Szerkesztő megjegyzés: Ez egy élő internetes közvetítés átirata. A webes adást teljes egészében itt tekintheti meg.
Eric Kavanagh: Hölgyeim és uraim, itt az ideje, hogy bölcs legyen! Itt az ideje a teljesen új TechWise-shownak! A nevem Eric Kavanagh. Én leszek a moderátora a TechWise alapító epizódjának. Pontosan így van. Ez a Techopedia és a Bloor Group, természetesen a Belső Elemzés hírnevének partnersége.
A nevem Eric Kavanagh. Modellezni fogom ezt az igazán érdekes és résztvevő eseményt, emberek. Mélyre fogunk mélyedni a szövésbe, hogy megértsük, mi folyik ezzel a nagy dologgal, Hadoop néven. Mi az elefánt a szobában? Hadoopnak hívják. Megpróbáljuk kitalálni, hogy mit jelent, és mi folyik vele.
Mindenekelőtt nagy köszönet szponzorunknak, a GridGainnek, az Actiannek, a Zettasetnek és a DataTorrentnek. Néhány szót fogunk kapni mindegyiktől, az esemény vége felé. Kérdések és válaszok is lesznek, tehát ne légy félénk - bármikor küldje el kérdéseit.
Átvizsgáljuk a részleteket és felvesszük a nehéz kérdéseket szakértőinknek. És a szakértőkről beszélve, hé, ott vannak. Tehát, a saját dr. Robin Bloor-tól és az emberektől fogunk hallani, nagyon örülök, hogy a legendás Ray Wang, a fő elemző és a Constellation Research alapítója. Ma online van, hogy elmondja nekünk gondolatait, és olyan, mint Robin, hihetetlenül sokszínű és nagyon sok különböző területre összpontosít, képes szintetizálni őket, és valóban megérteni, mi folyik ezen az egész információs technológia területén. és adatkezelés.
Tehát van egy kis aranyos elefánt. Mint láthatja, az út elején van. Most kezdődik, csak egyfajta kezdés, ez az egész Hadoop dolog. Úgy gondolom, hogy 2006-ban vagy 2007-ben, amikor kiadták a nyílt forráskódú közösségnek, de sok minden zajlik, emberek. Hatalmas fejlesztések történtek. Valójában el akarom hozni a történetet, ezért gyorsan megosztom az asztali számítógépet, legalábbis azt hiszem, hogy vagyok. Csináljunk egy gyors asztali megosztást.
Megmutatom neked ezt az őrült, őrült történetet. Tehát az Intel 740 millió dollárt fektetett be, hogy megvásárolja a Cloudera 18 százalékát. Azt gondoltam, és olyan vagyok, mint: "Szent karácsony!" Megkezdtem a matematikát, és ez olyan: "Ez 4, 1 milliárd dollár értékű." Gondoljunk egy pillanatra erre. Úgy értem, ha a WhatsApp értéke 2 milliárd dollár, akkor azt gondolom, hogy Cloudera akár 4, 1 milliárd dollár is lehet, igaz? Úgy értem, miért nem? Néhány ilyen szám manapság csak az ablakon van, emberek. Úgy értem, tipikusan a beruházás szempontjából, ha van EBITDA és az összes többi különféle mechanizmus, a bevételek többszöri száma és így tovább. Nos, ez egy szar a bevétel többszörösének köszönhetően, ha eléri a 4, 1 milliárd dollárt a Cloudera számára, amely egy fantasztikus vállalat. Ne érts téged - vannak nagyon-nagyon okos emberek ott, köztük a srác, aki az egész Hadoop-őrültséget, Doug Cutting-et indította oda, nagyon sok nagyon intelligens ember, akik nagyon sokat csinálnak jó dolgok, de az lényeg az, hogy a 4, 1 milliárd dollár, ez sok pénz.
Tehát itt egyfajta fogságba eső nyilvánvaló pillanat, amikor átmegyek a fejemre, azaz egy chip, Intel. Chiptervezőik hoznak néhány Hadoop-optimalizált chipet - gondolkodnom kell, emberek. Csak ezt gondoltam. Ez csak egy pletyka, tőlem érkezik, ha akarsz, de ez valamilyen értelme. És mit jelent ez az egész?
Tehát itt van az elméletem. Mi történik? Sok ilyen cucc nem új. A masszív párhuzamos feldolgozás nem újszerű. A párhuzamos feldolgozás nem új. Egy ideje vagyok a szuperszámítógép világában. Ezeknek a dolgoknak a nagy része, amelyek történnek, nem új, de van egyfajta általános tudatosság, hogy ezen problémák némelyikének megtámadására új mód van. Amit látom, ha megnézzük a Cloudera vagy a Hortonworks néhány nagy gyártóját és néhány ilyen srácot, akkor mit csinálnak valójában, ha a legfinomabb desztillált szintre forraljuk, az az alkalmazásfejlesztés. Ezt csinálják.
Új alkalmazásokat terveznek - néhányukban üzleti elemzést végeznek; némelyikük csak a feltöltő rendszereket foglalja magában. Az egyik eladó, aki erről beszélt, egész nap csinál ilyen fajta cuccot, a mai műsorban. De ha ez szörnyen új, akkor ismét a válasz: "nem igazán", de nagy dolgok történnek, és személy szerint azt gondolom, hogy mi történik az Inteltel, hogy ezt a hatalmas beruházást piacra dobja. Nézik a mai világot, és látják, hogy ez ma egyfajta monopólium. Van Facebook, és csak a csapot vertek ki a rossz MySpace-ből. A LinkedIn legyőzte a tagot a szegény Ki Ki. Tehát körülnézsz, és ez egy szolgáltatás, amely dominálja manapság ezen különféle terekben. Úgy gondolom, hogy az Intel az, hogy az összes zsetonját Cloudera-ra dobja, és megpróbálja megemelni a verem tetejére - ez csak az elmélem.
Tehát az emberek, amint mondtam, hosszú Q&A ülést fogunk tartani, tehát ne légy félénk. Küldje el kérdéseit bármikor. Ezt megteheti a webcast-konzol ezen Q & A összetevőjével. És ezzel szeretnék megismerkedni a tartalommal, mert rengeteg dolgot kell átvinnünk.
Tehát, Robin Bloor, hadd adjak át neked a kulcsokat, és a padló a tied.
Robin Bloor: Rendben, Eric, köszönöm. Vegyük fel a táncoló elefántokat. Furcsa dolog, valójában az, hogy az elefántok az egyetlen szárazföldi emlősök, akik nem tudnak ugrálni. Ezen a képen az összes elefántnak legalább egy lába van a földön, tehát feltételezem, hogy ez megvalósítható, de bizonyos mértékig ezek nyilvánvalóan Hadoop elefántok, tehát nagyon-nagyon képesek.
Valójában azt a kérdést, hogy véleményem szerint meg kell vitatni, és őszintén meg kell vitatni. Ezt meg kell vitatni, mielőtt bárhova máshová megy, vagyis valóban el kell kezdenie beszélni arról, hogy mi Hadoop valójában.
Az egyik dolog, amely feltétlenül a „man-play” alapból származik, a kulcsérték-áruház. Régebben kulcsértékes üzletek voltak. Régebben az IBM nagygépen voltak. A mini számítógépeknél volt; A DEC VAX-nek IMS fájlja volt. Volt olyan ISAM képességek, amelyek szinte minden minikomputeren megtalálhatók. De valamikor a 80-as évek végén, az Unix belépett, és az Unixnak valójában nem volt kulcsérték-tárolója. Amikor az Unix kifejlesztette, nagyon gyorsan fejlődtek. Ami történt, az az volt, hogy az adatbázis-gyártók, különös tekintettel az Oracle-ra, ott gőzöltek, és eladták az adatbázisokat, hogy megválaszolhassanak minden olyan adatot, amelyet érdekelne kezelni a Unix-on. Kiderült, hogy a Windows és a Linux ugyanaz. Tehát az iparág 20 év legnagyobb részében egy általános célú kulcsérték-áruház nélkül működött. Nos, hát itt van. Nem csak vissza, hanem méretezhető.
Most azt hiszem, hogy valóban ez az alapja annak, mi a Hadoop valójában, és bizonyos mértékig meghatározza, hova megy. Mit szeretünk a kulcsértékű üzletekben? Azok, akik olyan idős vagyok, mint én, és valóban emlékszem, hogy együtt dolgoztak a kulcsérték-üzletekkel, rájönnek, hogy nagyjából használhatnák őket informálisan adatbázis létrehozására, de csak informálisan. Tudod, hogy a metaadatok gyorsan tárolják a programkódot, de valójában létrehozhat egy külső fájlt, és ha egy kulcsérték-tárolót egy kicsit adatbázishoz hasonlóan kezdeni szeretne. De természetesen nem volt minden olyan helyreállítási képessége, amely egy adatbázisban volt, és nem volt szörnyű sok dolgunk, amelyeket az adatbázisok most megkaptak, de ez egy nagyon hasznos funkció a fejlesztők számára, és ez az egyik oka annak, hogy hogy a Hadoop annyira népszerűnek bizonyult - egyszerűen azért, mert kódolók, programozók, fejlesztők gyorsak. Rájöttek, hogy nem csak az üzlet kulcsértéke, hanem egy kulcsfontosságú értékű üzlet is. Nagyjából határozatlan időre csökken. Ezeket a mérlegeket több ezer szerverre küldtem, tehát ez az igazán nagy dolog a Hadoopnál, ennyi.
Ráadásul a MapReduce-t is tartalmazza, amely egy párhuzamosítási algoritmus, de valójában ez véleményem szerint nem fontos. Szóval, tudod, Hadoop kaméleon. Ez nem csak egy fájlrendszer. Láttam különféle igényeket a Hadoop iránt: ez egy titkos adatbázis; ez nem titkos adatbázis; ez egy közös üzlet; ez egy elemző eszközkészlet; ez egy ELT környezet; adattisztító eszköz; ez egy adatfolyam-streaming platform; ez egy archívumtár; gyógyítja a rákot és így tovább. Ezen dolgok többsége valójában nem igaz a Hadoop vanília esetében. A Hadoop valószínűleg prototípus - ez egy SQL adatbázis prototípus-környezete, de valójában nincs, ha a korosztályt a Hadoop fölé helyezi az életkor-katalógusban, akkor van valami, ami adatbázisnak tűnik, de ez nem igazán amit bárki képesség szempontjából adatbázisnak nevezne. Nagyon sok ilyen képességről biztosan beszerezheti őket a Hadoop-on. Nyilvánvalóan sok ilyen. Valójában beszerezhet valamilyen forrást a Hadoop-ról, de maga Hadoop nem az, amit én működési szempontból edzettnek neveznék, és ezért a Hadoop-ról szóló megállapodás, valójában nem lennék másom, az az, hogy valamire szüksége van harmadik -parti termékek annak fokozására.
Tehát, ha rólad beszélünk, csak néhány sort dobhat be, ahogy a Hadoop túlteljesítését beszélem. Először is, a valós idejű lekérdezési képesség, jól tudja, hogy a valós idejű üzleti idő, valójában szinte mindig a teljesítmény szempontjából kritikus. Úgy értem, miért tervezne valós időben? Hadoop nem igazán teszi ezt. Valamit valós időben végez, de valójában nem valós idejű dolgot. Streaming, de nem streaming úgy, hogy valóban missziókritikus típusú alkalmazás streaming platformoknak hívnám. Különbség van az adatbázis és az eltávolítható tároló között. A Hadoop feletti szinkronizálás lehetővé teszi az adattárolást. Ez olyan, mint egy adatbázis, de nem ugyanaz, mint egy adatbázis. A Hadoop natív formájában véleményem szerint egyáltalán nem minősül adatbázisnak, mivel nagyon kevés dolog van az adatbázisnak. Hadoop sokat tesz, de nem csinálja különösebben jól. Megint a képesség megvan, de távol vagyunk attól, hogy valóban rendelkezzünk gyors képességgel ezen a területen.
A másik dolog, amelyet meg kell érteni a Hadoop kapcsán, az, hogy a fejlesztése óta hosszú út. A korai napokban fejlesztették ki; akkor fejlesztették ki, amikor olyan kiszolgálóink voltak, amelyek kiszolgálónként valójában csak egy processzort tartalmaztak. Soha nem volt többmagos processzoraink, és rácsok futtatására, rácsok indítására és megszakítókra építettük. A Hadoop egyik tervezési célja az volt, hogy soha ne veszítse el a munkát. És ez valóban a lemezhibával kapcsolatos, mert ha több száz szerverrel rendelkezik, akkor valószínű, hogy ha a lemezeket a szerverekre megkapja, akkor valószínűsíthető, hogy rendelkezésre áll egy 99, 8-as, például a rendelkezésre álló idő. Ez azt jelenti, hogy átlagosan az egyik szerver meghibásodása 300 vagy 350 naponként egyszer, egy évben egy év alatt. Tehát ha ezek százai lennének, akkor valószínű, hogy az év bármelyik napján szerverhibát kapsz.
A Hadoop kifejezetten e probléma megoldására lett kifejlesztve - oly módon, hogy bármi meghiúsul, pillanatképeket készít mindenről, ami megy, minden egyes kiszolgálón, és helyreállítja a futó kötegelt feladatot. És ez minden, ami a Hadoop-on valaha is futott, kötegelt feladatok voltak, és azt kell mondani, hogy ez egy igazán hasznos képesség. Néhány futtatott kötegmunka - különösen a Yahoo-ban, ahol azt hiszem, hogy Hadoop ilyen született - két vagy három napig futna, és ha egy nap elteltével kudarcot vallott, akkor nem akart elveszíteni a munkát ezt megtették. Tehát ez volt a tervezési pont a Hadoop elérhetőségének mögött. Nem hívná ezt a magas rendelkezésre állást, de a soros kötegelt munkák magas elérhetőségét nevezné. Valószínűleg így lehet megnézni. A magas rendelkezésre állás mindig a munkavonal jellemzői szerint van konfigurálva. Jelenleg a Hadoop csak az ilyen típusú helyreállítás szempontjából igazán soros kötegelt munkákra konfigurálható. A vállalati magas rendelkezésre állás valószínűleg a tranzakciós LLP szempontjából a legmegfelelőbb. Úgy gondolom, hogy ha nem úgy néz ki, mint egy valós idejű dolgot, akkor Hadoop még nem csinálja. Valószínűleg hosszú távolságra van tőle ezt megtenni.
De itt van a gyönyörű dolog Hadoop kapcsán. Ez a jobb oldali ábra, amelyen a szélén található szállítók listája található, és az összes rajzon található vonal jelzi az eladók és a Hadoop ökoszisztéma más termékei közötti kapcsolatokat. Ha megnézzük, ez hihetetlenül lenyűgöző ökoszisztéma. Nagyon figyelemre méltó. Nyilvánvalóan sok eladóval beszélünk képességeink szempontjából. A beszállítók között, amelyekkel beszéltem, van néhány igazán rendkívüli lehetőség a Hadoop és a memóriában való használat, a Hadoop tömörített archívumként való felhasználásának módja, a Hadoop használata ETL környezetben, stb. És így tovább. De valóban, ha maga a Hadoop termékkel egészíti ki, akkor az rendkívül jól működik egy adott helyiségben. Tehát, miközben kritizálom a natív Hadoop-ot, nem kritizálom a Hadoop-ot, amikor valójában hozzátesz némi erőt hozzá. Véleményem szerint a Hadoop népszerűsége garantálja jövőjét. Erre gondolok, még akkor is, ha minden eddig a Hadoop-on írt kódsor eltűnik, nem hiszem, hogy a HDFS API eltűnik. Más szavakkal, azt hiszem, hogy az API fájlrendszer megmarad, és valószínűleg a YARN, az ütemező, amely átnézi.
Ha tényleg megnézed, ez egy nagyon fontos képesség, és egy perc múlva erre rávilágítom, de a másik dolog, ami, mondjuk, izgalmas emberek a Hadoopról, az egész nyílt forráskódú kép. Tehát érdemes átnézni, mi a nyílt forráskódú kép azon szempontból, amit valódi képességnek tartok. Noha a Hadoop és annak minden alkotóeleme minden bizonnyal képes megtenni azt, amit adathossznak nevezünk - vagy amint én inkább adattartálynak hívom - ez minden bizonnyal nagyon jó szakasz, hogy adatokat dobjunk a szervezetbe vagy gyűjtsünk adatokat a szervezetben - rendkívül jó homokozódobozokhoz és a horgászathoz szükséges adatokhoz. Nagyon jó prototípus-fejlesztési platform, amelyet a nap végén megvalósíthat, de fejlesztési környezetként szinte mindent tud, amire szükség van. Mint archívumtár, nagyjából megvan minden, amire szüksége van, és természetesen nem drága. Nem hiszem, hogy el kellene választanunk a két dolog egyikét a Hadooptól, annak ellenére, hogy formálisan, ha úgy gondolják, nem a Hadoop alkotóelemei. Az online ék hatalmas mennyiségű elemzést hozott a nyílt forráskódú világba, és az elemzés nagy részét jelenleg a Hadoop futtatja, mert ez egy kényelmes környezetet biztosít, amelyben sok külső adatot felvehet és csak elkezdi játszani. egy analitikus homokozóban.
És akkor megvan a nyílt forráskódú képességek, amelyek mindkettő gépi tanulás. Mindkettő rendkívül hatékony abban az értelemben, hogy hatékony analitikai algoritmusokat valósít meg. Ha összerakod ezeket a dolgokat, akkor megkapod a nagyon-nagyon fontos képességek kerneleit, amelyek valamilyen módon vagy valószínűség szerint - függetlenül attól, hogy önállóan fejlődik-e, vagy a szállítók jönnek be, hogy kitöltsék a hiányzó darabokat - nagyon valószínű, hogy ez hosszú ideig folytatódik, és minden bizonnyal azt hiszem, hogy a gépi tanulás már nagyon nagy hatással van a világra.
A Hadoop, a YARN fejlődése mindent megváltoztatott. Ami történt, a MapReduce-t nagyjából hegesztették a korai HDFS fájlrendszerbe. A YARN bevezetésekor az első kiadásban ütemezési képességet hozott létre. Az első kiadástól nem számíthat a rendkívül kifinomult ütemezésre, de ez azt jelentette, hogy ez már nem szükségszerűen egy javítókörnyezet. Olyan környezet volt, amelyben több feladat ütemezhető volt. Amint ez megtörtént, volt egy sor gyártó, akik távol tartózkodtak a Hadoop-tól - csak bejöttek és csatlakoztak hozzá, mert akkor csak egy fájlrendszer ütemezési környezetének tekinthettek rá, és a cuccokat címezhetik azt. Vannak még olyan adatbázis-gyártók is, amelyek az adatbázisokat a HDFS-en telepítették, mert csak elviszik a motort, és csak a HDFS-re teszik át. Kaszkádolás és a YARN segítségével ez egy nagyon érdekes környezetvé válik, mivel összetett munkafolyamatokat hozhat létre HDFS-en keresztül, és ez valójában azt jelenti, hogy elkezded gondolkodni egy olyan platformon, amely egyidejűleg több feladatot is képes futtatni, és egyre inkább elmozdul. missziókritikus dolgokat csinálni. Ha ezt megteszi, valószínűleg meg kell vásárolnia néhány harmadik féltől származó összetevőt, például a biztonságot és így tovább, és így tovább, amelyeknek a Hadoopnak valójában nincs könyvvizsgálói fiókja, hogy kitöltse a hiányosságokat, de Ön bejutni arra a pontra, ahol még a natív nyílt forráskóddal is megtehet érdekes dolgokat.
Ami azt hiszem, hogy a Hadoop valójában megy, személy szerint hiszem, hogy a HDFS alapértelmezett kicsomagolási fájlrendszerré válik, és ezért az operációs rendszerré, az operációs rendszerké válik az adatáramlás rácsához. Úgy gondolom, hogy ennek hatalmas jövője van, és nem hiszem, hogy ott áll meg. És azt hiszem, hogy valójában az ökoszisztéma csak segít, mert nagyjából mindenki, az összes űrbe tartozó eladó, ténylegesen vagy úgy integrálja a Hadoop-ot, és csak lehetővé teszik. Egy másik, a Hadoop túlzott mértékét érdemes megjegyezni, hogy ez nem túl jó platform, plusz a párhuzamosítás. Ha valóban megnézed, hogy mit csinál, akkor valójában csinál egy pillanatfelvételt minden kiszolgálón, amikor végrehajtja a MapReduce feladatait. Ha nagyon gyors párhuzamosítást tervezne, akkor semmit sem csinál. Valójában valószínűleg nem önmagában használja a MapReduce-ot. A MapReduce csak az, amit mondanám, félig képes párhuzamosságra.
Kétféle megközelítés létezik a párhuzamosság szempontjából: az egyik a folyamatok csövezése, a másik pedig a MapReduce adatok elosztása, és elvégzi az adatok megosztását, tehát nagyon sok olyan munka van, ahol a MapReduce valójában nem lenne a leggyorsabb módja ennek, de meg fogja végezni. ad párhuzamosságot, és ettől nem lehet elvonni. Ha sok adat van, az ilyen teljesítmény általában nem olyan hasznos. A YARN, ahogy már mondtam, nagyon fiatal ütemezési képesség.
A Hadoop egyfajta vonal húzza a homokba, a Hadoop nem adatraktár. Olyan messze van, mint az adattárház, ez szinte abszurd javaslat, hogy azt mondjuk, hogy van. Ebben a diagramban az, amit a tetején mutatok, egyfajta adatfolyam, amely a Hadoop adattárolóból egy nagyszerű méretű adatbázisba megy, amelyet valójában megteszünk, egy vállalati adattárházba. Megmutatom a régi adatbázisokat, adataim adatait az adattárházba, és a kirakodási tevékenységeket az adatraktárból kirakodó adatbázisok létrehozása céljából, de valójában ez egy olyan kép, amiben kezdem megjelenni, és azt mondanám, hogy ez olyan, mint a mi történik az adatraktárral a Hadoop segítségével. De ha magát nézi az adattárházra, rájössz, hogy az adattárház alatt van egy optimalizálója. Elosztott lekérdezéses dolgozók nagyon sok folyamatban ülnek, talán nagyon sok nagyszámú lemezen. Ez történik egy adattárházban. Valójában ez egyfajta architektúra, amelyet egy adattárházra építettek, és ehhez nagyon sok időbe telik, és ehhez a Hadoop-nak egyáltalán nincs. Tehát a Hadoop nem adattárház, és véleményem szerint ez nem válik majd hamarosan.
Megvan ez a relatív adattároló, és nagyon érdekesnek tűnik, ha a világot csak egy esemény sorozatának tekintik, amely a szervezetbe áramlik. Ezt mutatom a diagram bal oldalán. Ha átviszi a szűrési és útválasztási képességet, és a streaminghez szükséges dolgok kiszorulnak a streaming alkalmazásoktól, és minden más egyenesen az adattárolóba kerül, ahol elkészítik és megtisztítják, majd az ETL átadja egyetlen adatnak. raktár vagy logikus adattárház, amely több motorból áll. Véleményem szerint ez a természetes fejlõdés a Hadoop számára.
Az ETW szempontjából érdemes rámutatni arra, hogy maga az adattárház ténylegesen költözött - nem az volt, ami volt. Természetesen manapság arra számítanak, hogy hierarchikus adatok szerint hierarchikus képességek vannak arra vonatkozóan, hogy az emberek vagy egyesek mi hívják az adattárházban található dokumentumokat. Ez JSON. Lehetséges, hogy a hálózat lekérdezi grafikon-adatbázisokat, esetleg elemzéseket. Tehát, mi felé haladunk, egy ETW, amelynek ténylegesen bonyolultabb munkaterhelése van, mint amiben szoktuk. Szóval ez nagyon érdekes, mert bizonyos értelemben azt jelenti, hogy az adattárház még kifinomultabbá válik, és ezért még hosszabb időt vesz igénybe, mielőtt a Hadoop bárhonnan hozzáér. Az adattárház jelentése kibővül, de magában foglalja még az optimalizálást is. Optimalizálási képességgel kell rendelkeznie, nem csak a lekérdezések felett, hanem ezen tevékenységek mindegyike felett.
Valóban ennyi. Ez minden, amit akartam mondani Hadoopról. Azt hiszem, átadhatom Ray-nak, aki nem kapott diákat, de mindig jól beszél.
Eric Kavanagh: Készítem a diákat. Itt van a barátunk, Ray Wang. Szóval, Ray, mit gondolsz erről?
Ray Wang: Most azt hiszem, hogy ez volt a legértékesebb és legtökéletesebb történelem a kulcsfontosságú üzletekben, és ahol Hadoop a vállalkozásokkal kapcsolatosan ment el, amelyek ki vannak téve, tehát mindig sokat tanulok, amikor Robint hallgatok.
Valójában van egy diam. Felbukkanhatom itt egy diát.
Eric Kavanagh: Csak lépjen tovább, és kattintson a, kattintson a Start gombra, és menjen megosztani az asztalát.
Ray Wang: Megvan, oda megy. Valójában megosztom. Láthatja magát az alkalmazást. Lássuk, hogy megy.
A Hadoopról szóló összes beszédet, majd mélyen belemenünk a technológiákról szóló beszélgetésbe, amelyek léteznek és ahová a Hadoop halad, és sokszor azt szeretném visszavonni, hogy valóban megbeszéljék az üzletet. Sok olyan dolog, ami a technológiai oldalon történik, valójában ez a darab, ahol az adatraktárakról, az információkezelésről, az adatminőségről, az adatok elsajátításáról beszéltünk, és így hajlamosak vagyunk ezt látni. Tehát, ha megnézzük ezt a grafikont az alulról, ez nagyon érdekes, hogy az a személytípus, akit belefoglalunk a Hadoopról beszélünk. Vannak olyan technikusok és adattudósok, akik kiállnak, sok izgalommal bírnak, és általában az adatforrásokról szólnak, igaz? Hogyan tudjuk elsajátítani az adatforrásokat? Hogyan tudjuk ezt a megfelelő minőségi szintekre juttatni? Mit tegyünk a kormányzással? Mit tehetünk a különféle források összehangolása érdekében? Hogyan tartjuk meg a származást? És minden ilyen vita. És hogyan lehetne több SQL-t kihozni a Hadoop-ból? Tehát ez a rész ezen a szinten zajlik.
Akkor az információs és a zenekari oldalon ez az, ahol érdekes lesz. Elkezdjük kötni ennek a betekintésnek a kimeneteleit, amelyeket megkapunk, vagy visszahúzzuk az üzleti folyamatokra? Hogyan kapcsolhatjuk össze bármilyen metaadat-modelldel? Összekapcsoljuk a pontokat az objektumok között? Így az új igék és megbeszélések arról, hogy miként használjuk ezeket az adatokat, és elmozdulnak attól, ami hagyományosan a CRUD világában van: létrehozunk, olvasunk, frissítünk, törölünk, egy olyan világba, amelyben arról beszélünk, hogy hogyan veszünk részt, osszunk meg vagy működünk együtt, vagy szeret vagy húz valamit.
Itt kezdjük el látni az izgalmat és az innovációt, különösképp arról, hogyan lehet ezt az információt felhasználni és értékre hozni. Ez a technológiai vezérelt vita a piros vonal alatt. E piros vonal fölött azokat a kérdéseket kapjuk, amelyeket mindig is fel akartunk tenni, és egyikük, amelyeket mindig felteszünk, például az, hogy például az Ön számára a kiskereskedelemben az a kérdés, hogy „Miért értékesítik jobban a vörös pulóverek? Alabamában, mint a kék pulóverek Michiganben? " Gondolhatott rá, és azt mondhatta: "Ez olyan érdekes." Látod ezt a mintát. Feltesszük ezt a kérdést, és azon gondolkodunk: "Hé, mit csinálunk?" Talán az állami iskolákról szól - Michigan vagy Alabama. OK, értem, látom, hová megyünk. És így kezdjük el kapni a ház üzleti oldalát, a pénzügyet, a hagyományos BI képességekkel rendelkezőket, a marketinggel foglalkozó embereket és a HR munkatársait, mondván: "Hol vannak a mintáim?" Hogyan juthatunk el ezekhez a mintákhoz? És így látunk egy új módszert az innovációra a Hadoop oldalán. Valójában arról szól, hogyan tudjuk gyorsabban felfrissíteni a frissítéseket. Hogyan tudunk ilyen típusú kapcsolatokat létrehozni? Egészen azon emberekhez vezet, akik úgy működnek, mint a hirdetés: tech, amelyek alapvetõen megpróbálják összekapcsolni a hirdetéseket és a releváns tartalmat bármit, a valós idejû ajánlattételi hálózatoktól a kontextuális hirdetésekig és a hirdetések elhelyezéséig, és ezt menet közben is csinálják.
Szóval érdekes. Látja Hadoop előrehaladását: "Hé, itt van a technológiai megoldás. Itt kell tennünk, hogy ezt az információt megkapjuk az embereknek." Akkor, amikor áthalad az üzletágon, ez az, ahol érdekes lesz. Ez a betekintés. Hol van az előadás? Hol van a levonás? Hogyan jósolunk dolgokat? Hogyan tudunk befolyást gyakorolni? És akkor hozza ezt az utolsó szintet, ahol valójában egy másik Hadoop innovációt látunk, amelyek a döntési rendszerek és tevékenységek körül zajlanak. Mi a következő legjobb akció? Tehát tudod, hogy a kék pulóverek jobban eladnak Michiganben. Ül egy csomó kék pulóvernél Alabamában. Nyilvánvaló az, hogy "igen, menjünk oda oda." Hogyan csináljuk? Mi a következő lépés? Hogyan tudjuk ezt visszakötni? Lehet, hogy a következő legjobb akció, talán egy javaslat, talán valami, amely segít megelőzni a problémát, talán nem cselekedet is, amely önmagában is cselekedet. Tehát kezdjük látni, hogy ilyen minták jelennek meg. És az a szépség, amit visszatért ahhoz, amit mond a kulcsértékű boltokról, Robin, az, hogy ilyen gyorsan történik. Olyan módon történik, hogy nem gondolkodtunk erről így.
Valószínűleg azt mondanám, hogy az elmúlt öt évben felvettünk. Elkezdtük azon gondolkodni, hogy miként tudjuk újra felhasználni a kulcsérték-tárolókat, de éppen az elmúlt öt évben az emberek nagyon eltérő módon nézik meg, és ez olyan, mintha a technológiai ciklusok 40 éves mintákban megismétlődnének, tehát ez kedves egy vicces dolog, ahol felhőre nézünk, és olyan vagyok, mint a mainframe időbeli megosztása. A Hadoop-ot vizsgáljuk, és hasonlóan a kulcsérték-tárolóhoz - talán ez egy adat mart, kevesebb, mint az adattárház -, és így ezeket a mintákat újból meglátjuk. Most azt próbálom meggondolni, hogy mit csináltak az emberek 40 évvel ezelőtt? Milyen megközelítéseket és technikákat és módszereket alkalmaztak, amelyeket az emberek technológiái korlátoztak? Ez a fajta vezérlő ezt a gondolkodási folyamatot. Tehát amikor áttekintettük a Hadoop mint eszköz nagyobb képét, amikor visszatérünk és gondolkodunk az üzleti következményekről, ez egy olyan út, amelyet általában átvezetünk az embereknek, hogy megnézhessük, milyen darabokat, mely részeket tartalmaznak az adatok döntési út. Ez csak valami, amit meg akartam osztani. Ez egy olyan gondolkodásmód, amelyet belsőleg alkalmaztunk, és remélhetőleg hozzáadunk a beszélgetéshez. Szóval visszaadom neked, Eric.
Eric Kavanagh: Ez fantasztikus. Ha tudsz maradni néhány kérdéssel és kérdéssel kapcsolatban. De tetszett, hogy visszavitte az üzleti szintet, mert a nap végén az üzletről van szó. Arról szól, hogy elkészítjük a dolgokat, és meg kell győződnünk arról, hogy okosan költenek pénzt, és ez az egyik kérdés, amelyet már láttam, ezért a felszólalóknak érdemes gondolkodniuk azon, hogy mi a TCL a Hadoop útvonalon. Van valami kedves hely a között, például az irodai polcok szerszámaival, a dolgok hagyományos módon történő elvégzésével és az új szerszámkészletekkel, mert ismét gondolkodj bele, sok ilyen cucc nem új, csak egyfajta azt hiszem, a legmegfelelőbb módszer egy új módszerrel történő összeillesztés.
Tehát menjünk előre, és mutassuk be barátunkat, Nikita Ivanovot. A GridGain alapítója és vezérigazgatója. Nikita, megyek előre, és átadom a kulcsot neked, és azt hiszem, odakint vagy. Hallasz engem Nikita?
Nikita Ivanov: Igen, itt vagyok.
Eric Kavanagh: Kiváló. Tehát a padló a tied. Kattintson a diára. Használja a lefelé mutató nyilat, és vegye el. Öt perc.
Nikita Ivanov: Melyik diára kattinthatok?
Eric Kavanagh: Csak kattintson a csúszda bárhová, majd a billentyűzet lefelé mutató nyílával mozoghat. Csak kattintson a diára, és használja a lefelé mutató nyilat.
Nikita Ivanov: Rendben, csak néhány gyors dia a GridGainról. Mit csinálunk ennek a beszélgetésnek az összefüggésében? A GridGain alapvetően memóriában lévő számítógépes szoftvert állít elő, és a kifejlesztett platform része a memóriában lévő Hadoop gyorsító. A Hadoop szempontjából inkább magunkra gondolunk, mint a Hadoop teljesítmény szakembereire. Amit alapvetően a memórián belüli számítástechnikai platformon végezzük, amely olyan technológiákból áll, mint például az adatrács, a memória streaming és a számítási rácsok, képes lesz plug-and-and-play Hadoop gyorsítót csatlakoztatni. Ez nagyon egyszerű. Jó lenne, ha kidolgozunk valamilyen plug-and-play megoldást, amely közvetlenül a Hadoop telepítéséhez telepíthető. Ha Önnek, a MapReduce fejlesztőjének, fokozásra van szüksége anélkül, hogy új szoftvert kellene írnia, vagy a kód megváltoztatása, vagy a változás, vagy alapvetően minden minimális konfigurációs változtatást meg kell tennie a Hadoop-fürtön. Ezt fejlesztettük ki.
Alapvetően a memóriában lévő Hadoop gyorsító két elem optimalizálásán alapszik a Hadoop ökoszisztémájában. Ha a Hadoop-ra gondolsz, túlnyomórészt HDFS-en alapul, amely a fájlrendszer. A MapReduce, amely a versenyek párhuzamos, a fájlrendszer tetején történő futtatásának kerete. A Hadoop optimalizálása érdekében mindkét rendszert optimalizáljuk. Fejlesztettünk egy memória-fájlrendszert, amely teljesen kompatibilis, 100% -ban kompatibilis plug-and-play funkcióval, HDFS-sel. Futtathat a HDFS helyett, a HDFS tetején is futtathatja. Fejlesztettünk egy memóriában lévő MapReduce-t is, amely plug-and-play kompatibilis a Hadoop MapReduce-vel, de sok optimalizálás történik a MapReduce munkafolyamata és a MapReduce ütemezésének működése szempontjából.
Például erre a diára nézzen, ahol megmutatjuk a másolat halmazát. A bal oldalon a tipikus operációs rendszer található a GDM-mel, ezen a diagramon felül az alkalmazás központja. Közepén van a Hadoop. És a Hadoop ismét a HDFS-en és a MapReduce-en alapul. Tehát ez ábrázolja ezen a diagramon, hogy mi az, amit beágyazunk a Hadoop verembe. Ismét plug-and-play; nem kell módosítania a kódot. Csak ugyanúgy működik. A következő dián alapvetően megmutattuk, hogyan optimalizáltuk a MapReduce munkafolyamatot. Ez valószínűleg a legérdekesebb rész, mert a legtöbb előnyt biztosítja a MapReduce feladatok futtatásakor.
A tipikus MapReduce, amikor elküldi a munkát, és a bal oldalon diagram látható, ott a szokásos alkalmazás. Tehát általában a munkát nyújtja be, és a munka egy munkakövetőhöz kerül. 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. Köszönöm.
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.
Kösz.
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. Mit gondolsz arról?
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. Erről szól. 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. Mit gondolsz arról?
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.
Ezzel búcsút fogunk adni neked, emberek. 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. Viszlát.
