关于分布式论文范文资料

分布式系统在互联网时代，尤其是大数据时代到来之后，成为了每个程序员的必备技能之一。分布式系统从上个世纪80年代就开始有了不少出色的研究和论文，我在这里只列举最近15年范围以内我觉得有重大影响意义的15篇论文（15 within 15）。1. The Google File System: 这是分布式文件系统领域划时代意义的论文，文中的多副本机制、控制流与数据流隔离和追加写模式等概念几乎成为了分布式文件系统领域的标准，其影响之深远通过其5000+的引用就可见一斑了，Apache Hadoop鼎鼎大名的HDFS就是GFS的模仿之作；2. MapReduce: Simplified Data Processing on Large Clusters：这篇也是Google的大作，通过Map和Reduce两个操作，大大简化了分布式计算的复杂度，使得任何需要的程序员都可以编写分布式计算程序，其中使用到的技术值得我们好好学习：简约而不简单！Hadoop也根据这篇论文做了一个开源的MapReduce；3. Bigtable: A Distributed Storage System for Structured Data：Google在NoSQL领域的分布式表格系统，LSM树的最好使用范例，广泛使用到了网页索引存储、YouTube数据管理等业务，Hadoop对应的开源系统叫HBase（我在前公司任职时也开发过一个相应的系统叫BladeCube，性能较HBase有数倍提升）；4. The Chubby lock service for loosely-coupled distributed systems：Google的分布式锁服务，基于Paxos协议，这篇文章相比于前三篇可能知道的人就少了，但是其对应的开源系统zookeeper几乎是每个后端同学都接触过，其影响力其实不亚于前三篇；5. Finding a Needle in Haystack: Facebook's Photo Storage：facebook的在线图片存储系统，目前来看是对小文件存储的最好解决方案之一，facebook目前通过该系统存储了超过300PB的数据，一个师兄就在这个团队工作，听过很多有意思的事情（我在前公司的时候开发过一个类似的系统pallas，不仅支持副本，还支持Reed Solomon-LRC，性能也有较多优化）；6. Windows Azure Storage: a highly available cloud storage service with strong consistency：windows azure的总体介绍文章，是一篇很好的描述云存储架构的论文，其中通过分层来同时保证可用性和一致性的思路在现实工作中也给了我很多启发；7. GraphLab: A New Framework for Parallel Machine Learning：CMU基于图计算的分布式机器学习框架，目前已经成立了专门的商业公司，在分布式机器学习上很有两把刷子，其单机版的GraphChi在百万维度的矩阵分解都只需要2~3分钟；8. Resilient Distributed Datasets: A Fault-Tolerant Abstraction forIn-Memory Cluster Computing：其实就是 Spark，目前这两年最流行的内存计算模式，通过RDD和lineage大大简化了分布式计算框架，通常几行scala代码就可以搞定原来上千行MapReduce代码才能搞定的问题，大有取代MapReduce的趋势；9. Scaling Distributed Machine Learning with the Parameter Server：百度少帅李沐大作，目前大规模分布式学习各家公司主要都是使用ps，ps具备良好的可扩展性，使得大数据时代的大规模分布式学习成为可能，包括Google的深度学习模型也是通过ps训练实现，是目前最流行的分布式学习框架，豆瓣的开源系统paracell也是ps的一个实现；10. Dremel: Interactive Analysis of Web-Scale Datasets：Google的大规模（近）实时数据分析系统，号称可以在3秒相应1PB数据的分析请求，内部使用到了查询树来优化分析速度，其开源实现为Drill，在工业界对实时数据分析也是比价有影响力；11. Pregel: a system for large-scale graph processing: Google的大规模图计算系统，相当长一段时间是Google PageRank的主要计算系统，对开源的影响也很大（包括GraphLab和GraphChi）；12. Spanner: Google's Globally-Distributed Database：这是第一个全球意义上的分布式数据库，Google的出品。其中介绍了很多一致性方面的设计考虑，简单起见，还采用了GPS和原子钟确保时间最大误差在20ns以内，保证了事务的时间序，同样在分布式系统方面具有很强的借鉴意义；13. Dynamo: Amazon’s Highly Available Key-value Store：Amazon的分布式NoSQL数据库，意义相当于BigTable对于Google，于BigTable不同的是，Dynamo保证CAP中的AP，C通过vector clock做弱保证，对应的开源系统为Cassandra；14. S4: Distributed Stream Computing Platform：Yahoo出品的流式计算系统，目前最流行的两大流式计算系统之一（另一个是storm），Yahoo的主要广告计算平台；15. Storm @Twitter：这个系统不多说，开启了流式计算的新纪元，几乎是所有公司流式计算的首选，绝对值得关注；

阐述基于市场营销的分布式物流仓储体系建设

【摘 要】 这篇论文首先从仓储管理在物流中的地位下笔着手，通过对基于市场营销的分布式物流仓储体系中存在的理由的探讨，进而详细的阐述了基于市场营销协同分布式物流仓储管理系统的主要策略和策略。

【关键词】 市场营销;物流仓储;体系建设

一、前言

随着市场经济的不断发展，我国物流仓储行业也得到了蓬勃发展。由于分布式物流仓储体系的不断提升，同时这也对基于市场营销的分布式物流仓储体系建设提出了更高的要求。

二、仓储管理在物流中的地位

从许多微观案例来看，仓储管理已成为供应链管理的核心环节。这是因为仓储总是出现在物流各环节的接合部，例如采购与生产之间，生产的初加工与精加工之间，生产与销售之间，批发与零售之间，不同运输方式转换之间等等。仓储是物流各环节之间存在不均衡性的表现，仓储也正是解决这种不均衡性的手段。仓储环节集中了上下游流程整合的所有矛盾，仓储管理就是在实现物流流程的整合。如果借用运筹学的语言来描述仓储管理在物流中的地位，可以说就是在运输条件为约束力的情况下，寻求最优库存(包括布局)方案作为制约手段，使得物流达到总成本最低的目标。在许多具体的案例中，物流的整合、优化实际上归结为仓储的方案设计与运转制约。

这里必须说明一点，传统物流与现代物流差别最大的也是体现在库存环节上。传统的仓储业是以收保管费为商业模式的，希望自己的仓库总是满满的，这种模式与物流的宗旨背道而驰。现代物流以整合流程、协调上下游为己任，静态库存越少越好，其商业模式也建立在物流总成本的考核之上。由于这两类仓储管理在商业模式上有着本质区别，但是在具体操作上如入库、出库、分拣、理货等又很难区别，所以在分析研究必须注意它们的异同之处，这些异同也会体现在信息系统的结构上。

三、基于市场营销的分布式物流仓储体系中存在的理由

1、仓储企业之间市场竞争加剧

国内的仓储设施无法满足物流活动的需要，原有的仓储企业缺乏改造基础设施需要的资金，外国的物流公司纷纷投资建库。我国的大型企业也不断建设现代化仓库作为发展物流的平台。这种趋势加大了仓储企业间的竞争力度，仓储企业之间市场竞争越来越激烈。

2、仓储技术发展不平衡，信息化状况不容乐观

(一)、很多企业对提高仓库作业自动化、机械化的认识不足

一些大型企业的现代化仓库拥有非常先进的仓储设备，包括各种先进的装卸搬运设备、高层货架仓库、自动化立体仓库等。而很多企业的仓库作业仍旧靠人工操作。这种仓储技术方面发展的不平衡状态会严重影响我国仓储行业整体的运作效率。

(二)、信息化技术有了一定程度的应用，但是中小物流企业信息化整体状况不容乐观

企业对物流信息化认识和了解不足，物流信息化建设起步晚、推进慢，整体物流信息化水平较低，其信息化建设也很少从供应链的整体目标出发进行规划。大型企业和小型企业物流信息之间的差距不断加大，甚至出现了物流信息化鸿沟。我国物流各个环节如运输、仓储、配送的成本以及劳动力和设备成本都远远低于发达国家，而整个物流过程的综合成本却大大高于发达国家。其中一个主要理由，就是物流各环节信息化程度低，信息沟通不畅，造成库存大，运力浪费。

3、自动化仓储资源利用率不高

当前我国自动化仓库使用中存在的主要理由是利用率低、效果不明显、规模不确定、优势不突出，造成许多库场资源闲置，特别是一些产品批量小而单一的生产企业实现仓库自动化，库场设施设备资源闲置与重复配置矛盾突出。

4、仓库数量大，但布局不够合理

由于各行业各部门为了满足各自的需要纷纷建立自己的仓库，导致仓库数量众多。他们都在经济集中地区和交通便利的地方建设仓库，以至于仓储布局极不合理，造成了部分地区仓储大量剩余和部分地区仓储能力不足的两极分化局面。

5、仓储管理人才缺乏

发展仓储行业，既需要掌握一定专业技术的人才，也需要操作型人才，更需要仓储管理型人才，而我国目前这几方面的人才都很匮乏，物流行业更需要这三种类型的复合型人才。不少高校在培养物流人才方面，只重理论教学，轻视实践教学，实践教学投入经费不足，实施校企结合的办学模式没有落到实处，培养出来的学生动手能力差。不符合企业实际需要。

四、基于市场营销协同分布式物流仓储管理系统的主要策略和策略

1、确定供需管理协调机制

在整个系统建立之初，首先要确定的是供应商与企业的供需管理协调机制。确定诸如企业应该向哪些供应商订货，订货的种类、批次等前提信息。供需双方要本着互惠互利的原则，建立共同的合作目标。为此，要理解供需双方在市场目标中的共同之处和冲突点，通过协商形成共同的目标，如用户满意度、利润的共同增长点和风险的减少等。尽可能与供应商建立合作伙伴关系。战略合作关系能够降低供应链总成本、降低供应链上的仓储水平、增强信息共享水平、改善相互之间的交流、保持战略伙伴相互之间操作的一贯性、产生更大的竞争优势，实现供应链节点企业的财务状况、质量、产量、交货、用户满意度以及业绩的改善和提高。显然，供应链企业间的战略合作关系的建立是为了保证供应链的整体竞争力。

2、优化仓储选址、规模、数量

(一)、以市场定位的仓库

以市场定位的仓库定位于接近主要的需求市场，可获得最大的长距离的从供应商到仓库的集中运输，而向客户的第二程运输则相对较短。该类仓库通常用来作为从不同源地和不同供应商那里获取商品并集中装配商品的地点。仓库位于邻近被服务的市场，可以以最低成本策略迅速补充仓储。

(二)、以制造定位的仓库

以制造定位的仓库通常坐落在邻近生产工厂，以作为装配与集运被生产的物件的地点。这些仓储在的基本理由是便于向客户运输各类产品。该类仓库的优点在于它能跨越一个类别的'全部产品而提供卓越的服务。如果一个制造商能够以单一的订货单集运的费率将所有交售的商品结合在一起。就能产生竞争差别优势。

(三)、中间定位仓库

坐落在客户与制造厂之间的仓库是“中间定位”仓库，这些仓库与“以制造定位”的仓库相似，为广泛的仓储品种提供集运，从而减少物流成本。为了实现竞争或降低成本、提高效益，公司面对着地区化生产的需要。当两个或更多工厂的产品被卖给一个客户时，最小总成本的物流解决办法可能是一个中间的集运及分类仓库。

3、构建信息沟通网络

对信息共享依赖程度高是分布式仓储的特色之一，为了保证整个系统的一致性和稳定性，减少由于信息不对称导致的需求信息扭曲，需要实现各仓储对需求信息获得的及时性和透明性。而要达到这一目标，就必须构建良好的信息沟通网络，成立虚拟协调中心，对仓储状况联合监管，充分利用Internet，EDI等手段，使仓储各方能够通畅的沟通。

虚拟协调中心是信息网络的核心，担负着协调制约各个仓库的角色，起着协调器的作用。协调决策的内容包括对仓储如何在多个仓库之间调节和分配，仓储的最大量和最低仓储水平、安全仓储的确定，需求的预测等理由的优化。

五、结束语

在基于市场营销的分布式物流仓储体系建设中要提高管理人员的职业技能水平，在实际的工作中注意对细节的保证和对物流仓储体系建设中注意事项的加强，才能不断提物流仓储体系的建设。

参考文献：

[1]岳甘琳.仓库管理系统在第三方物流公司的实施及应用[D].上海交通大学，2010.

[2]孙红，任杰.全新理念的仓库管理模型设计[J].仪器仪表学报，2011

[3]杨翠蓉，尹平林，王明哲等.ERP环境下的仓库管理信息系统设计[J].计算机与现代化，2010

[4]张海，王树礼，倪明仿等.分布式航空器材仓储系统方案研究[J].物流技术，2010

[5]徐华兵，孙小明，王东等.分布式库存系统中的仓储技术[J].起重运输机械，2013

分布式领域论文译序sql&nosql年代记SMAQ：海量数据的存储计算和查询一．google论文系列1. google系列论文译序2. The anatomy of a large-scale hypertextual Web search engine (译 zz)3. web search for a planet :the google cluster architecture(译)4. GFS：google文件系统 (译)5. MapReduce: Simplied Data Processing on Large Clusters (译)6. Bigtable: A Distributed Storage System for Structured Data (译)7. Chubby: The Chubby lock service for loosely-coupled distributed systems (译)8. Sawzall:Interpreting the Data--Parallel Analysis with Sawzall (译 zz)9. Pregel: A System for Large-Scale Graph Processing (译)10. Dremel: Interactive Analysis of WebScale Datasets(译zz)11. Percolator: Large-scale Incremental Processing Using Distributed Transactions and Notifications(译zz)12. MegaStore: Providing Scalable, Highly Available Storage for Interactive Services(译zz)13. Case Study GFS: Evolution on Fast-forward (译)14. Google File System II: Dawn of the Multiplying Master Nodes15. Tenzing - A SQL Implementation on the MapReduce Framework (译)16. F1-The Fault-Tolerant Distributed RDBMS Supporting Google's Ad Business17. Elmo: Building a Globally Distributed, Highly Available Database18. PowerDrill：Processing a Trillion Cells per Mouse Click19. Google-Wide Profiling:A Continuous Profiling Infrastructure for Data Centers20. Spanner: Google’s Globally-Distributed Database(译zz)21. Dapper, a Large-Scale Distributed Systems Tracing Infrastructure(笔记)22. Omega: flexible, scalable schedulers for large compute clusters23. CPI2: CPU performance isolation for shared compute clusters24. Photon: Fault-tolerant and Scalable Joining of Continuous Data Streams(译)25. F1: A Distributed SQL Database That Scales26. MillWheel: Fault-Tolerant Stream Processing at Internet Scale(译)27. B4: Experience with a Globally-Deployed Software Defined WAN28. The Datacenter as a Computer29. Google brain-Building High-level Features Using Large Scale Unsupervised Learning30. Mesa: Geo-Replicated, Near Real-Time, Scalable Data Warehousing(译zz)31. Large-scale cluster management at Google with Borg google系列论文翻译集(合集)二．分布式理论系列00. Appraising Two Decades of Distributed Computing Theory Research 0. 分布式理论系列译序1. A brief history of Consensus_ 2PC and Transaction Commit (译)2. 拜占庭将军问题 (译) --Leslie Lamport3. Impossibility of distributed consensus with one faulty process (译)4. Leases：租约机制 (译)5. Time Clocks and the Ordering of Events in a Distributed System(译) --Leslie Lamport6. 关于Paxos的历史7. The Part Time Parliament (译 zz) --Leslie Lamport 8. How to Build a Highly Available System Using Consensus(译)9. Paxos Made Simple (译) --Leslie Lamport10. Paxos Made Live - An Engineering Perspective(译) 11. 2 Phase Commit(译) 12. Consensus on Transaction Commit(译) --Jim Gray & Leslie Lamport 13. Why Do Computers Stop and What Can Be Done About It?(译) --Jim Gray 14. On Designing and Deploying Internet-Scale Services(译) --James Hamilton 15. Single-Message Communication(译)16. Implementing fault-tolerant services using the state machine approach 17. Problems, Unsolved Problems and Problems in Concurrency 18. Hints for Computer System Design 19. Self-stabilizing systems in spite of distributed control 20. Wait-Free Synchronization 21. White Paper Introduction to IEEE 1588 & Transparent Clocks 22. Unreliable Failure Detectors for Reliable Distributed Systems 23. Life beyond Distributed Transactions:an Apostate’s Opinion(译zz) 24. Distributed Snapshots: Determining Global States of a Distributed System --Leslie Lamport 25. Virtual Time and Global States of Distributed Systems 26. Timestamps in Message-Passing Systems That Preserve the Partial Ordering 27. Fundamentals of Distributed Computing:A Practical Tour of Vector Clock Systems 28. Knowledge and Common Knowledge in a Distributed Environment 29. Understanding Failures in Petascale Computers 30. Why Do Internet services fail, and What Can Be Done About It? 31. End-To-End Arguments in System Design 32. Rethinking the Design of the Internet: The End-to-End Arguments vs. the Brave New World 33. The Design Philosophy of the DARPA Internet Protocols(译zz) 34. Uniform consensus is harder than consensus 35. Paxos made code - Implementing a high throughput Atomic Broadcast 36. RAFT:In Search of an Understandable Consensus Algorithm分布式理论系列论文翻译集(合集)三．数据库理论系列0. A Relational Model of Data for Large Shared Data Banks 19701. SEQUEL：A Structured English Query Language 19742. Implentation of a Structured English Query Language 19753. A System R: Relational Approach to Database Management 19764. Granularity of Locks and Degrees of Consistency in a Shared DataBase --Jim Gray 19765. Access Path Selection in a RDBMS 1979 6. The Transaction Concept:Virtues and Limitations --Jim Gray7. 2pc-2阶段提交：Notes on Data Base Operating Systems --Jim Gray8. 3pc-3阶段提交：NONBLOCKING COMMIT PROTOCOLS9. MVCC：Multiversion Concurrency Control-Theory and Algorithms --1983 10. ARIES: A Transaction Recovery Method Supporting Fine-Granularity Locking and Partial Rollbacks Using Write-Ahead Logging-199211. A Comparison of the Byzantine Agreement Problem and the Transaction Commit Problem --Jim Gray 12. A Formal Model of Crash Recovery in a Distributed System - Skeen, D. Stonebraker13. What Goes Around Comes Around - Michael Stonebraker, Joseph M. Hellerstein 14. Anatomy of a Database System -Joseph M. Hellerstein, Michael Stonebraker 15. Architecture of a Database System(译zz) -Joseph M. Hellerstein, Michael Stonebraker, James Hamilton四．大规模存储与计算(NoSql理论系列)0. Towards Robust Distributed Systems：Brewer's 2000 PODC key notes1. CAP理论2. Harvest, Yield, and Scalable Tolerant Systems3. 关于CAP 4. BASE模型：BASE an Acid Alternative5. 最终一致性6. 可扩展性设计模式7. 可伸缩性原则8. NoSql生态系统9. scalability-availability-stability-patterns10. The 5 Minute Rule and the 5 Byte Rule (译) 11. The Five-Minute Rule Ten Years Later and Other Computer Storage Rules of Thumb12. The Five-Minute Rule 20 Years Later(and How Flash Memory Changes the Rules)13. 关于MapReduce的争论14. MapReduce：一个巨大的倒退15. MapReduce：一个巨大的倒退(II)16. MapReduce和并行数据库，朋友还是敌人？(zz)17. MapReduce and Parallel DBMSs-Friends or Foes (译)18. MapReduce:A Flexible Data Processing Tool (译)19. A Comparision of Approaches to Large-Scale Data Analysis (译)20. MapReduce Hold不住？(zz) 21. Beyond MapReduce：图计算概览22. Map-Reduce-Merge: simplified relational data processing on large clusters23. MapReduce Online24. Graph Twiddling in a MapReduce World25. Spark: Cluster Computing with Working Sets26. Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing27. Big Data Lambda Architecture28. The 8 Requirements of Real-Time Stream Processing29. The Log: What every software engineer should know about real-time data's unifying abstraction30. Lessons from Giant-Scale Services五．基本算法和数据结构1. 大数据量，海量数据处理方法总结2. 大数据量，海量数据处理方法总结(续)3. Consistent Hashing And Random Trees4. Merkle Trees5. Scalable Bloom Filters6. Introduction to Distributed Hash Tables7. B-Trees and Relational Database Systems8. The log-structured merge-tree (译)9. lock free data structure10. Data Structures for Spatial Database11. Gossip12. lock free algorithm13. The Graph Traversal Pattern六．基本系统和实践经验1. MySQL索引背后的数据结构及算法原理2. Dynamo: Amazon’s Highly Available Key-value Store (译zz)3. Cassandra - A Decentralized Structured Storage System (译zz)4. PNUTS: Yahoo!’s Hosted Data Serving Platform (译zz)5. Yahoo!的分布式数据平台PNUTS简介及感悟(zz)6. LevelDB：一个快速轻量级的key-value存储库(译)7. LevelDB理论基础8. LevelDB：实现(译)9. LevelDB SSTable格式详解10. LevelDB Bloom Filter实现11. Sawzall原理与应用12. Storm原理与实现13. Designs, Lessons and Advice from Building Large Distributed Systems --Jeff Dean14. Challenges in Building Large-Scale Information Retrieval Systems --Jeff Dean15. Experiences with MapReduce, an Abstraction for Large-Scale Computation --Jeff Dean16. Taming Service Variability,Building Worldwide Systems,and Scaling Deep Learning --Jeff Dean17. Large-Scale Data and Computation:Challenges and Opportunitis --Jeff Dean18. Achieving Rapid Response Times in Large Online Services --Jeff Dean19. The Tail at Scale(译) --Jeff Dean & Luiz André Barroso 20. How To Design A Good API and Why it Matters21. Event-Based Systems:Architect's Dream or Developer's Nightmare?22. Autopilot: Automatic Data Center Management七．其他辅助系统1. The ganglia distributed monitoring system:design, implementation, and experience2. Chukwa: A large-scale monitoring system3. Scribe : a way to aggregate data and why not, to directly fill the HDFS?4. Benchmarking Cloud Serving Systems with YCSB5. Dynamo Dremel ZooKeeper Hive 简述八. Hadoop相关0. Hadoop Reading List1. The Hadoop Distributed File System(译)2. HDFS scalability:the limits to growth(译)3. Name-node memory size estimates and optimization . HBase Architecture(译)5. HFile：A Block-Indexed File Format to Store Sorted Key-Value Pairs6. HFile V27. Hive - A Warehousing Solution Over a Map-Reduce Framework8. Hive – A Petabyte Scale Data Warehouse Using Hadoop转载请注明作者：phylips@bmy 2011-4-30