Projeto criado para o trabalho final da disciplica de LPOO (Linguagem de programação orientada a objetos).

Trabalho final feito com Spring Boot para a disciplina de Banco de Dados - Universidade Federal de Alfenas - MySQL, SpringBoot, HTML5 e CSS3

Jogo RPG de turno para o trabalho final de POO do curso +Devs2Blu usando Java Swing

Trabalho Final de Backend: Desenvolvimento do Backend em Java Spring Boot para um Sistema de Gerenciamento de Investimentos.

Previsão de Tempo de Trabalho Hadoop Código utilizado para realizar algumas experiências de predicções de trabalho do Hadoop usando o OpenStack Sahara. Detalhes do tamanho do cluster O mestre e os escravos dos clusters tinham um sabor com as seguintes configurações: 2 VCPUs 45 GB de HD 4 GB de RAM Troca de 4 GB Executando a experiência Para executar esta experiência primeiro você deve: Obter a entrada Compile classes na pasta de origem e obtenha o arquivo jar. Ou obtenha o arquivo jar disponível neste repositório. Coloque o que é necessário no Sara Crie um arquivo de configuração do Json com a mesma estrutura de "configuration_default.json" Deixe este experimento impressionante correr e ir ter algum bom tempo, ele irá enviá-lo quando ele é feito;) Gerar gráficos para obter um resultado mais visual 1. Obtendo o arquivo de entrada O arquivo de entrada usado no experimento pode ser acessado neste link . Este arquivo foi gerado por TeraSortGen de Hadoop 1.2.1 exemplos, fazendo o seguinte comando: bin/hadoop jar hadoop-examples-1.2.1.jar terasortgen 50000000 Se você quiser gerar o arquivo você mesmo, você deve: Instale o hadoop 1.2.1 Descompacte o Hadoop baixado. Edite o arquivo conf / hadoop-env.sh para definir pelo menos JAVA_HOME como a raiz da sua instalação Java. Então corra : bin/hadoop jar hadoop-examples-1.2.1.jar terasortgen 50000000 Em caso de dúvidas: mais informações sobre o TeraSortGen aqui 2. Compilar as classes e gerar o arquivo JAR Para compilar as classes você deve: Tenha hadoop 2.6.0 instalado, você pode ter mais informações sobre como fazê-lo aqui Baixe a pasta de origem e coloque-a no mesmo diretório que o hadoop está instalado (você pode colocar a pasta de origem em outro lugar, mas torna mais fácil se tudo estiver no mesmo lugar e você pode excluí-la quando terminar se você Não quero isso na pasta hadoop) Depois de obter a pasta de origem (e está na mesma pasta do hadoop), compile as classes com os comandos thess: $export JAVA_HOME=/usr/java/default $export PATH=${JAVA_HOME}/bin:${PATH} $export HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jar $ bin/hadoop com.sun.tools.javac.Main source/*.java Agora crie o frasco em execução: $jar cf experiment.jar source/*.class Se você tiver dúvidas sobre os tópicos 2 e 3, você pode ter mais informações sobre ele aqui . 3. Colocar o que é necessário no Sara Crie um key_pair, se você já tiver um que você pode usá-lo (O caminho local de sua chave pública e privada será necessária) Você terá que colocar o frasco como binário de trabalho no Sahara e criar um modelo de trabalho do tipo JavaAction para cada trabalho (PiEstimator, TeraSort e WordCount). Você pode ter acesso a um processo similar aqui . Você terá que criar um modelo de grupo de nó mestre e woker e um modelo de cluster com nós (3,4,5, ... 10). Um processo semelhante pode ser visto aqui . Criar um volume e colocar o arquivo de 5GB nele. Você pode entrar em contato comigo se você precisar de ajuda neste processo, eu pretendo fazer algum post sobre isso, e quando eu fizer vou colocar aqui! 4. Altere o arquivo de configuração do json Você pode obter todas essas informações através do Horizon, exceto: public_keypair_path, private_keypair_path e private_keypair_name que somente você tem acesso. 5. Corra, baby, corra! Agora tudo deve estar pronto para correr :coração:! Você pode executar esta experiência de duas maneiras diferentes: Correndo $python runExperiment.py <number of executions> <configuration path> <output file name> Com número de execuções = 8 Running $python runExperimentIndividuall.py <number of executions> <number of cluster nodes> <configuration path> <output file name> Com número de execuções = 8 e número de cluster = [3,10] 6. Gerar gráficos Agora que você tem os arquivos ouput, a etapa final é gerar os gráficos. Se você usou runExperimentIndividually.py você deve concatenar todos os arquivos em um, você pode fazer isso por: $ cat <output_1_node> <output_2_nodes> <output_3_nodes> ... > output_exp ATENTION: antes de executar scripts, altere os nomes input_file e output_file. Verifique também se os arquivos estão na mesma pasta ou altere o caminho no começo do script com o comando: setwd("your_path") Em seguida, vá para a pasta de análise e faça o seguinte: Executar o filtrado. Ele irá gerar um novo arquivo nomeado como output_name. Execute KNN.R no arquivo gerado anteriormente e ele gerará um novo arquivo. Execute graphs_cost.R e graphs_prediction.R com a entrada = saída KNN.R. Eles vão gerar gráficos em formato pdf. E agora você tem alguns gráficos impressionantes :oculos de sol: !!!

Trabalho final para o Módulo de Persistência de Dados em Java