Σημείωση του συντάκτη: Αυτή είναι μια μεταγραφή ενός live Webcast. Μπορείτε να δείτε ολόκληρη την τηλεοπτική εκπομπή εδώ.
Eric Kavanagh: Κυρίες και κύριοι, ήρθε η ώρα να γίνουμε σοφοί! Ήρθε η ώρα για την TechWise, μια ολοκαίνουργια εκπομπή! Το όνομά μου είναι ο Eric Kavanagh. Θα είμαι ο συντονιστής σας για το εναρκτήριο επεισόδιο TechWise. Αυτό είναι σωστό. Αυτή είναι μια συνεργασία της Techopedia και του Bloor Group, φυσικά, της φήμης Inside Analysis.
Το όνομά μου είναι ο Eric Kavanagh. Θα διορθώσω αυτό το πραγματικά ενδιαφέρον και εμπλεκόμενο γεγονός, λαοί. Θα σκάσουμε βαθιά μέσα στην ύφανση για να καταλάβουμε τι συμβαίνει με αυτό το μεγάλο πράγμα που ονομάζεται Hadoop. Ποιος είναι ο ελέφαντας στο δωμάτιο; Ονομάζεται Hadoop. Θα προσπαθήσουμε να καταλάβουμε τι σημαίνει και τι συμβαίνει με αυτό.
Πρώτα απ 'όλα, ευχαριστώ πολύ τους χορηγούς μας, τους GridGain, Actian, Zettaset και DataTorrent. Θα λάβουμε σύντομα λίγα λόγια από καθένα από αυτά κοντά στο τέλος αυτού του γεγονότος. Θα έχουμε επίσης ένα Q & A, οπότε μην είστε ντροπαλοί - στείλτε τις ερωτήσεις σας ανά πάσα στιγμή.
Θα ανακαλύψουμε τις λεπτομέρειες και θα ρίξουμε τις δύσκολες ερωτήσεις στους ειδικούς μας. Και μιλώντας για τους ειδικούς, hey, εκεί είναι. Έτσι, θα ακούσουμε από τον δικό μας Δρ Robin Bloor και από τους λαούς, είμαι πολύ ενθουσιασμένος που έχω τον θρυλικό Ray Wang, κύριο αναλυτή και ιδρυτή της Constellation Research. Είναι online σήμερα για να μας δώσει τις σκέψεις του και είναι σαν τον Robin ότι είναι απίστευτα διαφορετικός και επικεντρώνεται σε πολλούς διαφορετικούς τομείς και έχει τη δυνατότητα να τα συνθέσει και να καταλάβει πραγματικά τι συμβαίνει εκεί σε ολόκληρο τον τομέα της πληροφορικής και διαχείριση δεδομένων.
Έτσι, υπάρχει εκείνος ο μικρός χαριτωμένος ελέφαντας. Είναι στην αρχή του δρόμου, όπως μπορείτε να δείτε. Είναι μόλις αρχίζει τώρα, είναι απλά ένα είδος έναρξης, όλο αυτό το πράγμα Hadoop. Φυσικά, το 2006 ή το 2007, υποθέτω, είναι όταν κυκλοφόρησε στην κοινότητα ανοιχτού κώδικα, αλλά έχουν γίνει πολλά πράγματα, λαοί. Υπήρξαν τεράστιες εξελίξεις. Στην πραγματικότητα, θέλω να αναφερθώ στην ιστορία, οπότε πρόκειται να κάνω μια γρήγορη μετοχή desktop, τουλάχιστον νομίζω ότι είμαι. Ας κάνουμε ένα γρήγορο μερίδιο στην επιφάνεια εργασίας.
Σας παρουσιάζω αυτή την απλά τρελή, τρελή λαϊκή ιστορία. Έτσι η Intel επένδυσε 740 εκατομμύρια δολάρια για να αγοράσει το 18 τοις εκατό της Cloudera. Σκέφτηκα και είμαι σαν, "Αγια Χριστούγεννα!" Ξεκίνησα να κάνω τα μαθηματικά και είναι σαν, "Είναι μια αποτίμηση των 4, 1 δισεκατομμυρίων δολαρίων." Ας σκεφτούμε αυτό για ένα δευτερόλεπτο. Εννοώ, αν η WhatsApp αξίζει 2 δισεκατομμύρια δολάρια, υποθέτω ότι η Cloudera μπορεί να αξίζει 4, 1 δισεκατομμύρια δολάρια; Θέλω να πω, γιατί όχι; Μερικοί από αυτούς τους αριθμούς είναι ακριβώς έξω από το παράθυρο αυτές τις μέρες, λαοί. Εννοώ, συνήθως από την άποψη της επένδυσης, έχετε EBITDA και όλους αυτούς τους άλλους διάφορους μηχανισμούς, πολλαπλάσια εσόδων και ούτω καθεξής. Λοιπόν, θα είναι ένα heck ενός πολλαπλού εισοδήματος για να φτάσει τα $ 4.1 δισεκατομμύρια για Cloudera, η οποία είναι μια φοβερή εταιρεία. Μην με ενοχλείτε - υπάρχουν κάποιες πολύ, πολύ έξυπνοι άνθρωποι εκεί, συμπεριλαμβανομένου του τύπου που ξεκίνησε ολόκληρη τη μανία Hadoop, Doug Cutting, είναι εκεί - πολλοί πολύ ευφυείς άνθρωποι που κάνουν πολλά πραγματικά, πραγματικά δροσερά πράγματα, αλλά η κατώτατη γραμμή είναι ότι τα 4, 1 δισεκατομμύρια δολάρια, αυτό είναι πολλά χρήματα.
Έτσι λοιπόν, εδώ είναι μια αιχμαλωσία προφανής στιγμή να περάσει από το κεφάλι μου τώρα που είναι ένα τσιπ, η Intel. Οι σχεδιαστές τσιπ τους φέρνουν για να δουν κάποιο τσιπ βελτιστοποιημένο με Hadoop - πρέπει να το σκεφτώ, παιδιά. Αυτό είναι μόνο εικασία μου. Αυτό είναι απλά μια φήμη, που έρχεται από μένα, αν θέλετε, αλλά αυτό έχει νόημα. Και τι σημαίνει αυτό;
Έτσι, εδώ είναι η θεωρία μου. Τι συμβαίνει? Πολλά από αυτά τα πράγματα δεν είναι καινούργια. Η μαζική παράλληλη επεξεργασία δεν είναι τρομερά νέα. Η παράλληλη επεξεργασία σίγουρα δεν είναι καινούργια. Έχω πάει στον κόσμο της supercomputing για λίγο. Πολλά από αυτά τα πράγματα που συμβαίνουν δεν είναι νέα, αλλά υπάρχει το είδος της γενικής συνειδητοποίησης ότι υπάρχει ένας νέος τρόπος επίθεσης ορισμένων από αυτά τα προβλήματα. Αυτό που βλέπω να συμβαίνει, αν κοιτάξετε μερικούς από τους μεγάλους πωλητές του Cloudera ή του Hortonworks και μερικούς από αυτούς τους άλλους τύπους, τι κάνουν πραγματικά αν το βράζετε στο πιο κοκκώδες αποσταγμένο επίπεδο είναι η ανάπτυξη εφαρμογών. Αυτό κάνουν.
Σχεδιάζουν νέες εφαρμογές - μερικές από αυτές περιλαμβάνουν επιχειρηματικές αναλύσεις. μερικά από αυτά περιλαμβάνουν μόνο συστήματα υπερσυμπίεσης. Ένας από τους πωλητές μας που έχουν μιλήσει γι 'αυτό, κάνουν τέτοια πράγματα όλη την ημέρα, στην επίδειξη σήμερα. Αλλά αν είναι εξαιρετικά καινούργιο, και πάλι η απάντηση είναι "όχι πραγματικά", αλλά υπάρχουν μεγάλα πράγματα που συμβαίνουν και προσωπικά, νομίζω ότι αυτό που συμβαίνει με την Intel που κάνει αυτή την τεράστια επένδυση είναι μια κίνηση για τη λήψη αποφάσεων. Κοιτάζουν τον κόσμο σήμερα και βλέπουν ότι σήμερα είναι ένα είδος μονοπωλίου. Υπάρχει το Facebook και έχουν χτυπήσει μόνο το λαιμό έξω από το φτωχό MySpace. Το LinkedIn έχει κτυπήσει τον κόλπο από τους φτωχούς Who's Who. Έτσι κοιτάζετε και είναι μια υπηρεσία που κυριαρχεί σε όλους αυτούς τους διαφορετικούς χώρους στον κόσμο μας σήμερα και νομίζω ότι η ιδέα είναι ότι η Intel θα ρίξει όλες τις μάρκες της στο Cloudera και θα προσπαθήσει να την ανυψώσει στην κορυφή της στοίβας - τη θεωρία μου.
Έτσι οι λαοί, όπως είπα, θα έχουμε μια μακρά συνάντηση Q & A, οπότε μην είστε ντροπαλοί. Στείλτε τις ερωτήσεις σας ανά πάσα στιγμή. Μπορείτε να το κάνετε χρησιμοποιώντας αυτό το στοιχείο Q & A της κονσόλας Webcast. Και με αυτό, θέλω να φτάσω στο περιεχόμενό μας, επειδή έχουμε πολλά πράγματα για να περάσουμε.
¶ ¶Έτσι, Robin Bloor, επιτρέψτε μου να παραδώσω τα κλειδιά σε σας και το πάτωμα είναι δικό σας.
Robin Bloor: Εντάξει, Eric, ευχαριστώ γι 'αυτό. Ας φέρουμε τους χορευτικούς ελέφαντες. Είναι ένα περίεργο πράγμα, στην πραγματικότητα, ότι οι ελέφαντες είναι τα μόνα χερσαία θηλαστικά που δεν μπορούν πραγματικά να πηδήσουν. Όλοι αυτοί οι ελέφαντες σε αυτό το συγκεκριμένο γραφικό έχουν τουλάχιστον ένα πόδι στο έδαφος, οπότε υποθέτω ότι είναι εφικτό, αλλά σε κάποιο βαθμό, αυτοί είναι προφανώς ελέφαντες Hadoop, τόσο πολύ, πολύ ικανοί.
Το ερώτημα, πραγματικά, που νομίζω ότι πρέπει να συζητηθεί και πρέπει να συζητηθεί με κάθε ειλικρίνεια. Πρέπει να συζητηθεί πριν πάτε οπουδήποτε αλλού, που είναι πραγματικά να αρχίσουμε να μιλάμε για το τι είναι πραγματικά ο Hadoop.
Ένα από τα πράγματα που είναι απόλυτα από το man-play βάση είναι το κλειδί-αξία κατάστημα. Συνηθίζαμε να έχουμε καταστήματα με βασικές τιμές. Συνηθίζαμε να τα έχουμε στο mainframe της IBM. Τους είχαμε στο μικροεπεξεργαστή. Ο DEC VAX είχε αρχεία IMS. Υπήρχαν δυνατότητες ISAM που βρίσκονταν σε σχεδόν κάθε μίνι υπολογιστή που μπορείτε να πάρετε στα χέρια σας. Αλλά κάποια στιγμή γύρω στα τέλη της δεκαετίας του '80, το Unix ήρθε και το Unix δεν είχε στην πραγματικότητα κανένα κατάστημα βασικής αξίας σε αυτό. Όταν το Unix το ανέπτυξε, αναπτύχθηκαν πολύ γρήγορα. Αυτό που έγινε πραγματικά ήταν ότι οι πωλητές βάσεων δεδομένων, ιδιαίτερα η Oracle, πήγαν στον ατμό εκεί και πούλησαν τις βάσεις δεδομένων σας για να μεριμνήσουν για οποιαδήποτε δεδομένα που φροντίζετε να διαχειριστείτε στο Unix. Τα Windows και το Linux αποδείχθηκαν τα ίδια. Έτσι, η βιομηχανία πήγε για το καλύτερο μέρος των 20 ετών χωρίς ένα κατάστημα γενικής χρήσης κλειδί-αξία. Λοιπόν, είναι πίσω τώρα. Όχι μόνο είναι πίσω, είναι κλιμακωτή.
Τώρα, νομίζω ότι πραγματικά είναι το θεμέλιο του τι είναι πραγματικά ο Hadoop και σε κάποιο βαθμό καθορίζει πού θα πάει. Τι μας αρέσει στα καταστήματα με κλειδί-αξία; Όσοι από εσάς είστε τόσο παλιό όσο είμαι και πραγματικά θυμάμαι ότι συνεργάζομαι με καταστήματα βασικής αξίας συνειδητοποιούν ότι θα μπορούσατε να τα χρησιμοποιήσετε για να δημιουργήσετε μια βάση δεδομένων άτυπα, αλλά μόνο ανεπίσημα. Γνωρίζετε ότι τα μεταδεδομένα αποτιμούν γρήγορα τα καταστήματα στον κώδικα του προγράμματος, αλλά θα μπορούσατε να δημιουργήσετε ένα εξωτερικό αρχείο και θα μπορούσατε αν θελήσατε να αρχίσετε να επεξεργάζεστε ένα κατάστημα βασικής αξίας λίγο σαν μια βάση δεδομένων. Αλλά φυσικά δεν είχε όλες αυτές τις δυνατότητες ανάκτησης που έχει μια βάση δεδομένων και δεν είχε πάρα πολλά πράγματα που έχουν τώρα οι βάσεις δεδομένων, αλλά ήταν ένα πολύ χρήσιμο χαρακτηριστικό για τους προγραμματιστές και αυτός είναι ένας από τους λόγους που σκέφτομαι ότι ο Hadoop έχει αποδειχθεί τόσο δημοφιλής - απλώς και μόνο επειδή ήταν κωδικοποιητές, προγραμματιστές, προγραμματιστές που είναι γρήγοροι. Συνειδητοποίησαν ότι δεν είναι μόνο μια βασική αξία του καταστήματος, αλλά είναι ένα κατάστημα κλίμακας-out key-value. Αυτός κλιμακώνεται λίγο επ 'αόριστον. Έστειλα αυτές τις κλίμακες σε χιλιάδες servers, γι 'αυτό είναι πραγματικά το μεγάλο πράγμα για τον Hadoop, είναι αυτό που είναι.
Έχει επίσης πάνω από το MapReduce, ο οποίος είναι ένας αλγόριθμος παραλληλισμού, αλλά στην πραγματικότητα αυτό δεν είναι, κατά τη γνώμη μου, σημαντικό. ¶ ¶Έτσι, ξέρετε, ο Hadoop είναι ένας χαμαιλέοντας. Δεν είναι μόνο ένα σύστημα αρχείων. Έχω δει διάφορα είδη ισχυρισμών που έγιναν για τον Hadoop: είναι μια μυστική βάση δεδομένων. δεν είναι μυστική βάση δεδομένων. Είναι ένα κοινό κατάστημα. είναι μια αναλυτική εργαλειοθήκη. είναι ένα περιβάλλον ELT. Είναι εργαλείο καθαρισμού δεδομένων. Είναι μια αποθήκη δεδομένων για streaming δεδομένων. είναι ένα κατάστημα αρχείων. είναι μια θεραπεία για καρκίνο και ούτω καθεξής. Τα περισσότερα από αυτά τα πράγματα δεν ισχύουν πραγματικά για τη βανίλια Hadoop. Ο Hadoop είναι πιθανότατα ένα πρωτότυπο - είναι σίγουρα πρωτότυπο περιβάλλον για μια βάση δεδομένων SQL, αλλά δεν έχει πραγματικά, αν βάζεις χώρο ηλικίας με κατάλογο ηλικίας πάνω από τον Hadoop, έχεις κάτι που μοιάζει με βάση δεδομένων, αλλά δεν είναι πραγματικά αυτό που ο καθένας θα αποκαλούσε μια βάση δεδομένων από την άποψη της ικανότητας. Πολλές από αυτές τις δυνατότητες, μπορείτε σίγουρα να τις αποκτήσετε στον Hadoop. Υπάρχουν σίγουρα πολλά από αυτά. Στην πραγματικότητα, μπορείτε να πάρετε κάποια πηγή Hadoop, αλλά η ίδια η Hadoop δεν είναι αυτό που θα αποκαλούσα επιχειρησιακά σκληρυνθεί και επομένως η συμφωνία για τον Hadoop, πραγματικά δεν θα ήμουν σε τίποτα άλλο, είναι ότι πρέπει να έχετε τρίτο -μεταξύ των προϊόντων για να το ενισχύσει.
Έτσι, μιλάμε για σας μπορεί να ρίξει μόνο μερικές γραμμές, όπως μιλώ Hadoop υπερβολική. Πρώτα απ 'όλα, σε πραγματικό χρόνο δυνατότητα αναζήτησης, καλά ξέρετε σε πραγματικό χρόνο είναι το είδος του χρόνου των επιχειρήσεων, πραγματικά, σχεδόν πάντα απόδοση κρίσιμη διαφορετικά. Θέλω να πω, γιατί θα σχεδίαζες για πραγματικό χρόνο; Ο Hadoop δεν το κάνει πραγματικά. Κάνει κάτι που είναι σχεδόν σε πραγματικό χρόνο, αλλά δεν κάνει πραγματικά πράγματα σε πραγματικό χρόνο. Κάνει streaming, αλλά δεν κάνει streaming με κάποιο τρόπο που θα έλεγα ότι μπορεί να κάνει πραγματικά πλατφόρμες τύπου streaming εφαρμογών. Υπάρχει μια διαφορά μεταξύ μιας βάσης δεδομένων και ενός καθαρού καταστήματος. Συγχρονίστε το με πάνω από το Hadoop σας δίνει ένα καθαρό αποθηκευτικό χώρο δεδομένων. Αυτό είναι σαν μια βάση δεδομένων, αλλά δεν είναι το ίδιο με μια βάση δεδομένων. Hadoop στη μητρική του μορφή, κατά τη γνώμη μου, δεν χαρακτηρίζεται πραγματικά ως βάση δεδομένων καθόλου, διότι είναι λίγα από τα λίγα πράγματα που πρέπει να έχει μια βάση δεδομένων. Hadoop κάνει πολλά, αλλά δεν το κάνει ιδιαίτερα καλά. Και πάλι, η ικανότητα είναι εκεί, αλλά είμαστε τρόποι μακριά από την πραγματικότητα να έχουμε μια γρήγορη ικανότητα σε όλες αυτές τις περιοχές.
Το άλλο πράγμα που πρέπει να καταλάβετε για τον Hadoop είναι, είναι ένα είδος που έρχεται πολύ μακριά από την ανάπτυξή του. Αναπτύχθηκε στις πρώτες μέρες. αναπτύχθηκε όταν είχαμε διακομιστές που στην πραγματικότητα είχαν μόνο έναν επεξεργαστή ανά διακομιστή. Ποτέ δεν είχαμε επεξεργαστές πολλαπλών πυρήνων και κατασκευάστηκε για να τρέχει πάνω από πλέγματα, να εκτοξεύει πλέγματα και να κόβει. Ένας από τους στόχους σχεδιασμού του Hadoop ήταν να μην χάσει ποτέ το έργο. Και αυτό ήταν πραγματικά για την αποτυχία του δίσκου, επειδή αν έχετε εκατοντάδες servers, τότε η πιθανότητα είναι, αν έχετε δίσκους στους διακομιστές, η πιθανότητα είναι ότι θα έχετε μια διαθεσιμότητα uptime του 99, 8. Αυτό σημαίνει ότι θα πάρετε κατά μέσο όρο μια αποτυχία ενός από αυτούς τους διακομιστές μία φορά κάθε 300 ή 350 ημέρες, μια μέρα σε ένα χρόνο. Έτσι, εάν είχατε εκατοντάδες από αυτά, η πιθανότητα θα ήταν σε οποιαδήποτε ημέρα του έτους να πάρετε μια αποτυχία διακομιστή.
Hadoop χτίστηκε ειδικά για να αντιμετωπίσει αυτό το πρόβλημα - έτσι ώστε, σε περίπτωση που κάτι αποτύχει, παίρνει στιγμιότυπα όλων όσων συμβαίνουν, σε κάθε συγκεκριμένο διακομιστή και μπορεί να ανακτήσει την εργασία παρτίδας που τρέχει. Και αυτό ήταν ό, τι πραγματικά έτρεξε ποτέ σε Hadoop ήταν θέσεις εργασίας και αυτό είναι μια πραγματικά χρήσιμη ικανότητα, πρέπει να πούμε. Ορισμένες από τις εργασίες παρτίδας που τρέχουν - ειδικά στο Yahoo, όπου νομίζω ότι γεννήθηκε ο Hadoop - θα έτρεχαν για δύο ή τρεις μέρες και αν αποτύχει μετά από μια μέρα, πραγματικά δεν ήθελες να χάσεις την εργασία που είχε γίνει. Αυτό ήταν το σημείο σχεδιασμού πίσω από τη διαθεσιμότητα του Hadoop. Δεν θα αποκαλούσατε αυτήν την υψηλή διαθεσιμότητα, αλλά θα μπορούσατε να την ονομάσετε υψηλή διαθεσιμότητα για σειριακές εργασίες παρτίδας. Αυτός είναι ίσως ο τρόπος να το εξετάσουμε. Η υψηλή διαθεσιμότητα διαμορφώνεται πάντα σύμφωνα με τα χαρακτηριστικά της γραμμής εργασίας. Προς το παρόν, ο Hadoop μπορεί να ρυθμιστεί μόνο για πραγματικά σειριακές θέσεις εργασίας σε σχέση με αυτό το είδος ανάκαμψης. Η υψηλή διαθεσιμότητα των επιχειρήσεων είναι πιθανόν να σκεφτεί καλύτερα από την άποψη της συναλλαγής LLP. Πιστεύω ότι αν δεν το εξετάζετε ως είδος πραγματικού χρόνου, ο Hadoop δεν το κάνει αυτό ακόμα. Είναι μάλλον μακρύς δρόμος μακριά από αυτό.
Αλλά εδώ είναι το όμορφο πράγμα για τον Hadoop. Αυτό το γραφικό στην δεξιά πλευρά που έχει μια λίστα πωλητών γύρω από την άκρη και όλες οι γραμμές πάνω σε αυτό δείχνουν συνδέσεις μεταξύ αυτών των πωλητών και άλλων προϊόντων στο οικοσύστημα Hadoop. Αν το κοιτάξετε αυτό, αυτό είναι ένα απίστευτα εντυπωσιακό οικοσύστημα. Είναι αξιοσημείωτο. Προφανώς, μιλάμε με πολλούς πωλητές όσον αφορά τις δυνατότητές τους. Μεταξύ των πωλητών με τους οποίους μίλησα, υπάρχουν κάποιες εξαιρετικές δυνατότητες χρήσης του Hadoop και της μνήμης, ο τρόπος χρήσης του Hadoop ως συμπιεσμένου αρχείου, η χρήση του Hadoop ως περιβάλλοντος ETL και ούτω καθεξής. Αλλά πραγματικά, αν προσθέσετε το προϊόν στην ίδια την Hadoop, λειτουργεί εξαιρετικά καλά σε ένα συγκεκριμένο χώρο. Έτσι, ενώ είμαι επικριτικός απέναντι στον ιθαγενή Hadoop, δεν είμαι επικριτικός απέναντι στον Hadoop όταν προσθέτετε κάποια δύναμη σε αυτό. Κατά τη γνώμη μου, η δημοτικότητα του Hadoop εγγυάται το μέλλον του. Με αυτό εννοώ, ακόμα κι αν εξαφανιστεί κάθε γραμμή κώδικα που έχει γραφτεί μέχρι τώρα για τον Hadoop, δεν πιστεύω ότι το API HDFS θα εξαφανιστεί. Με άλλα λόγια, νομίζω ότι το σύστημα αρχείων, το API, είναι εδώ για να μείνει, και ενδεχομένως το YARN, τον προγραμματιστή που το εξετάζει.
Όταν εξετάζετε αυτό το πράγμα, αυτή είναι μια πολύ σημαντική δυνατότητα και θα το κάνω περίπου σε ένα λεπτό, αλλά το άλλο πράγμα που είναι, ας πούμε, συναρπαστικά άτομα για τον Hadoop είναι ολόκληρη η εικόνα ανοικτής πηγής. Επομένως αξίζει να περάσουμε από την εικόνα της ανοιχτής πηγής σε σχέση με αυτό που θεωρώ ως πραγματική ικανότητα. Ενώ ο Hadoop και όλα τα στοιχεία του μπορούν σίγουρα να κάνουν αυτό που ονομάζουμε μήκη δεδομένων - ή όπως προτιμώ να το ονομάσω, μια δεξαμενή δεδομένων - είναι σίγουρα μια πολύ καλή περιοχή σταδιοδρομίας για την απομάκρυνση δεδομένων στον οργανισμό ή για τη συλλογή δεδομένων στον οργανισμό - για sandboxes και για δεδομένα ψαρέματος. Είναι πολύ καλή ως πλατφόρμα ανάπτυξης πρωτοτύπων που μπορείτε να εφαρμόσετε στο τέλος της ημέρας, αλλά γνωρίζετε ότι ως περιβάλλον ανάπτυξης σχεδόν ό, τι θέλετε είναι εκεί. Ως αρχειακό κατάστημα, είναι σχεδόν όλα πήρε όλα όσα χρειάζεστε και φυσικά δεν είναι ακριβό. Δεν νομίζω ότι θα πρέπει να διαζευγτούμε ένα από αυτά τα δύο πράγματα από τον Hadoop, αν και δεν είναι επίσημα, αν θέλετε, συστατικά του Hadoop. Η online σφήνα έφερε ένα τεράστιο ποσό αναλυτικών στοιχείων στον κόσμο ανοιχτού κώδικα και πολλές αναλύσεις τρέχουν τώρα στο Hadoop, διότι αυτό σας προσφέρει ένα βολικό περιβάλλον στο οποίο μπορείτε πραγματικά να πάρετε πολλά εξωτερικά δεδομένα και να αρχίσετε να παίζετε σε αναλυτικό sandbox.
Και έπειτα έχετε τις δυνατότητες ανοιχτού κώδικα, οι οποίες και οι δύο είναι μηχανική μάθηση. Και οι δύο είναι εξαιρετικά ισχυροί, με την έννοια ότι εφαρμόζουν ισχυρούς αναλυτικούς αλγορίθμους. Εάν βάζετε αυτά τα πράγματα μαζί, έχετε τους πυρήνες κάποιων πολύ πολύ σημαντικών δυνατοτήτων, που κατά κάποιον τρόπο είναι πολύ πιθανό - ανεξάρτητα από το αν αναπτύσσεται μόνη της ή αν οι πωλητές έρχονται για να συμπληρώσουν τα κομμάτια που λείπουν - είναι πολύ πιθανό να συνεχιστεί για μεγάλο χρονικό διάστημα και σίγουρα πιστεύω ότι η μηχανική μάθηση έχει ήδη πολύ μεγάλη επίδραση στον κόσμο.
Η εξέλιξη του Hadoop, YARN άλλαξε τα πάντα. Αυτό που συνέβη ήταν ότι το MapReduce ήταν αρκετά συγκολλημένο στο αρχικό σύστημα αρχείων HDFS. Όταν εισήχθη το YARN, δημιούργησε μια δυνατότητα προγραμματισμού στην πρώτη κυκλοφορία του. Δεν περιμένετε τον εξαιρετικά εξελιγμένο προγραμματισμό από την πρώτη έκδοση, αλλά αυτό σήμαινε ότι δεν ήταν πλέον απαραίτητα ένα περιβάλλον patch. Ήταν ένα περιβάλλον στο οποίο θα μπορούσαν να προγραμματιστούν πολλαπλές εργασίες. Μόλις συνέβαινε αυτό, υπήρχε μια ολόκληρη σειρά πωλητών που είχαν απομακρυνθεί από τον Hadoop - απλώς μπήκαν και συνδεόταν με αυτό γιατί τότε μπορούσαν να το δουν σαν το περιβάλλον προγραμματισμού σε ένα σύστημα αρχείων και θα μπορούσαν να απευθύνονται σε πράγματα το. Υπάρχουν ακόμη και προμηθευτές βάσεων δεδομένων που έχουν υλοποιήσει τις βάσεις δεδομένων τους σε HDFS, επειδή παίρνουν απλά τον κινητήρα και απλώς το τοποθετούν σε HDFS. Με το cascading και το YARN, γίνεται ένα πολύ ενδιαφέρον περιβάλλον επειδή μπορείτε να δημιουργήσετε σύνθετες ροές εργασίας πάνω από το HDFS και αυτό σημαίνει πραγματικά ότι μπορείτε να αρχίσετε να το σκέφτεστε σαν πραγματικά μια πλατφόρμα που μπορεί να τρέχει πολλαπλές εργασίες ταυτόχρονα και ωθεί τον εαυτό της προς το σημείο κάνοντας κρίσιμα πράγματα. Εάν πρόκειται να το κάνετε αυτό, πιθανότατα θα χρειαστεί να αγοράσετε κάποια εξαρτήματα τρίτων όπως η ασφάλεια και ούτω καθεξής και ούτω καθεξής, τα οποία ο Hadoop δεν έχει στην πραγματικότητα λογαριασμό ελέγχου για να καλύψει τα κενά, αλλά εσείς να φτάσετε στο σημείο όπου ακόμη και με εγγενή ανοικτή πηγή μπορείτε να κάνετε μερικά ενδιαφέροντα πράγματα.
Από την άποψη του πού πιστεύω ότι ο Hadoop πρόκειται πραγματικά να πάει, εγώ προσωπικά πιστεύω ότι το HDFS πρόκειται να γίνει ένα προεπιλεγμένο σύστημα αρχειοθέτησης αρχείων και επομένως πρόκειται να γίνει το OS, το λειτουργικό σύστημα, για το δίκτυο για ροή δεδομένων. Νομίζω ότι έχει ένα τεράστιο μέλλον σε αυτό και δεν νομίζω ότι θα σταματήσει εκεί. Και νομίζω ότι στην πραγματικότητα το οικοσύστημα βοηθά ακριβώς επειδή σχεδόν όλοι, όλοι οι πωλητές στο χώρο, ενσωματώνουν στην πραγματικότητα τον Hadoop με τον ένα ή τον άλλο τρόπο και το επιτρέπουν απλώς. Από την άποψη ενός άλλου σημείου που αξίζει να γίνει, όσον αφορά την υπεροχή Hadoop, δεν είναι μια πολύ καλή πλατφόρμα συν την παραλληλισμό. Εάν εξετάζετε πραγματικά τι κάνει, αυτό που πραγματικά κάνει είναι να λαμβάνει ένα στιγμιότυπο τακτικά σε κάθε διακομιστή καθώς εκτελεί τις εργασίες MapReduce. Εάν επρόκειτο να σχεδιάσετε για πολύ γρήγορη παραλληλισμό, δεν θα κάνατε κάτι τέτοιο. Στην πραγματικότητα, πιθανότατα δεν θα χρησιμοποιούσατε το MapReduce από μόνο του. MapReduce είναι μόνο αυτό που θα ήθελα να πω μισό ικανό για παραλληλισμό.
Υπάρχουν δύο προσεγγίσεις για τον παραλληλισμό: ο ένας είναι μέσω των διαδικασιών pipeline και ο άλλος είναι με τη διαίρεση των δεδομένων MapReduce και κάνει τη διαίρεση των δεδομένων έτσι υπάρχουν πολλές θέσεις εργασίας όπου MapReduce δεν θα ήταν στην πραγματικότητα ο πιο γρήγορος τρόπος για να το κάνει, αλλά θα να σας δώσει παραλληλισμό και δεν υπάρχει καμία απομάκρυνση από αυτό. Όταν έχετε πολλά δεδομένα, αυτό το είδος εξουσίας δεν είναι συνήθως τόσο χρήσιμο. Το YARN, όπως ήδη είπα, είναι μια πολύ μικρή δυνατότητα προγραμματισμού.
Ο Hadoop είναι, κάνοντας το σχέδιο στην άμμο εδώ, ο Hadoop δεν είναι αποθήκη δεδομένων. Είναι τόσο μακριά από το να είναι μια αποθήκη δεδομένων ότι είναι σχεδόν μια παράλογη πρόταση να πούμε ότι είναι. Σε αυτό το διάγραμμα, αυτό που δείχνω κατά μήκος της κορυφής είναι ένα είδος ροής δεδομένων, πηγαίνοντας από μια δεξαμενή δεδομένων Hadoop σε μια τρομακτική βάση δεδομένων, η οποία είναι ό, τι πραγματικά θα κάνουμε, μια αποθήκη δεδομένων επιχείρησης. Εμφανίζομαι παλαιότερες βάσεις δεδομένων, τροφοδοτώντας δεδομένα στην αποθήκη δεδομένων και εκφορτώνω δραστηριότητα δημιουργώντας βάσεις δεδομένων από την αποθήκη δεδομένων, αλλά αυτή είναι στην πραγματικότητα μια εικόνα που αρχίζω να βλέπω να αναδύεται και θα έλεγα ότι είναι σαν την πρώτη γενιά τι συμβαίνει με την αποθήκη δεδομένων με τον Hadoop. Αλλά αν κοιτάξετε τον εαυτό σας την αποθήκη δεδομένων, συνειδητοποιείτε ότι κάτω από την αποθήκη δεδομένων, έχετε βελτιστοποιητή. Έχετε κατανεμημένους εργαζόμενους ερωτημάτων σε πολλές διαδικασίες που κάθεται πάνω από ίσως πολύ μεγάλο αριθμό δίσκων. Αυτό συμβαίνει σε μια αποθήκη δεδομένων. Αυτό είναι πραγματικά ένα είδος αρχιτεκτονικής που είναι χτισμένο για μια αποθήκη δεδομένων και χρειάζεται πολύς χρόνος για να οικοδομήσουμε κάτι τέτοιο, και ο Hadoop δεν έχει τίποτα από αυτό καθόλου. Έτσι, ο Hadoop δεν είναι αποθήκη δεδομένων και δεν πρόκειται να γίνει μία, κατά τη γνώμη μου, οποτεδήποτε σύντομα.
Έχει αυτή τη σχετική δεξαμενή δεδομένων και είναι κάπως ενδιαφέρον να κοιτάξετε τον κόσμο ως μια σειρά γεγονότων που εισέρχονται στην οργάνωση. Αυτό δείχνω στην αριστερή πλευρά αυτού του διαγράμματος. Έχοντας να περάσει από μια δυνατότητα φιλτραρίσματος και δρομολόγησης και τα πράγματα που πρέπει να πάει για streaming παίρνει siphoned μακριά από τις εφαρμογές ροής και οτιδήποτε άλλο πηγαίνει κατευθείαν στη δεξαμενή δεδομένων όπου είναι προετοιμασμένοι και καθαριστεί, και στη συνέχεια περάσει από ETL σε ένα μόνο δεδομένα αποθήκη ή λογική αποθήκη δεδομένων που αποτελείται από πολλαπλούς κινητήρες. Αυτή είναι, κατά τη γνώμη μου, μια φυσική γραμμή ανάπτυξης για τον Hadoop.
Όσον αφορά το ETW, ένα από τα πράγματα που αξίζει να επισημανθεί είναι ότι η ίδια η αποθήκη δεδομένων ήταν πραγματικά μετακινηθεί - δεν είναι αυτό που ήταν. Σίγουρα, στις μέρες μας, αναμένετε να υπάρχει ιεραρχική ικανότητα ανά ιεραρχικά δεδομένα για το τι οι άνθρωποι, ή κάποιοι, καλούν τα έγγραφα στην αποθήκη δεδομένων. Αυτό είναι JSON. Ενδεχομένως, ερωτήματα δικτύου που είναι βάσεις δεδομένων γραφικών, πιθανώς αναλυτικά. Επομένως, αυτό που κινούμαστε προς την κατεύθυνση είναι ένα ETW που έχει πραγματικά ένα πιο περίπλοκο φόρτο εργασίας από αυτά με τα οποία συνηθίζαμε. Έτσι, αυτό είναι ενδιαφέρον, διότι με κάποιο τρόπο σημαίνει ότι η αποθήκη δεδομένων γίνεται ακόμη πιο εξελιγμένη και εξαιτίας αυτού, θα είναι ακόμα πιο πολύς καιρός πριν ο Hadoop φτάσει οπουδήποτε κοντά του. Η σημασία της αποθήκης δεδομένων επεκτείνεται, αλλά εξακολουθεί να περιλαμβάνει βελτιστοποίηση. Πρέπει να έχετε μια δυνατότητα βελτιστοποίησης, όχι μόνο για ερωτήματα τώρα αλλά για όλες αυτές τις δραστηριότητες.
Αυτό είναι, πραγματικά. Αυτό είναι μόνο που ήθελα να πω για τον Hadoop. Νομίζω ότι μπορώ να παραδώσω στον Ray, ο οποίος δεν έχει διαφάνειες, αλλά είναι πάντα καλός στο να μιλάει.
Eric Kavanagh: Θα πάρω τις διαφάνειες. Υπάρχει ο φίλος μας, Ray Wang. Λοιπόν, Ray, ποιες είναι οι σκέψεις σας για όλα αυτά;
Ray Wang: Τώρα, νομίζω ότι ήταν ίσως μια από τις πιο συνοπτικές και σπουδαίες ιστορίες των καταστημάτων βασικής αξίας και όπου ο Hadoop έχει πάει σε σχέση με την επιχείρηση που είναι έξω, οπότε πάντα μαθαίνω πολύ όταν ακούω τον Robin.
Στην πραγματικότητα, έχω μια διαφάνεια. Μπορώ να ανοίξω μια διαφάνεια εδώ.
Eric Kavanagh: Απλά προχωρήστε και κάντε κλικ στο, κάντε κλικ στο start και πηγαίνετε για να μοιραστείτε την επιφάνεια εργασίας σας.
Ray Wang: Πήρε το, εκεί πηγαίνετε. Θα μοιραστώ πραγματικά. Μπορείτε να δείτε την ίδια την εφαρμογή. Ας δούμε πώς πηγαίνει.
Όλη αυτή η ομιλία για τον Hadoop και στη συνέχεια πηγαίνουμε βαθιά στη συζήτηση για τις τεχνολογίες που υπάρχουν και εκεί που ο Hadoop κατευθύνεται και πολλές φορές θέλω απλώς να το πάρω πίσω για να έχει πραγματικά την επιχειρηματική συζήτηση. Πολλά από τα πράγματα που συμβαίνουν στην τεχνολογική πλευρά είναι πραγματικά αυτό το κομμάτι όπου μιλάμε για αποθήκες δεδομένων, διαχείριση πληροφοριών, ποιότητα δεδομένων, έλεγχο αυτών των δεδομένων, και επομένως έχουμε την τάση να το βλέπουμε αυτό. Έτσι, αν κοιτάξετε αυτό το γράφημα εδώ στο κάτω μέρος, αυτό είναι πολύ ενδιαφέρον ότι τα είδη των ατόμων που χτύπησα σε αυτή τη συζήτηση για Hadoop. Έχουμε τους τεχνολόγους και τους επιστήμονες των δεδομένων που ξεδιπλώνουν, έχουν πολύ ενθουσιασμό και είναι συνήθως πηγές δεδομένων, σωστά; Πώς ελέγξουμε τις πηγές δεδομένων; Πώς μπορούμε να φτάσουμε στα σωστά επίπεδα ποιότητας; Τι κάνουμε σχετικά με τη διακυβέρνηση; Τι μπορούμε να κάνουμε για να ταιριάζει με διαφορετικούς τύπους πηγών; Πώς διατηρούμε τη γενεαλογία; Και όλα αυτά το είδος της συζήτησης. Και πώς μπορούμε να πάρουμε περισσότερα SQL από το Hadoop μας; Έτσι, αυτό το μέρος συμβαίνει σε αυτό το επίπεδο.
Στη συνέχεια, στην πλευρά της πληροφόρησης και της ενορχήστρωσης, αυτό είναι το σημείο όπου γίνεται ενδιαφέρον. Αρχίζουμε να συνδέουμε τις αποδόσεις αυτής της γνώσης ότι παίρνουμε ή το βγάζουμε από πίσω σε επιχειρηματικές διαδικασίες; Πώς θα το επαναφέρουμε σε οποιοδήποτε είδος μοντέλου μεταδεδομένων; Συνδέουμε τις κουκίδες μεταξύ αντικειμένων; Και έτσι τα νέα ρήματα και οι συζητήσεις για τον τρόπο με τον οποίο χρησιμοποιούμε αυτά τα δεδομένα, κινούμαστε από αυτό που παραδοσιακά βρισκόμαστε σε έναν κόσμο CRUD: δημιουργήστε, διαβάστε, επικαιροποιήστε, διαγράψτε, σε έναν κόσμο που συζητά για το πώς συμμετέχουμε, όπως ή να τραβήξει κάτι.
Εκεί ξεκινάμε να βλέπουμε πολύ τον ενθουσιασμό και την καινοτομία, ειδικά για το πώς να τραβήξουμε αυτές τις πληροφορίες και να τις αξιοποιήσουμε. Αυτή είναι η συζήτηση που βασίζεται στην τεχνολογία κάτω από την κόκκινη γραμμή. Πάνω από εκείνη την κόκκινη γραμμή, παίρνουμε τις ερωτήσεις που πάντα θέλαμε να ρωτήσουμε και ένας από αυτούς που πάντα αναδεικνύουμε είναι όπως, για παράδειγμα, ίσως το ερώτημα στο λιανικό εμπόριο για εσάς είναι όπως: "Γιατί τα κόκκινα πουλόβερ πωλούν καλύτερα στην Αλαμπάμα από τα μπλε πουλόβερ στο Μίτσιγκαν; " Θα μπορούσατε να το σκεφτείτε και να πείτε, "Αυτό είναι ενδιαφέρον." Βλέπετε αυτό το μοτίβο. Ζητούμε αυτή την ερώτηση και αναρωτιόμαστε: "Τι κάνουμε;" Ίσως πρόκειται για κρατικά σχολεία - Μίτσιγκαν έναντι Αλαμπάμα. Εντάξει, παίρνω αυτό, βλέπω που πηγαίνουμε. Και έτσι ξεκινάμε να βγάζουμε την επιχειρηματική πλευρά του σπιτιού, τους ανθρώπους στη χρηματοδότηση, τους ανθρώπους που έχουν τις παραδοσιακές ικανότητες BI, τους ανθρώπους στο μάρκετινγκ και τους ανθρώπους στην HR λέγοντας: "Πού είναι τα πρότυπά μου;" Πώς θα φτάσουμε σε αυτά τα σχέδια; Και λοιπόν βλέπουμε έναν άλλο τρόπο καινοτομίας στην πλευρά του Hadoop. Πρόκειται πραγματικά για το πώς επιλύουμε πιο γρήγορα τις γνώσεις ενημέρωσης. Πώς μπορούμε να κάνουμε τέτοιες συνδέσεις; Πηγαίνει σε όλη τη διαδρομή προς τους ανθρώπους που κάνουν, όπως: τεχνολογία που ουσιαστικά προσπαθεί να συνδέσει διαφημίσεις και σχετικό περιεχόμενο από οτιδήποτε από δίκτυα υποβολής προσφορών σε πραγματικό χρόνο σε διαφημίσεις με βάση τα συμφραζόμενα και τοποθέτηση διαφημίσεων και να το κάνει αυτό εν πτήσει.
Έτσι είναι ενδιαφέρον. Βλέπετε την εξέλιξη του Hadoop από το "Hey, εδώ είναι η τεχνολογική λύση. Εδώ είναι αυτό που πρέπει να κάνουμε για να αποκτήσουμε αυτή την πληροφορία στους ανθρώπους". Στη συνέχεια, καθώς διασχίζει τη γραμμή των επιχειρηματικών μεριδίων, αυτό είναι όπου γίνεται ενδιαφέρον. Είναι η διορατικότητα. Πού είναι η απόδοση; Πού είναι η έκπτωση; Πώς προβλέπουμε τα πράγματα; Πώς παίρνουμε επιρροή; Και στη συνέχεια να το φέρουμε σε αυτό το τελευταίο επίπεδο όπου βλέπουμε μια άλλη σειρά καινοτομιών Hadoop που συμβαίνουν γύρω από συστήματα αποφάσεων και ενέργειες. Ποια είναι η επόμενη καλύτερη δράση; Γνωρίζετε λοιπόν ότι τα μπλε πουλόβερ πωλούν καλύτερα στο Μίτσιγκαν. Κάθονται σε έναν τόνο μπλε πουλόβερ στην Αλαμπάμα. Το προφανές είναι: "Ναι, ας το βάλουμε αυτό έξω εκεί". Πώς να το κάνουμε; Ποιο είναι το επόμενο βήμα; Πώς συνδέουμε αυτό πίσω; Ίσως η επόμενη καλύτερη δράση, ίσως είναι μια πρόταση, ίσως είναι κάτι που σας βοηθά να αποφύγετε ένα ζήτημα, ίσως δεν είναι ούτε ενέργεια, η οποία είναι μια ενέργεια από μόνη της. Έτσι αρχίζουμε να βλέπουμε να εμφανίζονται τέτοιου είδους μοτίβα. Και η ομορφιά αυτού του γεγονότος πίσω σε αυτό που λέτε για τα καταστήματα βασικής αξίας, Robin, είναι ότι συμβαίνει τόσο γρήγορα. Αυτό συμβαίνει με τον τρόπο που δεν το έχουμε σκεφτεί έτσι.
Μάλλον θα έλεγα τα τελευταία πέντε χρόνια που πήραμε. Αρχίσαμε να σκεφτόμαστε πώς μπορούμε να εκμεταλλευτούμε ξανά τα καταστήματα με βασικές τιμές, αλλά τα τελευταία πέντε χρόνια, οι άνθρωποι το βλέπουν αυτό πολύ διαφορετικά και είναι σαν οι κύκλοι της τεχνολογίας επαναλαμβάνονται σε μοντέλα 40 ετών, επομένως αυτό είναι καλό από ένα αστείο πράγμα που κοιτάζουμε το σύννεφο και είμαι ακριβώς όπως το mainframe sharing χρόνο. Εξετάζουμε τον Hadoop και όπως το store-κλειδί αξίας - ίσως είναι ένα mart δεδομένων, λιγότερο από μια αποθήκη δεδομένων - και έτσι αρχίζουμε να βλέπουμε αυτά τα μοτίβα ξανά. Αυτό που προσπαθώ να κάνω τώρα είναι να σκεφτείτε τι κάνουν οι άνθρωποι πριν από 40 χρόνια; Ποιες προσεγγίσεις και τεχνικές και μεθοδολογίες εφαρμόζονταν και περιορίζονταν από τις τεχνολογίες που είχαν οι άνθρωποι; Αυτό οδηγεί αυτή τη διαδικασία σκέψης. Καθώς περνάμε από την ευρύτερη εικόνα του Hadoop ως εργαλείο, όταν επιστρέφουμε και σκεφτόμαστε τις επιχειρηματικές συνέπειες, αυτό είναι το είδος της διαδρομής που παίρνουμε συνήθως μέσω των ανθρώπων, ώστε να μπορείτε να δείτε ποια κομμάτια, ποια μέρη βρίσκονται στα δεδομένα διαδρομή αποφάσεων. Είναι κάτι που ήθελα να μοιραστώ. Είναι ένα είδος σκέψης που χρησιμοποιούμε εσωτερικά και ελπίζουμε ότι προσθέτει στη συζήτηση. Γι 'αυτό θα το μετατρέψω σε εσένα, Eric.
Eric Kavanagh: Αυτό είναι φανταστικό. Εάν μπορείτε να παραμείνετε για κάποιο Q & A. Μου άρεσε όμως να το πήρατε πίσω στο επιχειρηματικό επίπεδο, γιατί στο τέλος της ημέρας, είναι όλα σχετικά με την επιχείρηση. Είναι όλα σχετικά με το να γίνουν τα πράγματα και να σιγουρευτείτε ότι ξοδεύετε χρήματα με σύνεση και αυτή είναι μία από τις ερωτήσεις που είδα ήδη, έτσι οι ομιλητές μπορεί να θέλουν να σκεφτούν τι είναι το TCL της διαδρομής Hadoop. Υπάρχει κάποιο γλυκό σημείο μεταξύ τους, για παράδειγμα, χρησιμοποιώντας εργαλεία ραφιού γραφείου για να κάνετε πράγματα με κάποιο παραδοσιακό τρόπο και χρησιμοποιώντας τα νέα σύνολα εργαλείων, γιατί και πάλι, σκεφτείτε το, πολλά από αυτά τα πράγματα δεν είναι καινούργια, είναι ακριβώς το είδος η συγχώνευση με νέο τρόπο είναι, υποθέτω, ο καλύτερος τρόπος να το θέσω.
Ας προχωρήσουμε λοιπόν και εισαγάγετε τον φίλο μας Nikita Ivanov. Είναι ο ιδρυτής και διευθύνων σύμβουλος της GridGain. Νικήτα, θα προχωρήσω και θα παραδώσω τα κλειδιά σε εσένα και πιστεύω ότι είσαι εκεί έξω. Μπορείτε να με ακούσετε Νικήτα;
Νικήτα Ιβανόφ: Ναι, είμαι εδώ.
Eric Kavanagh: Εξαιρετική. Έτσι, το δάπεδο είναι δικό σου. Κάντε κλικ σε αυτήν τη διαφάνεια. Χρησιμοποιήστε το κάτω βέλος και αφαιρέστε το. Πέντε λεπτά.
Nikita Ivanov: Σε ποια διαφάνεια κάνω κλικ;
Eric Kavanagh: Απλά κάντε κλικ οπουδήποτε σε εκείνη τη διαφάνεια και στη συνέχεια χρησιμοποιείτε το κάτω βέλος στο πληκτρολόγιο για να μετακινηθείτε. Απλά κάντε κλικ στην ίδια την διαφάνεια και χρησιμοποιήστε το βέλος κάτω.
Νικήτα Ιβανόφ: Εντάξει τόσο λίγες γρήγορες διαφάνειες για το GridGain. Τι κάνουμε στο πλαίσιο αυτής της συζήτησης; Το GridGain παράγει βασικά ένα λογισμικό υπολογιστικής μνήμης και μέρος της πλατφόρμας που αναπτύξαμε είναι ένας επιταχυντής Hadoop σε μνήμη. Από την άποψη του Hadoop, έχουμε την τάση να σκεφτόμαστε τους εαυτούς μας ως ειδικούς επίδοσης Hadoop. Αυτό που κάνουμε, ουσιαστικά, πάνω από την κεντρική πλατφόρμα υπολογιστικής μνήμης που αποτελείται από τεχνολογίες όπως το δίκτυο δεδομένων, η ροή μνήμης και τα δίκτυα υπολογιστών, θα είναι σε θέση να συνδέσει και να παίξει τον επιταχυντή Hadoop. Αυτό είναι πολύ απλό. Θα ήταν ωραίο αν μπορούσαμε να αναπτύξουμε κάποια λύση plug-and-play που μπορεί να εγκατασταθεί ακριβώς στην εγκατάσταση Hadoop. Αν εσείς, ο προγραμματιστής του MapReduce, χρειάζεστε μια ώθηση χωρίς να χρειαστεί να γράψετε νέο λογισμικό ή να αλλάξετε κώδικα ή αλλαγή ή βασικά να έχετε μια ελάχιστη αλλαγή διαμόρφωσης στο σύμπλεγμα Hadoop. Αυτό εξελίξαμε.
Βασικά, ο επιταχυντής Hadoop στη μνήμη βασίζεται στη βελτιστοποίηση δύο συνιστωσών στο οικοσύστημα Hadoop. Αν σκέφτεστε για τον Hadoop, βασίζεται κυρίως στο HDFS, το οποίο είναι το σύστημα αρχείων. Το MapReduce, το οποίο είναι το πλαίσιο για την εκτέλεση των διαγωνισμών παράλληλα πάνω από το σύστημα αρχείων. Προκειμένου να βελτιστοποιήσουμε το Hadoop, βελτιστοποιούμε και τα δύο αυτά συστήματα. Αναπτύξαμε σύστημα αρχείων in-memory που είναι πλήρως συμβατό, συμβατό με 100% plug-and-play, με HDFS. Μπορείτε να τρέξετε αντί HDFS, μπορείτε να τρέξετε πάνω από το HDFS. Επίσης, αναπτύξαμε το MapReduce που είναι plug-and-play συμβατό με το Hadoop MapReduce, αλλά υπάρχουν πολλές βελτιστοποιήσεις για το πώς λειτουργεί η ροή του MapReduce και πώς λειτουργεί το πρόγραμμα στο MapReduce.
Αν κοιτάξετε, για παράδειγμα, σε αυτή τη διαφάνεια, όπου θα δείξουμε το είδος της στοίβας της επικάλυψης. Στην αριστερή πλευρά, έχετε το τυπικό λειτουργικό σας σύστημα με GDM και πάνω από αυτό το διάγραμμα έχετε το κέντρο εφαρμογής. Στη μέση έχετε τον Hadoop. Και ο Hadoop βασίζεται και πάλι στο HDFS και στο MapReduce. Έτσι αυτό αντιπροσωπεύει σε αυτό το διάγραμμα, ότι αυτό που είμαστε το είδος της ενσωμάτωσης στη στοίβα Hadoop. Και πάλι, είναι plug-and-play? δεν χρειάζεται να αλλάξετε κανένα κωδικό. Λειτουργεί ακριβώς με τον ίδιο τρόπο. Στην επόμενη διαφάνεια, δείξαμε ουσιαστικά τον τρόπο βελτιστοποίησης της ροής εργασίας του MapReduce. Αυτό είναι ίσως το πιο ενδιαφέρον κομμάτι γιατί σας δίνει το μέγιστο πλεονέκτημα όταν εκτελείτε τις εργασίες MapReduce.
Το τυπικό MapReduce, όταν υποβάλετε την εργασία, και στην αριστερή πλευρά υπάρχει διάγραμμα, υπάρχει συνηθισμένη εφαρμογή. Έτσι, τυπικά υποβάλλετε την εργασία και η εργασία πηγαίνει σε έναν εντοπιστή θέσεων εργασίας. 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. Σας ευχαριστώ.
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.
Ευχαριστώ.
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. Ας δούμε. 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. Τι πιστεύετε γι 'αυτό;
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? With great power comes great responsibility. 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. Για αυτό πρόκειται. 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. Τι πιστεύετε γι 'αυτό;
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.
Με αυτό, θα σας αποχαιρετήσουμε, παιδιά. 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. Αντίο.
