將MYSQL表數據導入到HBASE中 264 第11章 Kafka 267 11.1 什麼是KAFKA 267 11.2 KAFKA架構 268 11.3 主題與分區 269 11.4 分區副本 271 11.5 消費者組 273 11.6 資料存儲機制 274 11.7 集群環境搭建 276 11.8 命令列操作 278 11.8.1 創建主題 278 11.8.2 查詢主題 279 11.8.3 創建生產者 280 11.8.4 創建消費者 280 11.9 JAVA API操作 281 11.9.1
創建Java工程 281 11.9.2 創建生產者 281 11.9.3 創建消費者 283 11.9.4 運行程式 285 11.10 案例分析：KAFKA生產者攔截器 287 第12章 Flume 294 12.1 什麼是FLUME 294 12.2 架構原理 295 12.2.1 單節點架構 295 12.2.2 組件介紹 296 12.2.3 多節點架構 297 12.3 安裝與簡單使用 299 12.4 案例分析：日誌監控（一） 302 12.5 案例分析：日誌監控（二） 304 12.6 攔截器 306 12.6.1 內置攔截器 307 12.6.
2 自訂攔截器 310 12.7 選擇器 313 12.8 案例分析：攔截器和選擇器的應用 315 12.9 案例分析：FLUME與KAFKA整合 319 第13章 Storm 322 13.1 什麼是STORM 322 13.2 STORM TOPOLOGY 323 13.3 STORM集群架構 324 13.4 STORM流分組 326 13.5 STORM集群環境搭建 329 13.6 案例分析：單詞計數 332 13.6.1 設計思路 332 13.6.2 代碼編寫 333 13.6.3 程式運行 339 13.7 案例分析：STORM與KAFKA整合
341 第14章 Elasticsearch 347 14.1 什麼是ELASTICSEARCH 347 14.2 基本概念 348 14.2.1 索引、類型和文檔 348 14.2.2 分片和副本 348 14.2.3 路由 349 14.3 集群架構 350 14.4 集群環境搭建 352 14.5 KIBANA安裝 355 14.6 REST API 357 14.6.1 集群狀態API 357 14.6.2 索引API 358 14.6.3 文檔API 360 14.6.4 搜索API 363 14.6.5 Query DSL 365 14.7 HEA
D外掛程式安裝 371 14.8 JAVA API操作：員工資訊 375 第15章 Scala 379 15.1 什麼是SCALA 379 15.2 安裝SCALA 380 15.2.1 Windows中安裝Scala 380 15.2.2 CentOS 7中安裝Scala 381 15.3 SCALA基礎 382 15.3.1 變數聲明 382 15.3.2 資料類型 383 15.3.3 運算式 385 15.3.4 迴圈 386 15.3.5 方法與函數 388 15.4 集合 391 15.4.1 陣列 391 15.4.2 List 393 15.4.
3 Map映射 394 15.4.4 元組 396 15.4.5 Set 396 15.5 類和對象 398 15.5.1 類的定義 398 15.5.2 單例對象 399 15.5.3 伴生對象 399 15.5.4 get和set方法 400 15.5.5 構造器 402 15.6 抽象類別和特質 404 15.6.1 抽象類別 404 15.6.2 特質 406 15.7 使用ECLIPSE創建SCALA專案 408 15.7.1 安裝Scala for Eclipse IDE 408 15.7.2 創建Scala項目 409 15.8 使用INTELLI
J IDEA創建SCALA專案 410 15.8.1 IDEA中安裝Scala外掛程式 410 15.8.2 創建Scala項目 414 第16章 Spark 416 16.1 SPARK概述 416 16.2 SPARK主要組件 417 16.3 SPARK運行時架構 419 16.3.1 Spark Standalone模式 419 16.3.2 Spark On YARN模式 421 16.4 SPARK集群環境搭建 423 16.4.1 Spark Standalone模式 423 16.4.2 Spark On YARN模式 425 16.5 SPARK H
A搭建 426 16.6 SPARK應用程式的提交 430 16.7 SPARK SHELL的使用 433 16.8 SPARK RDD 435 16.8.1 創建RDD 435 16.8.2 RDD運算元 436 16.9 案例分析：使用SPARK RDD實現單詞計數 441 16.10 SPARK SQL 448 16.10.1 DataFrame和Dataset 448 16.10.2 Spark SQL基本使用 449 16.11 案例分析：使用SPARK SQL實現單詞計數 452 16.12 案例分析：SPARK SQL與HIVE整合 454 16.13 案
例分析：SPARK SQL讀寫MYSQL 457 前言 當今互聯網已進入大資料時代，大資料技術已廣泛應用于金融、醫療、教育、電信、政府等領域。各行各業每天都在產生大量的資料，資料計量單位已從B、KB、MB、GB、TB發展到PB、EB、ZB、YB甚至BB、NB、DB。預計未來幾年，全球資料將呈爆炸式增長。谷歌、阿裡巴巴、百度、京東等互聯網公司都急需掌握大資料技術的人才，而大資料相關人才卻出現了供不應求的狀況。 Hadoop作為大資料生態系統中的核心框架，專為離線和大規模資料處理而設計。Hadoop的核心組成HDFS為海量資料提供了分散式存儲；MapReduce則為海量資料
提供了分散式運算。很多互聯網公司都使用Hadoop來實現公司的核心業務，例如華為的雲計算平臺、淘寶的推薦系統等，只要和海量資料相關的領域都有Hadoop的身影。 本書作為Hadoop及其周邊框架的入門書，知識面比較廣，涵蓋了當前整個Hadoop生態系統主流的大資料開發技術。內容全面，代碼可讀性強，以實操為主，理論為輔，一步一步手把手對常用的離線計算以及即時計算等系統進行了深入講解。 全書共16章，第1章講解了VMware中CentOS 7作業系統的安裝；第2章講解了大資料開發之前對作業系統集群環境的配置；第3~16章講解了Hadoop生態系統各框架HDFS、MapReduce、YARN、Z
ooKeeper、HBase、Hive、Sqoop和資料即時處理系統Flume、Kafka、Storm、Spark以及分散式搜索系統Elasticsearch等的基礎知識、架構原理、集群環境搭建，同時包括常用的Shell命令、API操作、源碼剖析，並通過實際案例加深對各個框架的理解與應用。 那麼如何學習本書呢？ 本書推薦的閱讀方式是按照章節順序從頭到尾完成閱讀，因為後面的很多章節是以前面的章節為基礎，而且這種一步一個腳印、由淺入深的方式將使你更加順利地掌握大資料的開發技能。 學習本書時，首先根據第1、2章搭建好開發環境，然後依次學習第3~16章，學習每一章時先瞭解該章的基礎知識和框架的架
構原理，然後再進行集群環境搭建、Shell命令操作等實操練習，這樣學習效果會更好。當書中的理論和實操知識都掌握後，可以進行舉一反三，自己開發一個大資料程式，或者將所學知識運用到自己的程式設計項目上，也可以到各種線上論壇與其他大資料愛好者進行討論，互幫互助。 本書可作為Hadoop新手入門的指導書籍或者大資料開發人員的參考用書，要求讀者具備一定的Java語言基礎和Linux系統基礎，即使沒有任何大資料基礎的讀者，也可以對照書中的步驟成功搭建屬於自己的大資料集群，是一本真正的提高讀者動手能力、以實操為主的入門書籍。通過對本書的學習，讀者能夠對大資料相關框架迅速理解並掌握，可以熟練使用Hadoop
集成環境進行大資料專案的開發。 讀者若對書中講解的知識有任何疑問，可關注下面的公眾號聯繫筆者，還可以在該公眾號中獲取大資料相關的學習教程和資源。 掃描下述二維碼可以下載本書原始程式碼： 由於時間原因，書中難免出現一些錯誤或不準確的地方，懇請讀者批評指正。 張偉洋 2019年5月於青島
中藥(VGH-BPH1)對於良性攝護腺增生病人之療效評估
為了解決KB, MB, GB, TB 的問題，作者陳玉紅豔 這樣論述：
良性前列腺增生（BPH）是 腺體組織出現非癌化的良性增生的疾病。這種疾病可以影響生活品質並引起併發症，例如膀胱壁厚、膀胱結石等。而西藥也可能會產生性慾降低以及勃起功能障礙等副作用。因此，有不少患者會主動尋求其他治療方法。一些過去研究表明，中藥可以減輕BPH患者的症狀。因此，本研究團隊進行隨機雙盲對照及交叉實驗，以研究中藥（VGH-BPH1）是否可以改善BPH症狀。VGH-BPH1的組成成分包括濟生腎氣丸、桑螵蛸散、覆盆子、益智仁、烏藥、丹參、淫羊藿、黃柏和知母。在這項研究中，收集了23名患者，隨機雙盲分派為A組與B組：在第1階段，為期8週，A組接受VGH-BPH1，而B組接受安慰劑。於八週結
束後，停藥兩週，並將兩組互換，在第2階段，A組改為服用安慰劑，B組改為服用VGH-BPH1，為期8週。同時，所有患者仍繼續接受西藥治療。受試者須於試驗前、第八週末、第十週始、第十八週末填寫國際攝護腺症狀評分 （International Prostate Symptom Score, IPSS）、老年男性症狀評分表（Aging Male Symptoms Score, AMS）、國際勃起功能指標量表(International index of erectile function, IIEF)以及中醫體質量表（Constitution in Chinese Medicine Questionn
aire，CCMQ），並且於使用中藥前、第八週末、第十週始、第十八週末分別測量尿流速（Uroflowmetry）以及尿後殘尿量（Post-void residual urine volume）。顯示，VGH-BPH1 顯著降低 IPSS 總分（p=0.027）； 然而，與安慰劑組相比，沒有發現顯著差異。關於AMS，VGH-BPH1組的“關節痛及肌肉痛”評分顯著低於安慰劑組（p=0.022）。比較兩組時，“感覺過勞”評分也顯示出下降趨勢（p=0.057）。治療後，VGH-BPH1組與安慰劑組的IIEF，CCMQ，尿流速以及尿後殘尿量無統計學差異。雖然研究結果顯示VGH-BPH1的療效並未達到統計
顯著意義，但與安慰劑相比，在改善某些生活品質評估上具顯著意義。希望將來進行更大樣本數的臨床研究，來證實VGH-BPH1的療效。
探討 Selective serotonin reuptake inhibitors對慢性阻塞性肺病患者罹患肺癌風險性的影響
為了解決KB, MB, GB, TB 的問題，作者林志翰 這樣論述：
慢性阻塞性肺病患者因疾病特性關係多是抽菸者，相較於非患者罹患肺癌的機率更高。而慢性阻塞性肺病患者也有較高比例會產生憂鬱相關疾病，依現行的治療指引中常會使用選擇性血清素回收抑制劑(Selective serotonin reuptake inhibitors, SSRIs)來治療。早期的研究中顯示SSRIs可能具有促進細胞凋亡的作用，進而降低癌症發生風險，然而這些結果多數來自於細胞、動物實驗或流行病學研究，且綜合各項研究結果，SSRIs對於癌症之作用仍未完全被掌握並依舊存在矛盾。因此，SSRIs對於人體產生肺癌之影響，是否為保護或是有害仍未有定論。本研究旨在藉由台灣全國性資料庫，探討初次診斷慢
性阻塞性肺病之患者使用SSRIs，其後續發生肺癌之風險影響。本研究為一回溯性世代研究，所使用之資料來源為衛生福利部資料科學中心所提供之2000年200萬人抽樣檔，篩選出於2001年至2013年間初次診斷為慢性阻塞性肺病之患者，並串聯到其2000年至2018年間的醫療紀錄。定義初次診斷慢性阻塞性肺病者並有使用SSRIs者為實驗組；對照組則為初次診斷慢性阻塞性肺病者但未使用SSRIs之患者。兩組再依年齡、性別、共病症、使用藥物，以1：1之比例進行配對。兩組研究對象皆追蹤五年。兩組間發生癌症之風險及相關之干擾因子，以Cox比例風險回歸模型(Cox proportional hazards regre
ssion model)進行分析，並利用Kaplan-Meier法檢測實驗組和對照組之間五年肺癌發生率的差異。由於追蹤時間可能影響結果，於敏感性分析中將追蹤時間延長為十年。為了進一步分析劑量依存性 (Dose-dependent relationship)，使用條件式邏輯斯回歸模型估計勝算比以表示SSRIs類藥物累積暴露劑量與肺癌之關聯性。本研究使用雙尾檢定，將p值小於0.05定為具有統計學上之顯著差異。在1：1傾向分數配對後，本研究共收錄4,088位SSRIs使用者及4,088位非SSRIs使用者，經校正所有共變項及干擾因子後觀察到使用SSRIs者後續罹患肺癌的風險與非SSRIs使用者並無顯
著差異(aHR, 0.98; 95% CI, 0.62-1.57)。在敏感性分析中，將兩組追蹤時間皆延長為十年，結果也與主要研究類似(aHR, 0.95; 95% CI, 0.57-1.56)。而針對累積暴露劑量進行分析，依照SSRIs使用量多寡其風險比分別為，28-83個DDD (aHR, 1.21; 95% CI, 0.64-2.29)、84-167個DDD (aHR, 1.12; 95% CI, 0.50-2.52)、168-335個DDD (aHR, 0.85; 95% CI, 0.33-2.17)、336個DDD以上 (aHR, 0.79; 95% CI, 0.39-1.59)。SS
RIs之累積暴露劑量多寡與肺癌的風險之間並無存在顯著的劑量依存性。在本研究中，台灣慢性阻塞性肺病患者族群使用SSRIs類藥物並不會增加後續罹患肺癌的風險，但亦無觀察到保護效果。在累積暴露劑量的分析上，兩者之間無存在顯著劑量依存性，但隨著累積暴露劑量增加，約略呈現肺癌風險下降之趨勢。而SSRIs類藥物與肺癌確切的相關性，仍待未來進一步的研究證實。