الغوص العميق في hadoop - نسخة من techwise الحلقة 1

ملاحظة المحرر: هذا نسخة من البث الشبكي المباشر. يمكنك مشاهدة البث الشبكي بالكامل هنا.

إريك كافانا: سيداتي وسادتي ، لقد حان الوقت للحكم! حان الوقت لـ TechWise ، عرض جديد تمامًا! اسمي اريك كافانا. سأكون مشرفك في الحلقة الافتتاحية من TechWise. هذا صحيح تماما. هذه شراكة بين Techopedia و Bloor Group ، بالطبع ، من داخل Inside Analysis.

اسمي اريك كافانا. سوف أقوم بإدارة هذا الحدث المثير للاهتمام والمشارك حقًا. سنقوم بحفر عميق في الحياكة لفهم ما يجري مع هذا الشيء الكبير المسمى Hadoop. ما هو الفيل في الغرفة؟ يطلق عليه Hadoop. سنحاول معرفة ما يعنيه وما يحدث به.

بادئ ذي بدء ، شكراً جزيلاً لرعاةنا ، GridGain ، Actian ، Zettaset و DataTorrent. سنحصل على بضع كلمات موجزة من كل منهم بالقرب من نهاية هذا الحدث. سيكون لدينا أيضًا سؤال وجواب ، لذلك لا تخجل - أرسل أسئلتك في أي وقت.

سنبحث في التفاصيل ونلقي الأسئلة الصعبة على خبرائنا. وتحدث عن الخبراء ، مهلا ، هناك. لذلك ، سنستمع إلى الدكتور روبن بلور ، والناس ، أنا متحمس للغاية لأن يكون لدي راي وانج ، المحلل الرئيسي ومؤسس أبحاث كوكبة. إنه على الإنترنت اليوم ليقدم لنا أفكاره وهو مثل روبن بأنه متنوع بشكل لا يصدق وهو يركز حقًا على العديد من المجالات المختلفة ولديه القدرة على توليفها وفهم حقيقة ما يجري هناك في هذا المجال الكامل لتكنولوجيا المعلومات. وإدارة البيانات.

لذلك ، هناك هذا الفيل لطيف قليلا. إنه في بداية الطريق ، كما ترون. إنها مجرد بداية الآن ، إنها مجرد بداية ، كل هذا الشيء Hadoop. بالطبع ، في عام 2006 أو 2007 ، على ما أظن ، حدث ذلك عندما تم طرحه على مجتمع المصادر المفتوحة ، لكن كان هناك الكثير من الأشياء ، الناس. كانت هناك تطورات هائلة. في الحقيقة ، أريد طرح القصة ، لذلك سأقوم بمشاركة سريعة على سطح المكتب ، على الأقل أعتقد أنني كذلك. دعونا نفعل حصة سطح المكتب سريعة.

أنا أريك هذه القصة المجنونة والناس المجانين. لذا استثمرت شركة إنتل 740 مليون دولار لشراء 18 في المائة من كلوديا. فكرت وأنا مثل ، "عيد الميلاد المقدس!" لقد بدأت القيام بالرياضيات وهي مثل "إنه تقييم بقيمة 4.1 مليار دولار". دعونا نفكر في هذا لثانية واحدة. أقصد ، إذا كانت WhatsApp تساوي 2 مليار دولار ، أفترض أن Cloudera قد تصل قيمته إلى 4.1 مليار دولار ، أليس كذلك؟ يعني لم لا؟ بعض هذه الأرقام فقط خارج النافذة هذه الأيام ، الناس. أعني ، من حيث الاستثمار ، أن يكون لديك EBITDA وجميع هذه الآليات المختلفة ، ومضاعفات الإيرادات وما إلى ذلك. حسنًا ، سيكون من العائد على مضاعفة الإيرادات أن تصل إلى 4.1 مليار دولار لشركة Cloudera ، وهي شركة رائعة. لا تفهموني خطأ - فهناك بعض الأشخاص الأذكياء جدًا ، بما في ذلك الشخص الذي بدأ جنون Hadoop بأكمله ، Doug Cutting ، إنه هناك - الكثير من الأشخاص الأذكياء جدًا الذين يقومون بالكثير حقًا ، الأشياء الرائعة ، ولكن خلاصة القول هي أن مبلغ 4.1 مليار دولار ، وهذا هو الكثير من المال.

لذا ، فهناك نوع من اللحظة الأسيرة الواضحة لمرور رأسي في الوقت الحالي وهي شريحة Intel. يجلب مصممو الرقائق الخاصة بهم بعض شرائح Hadoop المحسنة - لا بد لي من التفكير بذلك. هذا مجرد تخميني. هذا مجرد شائعة ، قادمة مني ، إذا صح التعبير ، لكن الأمر منطقي. وماذا يعني كل هذا؟

إذن ها هي نظريتي. ماذا يحدث؟ الكثير من هذه الأشياء ليست جديدة. المعالجة المتوازية الضخمة ليست جديدة بشكل رهيب. المعالجة المتوازية بالتأكيد ليست جديدة. لقد كنت في عالم الحوسبة الفائقة لفترة من الوقت. الكثير من هذه الأشياء التي تحدث ليست جديدة ، ولكن هناك نوعًا من الوعي العام بأن هناك طريقة جديدة لمهاجمة بعض هذه المشاكل. ما أراه يحدث ، إذا نظرت إلى بعض البائعين الكبار في Cloudera أو Hortonworks وبعض هؤلاء الأشخاص الآخرين ، فإن ما يفعلونه حقًا إذا كنت تغليهم حتى المستوى المقطوع الأكثر دقة هو تطوير التطبيقات. هذا ما يفعلونه.

إنهم يقومون بتصميم تطبيقات جديدة - بعضها يتضمن تحليلات أعمال ؛ بعضها يشمل فقط أنظمة الشحن الزائد. أحد البائعين لدينا الذين تحدثوا عن ذلك ، يفعلون هذا النوع من الأشياء طوال اليوم ، في المعرض اليوم. ولكن إذا كان الأمر جديدًا بشكل رهيب ، فالجواب مرة أخرى "ليس حقًا" ، ولكن هناك أشياء كبيرة تحدث ، وأنا شخصياً ، أعتقد أن ما يجري مع شركة Intel التي تقوم بهذا الاستثمار الضخم هو خطوة صنع السوق. إنهم ينظرون إلى العالم اليوم ويرون أنه نوع من عالم الاحتكار اليوم. هناك فيسبوك وقد تغلبوا فقط على مخاطب ماي سبيس الفقراء. لقد تغلبت LinkedIn على المخرج من الفقراء. لذلك نظرت حولي وهي خدمة واحدة تهيمن على كل هذه المساحات المختلفة في عالمنا اليوم ، وأعتقد أن الفكرة هي أن شركة Intel ستقوم بإلقاء جميع رقائقها على Cloudera ومحاولة رفعها إلى قمة المجموعة. نظريتي.

لذا ، كما قلت ، سيكون لدينا جلسة أسئلة وأجوبة طويلة ، لذلك لا تخجل. إرسال أسئلتك في أي وقت. يمكنك القيام بذلك باستخدام مكون Q&A لوحدة التحكم في البث الشبكي. ومع ذلك ، أريد الوصول إلى المحتوى الخاص بنا لأن لدينا الكثير من الأشياء التي يمكن الوصول إليها.

لذلك ، روبن بلور ، اسمح لي بتسليم المفاتيح إليك والأرض ملكك.

روبن بلور: حسنًا ، إريك ، شكرًا على ذلك. دعنا نجلب الفيلة الراقصة. من الغريب أن الأفيال هي الثدييات البرية الوحيدة التي لا يمكنها القفز في الواقع. كل هذه الأفيال في هذا الرسم بالذات لديها قدم واحدة على الأقل على الأرض ، لذلك أعتقد أن ذلك ممكن ، لكن إلى حد ما ، من الواضح أن هذه الأفيال Hadoop ، قادرة جدًا جدًا.

إن السؤال الذي أعتقد أنه يجب مناقشته ويجب مناقشته بكل صدق. لابد من مناقشتها قبل أن تذهب إلى أي مكان آخر ، وهو أن تبدأ بالفعل في الحديث عن ماهية Hadoop بالفعل.

واحدة من الأشياء التي هي تماما من أساس لعب الرجل هو متجر القيمة الرئيسية. اعتدنا أن لدينا مخازن القيمة الرئيسية. اعتدنا أن يكون لهم على المركزية IBM. كان لدينا منهم على الحواسيب الصغيرة. كان DEC VAX ملفات IMS. كانت هناك قدرات ISAM كانت موجودة على كل حاسوب صغير يمكنك أن تضع يديك عليه. لكن في وقت ما في أواخر الثمانينات من القرن الماضي ، دخلت يونكس ولم يكن لدى يونكس بالفعل أي متجر ذي قيمة رئيسية. عندما طورها يونكس ، تطورت بسرعة كبيرة. ما حدث حقًا هو أن بائعي قواعد البيانات ، ولا سيما Oracle ، بدأوا في العمل هناك وقاموا ببيع قواعد البيانات الخاصة بك لرعاية أي بيانات تهتم بإدارتها على نظام Unix. تحول نظامي التشغيل Windows و Linux إلى نفس الشيء. لذلك ، ذهبت الصناعة لأفضل جزء من 20 عامًا دون وجود متجر رئيسي ذو قيمة عامة. حسنا ، لقد عاد الآن. ليس فقط هو العودة ، بل هو قابل للتطوير.

الآن ، أعتقد حقًا أنها أساس ما هو Hadoop حقًا وإلى حد ما ، فإنه يحدد المكان الذي ستذهب إليه. ما الذي يعجبنا في المتاجر ذات القيمة الرئيسية؟ يدرك أولئك الذين يبلغون من العمر وأنا بالفعل ويتذكرون العمل مع المتاجر ذات القيمة الأساسية أنه يمكنك استخدامهم إلى حد كبير لإعداد قاعدة بيانات بشكل غير رسمي ، ولكن بشكل غير رسمي فقط. أنت تعرف أن البيانات الوصفية تقدر بسرعة المخازن في رمز البرنامج ، ولكن يمكنك بالفعل إنشاء ملف خارجي ، ويمكنك إذا كنت ترغب في البدء في التعامل مع متجر قيمة المفتاح بشكل يشبه إلى حد كبير قاعدة البيانات. لكن بالطبع ، لم يكن لديها كل قدرة الاسترداد التي تمتلكها قاعدة البيانات ولم يكن لديها الكثير من الأشياء التي حصلت عليها قواعد البيانات الآن ، لكنها كانت ميزة مفيدة للمطورين وهذا أحد الأسباب التي أعتقد أنها لقد أثبتت Hadoop شعبية كبيرة - ببساطة لأنه كان المبرمجين والمبرمجين والمطورين الذين يسارعون إلى. لقد أدركوا أنه ليس فقط قيمة أساسية للمتجر ، بل إنه متجر قيم ذات قيمة كبيرة. انها جداول خارج حد كبير إلى أجل غير مسمى. لقد أرسلت هذه المقاييس إلى الآلاف من الخوادم ، لذلك هذا هو الشيء الكبير حقًا في Hadoop ، وهو ما هو عليه.

يحتوي أيضًا على MapReduce ، وهو عبارة عن خوارزمية موازية ، ولكن هذا في الواقع ليس مهمًا. كما تعلمون ، Hadoop هو حرباء. إنه ليس مجرد نظام ملفات. لقد رأيت أنواعًا مختلفة من الادعاءات المقدمة لـ Hadoop: إنها قاعدة بيانات سرية ؛ انها ليست قاعدة بيانات سرية. إنه متجر مشترك ؛ إنه صندوق أدوات تحليلي ؛ إنها بيئة ELT ؛ انها أداة تطهير البيانات. إنه مستودع بيانات المنصات المتدفقة ؛ إنه متجر أرشيف ؛ انه علاج للسرطان ، وهلم جرا. معظم هذه الأشياء ليست في الحقيقة صحيحة بالنسبة للفانيليا Hadoop. من المحتمل أن يكون Hadoop نموذجًا أوليًا - إنه بالتأكيد بيئة نماذج أولية لقاعدة بيانات SQL ، لكنه لا يوجد بالفعل ، إذا وضعت مساحة عمرية مع كتالوج العمر على Hadoop ، فلديك شيء يشبه قاعدة البيانات ، لكنه ليس حقًا ما يمكن أن يسميه أي شخص قاعدة بيانات من حيث القدرة. الكثير من هذه القدرات ، يمكنك بالتأكيد الحصول عليها على Hadoop. هناك بالتأكيد الكثير منهم. في الواقع ، يمكنك الحصول على بعض مصادر Hadoop ، لكن Hadoop نفسها ليست ما أسميه عمليًا ، وبالتالي فإن الصفقة المتعلقة Hadoop ، في الحقيقة لن أكون على أي شيء آخر ، هو أنك بحاجة إلى الحصول على المركز الثالث. -حزب المنتجات لتعزيزه.

لذلك ، يمكن أن نتحدث عنك فقط في بضعة أسطر وأنا أتحدث مع Hadoop. بادئ ذي بدء ، القدرة على الاستعلام في الوقت الحقيقي ، تعلمون أن الوقت الفعلي هو نوع من وقت العمل ، وفي الحقيقة ، يكون الأداء دائمًا حاسمًا على خلاف ذلك. أعني ، لماذا مهندس في الوقت الحقيقي؟ Hadoop لا تفعل هذا حقا. إنها تفعل شيئًا قريبًا من الوقت الفعلي ، لكنها لا تفعل أشياء حقيقية في الوقت الفعلي. إنه يقوم بالتدفق ، لكنه لا يقوم بالتدفق بطريقة يمكنني أن أسميها بالفعل يمكن أن تفعله أنظمة تشغيل التطبيقات ذات النوع المهم للغاية. هناك فرق بين قاعدة بيانات ومتجر قابل للتصفح. تزامن ذلك مع أكثر من Hadoop يمنحك تخزين البيانات clearable. هذا يشبه قاعدة البيانات ولكنه ليس مثل قاعدة البيانات. Hadoop في شكله الأصلي ، في رأيي ، لا يتأهل حقًا كقاعدة بيانات على الإطلاق لأنه يفتقر إلى عدد قليل من الأشياء التي ينبغي أن تحتوي عليها قاعدة البيانات. Hadoop يفعل الكثير ، لكنه لا يفعل ذلك بشكل جيد للغاية. مرة أخرى ، تتوفر الإمكانيات ، لكننا بعيدون عن امتلاك القدرة السريعة في جميع هذه المناطق.

الشيء الآخر الذي يجب فهمه حول Hadoop هو ، لقد قطعنا شوطًا طويلاً منذ تطويره. تم تطويره في الأيام الأولى. تم تطويره عندما كان لدينا خوادم لديها معالج واحد فقط لكل خادم. لم يكن لدينا معالجات متعددة النواة ، وتم بناؤها لركض الشبكات ، وإطلاق الشبكات والقطع. أحد أهداف تصميم Hadoop هو عدم فقدان العمل أبدًا. وكان ذلك في الحقيقة يتعلق بفشل القرص ، لأنه إذا كان لديك مئات الخوادم ، فالاحتمال هو ، إذا كان لديك أقراص على الخوادم ، فالاحتمال هو أنك ستحصل على وقت تشغيل لما يشبه 99.8. هذا يعني أنك ستحصل في المتوسط ​​على فشل أحد هذه الخوادم مرة واحدة كل 300 أو 350 يومًا ، في يوم واحد في السنة. لذلك ، إذا كان لديك المئات منها ، فمن المحتمل أن يحدث عطل في الخادم في أي يوم من أيام السنة.

تم تصميم Hadoop خصيصًا لمعالجة هذه المشكلة - بحيث ، في حالة فشل أي شيء ، فإنه يأخذ لقطات من كل ما يجري ، على كل خادم معين ويمكنه استرداد مهمة الدُفعات التي تعمل. وكان هذا كل ما في الواقع يعمل على Hadoop كان وظائف دفعية وهذه قدرة مفيدة حقا ، يجب أن يقال. بعض الوظائف التي تم تشغيلها - لا سيما في Yahoo ، حيث أعتقد أن Hadoop كان مولودًا - ستستمر لمدة يومين أو ثلاثة أيام ، وإذا فشلت بعد يوم ، فأنت لا تريد حقًا خسارة العمل وقد تم ذلك. كانت تلك هي نقطة التصميم وراء توافر Hadoop. لا يمكنك الاتصال بهذا التوافر العالي ، ولكن يمكنك تسميته التوافر العالي للوظائف الدفعية التسلسلية. ربما هذا هو الطريق للنظر إليها. يتم دائمًا تهيئة التوافر العالي وفقًا لخصائص خط العمل. في الوقت الحالي ، لا يمكن تكوين Hadoop إلا لمهام الدُفعات التسلسلية الحقيقية فيما يتعلق بهذا النوع من الاسترداد. ربما يكون من الأفضل التفكير في التوفر العالي للمؤسسات من حيث LLP للمعاملات. أعتقد أنه إذا كنت لا تنظر إليه على أنه نوع من الوقت الفعلي ، فإن Hadoop لا تفعل ذلك بعد. ربما تكون هناك طرق طويلة بعيدًا عن القيام بذلك.

ولكن هنا الشيء الجميل في Hadoop. هذا الرسم على الجانب الأيمن الذي يحتوي على قائمة بالموردين حول الحافة وجميع الخطوط الموجودة عليه تشير إلى الاتصالات بين هؤلاء البائعين والمنتجات الأخرى في نظام Hadoop البيئي. إذا نظرت إلى ذلك ، فهذا نظام بيئي مثير للإعجاب بشكل لا يصدق. انها رائعة جدا. من الواضح أننا نتحدث مع العديد من البائعين من حيث قدراتهم. من بين البائعين الذين تحدثت إليهم ، هناك بعض القدرات الاستثنائية حقًا لاستخدام Hadoop والذاكرة ، وطريقة استخدام Hadoop كأرشيف مضغوط ، واستخدام Hadoop كبيئة ETL ، وهكذا دواليك. ولكن في الحقيقة ، إذا أضفت المنتج إلى Hadoop نفسه ، فسيعمل بشكل جيد للغاية في مساحة معينة. لذلك بينما أنتقد Hadoop الأصلي ، أنا لا أنتقد Hadoop عندما تضيف بعض القوة إليه. في رأيي ، نوع شعبية Hadoop يضمن مستقبلها. أعني بذلك أنه حتى لو اختفى كل سطر من الشفرات المكتوبة حتى الآن على Hadoop ، لا أعتقد أن واجهة HDFS API ستختفي. بمعنى آخر ، أعتقد أن نظام الملفات ، واجهة برمجة التطبيقات ، موجود لتبقى ، وربما YARN ، المجدول الذي ينظر إليه.

عندما تنظر فعلاً إلى ذلك ، فهذه قدرة مهمة للغاية وسأحيط بها حول هذا الأمر في غضون دقيقة واحدة ، لكن الشيء الآخر ، دعنا نقول ، أن الأشخاص المثيرين حول Hadoop هو الصورة الكاملة مفتوحة المصدر. لذلك ، يجدر بنا أن نرى ما هي الصورة مفتوحة المصدر فيما يتعلق بما أعتبره قدرة حقيقية. في حين أن Hadoop وجميع مكوناتها يمكنها بالتأكيد أن تفعل ما نسميه أطوال البيانات - أو كما أفضّل أن أسميها ، خزان بيانات - إنها بالتأكيد منطقة انطلاق جيدة جدًا لإسقاط البيانات في المنظمة أو لجمع البيانات في المؤسسة - جيدة للغاية لصناديق الرمل ولبيانات الصيد. إنها جيدة جدًا باعتبارها نظامًا أساسيًا لتطوير النماذج التي قد تنفذها في نهاية اليوم ، ولكنك تعرف أن بيئة التطوير كل ما تريده موجود إلى حد كبير. كمتحف أرشيف ، فإنه يحتوي على كل ما تحتاجه ، وبالطبع فهو غير مكلف. لا أعتقد أننا يجب أن نطلق أيًا من هذين الأمرين من Hadoop على الرغم من أنهما ليسا رسميًا ، إذا أردت ، مكونات Hadoop. جلبت الوتد عبر الإنترنت قدرا هائلا من التحليلات إلى عالم مفتوح المصدر ، ويجري الآن تشغيل الكثير من هذه التحليلات على Hadoop لأن ذلك يمنحك بيئة مريحة يمكنك فيها بالفعل أخذ الكثير من البيانات الخارجية وبدء اللعب. في رمل تحليلي.

ثم لديك قدرات المصادر المفتوحة ، وكلاهما تعلّم آليًا. كلاهما قوي للغاية بمعنى أنهما يطبقان خوارزميات تحليلية قوية. إذا قمت بتجميع هذه الأشياء معًا ، فستحصل على نواة بعض الإمكانيات البالغة الأهمية ، والتي من المحتمل أن تكون بطريقة أو بأخرى - سواء كانت تتطور من تلقاء نفسها أو ما إذا كان البائعون يأتون لملء القطع المفقودة - من المحتمل جدًا أن تستمر لفترة طويلة ، وبالتأكيد أعتقد أن التعلم الآلي له تأثير كبير بالفعل على العالم.

تطور Hadoop ، YARN غيرت كل شيء. ما حدث كان MapReduce كان ملحومًا إلى حد كبير بنظام ملفات HDFS المبكر. عندما تم تقديم YARN ، قامت بإنشاء قدرة جدولة في الإصدار الأول. لا تتوقع جدولة متطورة للغاية من الإصدار الأول ، ولكن هذا يعني أنه لم يعد بالضرورة بيئة التصحيح. كانت بيئة يمكن فيها جدولة وظائف متعددة. بمجرد حدوث ذلك ، كانت هناك مجموعة كاملة من البائعين الذين ابتعدوا عن Hadoop - لقد وصلوا للتو وتوصيلوا به لأنه يمكنهم بعد ذلك مجرد النظر إليه باعتباره بيئة الجدولة عبر نظام ملفات ويمكنهم معالجة الأشياء إلى ذلك. يوجد حتى موردو قواعد البيانات الذين قاموا بتطبيق قواعد البيانات الخاصة بهم على HDFS ، لأنهم يأخذون المحرك ويضعونه في HDFS. مع التسلسل ومع YARN ، تصبح بيئة ممتعة للغاية لأنه يمكنك إنشاء مهام سير عمل معقدة على HDFS وهذا يعني حقًا أنه يمكنك البدء في التفكير في الأمر على أنه نظام أساسي يمكنه تشغيل وظائف متعددة بشكل متزامن ويدفع نفسه نحو نقطة القيام الأشياء المهمة الحرجة. إذا كنت ستقوم بذلك ، فربما تحتاج إلى شراء بعض مكونات الطرف الثالث مثل الأمان وهكذا دواليك وما إلى ذلك ، وهو ما ليس لدى Hadoop بالفعل حساب تدقيق لملء الفجوات ، لكنك ندخل في النقطة التي يمكنك من خلالها القيام ببعض الأشياء المثيرة للاهتمام حتى مع المصدر المفتوح الأصلي.

فيما يتعلق بالمكان الذي أعتقد أن Hadoop ستذهب إليه بالفعل ، أعتقد شخصياً أن HDFS ستصبح نظامًا افتراضيًا لملفات التدريج وبالتالي ستصبح نظام التشغيل ، نظام التشغيل ، لشبكة تدفق البيانات. أعتقد أنه حصل على مستقبل كبير في ذلك ولا أعتقد أنه سيتوقف عند هذا الحد. وأعتقد في الواقع الفعلي أن النظام الإيكولوجي يساعد فقط لأن الجميع ، جميع البائعين في الفضاء ، يقومون بدمج Hadoop بالفعل بطريقة أو بأخرى ويقومون فقط بتمكينه. فيما يتعلق بنقطة أخرى تستحق العناء ، من حيث Hadoop overage ، فهي ليست منصة جيدة جدًا بالإضافة إلى التوازي. إذا نظرت فعليًا إلى ما تقوم به ، فإن ما تفعله بالفعل هو أخذ لقطة منتظمة على كل خادم أثناء تنفيذه لمهام MapReduce. إذا كنت ستصمم للتوازي بسرعة كبيرة ، فلن تفعل شيئًا كهذا. في الواقع ، ربما لن تستخدم MapReduce من تلقاء نفسها. MapReduce هو فقط ما يمكنني قوله نصف قادر على التوازي.

هناك طريقتان للتوازي: أحدهما عن طريق خطوط الأنابيب والآخر هو عن طريق تقسيم البيانات MapReduce ويقوم بتقسيم البيانات بحيث يكون هناك الكثير من الوظائف حيث لا تكون MapReduce هي الطريقة الأسرع للقيام بذلك ، ولكنها سوف أعطيك التوازي وليس هناك أي إزعاج من ذلك. عندما يكون لديك الكثير من البيانات ، فإن هذا النوع من القوة لا يكون مفيدًا في العادة. YARN ، كما قلت بالفعل ، هي قدرة جدولة شابة للغاية.

Hadoop هي ، نوع من رسم الخط في الرمال هنا ، Hadoop ليس مستودع بيانات. إنه بعيدًا عن كونه مستودع بيانات لدرجة أنه اقتراح سخيف تقريبًا أن يقول إنه كذلك. في هذا الرسم البياني ، ما أراه على طول الجزء العلوي هو نوع من تدفق البيانات ، ينتقل من خزان بيانات Hadoop إلى قاعدة بيانات تدريجية ضخمة ، وهو ما سنفعله بالفعل ، مستودع بيانات المؤسسة. أنا أعرض قواعد البيانات القديمة ، وأغذي البيانات في مستودع البيانات ونشاط إلغاء التحميل ، وأنشئ قواعد بيانات إلغاء التحميل من مستودع البيانات ، لكن هذه في الحقيقة صورة بدأت أراها تظهر ، وأقول أن هذا يشبه الجيل الأول من ماذا يحدث لمستودع البيانات مع Hadoop. لكن إذا نظرت إلى مستودع البيانات بنفسك ، فأنت تدرك أنه أسفل مستودع البيانات ، لديك مُحسِّن. لقد حصلت على عامل استعلام موزع على العديد من العمليات التي تجلس على عدد كبير جدًا من الأقراص. هذا ما يحدث في مستودع البيانات. هذا في الواقع نوع من الهندسة المعمارية المصممة لمستودع بيانات ويستغرق وقتاً طويلاً لبناء شيء من هذا القبيل ، وليس لدى Hadoop أي شيء على الإطلاق. لذا ، فإن Hadoop ليس مستودع بيانات ولن يصبح مستودعًا ، في رأيي ، في أي وقت قريب.

إنه يحتوي على خزان البيانات النسبي هذا ، ويبدو نوعًا مثيرًا للاهتمام إذا نظرت إلى العالم على أنه سلسلة من الأحداث تتدفق إلى المؤسسة. هذا ما أراه على الجانب الأيسر من هذا المخطط. الحصول عليها من خلال إمكانية التصفية والتوجيه والأشياء التي تحتاج إلى التدفق ، يتم سحبها من تطبيقات البث ، وكل شيء آخر يذهب مباشرة إلى خزان البيانات حيث يتم إعداده وتنظيفه ، ثم يتم تمريره بواسطة ETL إما إلى بيانات واحدة مستودع أو مستودع بيانات منطقي يتكون من محركات متعددة. هذا ، في رأيي ، خط تطوير طبيعي لـ Hadoop.

من ناحية ETW ، فإن أحد الأشياء الجديرة بالإشارة هو أن مستودع البيانات نفسه تم نقله بالفعل - إنه ليس كما كان. بالتأكيد ، في الوقت الحاضر ، تتوقع وجود قدرة هرمية لكل البيانات الهرمية لما يسميه الأشخاص ، أو بعض الأشخاص ، المستندات الموجودة في مستودع البيانات. هذا جسون. ربما ، استعلامات الشبكة التي قواعد بيانات الرسم البياني ، وربما التحليلات. لذا ، ما نتحرك تجاهه هو ETW الذي لديه في الواقع عبء عمل أكثر تعقيدًا من الذي اعتدنا عليه. هذا أمر مثير للاهتمام لأنه يعني بطريقة ما أن مستودع البيانات يزداد تطوراً ، وبسبب ذلك ، سوف يمر وقت أطول قبل أن يصل Hadoop إلى أي مكان بالقرب منه. معنى مستودع البيانات يمتد ، لكنه لا يزال يتضمن التحسين. يجب أن يكون لديك القدرة على التحسين ، ليس فقط على الاستعلامات الآن ولكن على كل هذه الأنشطة.

هذا كل شيء حقا. هذا كل ما أردت قوله عن Hadoop. أعتقد أنه يمكنني تسليم راي ، الذي لم يكن لديه أي شرائح ، لكنه دائمًا ما يجيد التحدث.

إريك كافانا: سوف آخذ الشرائح. هناك صديقنا ، راي وانغ. راي ، ما هي أفكارك حول كل هذا؟

راي وانغ: الآن ، أعتقد أن هذا ربما كان أحد أكثر التواريخ المختصرة والرائعة للمحلات ذات القيمة الرئيسية وحيث انتقلت Hadoop إلى علاقة بمؤسسة في الخارج ، لذلك أتعلم دائمًا الكثير عند الاستماع إلى Robin.

في الواقع ، لدي شريحة واحدة. يمكنني أن يطفو على السطح شريحة واحدة هنا.

إريك كافانا: ما عليك سوى النقر على ، انقر فوق "ابدأ" وانتقل إلى مشاركة سطح المكتب.

راي وانغ: حصلت عليه ، هناك تذهب. سوف أشارك في الواقع. يمكنك رؤية التطبيق نفسه. دعونا نرى كيف ستسير الامور.

كل هذا الحديث عن Hadoop ثم نتعمق في الحديث عن التقنيات الموجودة هناك والتي يتجه Hadoop إليها ، وفي كثير من الأحيان أحب أن أعيدها لأجري مناقشة العمل. الكثير من الأشياء التي تحدث على الجانب التكنولوجي هي في الحقيقة هذه القطعة حيث نتحدث عن مستودعات البيانات ، وإدارة المعلومات ، وجودة البيانات ، وإتقان تلك البيانات ، ولذا فإننا نميل إلى رؤية ذلك. لذلك إذا نظرت إلى هذا الرسم البياني هنا في الأسفل ، فمن المثير للاهتمام للغاية أن أنواع الأفراد الذين نتحدث عن هذا الحديث عن Hadoop. لدينا خبراء التقنية وعلماء البيانات الذين يتطلعون إلى الخارج ، ولديهم الكثير من الإثارة ، وعادة ما يتعلق الأمر بمصادر البيانات ، أليس كذلك؟ كيف نتقن مصادر البيانات؟ كيف ندخل هذا في المستويات الصحيحة من الجودة؟ ماذا نفعل حيال الحكم؟ ماذا يمكننا أن نفعل لمطابقة أنواع مختلفة من المصادر؟ كيف نحافظ على النسب؟ وكل هذا النوع من النقاش. وكيف يمكننا الحصول على مزيد من SQL من Hadoop لدينا؟ هذا الجزء يحدث في هذا المستوى.

ثم في جانب المعلومات والأوركسترا ، سيكون هذا مثيرًا للاهتمام. لقد بدأنا في ربط مخرجات هذه البصيرة التي نحصل عليها أو هل نقوم بسحبها من الخلف إلى العمليات التجارية؟ كيف نربطها بأي نوع من نماذج البيانات الوصفية؟ هل نربط النقاط بين الأشياء؟ وهكذا فإن الأفعال والمناقشات الجديدة حول كيفية استخدامنا لتلك البيانات ، والانتقال من ما نحن عليه تقليديًا في عالم CRUD: إنشاء ، قراءة ، تحديث ، حذف ، إلى عالم يناقش كيف نشارك أو نشارك أو نتعاون أو مثل أو سحب شيء.

هنا نبدأ في رؤية الكثير من الإثارة والابتكار ، خاصة حول كيفية سحب هذه المعلومات وجعلها ذات قيمة. هذا هو النقاش القائم على التكنولوجيا أسفل الخط الأحمر. فوق هذا الخط الأحمر ، نتلقى الأسئلة ذاتها التي أردنا دائمًا طرحها ، أحدها الذي نطرحه دائمًا يشبه ، على سبيل المثال ، ربما يكون السؤال في البيع بالتجزئة بالنسبة لك مثل: "لماذا يتم بيع البلوزات الحمراء بشكل أفضل في ألاباما من البلوزات الزرقاء في ميشيغان؟ " يمكنك التفكير في الأمر والقول ، "هذا نوع من الاهتمام". ترى هذا النمط. نحن نطرح هذا السؤال ونتساءل "مهلا ، ماذا نفعل؟" ربما يتعلق الأمر بالمدارس الحكومية - ميشيغان مقابل ألاباما. حسنًا ، أحصل على هذا ، وأرى إلى أين نحن ذاهبون. وهكذا بدأنا في الحصول على الجانب التجاري من المنزل ، والأفراد في مجال التمويل ، والأشخاص الذين يتمتعون بقدرات BI التقليدية ، والأفراد في التسويق ، والأشخاص العاملين في الموارد البشرية يقولون: "أين أنماطي؟" كيف نصل إلى هذه الأنماط؟ وهكذا نرى طريقة أخرى للابتكار على جانب Hadoop. يتعلق الأمر حقًا بكيفية قيامنا بتحديث رؤى التحديث بشكل أسرع. كيف يمكننا أن نجعل هذه الأنواع من الاتصالات؟ يذهب الأمر إلى الأشخاص الذين يفعلون مثل ، الإعلان: التكنولوجيا التي تحاول بشكل أساسي توصيل الإعلانات والمحتوى ذي الصلة من أي شيء من شبكات عروض الأسعار في الوقت الفعلي إلى الإعلانات السياقية ومواقع الإعلانات والقيام بذلك فورًا.

لذلك من المثير للاهتمام أن. ترى تطور Hadoop من ، "يا ، هنا هو الحل التكنولوجي. هنا هو ما يتعين علينا القيام به لتوصيل هذه المعلومات إلى الناس." ثم عندما يعبر خط الأعمال ، يصبح هذا مثيرًا للاهتمام. إنها البصيرة. أين هو الأداء؟ أين هو الخصم؟ كيف نتوقع الأشياء؟ كيف يمكننا التأثير؟ ثم ارفع ذلك إلى المستوى الأخير حيث نرى بالفعل مجموعة أخرى من ابتكارات Hadoop التي تحدث حول أنظمة اتخاذ القرار والإجراءات. ما هو أفضل عمل تالي؟ حتى تعرف أن البلوزات الزرقاء تبيع بشكل أفضل في ميشيغان. كنت تجلس على طن من البلوزات الزرقاء في ولاية ألاباما. الشيء الواضح هو ، "نعم ، حسنًا ، دعنا نشحن هذا إلى هناك." كيف لنا أن نفعل ذلك؟ ما هي الخطوة التالية؟ كيف يمكننا ربط ذلك مرة أخرى؟ ربما يكون الإجراء التالي الأفضل ، ربما هو اقتراح ، وربما يكون شيئًا يساعدك في منع حدوث مشكلة ، وربما لا يكون إجراءً ، وهو إجراء بحد ذاته. لذلك نبدأ في رؤية هذا النوع من الأنماط تظهر. وجميل هذا إلى ما تقوله حول المتاجر ذات القيمة الرئيسية ، روبن ، هو أنه يحدث بسرعة كبيرة. إنه يحدث بالطريقة التي لم نفكر فيها بهذه الطريقة.

ربما أقول في السنوات الخمس الماضية أننا التقطنا. لقد بدأنا التفكير فيما يتعلق بالكيفية التي يمكننا بها الاستفادة من المتاجر ذات القيمة الرئيسية مرة أخرى ، لكن الأمر في السنوات الخمس الأخيرة فقط ، فالناس ينظرون إلى هذا الأمر بطريقة مختلفة تمامًا وهو يشبه دورات التكنولوجيا تتكرر في أنماط مدتها 40 عامًا ، لذلك هذا لطيف شيء مضحك ، حيث ننظر إلى السحابة ، وأنا أحب مشاركة وقت أجهزة الكمبيوتر المركزية. نحن ننظر إلى Hadoop ومثل المتجر ذي القيمة الرئيسية - ربما يكون سوق بيانات ، أقل من مستودع بيانات - وبالتالي نبدأ في رؤية هذه الأنماط مرة أخرى. ما أحاول القيام به الآن هو التفكير فيما كان يفعله الناس قبل 40 عامًا؟ ما هي الأساليب والتقنيات والمنهجيات التي تم تطبيقها والتي كانت محدودة بالتكنولوجيات التي كان الناس يمتلكونها؟ هذا نوع من قيادة عملية التفكير هذه. لذا ، بينما نتصفح الصورة الأكبر لـ Hadoop كأداة ، عندما نعود ونفكر في الآثار المترتبة على الأعمال التجارية ، فهذا نوع من المسار الذي عادة ما نأخذ به من خلال الأشخاص حتى تتمكن من رؤية الأجزاء ، ما الأجزاء الموجودة في البيانات مسار القرارات. إنه مجرد شيء أردت مشاركته. إنه نوع من التفكير الذي كنا نستخدمه داخليًا ونأمل أن يضيف إلى المناقشة. لذلك سأعيدها إليك يا إريك.

إريك كافانا: هذا رائع. إذا كنت تستطيع الالتصاق ببعض الأسئلة والأجوبة. لكنني أحببت أن تعيدك إلى مستوى العمل لأنه في نهاية المطاف ، الأمر كله يتعلق بالأعمال. الأمر كله يتعلق بإنجاز الأمور والتأكد من إنفاق الأموال بحكمة ، وهذا أحد الأسئلة التي رأيتها بالفعل ، لذلك قد يرغب المتحدثون في التفكير في ما هو TCL من السير في طريق Hadoop. هناك بعض النقاط اللطيفة بين ، على سبيل المثال ، استخدام أدوات رف المكتب للقيام بالأشياء بطريقة تقليدية واستخدام مجموعات الأدوات الجديدة ، لأنه مرة أخرى ، فكر في الأمر ، والكثير من هذه الأشياء ليست جديدة ، إنها مجرد نوع من أعتقد أن الإلتقاء بطريقة جديدة هو أفضل طريقة لوضعها.

لذلك دعونا نمضي قدمًا ونقدم صديقنا نيكيتا إيفانوف. وهو المؤسس والرئيس التنفيذي لشركة GridGain. نيكيتا ، سأستمر في تسليم المفاتيح لك ، وأعتقد أنك هناك. هل تستطيع أن تسمعني نيكيتا؟

نيكيتا إيفانوف: نعم ، أنا هنا.

إريك كافانا: ممتاز. الكلمة لك. انقر على تلك الشريحة. استخدم السهم لأسفل ، وخذها بعيدا. خمس دقائق.

نيكيتا إيفانوف: ما الشريحة التي أقوم بالنقر فوقها؟

إريك كافانا: ما عليك سوى النقر في أي مكان على تلك الشريحة ثم استخدام السهم لأسفل على لوحة المفاتيح للتنقل. فقط انقر على الشريحة نفسها واستخدم السهم لأسفل.

نيكيتا إيفانوف: حسنًا ، فقط بضع شرائح سريعة حول GridGain. ماذا نفعل في سياق هذه المحادثة؟ تنتج GridGain أساسًا برنامجًا للحوسبة في الذاكرة وجزءًا من النظام الأساسي الذي طورناه هو مسرع Hadoop في الذاكرة. من حيث Hadoop ، فإننا نميل إلى التفكير في أنفسنا بوصفنا متخصصين في أداء Hadoop. إن ما نقوم به ، بشكل أساسي ، بالإضافة إلى نظامنا الأساسي للحوسبة في الذاكرة والذي يتكون من تقنيات مثل شبكة البيانات وتدفق الذاكرة وشبكات الحوسبة ، سيكون قادرًا على تشغيل مسرّع Hadoop وتشغيله. هذا بسيط جدا. سيكون من الرائع أن نتمكن من تطوير نوع من حلول التوصيل والتشغيل التي يمكن تثبيتها مباشرة في تثبيت Hadoop. إذا كنت ، مطور MapReduce ، في حاجة إلى تعزيز دون أي حاجة لكتابة أي برنامج جديد أو تغيير الكود أو التغيير ، أو لديك تغيير الحد الأدنى من التهيئة في Hadoop. هذا ما طورناه.

في الأساس ، يعتمد مسرع Hadoop في الذاكرة على تحسين مكونين في نظام Hadoop البيئي. إذا كنت تفكر في Hadoop ، فإنه يعتمد في الغالب على HDFS ، وهو نظام الملفات. MapReduce ، وهو إطار عمل لتشغيل المسابقات بالتوازي على قمة نظام الملفات. من أجل تحسين Hadoop ، نقوم بتحسين كلا النظامين. قمنا بتطوير نظام ملفات في الذاكرة متوافق تمامًا ، متوافق مع 100 ٪ من التوصيل والتشغيل ، مع HDFS. يمكنك تشغيل بدلاً من HDFS ، يمكنك تشغيل أعلى HDFS. وقمنا أيضًا بتطوير MapReduce في الذاكرة يتوافق مع ميزة التوصيل والتشغيل مع Hadoop MapReduce ، ولكن هناك الكثير من التحسينات حول كيفية سير العمل في MapReduce وكيف يعمل الجدول على MapReduce.

إذا نظرت ، على سبيل المثال في هذه الشريحة ، حيث نعرض نوع مكدس التكرار. على الجانب الأيسر ، لديك نظام التشغيل الخاص بك مع GDM وفوق هذا الرسم البياني لديك مركز التطبيق. في الوسط لديك Hadoop. ويستند Hadoop مرة أخرى على HDFS و MapReduce. إذاً هذا يمثل في هذا المخطط ، ما هو نوع من التضمين في مكدس Hadoop. مرة أخرى ، إنها ميزة التوصيل والتشغيل ؛ ليس لديك لتغيير أي رمز. انها تعمل فقط بنفس الطريقة. في الشريحة التالية ، أظهرنا بشكل أساسي كيف قمنا بتحسين سير عمل MapReduce. ربما هذا هو الجزء الأكثر إثارة للاهتمام لأنه يمنحك أكبر ميزة عند تشغيل وظائف MapReduce.

تطبيق MapReduce النموذجي ، عند تقديم الوظيفة ، وعلى الجانب الأيسر هناك مخطط ، هناك تطبيق معتاد. لذلك عادة ما تقوم بتقديم الوظيفة وتذهب الوظيفة إلى متتبع الوظيفة. It interacts with the Hadoop name node and the name node is actually the piece of software that manages the interaction with the digital files, and kind of keeps the directory of files and then the job tracker interacts with the task tracker on each individual node and the task tracker interacts with a Hadoop data node to get data from. So that's basically a very kind of high-level overview of how your MapReduce job gets in the computers. As you can see what we do with our in-memory, Hadoop MapReduce will already completely bypass all this complex scheduling that takes a lot of time off your execution and go directly from client to GridGain data node and GridGain data node keeps all that e-memory for a blatantly fast, fast execution.

So all in all basically, we allow it to get anywhere from 5x up all the way to 100x performance increase on certain types of loads, especially for short leaf payloads where you literally measure every second. We can give you a dramatic boost in performance with literally no core change.

Alright, that's all for me.

Eric Kavanagh: Yes, stick around for the Q&A. No doubt about it.

Let me hand it off to John Santaferraro. John, just click on that slide. Use the down arrow to move on.

John Santaferraro: Alright. Thanks a lot, Eric.

My perspective and Actian's perspective really is that Hadoop is really about creating value and so this is an example from digital media. A lot of the data that is pumping into Hadoop right now has to do with digital media, digital marketing, and customer, so there is great opportunity - 226 billion dollars of retail purchases will be made online next year. Big data and Hadoop is about capturing new data to give you insight to get your share of that. How do you drive 14% higher marketing return and profits based on figuring out the right medium X and the right channels and the right digital marketing plan? How do you improve overall return on marketing investment? By the way, in 2017, what we ought to be thinking about when we look at Hadoop is the fact that CMO, chief marketing officer, spending in 2017 will outpace that of IT spending, and so it really is about driving value. Our view is that there are all kinds of noise being made on the left-hand side of this diagram, the data pouring into Hadoop.

Ultimately, our customers are wanting to create customer delight, competitive advantage, world-class risk management, disruptive new business models, and to do all of that to deliver transformational value. They are looking to capture all of this data in Hadoop and be able to do best-in-class kinds of things like discovery on that data without any limitations, no latency at any scale of the data that lives in there - moving from reactive to predictive kinds of analytics and doing everything dynamically instead of looking at data just as static. What pours into Hadoop? How do you analyze it when it arrives? Where do you put it to get the high-performance analytics? And ultimately moving everything down to a segment of one.

So what we've done at Actian in the Actian Analytics Platform, we have built an exoskeleton around Hadoop to give it all of these capabilities that you need so you are able to connect to any data source bringing it into Hadoop, delivering it as a data service wherever you need it. We have libraries of analytics and data blending and data enrichment kinds of operators that you literally drag and drop them so that you can build out these data and analytic workflows, and without ever doing any programming, we will push that workload via YARN right down to the Hadoop nodes so you can do high-performance data science natively on Hadoop. So all of your data prep, all of your data science happening on Hadoop highly parallelized, highly optimized, highly performance and then when you need to, you move it to the right via a high-speed connection over to our high-performance analytic engine, where you can do super-low latency kinds of analytics, and all of that delivering out these real-time kinds of analytics to users, machine-to-machine kinds of communication, and betting those on analytics and business processes, feeding big data apps or applications.

This is an example of telco churn, where at the top of this chart if you're just building telco churn for example, where you have captured one kind of data and poured that into Hadoop, I'd be able to identify about 5% of your potential churn audience. As you move down this chart and add additional kinds of data sources, you do more complex kinds of analytics in the center column there. It allows you to act against that churn in a way that allows you to identify. You move from 5% identification up to 70% identification. So for telecommunications companies, for retail organizations, for any of the fast providers, anybody that has a customer base where there is a fear and a damage that is caused by churn.

This kind of analytics running on top of that exoskeleton-enabled version of Hadoop is what drives real value. What you can see here is that kind of value. This is an example taken from off of the annual report of a telecommunications company that shows their actual total subscribers, 32 million. Their existing churn rate which every telco reports 1.14, 4.3 million subscribers lost every year, costing them 1.14 billion dollars as well as 2.1 billion in revenue. This is a very modest example of how you generate value out of your data that lives in Hadoop, where you can see the potential cost of reacquisition where the potential here is to use Hadoop with the exoskeleton running analytics to basically help this telecommunications company save 160 million dollars as well as avoid 294 million in loss. That's the kind of example that we think is driving Hadoop forward.

Eric Kavangh: Alright, fantastic. And Jim, let me go ahead and give the keys to you. So, Jim Vogt. If you would click on that slide and use the down arrow in your keyboard.

Jim Vogt: I got it. Great picture. OK, thank you very much. I'll tell a little bit about Zettaset. We've been talking about Hadoop all afternoon here. What's interesting about our company is that we basically spend our careers hardening new technology for the enterprise - being able to plug the gaps, if you will, in our new technology to allow it to be widely deployed within our enterprise operational environment. There are a couple of things happening in the market right now. It's kind of like a big open pool party, right? But now the parents have come home. And basically we're trying to bring this thing back to some sense of reality in terms of how you build a real infrastructure piece here that can be scalable, repeatable, non-resource intensive, and secure, most importantly secure. In the marketplace today, most people are still checking the tires on Hadoop. The main reason is, there is a couple of things. One is that within the open source itself, although it does some very useful things in terms of being able to blend data sources, being able to find structure data and very useful data sources, it really lacks for a lot of the hardening and enterprise features around security, higher availability and repeatability that people need to deploy not just a 10- or 20-node cluster, but a 2, 000- and 20, 000-node cluster - there are multiple clusters. What has been monetized in the last two years has been mainly pro-services around setting up these eval clusters. So there is a not a repeatable software process to actually actively deploy this into the marketplace.

So what we built in our software is a couple of things. We're actually transparent into the distributions. At the end of the day, we don't care if it's CVH or HDP, it's all open source. If you look at the raw Apache components that built those distributions, there is really no reason why you have to lock yourself into any one distribution. And so, we work across distributions.

The other thing is that we fill in the gaps transparently in terms of some of the things that are missing within the code itself, the open source. So we talked about HA. HA is great in terms of making no failover, but what happens if any of the active processes that you're putting on these clusters fail? That could take it down or create a security hole, if you will. When we built software components into our solution, they all fall under an HA umbrella where we're actively monitoring all the processes running on the cluster. If code roles goes down, you take the cluster down, so basically, meaning no failover is great, unless you're actively monitoring all the processes running on the cluster, you don't have true HA. And so that's essential of what we developed here at Zettaset. And in a way that we've actually got a patent that has been issued on this and granted last November around this HA approach which is just quite novel and different from the open-source version and is much more hardened for the enterprise.

The second piece is being able to do real RBAC. People are talking about RBAC. They talk about other open-source projects. Why should you have to recreate all those entries and all those users and roles when they already exist in LDAP or in active directory? So we link those transparently and we fold all our processes not only under this RBAC umbrella, but also under the HA umbrella. They start to layer into this infrastructure encryption, encryption at data rest, state of motion, all the hardened security pieces that you really need to secure the information.

What is really driving this is our industries, which I have on the next slide, which profit finance and healthcare and have our compliances. You have to be able to protect this sets of data and you have to be able to do it on a very dynamic fashion because this data can be sitting anywhere across these parallel nodes and clusters and it can be duplicated and so forth, so essentially that's the big umbrella that we built. The last piece that people need is they need to be able to put the pieces together. So having the analytics that John talked to and being able to get value out of data and do that through an open interface tapped into this infrastructure, that's what we built in our software.

So the three cases that I had in here, and you guys are popping me along here were really around finance, healthcare and also cloud, where you're having to deal with multi-tenant environments and essentially have to separate people's sensitive data, so security and performance are key to this type of application whether its cloud or in a sensitive data environment.

The last slide here really talks to this infrastructure that we put together as a company is not just specific to Hadoop. It's something that we can equally apply to other NoSQL technologies and that's where we're taking our company forward. And then we're also going to pull in other open-source components, HBase and so forth, and secure those within that infrastructure in a way that you're not tied to any one distribution. It's like you truly have an open, secure and robust infrastructure for the enterprise. So that's what we're about and that's what we're doing to basically accelerate adoption of Hadoop so people get away from sending twenty-node clusters and actually have the confidence to employ a much larger environment that is more eyes on Hadoop and speeds the market along. شكرا لكم.

Eric Kavanagh: That's fantastic, great. Stick around for the Q&A. Finally, last but not the least, we've got Phu Hoang, CEO of DataTorrent. Let me go ahead and hand the keys to you. The keys are now yours. Click anywhere on that slide, use the down arrow on your keyboard to move them along.

Phu Hoang: Thank you so much.

So yes, I'm here to talk about DataTorrent and I actually think the story of DataTorrent is a great example of what Robin and Ray have been talking about through this session where they say that Hadoop is a great body of work, a great foundation. But it has a lot of goals. But the future is bright because the Hadoop ecosystem where more players are coming in are able to build and add value on top of that foundation to really bring it from storage to insights to action, and really that's the story of DataTorrent.

What I'm going to talk about today is really about real-time big data screening processing. What you see, as I'm interacting with customers, I've never met a single customer that says to me, "Hey, my goal is to take action hours or days after my business events arrive." In fact, they all say they want to take action immediately after the events occur. The problem with the delay is that, that is what Hadoop is today with its MapReduce paradigm. To understand why, it's worth revisiting the history of Hadoop.

I was leading much of Yahoo engineering when we hired Doug Cutting, the creator of Hadoop, and assigned over a hundred engineers to build out Hadoop to power our web search, advertising and data science processing. But Hadoop was built really as a back system to read and write and process these very large files. So while it's great disruptive technology because of its massive scalability and high ability at no cost, it has a hole in that there is a lot of latency to process these large files. Now, it is fair to say that Hadoop is now becoming the plateau operating system that is truly computing and is gaining wide adoption across many enterprises. They are still using that same process of collecting events into large files, running these batch Hadoop jobs to get there inside the next day. What enterprise customers now want is that they want those exact same insights but they want to build to get these insights much earlier, and this will enable them to really act on these events as the event happens, not after maybe hours later after it has been back processed.

Eric Kavanagh: Do you want to be moving your slides forward, just out of curiosity?

Phu Hoang: Yeah it's coming now. Let me illustrate that one example. In this example, using Hadoop in back-slope where you're constantly engaging with files, first an organization might accumulate all the events for the full day, 24 hours' worth of data. And then they batch process it, which may take another eight hours using MapReduce, and so now there is 32 hours of elapsed time before they get any insight. But with real-time stream processing, the events are coming in and are getting processed immediately, there is no accumulation time. Because we do all this processing, all in memory, the in-memory processing is also sub-second. All the time, you are reducing the elapsed time on 30 hours plus to something that is very small. If you're reducing 30 hours to 10 hours, that's valuable but if we can reduce it to a second, something profound happens. You can now act on your event while the event is still happening, and this gives enterprises the ability to understand what their products are doing, what their business is doing, what their users are doing in real time and react to it.

Let's take a look at how this happens. Really, a combination of market forces and technology has enabled a solution like DataTorrent to come together, so from a market perspective, Hadoop is really becoming the de facto big data architecture as we said, right? In an IDC study in 2013, they say that by the end of this year, two-thirds of enterprises would have deployed Hadoop and for DataTorrent, whether that's Apache Hadoop or any of our certified partners like Cloudera or Hortonworks, Hadoop is really clearly the choice for enterprise. From a technology perspective, and I think Robin and Ray alluded to this, Hadoop 2.0 was created to really enable Hadoop to extend to much more general cases than the batch MapReduce paradigm, and my co-founder, Amal, who was at Yahoo leading the development of Hadoop 2.0 really allows this layer of OS to have many more computation paradigms on top of it and real-time streaming is what we chose. By putting this layer of real-time streaming on top of YARN, you can really think of DataTorrent as the real-time equivalent of MapReduce. Whatever you can do in batch with MapReduce, you can now do in streaming with DataTorrent and we can process massive amount of data. We can slice and dice data in multiple dimensions. We have distributed computing and use YARN to give us resources. We have the full ecosystem of the open source Hadoop to enable fast application development.

Let me talk a little bit about the active capabilities of DataTorrent. In five minutes, it is hard for me to kind of give to you much in detail, but let me just discuss and re-differentiate it. First of all, sub-second scalable ingestions, right? This refers to DataTorrent's platform to be able to take that in real-time from hundreds of data sources and begin to process them immediately. This is in direct contact to the back processing of MapReduce that is in Hadoop 1.0 and events can vary in size. They may be as simple as a line in the log file or they may be much more complex like CDR, call data record in the telcom industry. DataTorrent is able to scale the ingestion dynamically up or down depending on the incoming load, and we can deal with tens of millions of incoming events per second. The other major thing here, of course, is the processing itself which is in real-time ETL logic. So once the data is in motion, it is going to go into the ETL logic where you are doing a stack transform and load, and so on. And the logic is really executed by combining a series of what we call operators connected together in a data flow grab. We have open source of over 400 operators today to allow you to build applications very quickly. And they cover everything from input connectors to all kinds of message process to database drivers and connectors where you are to load to all kinds of information to unstream.

The combination of doing all these in memory and building the scale across hundreds of nodes really drive the superior performance. DataTorrent is able to process billions of events per second with sub-second latency.

The last piece that I'd like to highlight is the high-availability architecture. DataTorrent's platform is fully post knowledge; that means that the platform automatically buffers the event and regularly checkpoints the state of the operators on the disk to ensure that there is possibly no problem. The applications can tell you in seconds with no data log and no human intervention. Simply put, data form processes billions of events and allots in data in seconds, it runs 24/7 and it never, ever goes down. The capabilities really set DataTorrent apart from the market and really make it the leading mission-critical, real-time analytics platform for enterprise. With that, we invite you to come visit our website and check us out.

شكر.

Eric Kavanagh: Yeah, thank you so much. I'll throw a question over to you, really a comment, and let you kind of expound upon it. I really think you're on the ball here with this concept of turning over these operators and letting people use these operators almost like Legos to build big data applications. Can you kind of talk about what goes into the process of taking these operators and stitching them together, how do you actually do that?

Phu Hoang: That's a great question. So first of all, these operators are in your standard application Java Logic. We supply 400 of them. They do all kinds of processing and so to build your application, you really are just connecting operators together into a data flow graph. In our customers, we find that they use a number of operators that we have in our library as well as they take their own job of custom logic and make it an operator so that they can substantiate that into a graph.

Eric Kavanagh: OK, good. I think it's a good segue to bring in John Santaferraro from Actian because you guys have a slightly similar approach, it seems to me, in opening up a sort of management layer to be able to play around with different operators. Can you talk about what you do with respect to what tools we're just talking about, John?

John Santaferraro: Yeah, exactly. We have a library of analytics operators as well as transformational operators, operators for blending and enriching data and it is very similar. You use a drag-and-drop interface to be able to stitch together these data flows or work flows, and even analytic workflows. So it's everything from being able to connect to data, to be able to blend and enrich data, to be able to run data science or machine learning algorithms and then even being able to push that into a high-performance low-latency analytic engine. What we find is that it's all built on the open-source nine project. So we capture a lot of the operators that they are developing and then we take all of that, and via YARN, very similar to what Phu described at DataTorrent, we push that down so that it is parallelized against all of the nodes in a Hadoop cluster. A lot of it is about making the data in Hadoop much more accessible to business users and less-skilled workers, somebody besides a data scientist.

Eric Kavanagh: OK, let me go bring in Nikita once again. I'm going to throw your five up as well. Can you kind of talk about how you approach this solution vis-à-vis what these two gentlemen just talked about? How does someone actually put this stuff together and make use from GridGain?

Nikita Ivanov: Well, I think the biggest difference between us and from practically the rest of them is we don't require you to do any recording - you don't have to do anything, it's a plug-and-play. If you have an application today, it's going to work faster. You don't have to change code; you don't have to do anything; you just have to install GridGain along the side of Hadoop cluster and that's it. So that's the biggest difference and we talked to our customers. There are different myriad of solutions today that ask you to change something: programming, doing your API, using your interfaces and whatnot. Ours is very simple. You don't need to invest a lot of time into the Hadoop ecosystem, and whatever you used to do, the MapReduce or any of the tools continue to use. With GridGain, you don't have to change any single line of code, it's just going to work faster. That's the biggest difference and that's the biggest message for us.

Eric Kavanagh: Let's get Jim back in here too. Jim, your quote is killing me. I had to write it down in between that. I'll put it into some kind of deck, but the Hadoop ecosystem right now is like a pool party and the parents just came home. That is funny stuff man; that is brilliant. Can you kind of talk about how you guys come onto the scene? How do you actually implement this? How long does that take? How does all that work?

Jim Kaskade: Yes. So there are a couple of varieties depending on the target customer, but typically these days, you see evaluations where security is factored in, in some of these hardening requirements that I talked about. What has happened in some other cases, and especially last year where people had big plans to deploy, is that there was kind of a science project, if you will, or somebody was playing with the technology and had a cluster up and working and was working with it but then the security guy shows up, and if it is going to go on a live data center, it has to basically comply with the same requirements that we have for other equipment running in the data center, if it is going to be an infrastructure that we build out. Last year, we had even some banks that told us they were going to deploy 400 to 1, 000 nodes last year and they're still sitting on a 20-node cluster mainly because now a security person has been plugged in. They've got to be worried about financial compliance, about sets of information that is sitting on a cluster, and so forth. It varies by customer, but typically this is kind of what elongates the cycles and this is typical of a new technology where if you really want to deploy this in production environment, it really has to have some of these other pieces including the very valuable open-source pieces, right?

Eric Kavanagh: OK, good. دعنا نرى. I'm going to bring Phu back into the equation here. We've got a good question for you. One of the attendees is asking how is DataTorrent different from Storm or Kafka or the Redis infrastructure. Phu, are you out there? Hey, Phu, can you hear me? Maybe I'm mute.

Let's bring Ray Wang back into this. Ray, you've seen a lot of these technologies and looked at how they worked. I really love this concept of turning over control or giving control to end users of the operators. I like to think of them as like really powerful Legos that they can use to kind of build some of these applications. Can you comment on that? What do you think about all that?

Ray Wang: Coming from my technical background, I'd say I'm scared - I was scared shitless! But honestly, I think it's important, I mean, in order to get scale. There's no way you can only put so many requests. Think about the old way we did data warehousing. In the business I had to file the request for a report so that they could match all the schemes. I mean, it's ridiculous. So we do have to get to a way for the business side of the house and definitely become data jocks. We actually think that in this world, we're going to see more digital artists and people that have the right skills, but also understand how to take that data and translate that into business value. And so these digital artisans, data artisans depending on how you look at this, are going to need both really by first having the curiosity and the right set of questions, but also the knowledge to know when the data set stinks. If I'm getting a false positive or a false negative, why is that happening?

I think a basic level of stats, a basic level of analytics, understanding that there's going to be some training required. But I don't think it's going to be too hard. I think if you get the right folks that should be able to happen. You can't democratize the whole decision-making process. I see that happening. We see that in a lot of companies. Some are financial services clients are doing that. Some of our retail folks are doing that, especially in the razor-thin margins that you are seeing in retail. I was definitely seeing that in high tech just around here in the valley. That's just kind of how people are. It's emerging that way but it's going to take some time because these basic data skills are still lacking. And I think we need to combine that with some of the stuff that some of these guys are doing here on this webinar.

Eric Kavanagh: Well, you bring up a really good point. Like how many controls you want to give to the average end user. You don't want to give an airplane cockpit to someone who's driving a car for the first time. You want to be able to closely control what they have control over. I guess my excitement kind of stems around being able to do things yourself, but the key is you got to put the right person in that cockpit. You got to have someone who really knows what they're doing. No matter what you hear from the vendor community folks, when somebody's more powerful tools are extremely complex, I mean if you are talking about putting together a string of 13, 14, 15 operators to do a particular type of transformation on your data, there are not many people who could do that well. I think we're going to have many, many more people who do that well because the tools are out there now and you can play with the stuff, and there is going to be a drive to be able to perfect that process or at least get good at it.

We did actually lose Phu, but he's back on the line now. So, Phu, the question for you is how is DataTorrent different from, like, Storm or Kafka or Redis or some of these others?

Phu Hoang: I think that's a great question. So, Redis of course is really an in-memory data store and we connect to Redis. We see ourselves as really a processing engine of data, of streaming data. Kafka again is a great bus messaging bus we use. It's actually one of our favorite messaging bus, but someone has to do the big data processing across hundreds of nodes that is fault tolerant, that is scalable, and I repeat that as the job that we play. So, yes, we are similar to Storm, but I think that Storm is really developed a long time ago even before Hadoop, and it doesn't have the enterprise-level thinking about scalability to the hundreds and millions, now even billions of events, nor does it really have the HA capability that I think enterprise requires.

Eric Kavanagh: Great. And you know, speaking of HA, I'll use that as an excuse to bring Robin Bloor back into the conversation. We just talked about this yesterday. What do you mean by high availability? What do you mean by fault tolerance? What do you mean by real time, for example? These are terms that can be bent. We see this all time in the world of enterprise technology. It's a good term that other people kind of glom onto and use and co-opt and move around and then suddenly things don't mean quite what they used to. You know, Robin, one of my pet peeves is this whole universe of VOIP. It's like "Why would we go down in quality? Isn't it important to understand what people say to you and why that matters?" But I'll just ask you to kind of comment on what you think. I'm still laughing about Ray's comment that he's scared shitless about giving these people. What do you think about that?

Ray Wang: Oh, I think it's a Spider-man problem, isn't it? مع القوة العظيمة تأتي المسؤولية العظيمة. You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?

Eric Kavanagh: I love that quote, that's awesome. Let me see. I'm going to go ahead and throw just for this slide up here from GridGain, can you talk about, Nikita, when you come in to play, how do you actually get these application super charged? I mean, I understand what you are doing, but what does the process look like to actually get you embedded, to get you woven in and to get all that stuff running?

Nikita Ivanov: Well, the process is relatively simple. You essentially just need to install GridGain and make a small configuration change, just to let Hadoop know that there is now the HDFS if you want to use HDFS and you have to set up which way you want to use it. You can get it from BigTop, by the way. It's probably the easiest way to install it if you're using the Hadoop. That's about it. With the new versions coming up, a little in about few weeks from now, by the end of May, we're going to have even more simplified process for this. So the whole point of the in-memory Hadoop accelerator is to, do not code. Do not make any changes to your code. The only that you need to do is install it and have enough RAM in the cluster and off you go, so the process is very simple.

Eric Kavanagh: Let me bring John Santaferraro back in. We'll take a couple more questions here. You know, John, you guys, we've been watching you from various perspectives of course. You were over at PEAR Excel; that got folded into Actian. Of course, Actian used to be called Ingres and you guys made a couple of other acquisitions. How are you stitching all of that stuff together? I realize you might not want to get too technical with this, but you guys have a lot of stuff now. You've got Data Rush. I'm not sure if it's still the same name, but you got a whole bunch of different products that have been kind of woven together to create this platform. Talk about what's going on there and how that's coming along.

John Santaferraro: The good news is, Eric, that separately in the companies that we're acquired Pervasive, PEAR Excel and even when Actian had developed, everybody developed their product with very similar architectures. Number one, they were open with regards to data and interacting with other platforms. Number two, everything was parallelized to run in a distributed environment. Number three, everything was highly optimized. What that allowed us to do is to very quickly make integration points, so that you can be creating these data flows already today. We have established the integration, so you create the data flows. You do your data blending and enriching right on Hadoop, everything parallelized, everything optimized. When you want, you move that over into our high-performance engines. Then, there's already a high-performance connection between Hadoop and our massively parallel analytic engine that does these super-low-latency things like helping a bank recalculate and recast their entire risk portfolio every two minutes and feeding that into our real-time trading system or feeding it into some kind of a desktop for the wealth manager so they can respond to the most valuable customers for the bank.

We have already put those pieces together. There's additional integration to be done. But today, we have the Actian Analytics Platform as our offering because a lot of that integration was ready to go. It has already been accomplished, so we're stitching those pieces together to drive this entire analytic value chain from connecting the data, all of the processing that you do of it, any kind of analytics you want to run, and then using it to feed into these automated business processes so that you're actually improving that activity over time. It's all about this end-to-end platform that already exists today.

Eric Kavanagh: That's pretty good stuff. And I guess, Jim, I'll bring you back in for another couple of comments, and Robin, I want to bring you in for just one big question, I suppose. Folks, we will keep all these questions - we do pass them on to the people who participated in the event today. If you ever feel a question you asked was not answered, feel free to email yours truly. You should have some information on me and how to get ahold from me. Also, just now I put a link to the full deck with slides from non-sponsoring vendors. So we put the word out to all the vendors out there in the whole Hadoop space. We said, "Tell us what your story is; tell us what's going on." It's a huge file. It's about 40-plus megabytes.

But Jim, let me bring you back in and just kind of talk about - again, I love this concept - where you're talking about the pool party that comes to an end. Could you talk about how it is that you manage to stay on top on what's happening in the open-source community? Because it's a very fast-moving environment. But I think you guys have a pretty clever strategy of serving this sort of enterprise-hardening vendor that sits on top or kind of around that. Can you talk about your development cycles and how you stay on top of what's happening?

Jim Vogt: Sure. It is pretty fast moving in terms of if you look at just a snapshot updates, but what we're shipping in functionality today is about a year to a year and a half ahead of what we can get on security capabilities out to the community today. It's not that they're not going to get there; it just takes time. It's a different process, it has contributors and so forth, and it just takes time. When we go to a customer, we need to be very well versed in the open source and very well versed in mainly the security things that we're bringing. The reason that we're actually issuing patents and submitting patents is that there is some real value in IP, intellectual property, around hardening these open-source components. When we support a customer, we have to support all the varying open-source components and all the varying distributions as we do, and we also need to have the expertise around the specific features that we're adding to that open source to create the solution that we create. As a company, although we don't want the customer to be a Hadoop expert, we don't think you need to be a mechanic to drive the car. We need to be a mechanic that understands the car and how it works and understand what's happening between our code and the open source code.

Eric Kavanagh: That's great. Phu, I'll give you one last question. Then Robin, I have one question for you and then we'll wrap up, folks. We will archive this webcast. As I suggested, we'll be up on insideanalysis.com. We'll also go ahead and have some stuff up on Techopedia. A big thank you to those folks for partnering with us to create this cool new series.

But Phu … I remember watching the demo of the stuff and I was just frankly stunned at what you guys have done. Can you explain how it is that you can achieve that level of no failover?

Phu Hoang: Sure, I think it's a great question. Really, the problem for us had three components. Number one is, you can't lose the events that are moving from operator to operator in the Hadoop cluster. So we have to have event buffering. But even more importantly, inside your operators, you may have states that you're calculating. Let's say you're actually counting money. There's a subtotal in there, so if that node goes down and it's in memory, that number is gone, and you can't start from some point. Where would you start from?

So today, you have to actually do a regular checkpoint of your operator state down to this. You put that interval so it does not become a big overhead, but when a node goes down, it can come back up and be able to go back to exactly the right state where you last checkpointed and be able to bring in the events starting from that state. That allows you to therefore continue as if the event actually has never happened. Of course, the last one is to make sure that your application manager is also fault tolerant so that doesn't go down. So all three factors need to be in place for you to say that you're fully fault tolerant.

Eric Kavanagh: Yeah, that's great. Let me go ahead and throw one last question over to Robin Bloor. So one of the attendees is asking, does anyone think that Hortonworks or another will get soaked up/invested in by a major player like Intel? I don't think there's any doubt about that. I'm not surprised, but I'm fascinated, I guess, that Intel jumped in before like an IBM or an Oracle, but I guess maybe the guys at IBM and Oracle think they've already got it covered by just co-opting what comes out of the open-source movement. What do you think about that?

Robin Bloor: It's a very curious move. We should see in light of the fact that Intel already had its own Hadoop distribution and what it has effectively done is just passed that over to Cloudera. There aren't many powers in the industry as large as Intel and it is difficult to know what your business model actually is if you have a Hadoop distribution, because it is difficult to know exactly what it is going to be used for in the future. In other words, we don't know where the revenue streams are necessarily coming from.

With somebody like Intel, they just want a lot of processes to be solved. It is going to support their main business plan the more that Hadoop is used. It's kind of easy to have a simplistic explanation of what Intel are up to. It's not so easy to guess what they might choose to do in terms of putting code on chips. I'm not 100% certain whether they're going to do that. I mean, it's a very difficult thing to call that. Their next move at the hardware level, I think, is the system on a chip. When we go to the system on a chip, you may actually want to put some basic software on the chip, so to speak. So putting HDFS on there; that might make some sense. But I don't think that that was what that money investment was about. I think all that money investment was about was just making sure that Intel had a hand in the game and is actually going forward.

In terms of who else is going to buy, that is also difficult to say. I mean, certainly the SAPs and Oracles of this world have got enough money to buy into this or IBM has got enough money to buy into it. But, you know, this is all open source. IBM never bought a Linux distribution, even though they plowed a lot of money into Linux. It didn't break their hearts that they didn't actually have a Linux distribution. They're very happy to cooperate with Red Hat. I would say maybe Red Hat will buy one of these distributions, because they know how to make that business model work, but it's difficult to say.

Eric Kavanagh: Yeah, great point. So folks, I'm going to go ahead and just share my desktop one last time here and just show you a couple of things. So after the event, check out Techopedia - you can see that on the left-hand side. Here's a story that yours truly wrote, I guess a couple of months ago or a month and a half ago, I suppose. It really kind of spun out of a lot of the experience that we had talking with various vendors and trying to dig in to understanding what exactly is going on with the space because sometimes it can be kind of difficult to navigate the buzz words and the hype and the terminology and so forth.

Also a very big thank you to all of those who have been Tweeting. We had one heck of a Tweet stream here going today. So, thank you, all of you. You see that it just goes on and on and on. A lot of great Tweets on TechWise today.

This is the first of our new series, folks. Thank you so much for tuning in. We will let you know what's going on for the next series sometime soon. I think we're going to focus on analytics probably in June sometime. And folks, with that, I think we're going to go ahead and close up our event. We will email you tomorrow with a link to the slides from today and we're also going to email you the link to that full deck, which is a huge deck. We've got about twenty different vendors with their Hadoop story. We're really trying to give you a sort of compendium of content around a particular topic. So for bedtime reading or whenever you're interested, you can kind of dive in and try to get that strategic view of what's going on here in the industry.

مع ذلك ، سنقدم لك وداعًا أيها الناس. Thank you again so much. Go to insideanalysis.com and Techopedia to find more information about all this in the future and we'll catch up to you next time. مع السلامة.