The Big Data revolution promises to build a data-driven ecosystem where better decisions are supported by enhanced analytics and data management. However, major hurdles still need to be overcome in the road that leads to commodization and wide adoption of Big Data Analytics (BDA). Big Data complexity is the first factor hampering the full potential of BDA. The opacity and variety of Big Data technologies and computations in fact make BDA a failure prone and resource-intensive process, which requires a trial-and-error approach. This problem is even exacerbated by the fact that current solutions to Big Data application development take a bottom-up approach, where the last technology release drives application development. We propose a Model-Driven Engineering methodology supporting automation of BDA. Our approach lets customers declare requisites to be achieved by an abstract Big Data platform and smart engines deploy the Big Data pipeline carrying out the analytics on a specific instance of such platform. Driven by customers' requisites, our methodology is based on an OWL-S ontology of Big Data services and on a compiler transforming OWL-S service compositions in workflows that can be directly executed on the selected platform. The proposal is experimentally evaluated in a real-world scenario.

中文翻译：

---

基于模型的大数据分析即服务：将大数据提升到新的水平

大数据革命有望建立一个数据驱动的生态系统，在该生态系统中，更好的决策得到增强的分析和数据管理的支持。然而，在导致大数据分析 (BDA) 商品化和广泛采用的道路上，仍然需要克服主要障碍。大数据的复杂性是阻碍 BDA 发挥全部潜力的第一个因素。大数据技术和计算的不透明性和多样性实际上使 BDA 成为一个容易失败和资源密集型的过程，这需要反复试验的方法。由于当前的大数据应用程序开发解决方案采用自下而上的方法，即最后一个技术版本驱动应用程序开发，这一事实甚至加剧了这个问题。我们提出了一种支持 BDA 自动化的模型驱动工程方法。我们的方法让客户声明要通过抽象大数据平台实现的必要条件，智能引擎部署大数据管道，在此类平台的特定实例上执行分析。在客户需求的驱动下，我们的方法基于大数据服务的 OWL-S 本体和编译器，该编译器将 OWL-S 服务组合转换为可在所选平台上直接执行的工作流。该提案在真实世界场景中进行了实验评估。我们的方法基于大数据服务的 OWL-S 本体，以及在工作流中转换 OWL-S 服务组合的编译器，这些工作流可以直接在所选平台上执行。该提案在真实世界场景中进行了实验评估。我们的方法基于大数据服务的 OWL-S 本体，以及在工作流中转换 OWL-S 服务组合的编译器，这些工作流可以直接在所选平台上执行。该提案在真实世界场景中进行了实验评估。