Ev Trendler Haboop'a Derin Dalış - Techwise 1.Bölüm

Haboop'a Derin Dalış - Techwise 1.Bölüm

Anonim

Editörün Notu: Bu, canlı bir Web Yayınının transkriptidir. Web yayınını tam olarak burada görüntüleyebilirsiniz.


Eric Kavanagh: Bayanlar ve baylar, bilge olma zamanı! Yepyeni bir gösteri olan TechWise zamanı! Benim adım Eric Kavanagh. TechWise'ın açılış bölümümüzün moderatörü olacağım. Bu kesinlikle doğru. Bu, Techopedia ve Bloor Group'un elbette Inside Analiz şöhretinin bir ortaklığıdır.


Benim adım Eric Kavanagh. Bu gerçekten ilginç ve ilgili etkinliği yöneteceğim millet. Hadoop adı verilen bu büyük şeyde neler olup bittiğini anlamak için örgüyü derinlemesine inceleyeceğiz. Odadaki fil nedir? Buna Hadoop deniyor. Bunun ne anlama geldiğini ve neler olup bittiğini anlamaya çalışacağız.


Her şeyden önce sponsorlarımız GridGain, Actian, Zettaset ve DataTorrent'e çok teşekkür ederim. Bu etkinliğin sonuna doğru her birinden kısa bir kaç kelime alacağız. Ayrıca bir Soru-Cevap alacağız, bu yüzden utanmayın - sorularınızı istediğiniz zaman gönderin.


Ayrıntılara gireceğiz ve zor soruları uzmanlarımıza atacağız. Ve uzmanlardan bahsetmişken, hey, işte buradalar. Yani, kendi Dr. Robin Bloor'umuzu duyacağız ve millet, efsanevi Ray Wang, Constellation Research'ün kurucusu ve kurucusu olduğu için çok heyecanlıyım. Bugün bize düşüncelerini vermek için çevrimiçi durumda ve Robin gibi inanılmaz derecede farklı ve gerçekten birçok farklı alana odaklanıyor ve bunları sentezleyebiliyor ve bu bilgi teknolojisi alanında neler olup bittiğini gerçekten anlayabiliyor. ve veri yönetimi.


Yani, o küçük sevimli fil var. Gördüğünüz gibi yolun başında. Daha yeni başlıyor, sadece bir başlangıç, tüm bu Hadoop olayı. Tabii ki, 2006 veya 2007'de, sanırım, açık kaynak topluluğuna serbest bırakıldığı zamandır, ancak çok şey oldu, millet. Çok büyük gelişmeler oldu. Aslında, hikayeyi gündeme getirmek istiyorum, bu yüzden hızlı bir masaüstü paylaşımı yapacağım, en azından bence. Hızlı bir masaüstü paylaşımı yapalım.


Sana bu çılgın, çılgın hikaye milletini gösteriyorum. Böylece Intel, Cloudera'nın yüzde 18'ini satın almak için 740 milyon dolar yatırım yaptı. Düşündüm ve "Kutsal Noel!" Matematiği yapmaya başladım ve "4.1 milyar dolarlık bir değerleme" gibi. Bunu bir saniyeliğine düşünelim. Demek istediğim, WhatsApp 2 milyar dolar değerinde, sanırım Cloudera 4, 1 milyar dolar değerinde olabilir mi? Yani neden olmasın? Bu sayılardan bazıları bugünlerde sadece pencereden çıktı millet. Yani, tipik olarak yatırım açısından, FAVÖK ve diğer tüm çeşitli mekanizmalara, gelir katlarına ve benzerlerine sahipsiniz. Harika bir şirket olan Cloudera için 4.1 milyar dolara ulaşmak, gelirlerin çoğunun bir halkı olacak. Beni yanlış anlamayın - tüm Hadoop çılgınlığını başlatan adam da dahil olmak üzere bazı çok, çok akıllı insanlar var, Doug Cutting, o orada - gerçekten çok, çok şey yapan çok zeki insanlar harika şeyler, ama sonuçta 4.1 milyar dolar, bu çok para.


İşte şu an kafamın içinden geçmekte olan bir çip olan Intel. Çip tasarımcıları Hadoop için optimize edilmiş çipleri görmeye getiriyorlar - öyle düşünmeliyim, millet. Bu sadece benim tahminim. Bu sadece benden gelen bir söylenti, eğer istersen, ama mantıklı. Ve bunların anlamı ne?


İşte benim teorim. Ne oluyor? Bunların çoğu yeni değil. Büyük paralel işleme çok yeni değil. Paralel işlemenin yeni olmadığı kesin. Bir süredir süper bilgisayar dünyasında bulundum. Gerçekleşen bu şeylerin çoğu yeni değil, ancak bu sorunların bazılarına saldırmanın yeni bir yolu olduğu konusunda genel bir farkındalık var. Gördüğüm şey, Cloudera veya Hortonworks'ün büyük satıcılarından bazılarına ve bu diğer adamlardan bazılarına bakarsanız, en ayrıntılı damıtılmış seviyeye kadar kaynatırsanız gerçekten yaptıkları şey uygulama geliştirmedir. Yaptıkları şey bu.


Yeni uygulamalar tasarlıyorlar - bazıları iş analizi içeriyor; bazıları sadece süperşarj sistemleri içerir. Bunu konuşan satıcılarımızdan biri, bugünkü şovda bütün gün bu tür şeyler yapıyorlar. Ama çok yeniyse, cevap yine "gerçekten değil" ama büyük şeyler oluyor ve kişisel olarak, bence Intel'in bu büyük yatırımı yapması ile ilgili olan şey bir pazar hamlesi. Bugün dünyaya bakıyorlar ve bunun bugün tekel bir dünya olduğunu görüyorlar. Facebook var ve sadece fakir MySpace'in sümüklerini yendiler. LinkedIn fakir Who's Who'un sümüğünü yendi. Yani etrafınıza bakın ve bugün dünyamızdaki tüm bu farklı alanlara hükmeden bir hizmet ve bence Intel, tüm yongalarını Cloudera'ya atacak ve yığının tepesine yükseltmeye çalışacağını düşünüyorum. benim teorim.


Yani millet, dediğim gibi, uzun bir Soru-Cevap oturumu yapacağız, bu yüzden utangaç olma. Sorularınızı istediğiniz zaman gönderin. Bunu web yayını konsolunuzun S ve C bileşenini kullanarak yapabilirsiniz. Ve bununla, içeriğimize ulaşmak istiyorum çünkü geçecek çok şeyimiz var.


Robin Bloor, anahtarları sana vereyim ve zemin senin.


Robin Bloor: Tamam Eric, bunun için teşekkürler. Hadi dans eden filleri getirelim. Aslında filler aslında zıplayamayan tek memeliler. Bu özel grafikteki tüm bu filler yerde en az bir ayağı var, bu yüzden uygun olduğunu düşünüyorum, ancak belli bir dereceye kadar, bunlar açıkça Hadoop filler, çok çok çok yetenekli.


Gerçekten, bence soru tartışılmalı ve bütün dürüstlükte tartışılmalıdır. Başka bir yere gitmeden önce tartışılmalıdır, bu da Hadoop'un gerçekte ne olduğu hakkında konuşmaya başlamaktır.


Kesinlikle insan-oyun temellerinden biri olan şey anahtar-değer deposu. Eskiden anahtar / değer taşıyan mağazalarımız vardı. Onları IBM anabilgisayarında kullanırdık. Onları mini bilgisayarlarda kullandık; DEC VAX'in IMS dosyaları vardı. Ellerinizi alabileceğiniz hemen hemen her mini bilgisayarda bulunan ISAM yetenekleri vardı. Ancak bir süre 80'lerin sonunda, Unix geldi ve Unix'in üzerinde herhangi bir anahtar / değer deposu yoktu. Unix geliştirdiğinde, çok hızlı bir şekilde geliştiler. Gerçekten olan şey, veritabanı satıcılarının, özellikle Oracle'ın buğulamaya gitmesi ve Unix'te yönetmeyi düşündüğünüz herhangi bir veriye bakmak için veritabanlarınızı satmalarıydı. Windows ve Linux aynı çıktı. Bu nedenle, endüstri genel amaçlı bir anahtar / değer deposu olmadan 20 yılın en iyi kısmına gitti. Şimdi geri döndü. Sadece geri değil, ölçeklenebilir.


Şimdi, sanırım gerçekten Hadoop'un gerçekte ne olduğunun temeli ve belli bir dereceye kadar nereye gideceğini belirliyor. Anahtar / değer çifti mağazalar hakkında neleri seviyoruz? Benim kadar yaşlı olan ve aslında anahtar / değer depolarıyla çalışmayı hatırlayanlarınız, onları gayri resmi olarak bir veritabanı oluşturmak için kullanabileceğinizi, ancak sadece gayri resmi olarak fark etmişsinizdir. Meta verilerin program kodundaki depolara hızlı bir şekilde değer verdiğini biliyorsunuz, ancak bunu harici bir dosya haline getirebilirsiniz ve bir anahtar / değer deposunu bir veritabanı gibi işlemeye başlamak istiyorsanız yapabilirsiniz. Ama elbette bir veritabanının sahip olduğu tüm bu kurtarma yeteneğine sahip değildi ve veritabanlarının şu anda sahip olduğu çok fazla şey yoktu, ancak geliştiriciler için gerçekten yararlı bir özellikti ve bence bu sebeplerden biri Hadoop'un bu kadar popüler olduğunu kanıtladı - sadece kodlayıcılar, programcılar, hızlı olan geliştiriciler olduğu için. Sadece mağazanın bir anahtar / değer değeri değil, aynı zamanda bir ölçek-değeri anahtar-değer deposu olduğunu fark ettiler. Süresiz olarak ölçeklenir. Bu terazileri binlerce sunucuya gönderdim, bu yüzden Hadoop ile ilgili gerçekten büyük şey, işte bu.


Ayrıca üstünde bir paralelleştirme algoritması olan MapReduce var, ama aslında bence önemli değil. Yani, biliyorsun, Hadoop bukalemun. Bu sadece bir dosya sistemi değil. Hadoop için yapılan çeşitli iddiaları gördüm: bu gizli bir veritabanı; gizli veritabanı yok; ortak bir mağaza; analitik bir araç kutusu; bir ELT ortamı; veri temizleme aracı; bir akış platformları veri ambarı; bir arşiv mağazası; kanser için bir çare, vb. Bunların çoğu vanilya Hadoop için gerçekten doğru değil. Hadoop muhtemelen bir prototiptir - kesinlikle bir SQL veritabanı için bir prototip ortamıdır, ancak Hadoop üzerinden yaş kataloğuna yaş alanı koyarsanız, veritabanına benzeyen bir şeyiniz vardır, ancak gerçekten değil yetenek açısından herkesin veritabanı dediği şey. Bu özelliklerin birçoğu, kesinlikle onları Hadoop'a alabilirsiniz. Kesinlikle birçoğu var. Aslında, Hadoop'un bir kaynağını elde edebilirsiniz, ancak Hadoop'un kendisi operasyonel olarak sertleştiğim şey değildir ve bu nedenle Hadoop ile ilgili anlaşma, gerçekten başka bir şeyde olmazdım, üçüncü olmanız gerekiyor -parti geliştirmek için parti ürünleri.


Yani, senin hakkında konuşmak, Hadoop aşırı erişiminden bahsettiğim için sadece birkaç satır atabilir. Her şeyden önce, gerçek zamanlı sorgu yeteneği, gerçek zamanlı bir tür iş zamanı olduğunu biliyorsunuz, gerçekten, neredeyse her zaman performans kritik değilse. Yani, neden gerçek zamanlı mühendislik yapasın? Hadoop bunu gerçekten yapmıyor. Gerçek zamanlıya yakın bir şey yapar, ancak gerçek zamanlı şeyler yapmaz. Akış yapıyor, ancak gerçekten misyon kritik tip uygulama akış platformları yapabileceğini söyleyeceğim bir şekilde akış yapmaz. Bir veritabanı ile temizlenebilir bir mağaza arasında bir fark vardır. Hadoop üzerinden senkronize etmek, temizlenebilir bir veri deposu sağlar. Bu bir veritabanı gibidir ama bir veritabanı ile aynı değildir. Yerel formunda Hadoop, bence, bir veritabanı olarak nitelendirilmiyor çünkü bir veritabanının sahip olması gereken birkaç şeyden kısa. Hadoop çok şey yapıyor, ama özellikle iyi yapmıyor. Yine, yetenek orada ama biz aslında tüm bu alanlarda hızlı bir yetenek sahip olmaktan uzak bir yol vardır.


Hadoop hakkında anlaşılması gereken bir diğer şey de, geliştirilmesinden bu yana uzun bir yol kat etmesi. İlk günlerde geliştirildi; sunucu başına yalnızca bir işlemciye sahip sunucularımız olduğunda geliştirildi. Hiçbir zaman çok çekirdekli işlemcilerimiz yoktu ve ızgaraların üzerinden geçmek, ızgaraları ve sunucuları çalıştırmak için inşa edildi. Hadoop'un tasarım hedeflerinden biri, işi asla kaybetmemekti. Ve bu gerçekten disk arızasıyla ilgiliydi, çünkü yüzlerce sunucunuz varsa, muhtemelen sunucularda diskleriniz varsa, 99.8 gibi bir şeyin kesintisiz bir şekilde kullanılabilir olması olasılığıdır. Bu, ortalama olarak her 300 veya 350 günde bir, yılda bir gün bu sunuculardan birinin başarısızlığını alacağınız anlamına gelir. Bunlardan yüzlerce varsa, yılın herhangi bir gününde bir sunucu hatası alma olasılığı olabilir.


Hadoop bu sorunu çözmek için özel olarak üretildi - böylece, herhangi bir şeyin başarısız olması durumunda, her sunucuda devam eden her şeyin anlık görüntülerini alıyor ve çalışan toplu işi kurtarabiliyor. Ve aslında Hadoop üzerinde çalışan tek şey toplu işlerdi ve bu gerçekten yararlı bir özellikti, söylenmelidir. Yürütülmekte olan toplu işlerden bazıları - özellikle Hadoop'un doğduğunu düşündüğüm Yahoo'da - iki veya üç gün boyunca çalışacaktı ve bir gün sonra başarısız olursa, işi gerçekten kaybetmek istemediniz yapılmıştı. Bu Hadoop'taki kullanılabilirliğin arkasındaki tasarım noktasıydı. Bu yüksek kullanılabilirlik olarak adlandırmazsınız, ancak seri toplu işler için yüksek kullanılabilirlik diyebilirsiniz. Muhtemelen ona bakmanın yolu budur. Yüksek kullanılabilirlik daima çalışma hattı özelliklerine göre yapılandırılır. Hadoop şu anda yalnızca bu tür kurtarma işlemleriyle ilgili olarak seri işlerde yapılandırılabilir. Kurumsal yüksek kullanılabilirlik muhtemelen en iyi işlemsel LLP açısından düşünülmektedir. İnanıyorum ki eğer ona gerçek zamanlı bir şey olarak bakmıyorsanız, Hadoop henüz bunu yapmaz. Muhtemelen bunu yapmaktan çok uzak.


Ama işte Hadoop ile ilgili güzel şey. Sağ taraftaki grafik, kenarda satıcıların bir listesini ve üzerindeki tüm satırları, bu satıcılar ve Hadoop ekosistemindeki diğer ürünler arasındaki bağlantıları gösterir. Buna bakarsanız, bu inanılmaz derecede etkileyici bir ekosistemdir. Oldukça dikkat çekici. Açıkçası, birçok satıcıyla yetenekleri açısından konuşuyoruz. Konuştuğum satıcılar arasında, Hadoop ve bellek içi kullanımı, Hadoop'u sıkıştırılmış bir arşiv olarak kullanma, Hadoop'u ETL ortamı olarak kullanma vb. Gibi olağanüstü yetenekler var. Ama gerçekten, ürünü Hadoop'a eklerseniz, belirli bir alanda son derece iyi çalışır. Bu yüzden yerli Hadoop'u eleştirirken, aslında ona biraz güç eklediğinizde Hadoop'u eleştirmiyorum. Kanımca, Hadoop'un popülaritesi geleceğini garanti ediyor. Yani, Hadoop üzerinde bugüne kadar yazılan her kod satırı kaybolsa bile, HDFS API'sinin kaybolacağına inanmıyorum. Başka bir deyişle, dosya sistemi, API, burada kalmak için ve muhtemelen üzerinde görünen zamanlayıcı YARN olduğunu düşünüyorum.


Buna gerçekten baktığınızda, bu çok önemli bir yetenek ve bir dakika içinde bu konuda bir tür balmumu yapacağım, ama başka bir şey, diyelim ki, Hadoop hakkında heyecan verici insanlar tüm açık kaynaklı resim. Bu nedenle, gerçek kapasite olarak gördüğüm şey açısından açık kaynaklı resmin ne olduğunu incelemeye değer. Hadoop ve tüm bileşenleri kesinlikle veri uzunlukları dediğimiz şeyi yapabilirse - veya ben bunu bir veri rezervuarı olarak adlandırmayı tercih ettiğim gibi - kesinlikle kuruluşa veri bırakmak veya kuruluşta veri toplamak için çok iyi bir hazırlama alanı - son derece iyi sandbox'lar ve olta balıkçılığı verileri için. Günün sonunda uygulayabileceğiniz bir prototip geliştirme platformu olarak çok iyi, ancak bir geliştirme ortamı olarak istediğiniz her şeyin orada olduğunu biliyorsunuz. Bir arşiv mağazası olarak, ihtiyacınız olan her şeye sahiptir ve elbette pahalı değildir. Resmi olarak, eğer isterseniz, Hadoop bileşenleri olmasa da, bu iki şeyden birini Hadoop'tan boşamamız gerektiğini düşünmüyorum. Çevrimiçi kama açık kaynak dünyasına büyük miktarda analitik getirdi ve bu analizin çoğu Hadoop'ta yürütülüyor çünkü bu size çok fazla dış veri alabileceğiniz ve oynamaya başlayabileceğiniz uygun bir ortam sunuyor analitik bir sanal alanda.


Ve sonra her ikisi de makine öğrenimi olan açık kaynak özelliklerine sahipsiniz. Her ikisi de güçlü analitik algoritmalar uyguladıkları için son derece güçlüdür. Bu şeyleri bir araya getirirseniz, kendi başına gelişip gelişmeyeceği veya satıcıların eksik parçaları doldurmak için gelip gelmeyecekleri, çok ya da çok önemli bazı yeteneklerin çekirdeklerine sahipsiniz. uzun bir süre devam etmesi çok muhtemel ve kesinlikle makine öğreniminin dünya üzerinde zaten çok büyük bir etkisi olduğunu düşünüyorum.


Hadoop'un evrimi YARN her şeyi değiştirdi. Olan şey MapReduce'un erken dosya sistemi HDFS'ye kaynaklanmasıydı. YARN tanıtıldığında, ilk sürümünde bir programlama yeteneği yarattı. İlk sürümden itibaren son derece sofistike zamanlamayı beklemiyorsunuz, ancak bu artık zorunlu olarak bir yama ortamı olmadığı anlamına geliyordu. Birden fazla işin planlanabileceği bir ortamdı. Bu gerçekleşir gerçekleşmez Hadoop'tan uzak duran bir dizi satıcı vardı - sadece içeri girdiler ve ona bağlandılar çünkü o zaman sadece bir dosya sistemi üzerinde zamanlama ortamı olarak bakabiliyorlardı ve o. Veritabanlarını HDFS'de uygulayan veritabanı satıcıları bile var, çünkü sadece motoru alıp HDFS'ye koyuyorlar. Basamaklı ve YARN ile çok ilginç bir ortam haline gelir, çünkü HDFS üzerinde karmaşık iş akışları oluşturabilirsiniz ve bu gerçekten de aynı anda birden fazla işi aynı anda çalıştırabilen ve kendini noktaya doğru iten bir platform olarak düşünmeye başlayabileceğiniz anlamına gelir. kritik görevler yapıyor. Bunu yapacaksanız, muhtemelen Hadoop'un aslında boşlukları doldurmak için bir denetim hesabına sahip olmadığı güvenlik vb.Gibi bazı üçüncü taraf bileşenleri satın almanız gerekecektir, ancak yerel açık kaynakla bile bazı ilginç şeyler yapabileceğiniz noktaya gelin.


Hadoop'un gerçekten gideceğini düşündüğüm yere göre, şahsen HDFS'nin varsayılan bir ölçeklendirme dosya sistemi olacağına ve bu nedenle veri akışı için işletim sistemi, işletim sistemi olacağına inanıyorum. Bence bunda büyük bir gelecek var ve orada duracağını sanmıyorum. Ve gerçekte ekosistemin yardımcı olduğunu düşünüyorum çünkü hemen hemen herkes, uzaydaki tüm satıcılar aslında Hadoop'u şu ya da bu şekilde entegre ediyorlar ve sadece etkinleştiriyorlar. Bir başka noktaya değinmek gerekirse, Hadoop fazlalığı açısından, çok iyi bir platform artı paralelleştirme değil. Aslında ne yaptığına bakarsanız, aslında yaptığı şey MapReduce işlerini yürütürken her sunucuda düzenli olarak anlık görüntü almaktır. Gerçekten hızlı paralelleştirme için tasarım yapacak olsaydınız, böyle bir şey yapmazdınız. Aslında, MapReduce'u kendi başına kullanamazsınız. MapReduce sadece yarım paralellik yeteneğine sahip olduğumu söyleyebilirim.


Paralelliğe iki yaklaşım vardır: biri boruhattı süreçleri, diğeri ise verileri bölmek MapReduce ve veri bölünmesini yapar, böylece MapReduce'un bunu yapmanın en hızlı yolu olmayacağı birçok iş vardır, ancak size paralellik kazandıracak ve bundan uzaklaşmayacaksınız. Çok fazla veriniz olduğunda, bu tür bir güç genellikle o kadar kullanışlı değildir. YARN, daha önce de söylediğim gibi, çok genç bir programlama yeteneğidir.


Hadoop, bir tür kum çiziyor, Hadoop bir veri ambarı değil. Veri ambarı olmaktan o kadar uzak ki, bunu söylemek neredeyse saçma bir öneri. Bu diyagramda, üstte gösterdiğim şey, bir Hadoop veri deposundan, aslında yapacağımız şey olan bir kurumsal veri ambarı olan devasa bir ölçeklendirme veritabanına giden bir tür veri akışıdır. Eski veritabanlarını gösteriyorum, veri ambarına veri besliyor ve veri ambarından boşaltma veritabanları yaratan boşaltma etkinliği var, ama aslında ortaya çıkmaya başladığım bir resim, ve bunun ilk nesil gibi olduğunu söyleyebilirim Hadoop ile veri ambarına ne olur. Ancak veri ambarına kendiniz bakarsanız, veri ambarının altında bir optimize edicinizin olduğunu fark edersiniz. Sorgu işçilerini, belki de çok fazla sayıda disk üzerinde oturan çok sayıda işlem üzerinde dağıttınız. Bir veri ambarında olan budur. Bu aslında bir veri ambarı için inşa edilmiş bir tür mimari ve böyle bir şey inşa etmek uzun zaman alıyor ve Hadoop'ta bunlardan hiçbiri yok. Bu yüzden Hadoop bir veri ambarı değil ve yakın zamanda bence bir tane olmayacak.


Bu göreceli veri rezervuarına sahiptir ve dünyaya sadece organizasyona akan bir dizi olay olarak bakarsanız ilginç görünüyor. Bu diyagramın sol tarafında bunu gösteriyorum. Bir filtreleme ve yönlendirme özelliğinden ve akış için yapılması gerekenler akış uygulamalarından sifonlanır ve diğer her şey doğrudan hazırlandığı ve temizlendiği veri deposuna gider ve daha sonra ETL tarafından tek bir veriye aktarılır depo veya birden fazla motordan oluşan mantıksal bir veri ambarı. Bence Hadoop için doğal bir gelişme çizgisi bu.


ETW açısından, dikkat çekmeye değer şeylerden biri, veri ambarının kendisinin gerçekten taşındığıdır - olduğu gibi değildir. Şüphesiz, günümüzde, insanların veya bazı kişilerin veri ambarındaki belgeleri aradığı hiyerarşik veriler başına hiyerarşik bir yetenek olmasını beklersiniz. Bu JSON. Muhtemelen, grafik veritabanları, muhtemelen analitik olan ağ sorguları. Yani, ilerlediğimiz şey aslında alıştığımızdan daha karmaşık bir iş yüküne sahip bir ETW. Bu ilginç bir şey çünkü veri ambarının daha da karmaşıklaştığı anlamına geliyor ve bu nedenle Hadoop'un ona yakın herhangi bir yere ulaşması daha uzun sürecek. Veri ambarının anlamı genişliyor, ancak yine de optimizasyonu içeriyor. Şu anda yalnızca sorguları değil tüm bu etkinlikleri de içeren bir optimizasyon yeteneğine sahip olmalısınız.


Gerçekten bu kadar. Hadoop hakkında söylemek istediğim tek şey bu. Sanırım slaytları olmayan Ray'e teslim edebilirim, ama her zaman konuşmakta iyidir.


Eric Kavanagh: Slaytları alacağım. İşte arkadaşımız Ray Wang. Ray, tüm bunlar hakkındaki düşüncelerin neler?


Ray Wang: Şimdi, bence bu muhtemelen anahtar-değer mağazalarının en özlü ve büyük tarihlerinden biriydi ve Hadoop'un dışarıdaki işletmelerle ilişkisi olduğu için Robin'i dinlerken her zaman çok şey öğreniyorum.


Aslında bir slaytım var. Burada bir slayt açabilirim.


Eric Kavanagh: Sadece devam edin ve tıklayın, başlat tıklayın ve masaüstünüzü paylaşın.


Ray Wang: Anladım, işte böyle. Aslında paylaşacağım. Uygulamanın kendisini görebilirsiniz. Bakalım nasıl olacak.


Tüm bu Hadoop hakkında konuştuktan sonra, orada olan ve Hadoop'un nereye gittiği teknolojiler hakkındaki konuşmanın derinliklerine giriyoruz ve çoğu zaman iş tartışmasını gerçekten yapmak için geri almaktan hoşlanıyorum. Teknoloji tarafında gerçekleşen şeylerin çoğu, veri depoları, bilgi yönetimi, veri kalitesi, bu veride uzmanlaşmaktan bahsettiğimiz ve aslında bunu görme eğiliminde olduğumuz parça. Buradaki grafiğe en altta bakarsanız, Hadoop hakkında konuştuğumuz birey türlerinin çok ilginç olması. Elimizde dolaşan, çok heyecanlı olan teknoloji uzmanları ve veri bilimcileri var ve bu genellikle veri kaynakları ile ilgili, değil mi? Veri kaynaklarında nasıl ustalaşabiliriz? Bunu doğru kalite seviyelerine nasıl getirebiliriz? Yönetişim hakkında ne yapıyoruz? Farklı kaynak türlerini eşleştirmek için ne yapabiliriz? Soy nasıl tutulur? Ve tüm bu tür tartışmalar. Ve Hadoop'umuzdan nasıl daha fazla SQL alabiliriz? O kısım bu seviyede oluyor.


Sonra bilgi ve düzenleme tarafında, burası ilginçleşiyor. Elde ettiğimiz bu içgörü çıktılarını bağlamaya başlıyoruz ya da geri dönüp iş süreçlerine mi çekiyoruz? Bunu herhangi bir meta veri modeline nasıl bağlarız? Noktaları nesneler arasında mı birleştiriyoruz? Ve böylece bu verileri nasıl kullandığımızla ilgili, geleneksel bir CRUD dünyasındayken ilerleyerek yeni fiiller ve tartışmalar: oluşturma, okuma, güncelleme, silme, nasıl etkileşimde bulunduğumuz veya paylaştığımız veya ortak çalıştığımız hakkında tartışan bir dünyaya veya gibi ya da bir şey çekmek.


Burası, özellikle bu bilgilerin nasıl çekileceği ve değere nasıl getirileceği konusunda birçok heyecan ve yeniliği görmeye başlıyoruz. Kırmızı çizginin altındaki teknoloji odaklı tartışma budur. Bu kırmızı çizginin üstünde, her zaman sormak istediğimiz soruları alıyoruz ve her zaman gündeme getirdiğimiz sorulardan biri, örneğin, belki de sizin için perakendedaki soru, "Neden kırmızı kazaklar daha iyi satıyor? Alabama mavi kazak daha mı? " Bunu düşünebilir ve "Bu biraz ilginç" diyebilirsiniz. O deseni görüyorsun. Bu soruyu soruyoruz ve merak ediyoruz, "Hey, ne yapıyoruz?" Belki de devlet okulları ile ilgilidir - Michigan ve Alabama. Tamam, anladım, nereye gittiğimizi görüyorum. Ve böylece evin iş tarafını, finanstaki insanları, geleneksel BI yeteneklerine sahip olanları, pazarlamadaki insanları ve İK'daki "Desenim nerede?" Bu kalıplara nasıl ulaşabiliriz? Hadoop tarafında başka bir inovasyon yolu görüyoruz. Gerçekten, güncel bilgileri daha hızlı nasıl ortaya koyacağımızla ilgili. Bu tür bağlantıları nasıl kurarız? Temelde, gerçek zamanlı teklif verme ağlarından içeriğe dayalı reklamlar ve reklam yerleşimlerine kadar her şeyi reklamları ve alakalı içeriği birleştirmeye çalışan ve bunu anında gerçekleştiren reklam: tech.


Bu yüzden ilginç. Hadoop'un ilerlemesini, "Hey, işte teknoloji çözümü. İşte bu bilgiyi insanlara ulaştırmak için yapmamız gereken şey." Sonra iş bölümünün üzerinden geçerken, burada ilginç olur. İçgörü bu. Performans nerede? Kesinti nerede? Bir şeyi nasıl tahmin ediyoruz? Etkimizi nasıl alırız? Ve sonra bunu, karar sistemleri ve eylemleri etrafında gerçekleşen başka bir Hadoop yenilikleri seti gördüğümüz son seviyeye getirin. Bir sonraki en iyi eylem nedir? Yani mavi kazakların Michigan'da daha iyi sattığını biliyorsunuz. Alabama'da bir ton mavi kazak üzerinde oturuyorsun. Bariz olan şey şu ki, "Evet, hadi bunu oraya gönderelim." Bunu nasıl yaparız? Bir sonraki adım nedir? Bunu tekrar nasıl bağlarız? Belki bir sonraki en iyi eylem, belki bir öneri, belki bir sorunu önlemenize yardımcı olan bir şeydir, belki de hiçbir eylem değildir, bu kendi başına bir eylemdir. Bu yüzden bu tür modellerin ortaya çıktığını görmeye başlıyoruz. Ve bunun anahtar-değer mağazaları hakkında söylediklerinizin güzelliği, Robin, çok hızlı olması. Bu şekilde düşünmediğimiz şekilde oluyor.


Muhtemelen son beş yılda aldığımızı söyleyebilirim. Anahtar / değer çifti mağazalarını nasıl tekrar kullanabileceğimizi düşünmeye başladık, ancak sadece son beş yılda insanlar buna çok farklı bakıyor ve teknoloji döngüleri 40 yıllık kalıplarda kendini tekrarlıyor gibi, bu yüzden bu tür buluta baktığımız komik bir şey ve tıpkı anabilgisayar zaman paylaşımı gibiyim. Hadoop'a bakıyoruz ve anahtar / değer deposu gibi - belki de bir veri deposundan daha az bir veri mart'ı - ve bu kalıpları tekrar görmeye başlıyoruz. Şu anda yapmaya çalıştığım şey, 40 yıl önce insanların neler yaptığını düşünmek. İnsanların sahip olduğu teknolojilerle sınırlı olan hangi yaklaşımlar ve teknikler ve yöntemler uygulanmaktaydı? Bu bir şekilde bu düşünce sürecini yönlendiriyor. Hadoop'un daha büyük resmini bir araç olarak inceledikçe, geri döndüğümüzde ve iş sonuçları hakkında düşündüğümüzde, bu genellikle insanları aldığımız bir yoldur, böylece verilerde hangi parçaları, hangi parçaların olduğunu görebilirsiniz. kararlar yolu. Bu sadece paylaşmak istediğim bir şey. Bu, içsel ve umarım tartışmaya eklediğimiz bir düşünce. Bu yüzden size geri döneceğim, Eric.


Eric Kavanagh: Bu harika. Eğer bazı soru-cevap için etrafta yapışabilirseniz. Ama onu iş seviyesine geri almayı sevdim çünkü günün sonunda her şey işle ilgili. Her şey işleri halletmek ve akıllıca para harcadığınızdan emin olmak ve şimdiye kadar gördüğüm sorulardan biri, bu nedenle konuşmacılar Hadoop rotasına gitmenin TCL'sinin ne olduğunu düşünmek isteyebilirler. Örneğin, bazı şeyleri geleneksel bir şekilde yapmak için ofis raf araçlarını kullanmak ve yeni araç setlerini kullanmak arasında tatlı bir nokta var, çünkü tekrar düşünün, bu şeylerin çoğu yeni değil, sadece bir çeşit yeni bir şekilde bir araya gelmek, sanırım, bunu koymanın en iyi yoludur.


Öyleyse devam edip arkadaşımız Nikita Ivanov'u tanıtalım. GridGain'in kurucusu ve CEO'sudur. Nikita, devam edip anahtarları sana vereceğim, ve orada olduğuna inanıyorum. Beni duyabiliyor musun Nikita?


Nikita Ivanov: Evet, buradayım.


Eric Kavanagh: Mükemmel. Zemin sizin. Bu slaydı tıklayın. Aşağı oku kullanın ve çıkarın. Beş dakika.


Nikita Ivanov: Hangi slaydı tıklıyorum?


Eric Kavanagh: Bu slaydın herhangi bir yerine tıklayın ve hareket etmek için klavyedeki aşağı oku kullanın. Sadece slaydın kendisine tıklayın ve aşağı oku kullanın.


Nikita Ivanov: Pekala, GridGain hakkında birkaç hızlı slayt. Bu konuşma bağlamında ne yapıyoruz? GridGain temel olarak bir bellek içi bilgi işlem yazılımı üretir ve geliştirdiğimiz platformun bir kısmı bellek içi Hadoop hızlandırıcısıdır. Hadoop açısından, kendimizi Hadoop performans uzmanları olarak düşünme eğilimindeyiz. Yaptığımız şey, temelde, veri ızgarası, bellek akışı ve hesaplama ızgaraları gibi teknolojilerden oluşan temel bellek içi bilgi işlem platformumuzun üstünde, tak ve çalıştır Hadoop hızlandırıcısını yapabilecektir. Bu çok basit. Doğrudan Hadoop kurulumuna kurulabilecek bir çeşit tak ve çalıştır çözümü geliştirebilirsek iyi olur. MapReduce'un geliştiricisi siz, herhangi bir yeni yazılım veya kod değişikliği veya değişiklik yazmanıza gerek kalmadan veya temel olarak Hadoop kümesinde minimum yapılandırma değişikliğine sahip olmadan bir desteğe ihtiyacınız var. Biz bunu geliştirdik.


Temel olarak, bellek içi Hadoop hızlandırıcısı, Hadoop ekosistemindeki iki bileşeni optimize etmeye dayanır. Hadoop'u düşünüyorsanız, ağırlıklı olarak dosya sistemi olan HDFS'yi temel alır. Yarışmaları dosya sisteminin üstünde paralel olarak çalıştıran çerçeve olan MapReduce. Hadoop'u optimize etmek için her iki sistemi de optimize ediyoruz. HDFS ile tamamen uyumlu, % 100 uyumlu tak ve çalıştır özellikli bellek içi dosya sistemi geliştirdik. HDFS yerine çalıştırabilir, HDFS'nin üstünde çalıştırabilirsiniz. Ayrıca Hadoop MapReduce ile tak ve çalıştır uyumlu bellek içi MapReduce geliştirdik, ancak MapReduce'un iş akışının ve MapReduce'daki programın nasıl çalıştığı konusunda birçok optimizasyon var.


Örneğin, bu tür bir kopyaya bakarsanız, çoğaltma yığınını gösteririz. Sol tarafta GDM'li tipik işletim sisteminiz var ve bu şemanın üstünde uygulama merkezi var. Ortada Hadoop var. Ve Hadoop yine HDFS ve MapReduce'u temel alıyor. Bu, bu şemada, Hadoop yığınına yerleştirdiğimiz şeyin ne olduğunu gösteriyor. Yine, tak ve çalıştır; herhangi bir kodu değiştirmeniz gerekmez. Sadece aynı şekilde çalışır. Bir sonraki slaytta, MapReduce iş akışını nasıl optimize ettiğimizi gösterdik. Bu muhtemelen en ilginç kısımdır çünkü MapReduce işlerini çalıştırdığınızda size en büyük avantajı sağlar.


Tipik MapReduce, işi gönderdiğinizde ve sol tarafta diyagram var, normal uygulama var. Yani genellikle işi gönderiyorsunuz ve iş bir iş izleyiciye gidiyor. 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. Hiç şüphe yok.


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. Teşekkür ederim.


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.


Teşekkürler.


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. Let's see. 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? Büyük güç büyük sorumluluk getirir. 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. Bir bakayım. 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. Bu kadar. 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.


Bununla size veda edeceğiz millet. 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. Güle güle.

Haboop'a Derin Dalış - Techwise 1.Bölüm