Máy khách đọc dữ liệu từ hệ thống tệp HDFS trong Hadoop:

Trong Hadoop, một công việc (job) đang chạy có thể bị dừng (kill) bằng một lệnh. Điều này thường được thực hiện thông qua giao diện dòng lệnh Hadoop hoặc các công cụ quản lý cluster. Việc dừng một job đang chạy cho phép người dùng kiểm soát việc thực thi các tác vụ, ví dụ như khi job chạy quá lâu, gặp lỗi, hoặc cần được ưu tiên thấp hơn các job khác.

A. Đúng: Một công việc đang chạy trong Hadoop có thể bị dừng bằng lệnh.

B. Sai: Công việc có thể bị dừng.

C. Sai: Không cần thiết phải tắt NameNode để dừng một công việc. Việc tắt NameNode sẽ gây ảnh hưởng lớn đến toàn bộ cluster.

D. Sai: Công việc có thể bị dừng hoàn toàn, không nhất thiết phải tạm dừng và chạy lại.

SparkML (Spark Machine Learning) là một thư viện trong Apache Spark cung cấp các công cụ để xây dựng và triển khai các mô hình học máy (Machine Learning) trên quy mô lớn.

• Phương án A: Chạy MapReduce không phải là mục đích chính của SparkML. SparkML được xây dựng trên nền tảng Spark, có thể sử dụng các chức năng của Spark để xử lý dữ liệu, nhưng nó tập trung vào các thuật toán học máy hơn là MapReduce.
• Phương án B: Chạy các thuật toán dự đoán là một trong những mục đích chính của SparkML. SparkML cung cấp nhiều thuật toán học máy khác nhau để giải quyết các bài toán dự đoán, phân loại, hồi quy, và các bài toán học máy khác.
• Phương án C: Tính toán phân tán là một đặc điểm của Spark nói chung, chứ không riêng gì SparkML. SparkML tận dụng khả năng tính toán phân tán của Spark để xử lý dữ liệu lớn và huấn luyện mô hình học máy trên quy mô lớn.
• Phương án D: Cả b và c. Vì SparkML dùng để chạy các thuật toán dự đoán (b) và có khả năng tính toán phân tán (c) thừa hưởng từ Spark, nên đây là đáp án chính xác nhất.