Toimittajan huomautus: Tämä on live-lähetyksen kopio. Voit tarkastella webcast-lähetystä kokonaan täällä.
Eric Kavanagh: Hyvät naiset ja herra, on aika tulla viisaiksi! On aika TechWise: lle, aivan uudelle näyttelylle! Nimeni on Eric Kavanagh. Aion olla moderaattorisi TechWisen avajaisjaksossa. Se on aivan oikein. Tämä on Techopedian ja Bloor-ryhmän yhteistyö, tietysti Inside Analysis -maineen kanssa.
Nimeni on Eric Kavanagh. Moderoin tätä todella mielenkiintoista ja mukana olevaa tapahtumaa, ihmiset. Aiomme kaivaa syvälle kutoa ymmärtääksemme mitä tapahtuu tämän suuren asian, nimeltään Hadoop, kanssa. Mikä on norsu huoneessa? Sitä kutsutaan Hadoop. Yritämme selvittää, mitä se tarkoittaa ja mitä sen kanssa tapahtuu.
Ensinnäkin, suuri kiitos sponsoreillemme, GridGainille, Actianille, Zettasetille ja DataTorrentille. Saamme jokaiselta lyhyen muutaman sanan läheltä tämän tapahtuman loppua. Meillä on myös Q & A, joten älä ole ujo, lähetä kysymyksesi milloin tahansa.
Tutkimme yksityiskohtia ja jätämme kovat kysymykset asiantuntijoillemme. Ja kun puhutaan asiantuntijoista, hei, he ovat. Joten, me kuulemme omaa tohtori Robin Blooria ja ihmisiä, olen erittäin innoissani siitä, että saan legendaarisen Ray Wangin, pääanalyytikon ja Constellation Researchin perustajan. Hän on tänään online-tilassa antaakseen meille ajatuksiaan ja on kuin Robin, että hän on uskomattoman monimuotoinen ja keskittyy todella moniin eri aloihin ja kykenee syntetisoimaan ne ja ymmärtämään todella, mitä tällä koko tietotekniikan alalla tapahtuu. ja tiedonhallinta.
Joten siellä tuo pieni söpö norsu. Hän on tien alussa, kuten näet. Se on vasta alkamassa, se on vain eräänlainen alkaminen, tämä koko Hadoop-asia. Luonnollisesti jo vuonna 2006 tai 2007, kun se julkaistiin avoimen lähdekoodin yhteisölle, mutta ihmisiä on tapahtunut paljon. Kehitystä on tapahtunut valtavasti. Itse haluan tuoda esiin tarinan, joten aion tehdä nopean työpöydän jakamisen, ainakin luulen olevani. Tehdään nopea työpöydän jakaminen.
Näytän sinulle vain hullu, hullu tarina. Joten Intel sijoitti 740 miljoonaa dollaria ostaakseen 18 prosenttia Clouderasta. Ajattelin ja olen kuin "Pyhä joulu!" Aloin tehdä matematiikkaa ja se on kuin "Se on 4, 1 miljardin dollarin arvo". Ajattellaan tätä hetkeksi. Tarkoitan, jos WhatsApp on arvoltaan 2 miljardia dollaria, luulen, että Cloudera voi yhtä hyvin olla 4, 1 miljardin dollarin arvoinen, eikö niin? Tarkoitan, miksi ei? Jotkut näistä numeroista ovat vain ikkunan ulkopuolella nykyään, ihmiset. Tarkoitan, tyypillisesti sijoitusten suhteen, että sinulla on käyttökate ja kaikki nämä erilaiset mekanismit, tulokerroin ja niin edelleen. Clouderan, joka on mahtava yritys, saaminen 4, 1 miljardiin dollariin on yksi helppo tulotulos. Älä ymmärrä minua väärin - siellä on joitain erittäin, erittäin fiksuja ihmisiä, mukaan lukien kaveri, joka aloitti koko Hadoopin villityksen, Doug Cutting, hän on täällä - paljon erittäin älykkäitä ihmisiä, jotka tekevät paljon todella, todella hienoja asioita, mutta lopputulos on, että 4, 1 miljardia dollaria, se on paljon rahaa.
Joten tässä on eräänlainen vangittu ilmeinen hetki käydäni pääni läpi nyt, joka on siru, Intel. Heidän sirun suunnittelijat tuovat katsomaan Hadoopin optimoimaa sirua - Minun on ajateltava niin, ihmiset. Se on vain arvaukseni. Se on vain huhu, joka tulee minulta, jos haluat, mutta se on sellainen järkevä. Ja mitä tämä kaikki tarkoittaa?
Joten tässä on minun teoriani. Mitä tapahtuu? Paljon näitä juttuja ei ole uutta. Massiivinen rinnakkaiskäsittely ei ole kovin uusi. Rinnakkaiskäsittely ei ole uusi. Olen ollut supertietokoneiden maailmassa jonkin aikaa. Monet näistä tapahtumista eivät ole uusia, mutta on sellainen yleinen tietoisuus, että on uusi tapa hyökätä joihinkin näistä ongelmista. Se mitä näen tapahtuvan, jos tarkastelemme joitain Clouderan tai Hortonworksin suuria myyjiä ja joitain näistä muista miehistä, he tekevät oikeasti, jos keität sen alhaisimmalle tislatulle tasolle, se on sovelluskehitys. Sitä he tekevät.
He suunnittelevat uusia sovelluksia - osaan niistä liittyy liiketoimintaanalytiikka; Jotkut niistä sisältävät vain latausjärjestelmiä. Yksi myyjistämme, jotka ovat puhuneet siitä, he tekevät sellaisia juttuja koko päivän, tänään näyttelyssä. Mutta jos se on uskomattoman uusi, vastaus on taas "ei oikeasti", mutta tapahtuu suuria juttuja, ja henkilökohtaisesti mielestäni se, mitä Intelin kanssa tapahtuu tämän valtavan sijoituksen tekemisessä, on markkinat tekevä liike. He katsovat nykypäivän maailmaa ja näkevät, että se on tavallaan monopolimainen maailma. Siellä on Facebook ja he ovat lyöneet vain nokan huonosta MySpacestä. LinkedIn on lyönyt kurkun köyhiltä Kuka Kuka. Joten katsot ympärilleen ja se on yksi palvelu, joka hallitsee kaikkia näitä eri tiloja nykymaailmassa, ja uskon, että ajatuksena on, että Intel heittää kaikki sirut Clouderaan ja yrittää nostaa sen pinon kärkeen - se on vain teoriaani.
Joten ihmiset, kuten sanoin, meillä on pitkä Q & A-istunto, joten älä ole ujo. Lähetä kysymyksesi milloin tahansa. Voit tehdä niin käyttämällä kyseistä webcast-konsolin Q&A-komponenttia. Ja sen kanssa haluan päästä sisältöön, koska meillä on paljon tavaraa läpi.
Joten, Robin Bloor, anna minun antaa avaimet sinulle ja lattia on sinun.
Robin Bloor: OK, Eric, kiitos siitä. Tuokaamme tanssivat norsut. On itse asiassa utelias asia, että norsut ovat ainoat maa-nisäkkäät, jotka eivät todellakaan voi hypätä. Kaikilla näillä norsuilla tässä grafiikassa on ainakin yksi jalka maassa, joten luulen että se on mahdollista, mutta tietyssä määrin nämä ovat ilmeisesti Hadoop-norsuja, joten erittäin, erittäin kykeneviä.
Kysymys, josta mielestäni on keskusteltava ja siitä on keskusteltava kaikessa rehellisyydessä. Siitä on keskusteltava ennen kuin menet muualle, mikä on oikeasti alkaa puhua siitä, mikä Hadoop todella on.
Yksi niistä asioista, jotka se ehdottomasti on ihmisten pelaamisesta, on avain-arvokauppa. Meillä oli ennen avain-arvokauppoja. Meillä oli tapana käyttää niitä IBM: n keskuskoneissa. Meillä oli niitä minitietokoneissa; DEC VAX: lla oli IMS-tiedostoja. Oli ISAM-ominaisuuksia, joita oli melkein jokaisella minitietokoneella, johon voit saada käsiisi. Mutta joskus 80-luvun lopulla, Unix tuli sisään ja Unixillä ei oikeastaan ollut avain-arvo-myymälää siinä. Kun Unix kehitti sen, ne kehittyivät erittäin nopeasti. Tapahtui todellakin se, että tietokantatoimittajat, etenkin Oracle, menivät höyryttämään sinne ja he myivät tietokannat huolehtimaan kaikista tiedoista, joita haluat hallita Unixissa. Windows ja Linux osoittautuivat samoiksi. Joten, teollisuus meni parasta osaa 20 vuotta ilman yleiskäyttöistä avain-arvo-myymälää. No, se on palannut nyt. Sen lisäksi, että se on takaisin, se on skaalautuva.
Nyt mielestäni todella se on perusta, mikä Hadoop todella on, ja tietyssä määrin se määrää minne se menee. Mitä pidämme avain-arvokaupoista? Ne teistä, jotka ovat yhtä vanhoja kuin minä ja muistan todella työskentelevän avain-arvokauppojen kanssa, ymmärtävät, että voisit melko paljon käyttää niitä epävirallisesti perustamaan tietokannan, mutta vain epävirallisesti. Tiedät, että metatiedot tallentavat arvot nopeasti ohjelmakoodiin, mutta voit tosiasiallisesti luoda ulkoisen tiedoston, ja jos pystyisit aloittamaan avain-arvovaraston käsittelemisen vähän kuin tietokanta. Mutta tietenkin sillä ei ollut kaikkea sitä tietokannan palautuskykyä, eikä sillä ollutkaan hirveästi paljon asioita, jotka tietokannat ovat nyt saaneet, mutta se oli todella hyödyllinen ominaisuus kehittäjille ja se on yksi syy mielestäni että Hadoop on osoittautunut niin suosituksi - yksinkertaisesti siksi, että siihen ovat olleet nopeat ohjelmoijat, ohjelmoijat, kehittäjät. He tajusivat, että paitsi myymälän avain-arvo, myös pienentävän avain-arvon myymälä. Se skaalautuu melko paljon loputtomiin. Lähetin nämä asteikot tuhansiksi palvelimiksi, joten se on todella iso asia Hadoopissa, juuri se on.
Sillä on myös päälle MapReduce, joka on rinnakkaisalgoritmi, mutta se ei oikeastaan ole mielestäni tärkeää. Joten, tiedätkö, Hadoop on kameleontti. Se ei ole vain tiedostojärjestelmä. Olen nähnyt Hadoopille erilaisia vaatimuksia: se on salainen tietokanta; se ei ole salainen tietokanta; se on tavaratalo; se on analyyttinen työkalupakki; se on ELT-ympäristö; se on tietojen puhdistustyökalu; se on suoratoistoalustojen tietovarasto; se on arkistokauppa; se on parannus syöpään ja niin edelleen. Suurin osa näistä asioista ei todellakaan ole totta vanilja Hadoopille. Hadoop on todennäköisesti prototyyppi - se on varmasti SQL-tietokannan prototyyppikeskus, mutta siinä ei oikeastaan ole, jos sijoitat ikätilan ikäluettelon kanssa Hadoopin päälle, sinulla on jotain, joka näyttää tietokannalta, mutta se ei oikeastaan ole mitä kuka tahansa kutsuisi tietokannaksi ominaisuuksien suhteen. Paljon näitä ominaisuuksia, voit varmasti hankkia ne Hadoopilla. Niitä on varmasti paljon. Itse asiassa voit saada jonkin lähteen Hadoopista, mutta Hadoop itsessään ei ole sitä, jota sanoisin toiminnallisesti kovetetuksi, ja siksi Hadoopia koskeva sopimus, jota en todellakaan olisi missään muussa, on, että sinun on sellainen kolmas -puoluetuotteet sen parantamiseksi.
Joten puhumalla sinusta voit heittää vain muutama rivi, kun puhun Hadoop overreach. Ensinnäkin, reaaliaikainen kyselyominaisuus, hyvin tiedät, että reaaliaika on eräänlainen liiketoiminnan aika, tosiasiassa, melkein aina suorituskyky kriittinen, muuten. Tarkoitan, miksi sinä suunnittelit reaaliaikaista? Hadoop ei todellakaan tee tätä. Se tekee jotain, joka on lähellä reaaliaikaista, mutta se ei oikeastaan tee reaaliaikaisia juttuja. Se suorittaa suoratoistoa, mutta se ei tee suoratoistoa tavalla, jota kutsun todella operatiiviseksi kriittiseksi tyyppiseksi sovelluksen suoratoistoalustaksi. Tietokannan ja poistettavan myymälän välillä on ero. Synkronoi se yli Hadoopin avulla antaa sinulle selkeän tietovaraston. Se on kuin tietokanta, mutta se ei ole sama kuin tietokanta. Hadoop sen alkuperäisessä muodossa ei mielestäni oikeastaan ole tietokantaa ollenkaan, koska se puuttuu monista asioista, jotka tietokannalla pitäisi olla. Hadoop tekee paljon, mutta ei tee sitä erityisen hyvin. Kyseessä on jälleen kyky, mutta olemme kaukana siitä, että kaikilla näillä alueilla todella on nopea kyky.
Toinen asia, joka ymmärretään Hadoopista, on, että se on pitkä matka sen kehitystyön jälkeen. Se kehitettiin alkuaikoina; se kehitettiin, kun meillä oli palvelimia, joilla todellisuudessa oli vain yksi suoritin kutakin palvelinta kohti. Meillä ei koskaan ollut moniytimisiä prosessoreita, ja se rakennettiin ajamaan ruudukkoja, käynnistämään ruudukkoja ja katkaisijoita. Yksi Hadoopin suunnittelutavoitteista oli koskaan menettää työtä. Ja kyse oli todella levyvikaan, koska jos sinulla on satoja palvelimia, niin todennäköisyys on, että jos sinulla on levyjä palvelimilla, todennäköisyys on, että saat käytettävyyttä jonkin aikaa kuten 99.8. Tämä tarkoittaa, että saat keskimäärin yhden palvelimen vian 300 tai 350 päivän välein, yhden päivän vuodessa. Joten jos sinulla olisi satoja näitä, todennäköisyys on milloin tahansa vuoden päivänä, että saat palvelinvian.
Hadoop on rakennettu nimenomaan ratkaisemaan tämä ongelma - siten, että jos jokin epäonnistuu, se ottaa tilannekuvia kaikesta tapahtuvasta jokaisesta palvelimesta ja voi palauttaa käynnissä olevan erätyön. Ja se oli kaikki mitä Hadoopilla koskaan juoksi oli erätyö ja se on todella hyödyllinen kyky, se on sanottava. Jotkut suoritettavista eristä - etenkin Yahoo: ssa, jossa mielestäni Hadoop oli syntynyt - toimisivat kaksi tai kolme päivää, ja jos se epäonnistui päivän kuluttua, et todellakaan halunnut menettää työtä se oli tehty. Joten se oli suunnittelupiste Hadoopin saatavuuden takana. Et soittaisi niin korkeaksi saatavuudeksi, mutta voit kutsua sitä korkeaksi saatavuudeksi sarjaerätyöissä. Se on luultavasti tapa katsoa sitä. Korkea käytettävyys määritetään aina työlinjan ominaisuuksien mukaan. Tällä hetkellä Hadoop voidaan konfiguroida vain todella sarjaerätyöhön tällaisen palautuksen suhteen. Yritysten korkea käytettävyys on luultavasti parhaiten ajateltu tapahtuma-elämän parantamisen kannalta. Uskon, että jos et tarkastele sitä sellaisena reaaliaikaisena asiana, Hadoop ei tee sitä vielä. Se on todennäköisesti pitkä matka kaukana tekemisestä.
Mutta tässä on Hadoopin kaunis asia. Oikealla puolella oleva grafiikka, jolla on luettelo myyjistä reunan ympärillä, ja kaikki siinä olevat rivit osoittavat näiden myyjien ja Hadoop-ekosysteemin muiden tuotteiden väliset yhteydet. Jos tarkastellaan sitä, se on uskomattoman vaikuttava ekosysteemi. Se on melko merkittävä. Puhumme tietysti monien myyjien kanssa heidän ominaisuuksiensa suhteen. Niiden myyjien joukossa, joiden kanssa olen puhunut, on joitain todella poikkeuksellisia ominaisuuksia, jotka liittyvät Hadoopin ja muistin käyttöön, tapa käyttää Hadoopia pakattuina arkistoina, Hadoopin käyttö ETL-ympäristössä ja niin edelleen ja niin edelleen. Mutta todella, jos lisäät tuotteen itse Hadoopiin, se toimii erittäin hyvin tietyssä tilassa. Joten vaikka olen kriittinen alkuperäisen Hadoopin suhteen, en ole kriittinen Hadoopin suhteen, kun lisäät siihen todella voimaa. Mielestäni Hadoopin suosio tyyppi takaa sen tulevaisuuden. Tarkoitan sillä, että vaikka kaikki tähän mennessä Hadoopille kirjoitetut koodirivit katoavat, en usko, että HDFS-sovellusliittymä katoaa. Toisin sanoen luulen, että tiedostojärjestelmä, API, on täällä pysyäkseen, ja mahdollisesti YARN, sitä tarkasteleva ajoitus.
Kun todella tarkastellaan sitä, se on erittäin tärkeä kyky ja minä selvitän siitä jonkin verran minuutissa, mutta toinen asia, joka on, sanotaanpa, jännittäviä ihmisiä Hadoopista, on koko avoimen lähdekoodin kuva. Joten on syytä käydä läpi mikä on avoimen lähdekoodin kuva suhteessa todelliseen kykyyn. Vaikka Hadoop ja kaikki sen komponentit voivat varmasti tehdä niin kutsuttua datanpituutta - tai kuten haluan kutsua sitä, tietovarastona -, se on ehdottomasti erittäin hyvä lavastusalue pudottaa tietoja organisaatioon tai kerätä tietoja organisaatiossa - erittäin hyvä hiekkalaatikoille ja kulmatiedoille. Se on erittäin hyvä prototyyppikehitysalusta, jonka saatat ottaa käyttöön päivän päätteeksi, mutta tiedät kehitysympäristönä melkein kaiken mitä tarvitset. Arkistokauppana on melko paljon mitä tarvitset, ja se ei tietenkään ole kallista. En usko, että meidän pitäisi erottaa jompikumpi näistä kahdesta asiasta Hadoopista, vaikka ne eivät ole muodollisesti, jos haluat, Hadoopin komponentteja. Verkkokiila on tuonut valtavan määrän analytiikkaa avoimen lähdekoodin maailmaan, ja paljon kyseistä analysointia suoritetaan nyt Hadoopilla, koska se antaa sinulle kätevän ympäristön, jossa voit itse ottaa paljon ulkoista tietoa ja vain alkaa pelata analyyttisessä hiekkalaatikossa.
Ja sitten sinulla on avoimen lähdekoodin ominaisuudet, jotka molemmat ovat koneoppimista. Molemmat ovat erittäin tehokkaita siinä mielessä, että ne toteuttavat tehokkaita analyyttisiä algoritmeja. Jos laitat nämä asiat yhteen, sinulla on jonkin erittäin, erittäin tärkeän ominaisuuden ydin, joka on tavalla tai toisella erittäin todennäköistä - kehittyykö se yksin vai tulevatko myyjät täyttämään puuttuvat kappaleet - se todennäköisesti jatkuu pitkään ja varmasti uskon, että koneoppimisella on jo erittäin suuri vaikutus maailmaan.
Hadoopin, langan evoluutio muutti kaiken. Mitä oli tapahtunut, MapReduce oli melko paljon hitsattu varhaiseen tiedostojärjestelmään HDFS. Kun YARN esiteltiin, se loi aikataulutusominaisuuden ensimmäisessä julkaisussaan. Et odota erittäin hienostunutta aikataulua ensimmäisestä julkaisusta, mutta se tarkoitti, että se ei ollut enää välttämättä laastariympäristö. Se oli ympäristö, jossa voidaan suunnitella useita töitä. Heti kun tämä tapahtui, oli olemassa koko joukko myyjiä, jotka olivat pitäneet poissa Hadoopista - he vain tulivat sisään ja muodostivat yhteyden siihen, koska silloin he vain katsoivat sitä tiedostojärjestelmän aikataulutusympäristönä ja voivat osoittaa juttuja osoitteeseen se. Jotkut tietokantamyyjät ovatkin ottaneet käyttöön tietokannat HDFS: llä, koska he vain ottavat moottorin ja laittavat sen vain HDFS: ään. CSS: n ja YARN: n kanssa siitä tulee erittäin mielenkiintoinen ympäristö, koska voit luoda monimutkaisia työnkulkuja HDFS: n kautta. Tämä tarkoittaa todella sitä, että voit alkaa ajatella sitä oikeasti alustana, joka voi suorittaa useita töitä samanaikaisesti ja ajaa itseään kohti tekemässä kriittisiä juttuja. Jos aiot tehdä niin, sinun on todennäköisesti ostettava joitain kolmansien osapuolien komponentteja, kuten turvallisuus ja niin edelleen ja niin edelleen, joita Hadoopilla ei oikeastaan ole tilintarkastustiliä aukkojen täyttämiseksi, mutta sinä päästä kohtaan, jossa jopa natiivi avoimen lähdekoodin avulla voit tehdä mielenkiintoisia asioita.
Mitä tulee mielestäni Hadoopiin menemään, uskon henkilökohtaisesti, että HDFSistä tulee oletusarvoinen skaalautuva tiedostojärjestelmä ja siksi siitä tulee OS, käyttöjärjestelmä, tietovirran ruudukkoon. Mielestäni sillä on tulevaisuudessa valtava tulevaisuus, enkä usko, että se pysähtyy siihen. Ja mielestäni tosiasiassa ekosysteemi vain auttaa, koska melkein kaikki, kaikki avaruuden myyjät, todella integroivat Hadoopin tavalla tai toisella ja he vain mahdollistavat sen. Toisen huomion arvoisen seikan kannalta, Hadoopin ylikuormituksen kannalta, ei se ole kovin hyvä alusta plus rinnakkaisuus. Jos katsot todella, mitä se tekee, mitä se todella tekee, se on ottaa tilannekuva säännöllisesti jokaisella palvelimella suorittaessaan MapReduce-työtään. Jos suunnittelisit todella nopeaa rinnakkaisuutta, et tee mitään sellaista. Itse asiassa et todennäköisesti käyttäisi MapReducea yksinään. MapReduce on vain se, jonka sanoisin puoli pystyvän samansuuntaiseksi.
Rinnakkaisuuteen on kaksi lähestymistapaa: toinen tapahtuu prosessoimalla prosesseja ja toisella jakamalla tietoja MapReduce ja se jakaa tiedot, joten on olemassa paljon työpaikkoja, joissa MapReduce ei todellakaan olisi nopein tapa tehdä se, mutta se antaa sinulle rinnakkaisuuden, eikä siitä ole mitään poistumista. Kun sinulla on paljon tietoja, sellainen teho ei yleensä ole yhtä hyödyllinen. Kuten olen jo sanonut, lanka on hyvin nuori aikataulutuskyky.
Hadoop on, piirtää viivan hiekkaan täällä, Hadoop ei ole tietovarasto. Se on niin kaukana tietovarastosta, että se on melkein järjetön ehdotus sanoa, että se on. Tässä kaaviossa se, mitä näytän yläreunassa, on eräänlainen tietovirta, joka siirtyy Hadoopin tietovarastoista gargantuan-mittakaavaan tietokantaan, jota me oikeasti teemmekin, yrityksen tietovarastoon. Näytän vanhoja tietokantoja, syöttän tietoja tietovarastoon ja purkuaktiviteetteja luomalla poistotietokantoja tietovarastosta, mutta se on itse asiassa kuva, jota aion nähdä syntyvän, ja sanoisin, että tämä on kuin ensimmäisen sukupolven mitä Hadoopin tietovarastoon tapahtuu. Mutta jos tarkastelet tietovarastoa itse, huomaat, että tietovaraston alla on optimoija. Sinulla on hajautettuja kyselytyöntekijöitä erittäin monien prosessien parissa, jotka sijaitsevat kenties erittäin monien suurten levyjen kohdalla. Näin tapahtuu tietovarastossa. Se on oikeastaan sellaista arkkitehtuuria, joka on rakennettu tietovarastoon, ja jonkin tällaisen rakentaminen vie paljon aikaa, ja Hadoopilla ei ole lainkaan sellaista. Joten Hadoop ei ole tietovarasto, ja siitä ei tule mielestäni milloin tahansa pian.
Sillä on tämä suhteellinen tietosäiliö, ja se näyttää tavallaan mielenkiintoiselta, jos tarkastellaan maailmaa vain tapahtumasarjana, joka virtaa organisaatioon. Sitä näytän tämän kaavion vasemmalla puolella. Kun se käy läpi suodatus- ja reititysominaisuuden ja streamiin tarvittavat asiat, se tyhjennetään suoratoistosovelluksista ja kaikki muu menee suoraan tietovarastoon, missä se valmistellaan ja puhdistetaan, ja sitten ETL siirtää sen joko yhdelle tiedolle varasto tai looginen tietovarasto, joka koostuu useista moottoreista. Tämä on mielestäni Hadoopin luonnollinen kehityslinja.
ETW: n kannalta yksi asia, joka kannattaa tuoda esiin, on se, että itse tietovarasto todella siirrettiin - se ei ollut mitä se oli. Tietysti nykyään olettaa olevan olemassa hierarkkinen ominaisuus hierarkkista tietoa kohden siitä, mitä ihmiset tai jotkut ihmiset kutsuvat tietovarastoissa oleviin asiakirjoihin. Se on JSON. Mahdollisesti verkko kyselyt, jotka ovat kuvaajatietokantoja, mahdollisesti analytiikka. Joten, mitä me kohti olemme, on ETW, jolla on tosiasiallisesti monimutkaisempi työmäärä kuin mitä olemme tottuneet. Joten se on tavallaan mielenkiintoista, koska tietyllä tavalla se tarkoittaa, että tietovarasto on entistä hienostuneempaa, ja siksi siitä tulee vielä pidempi aika, ennen kuin Hadoop pääsee mihin tahansa lähelle sitä. Tietovaraston merkitys laajenee, mutta se sisältää silti myös optimoinnin. Sinulla on oltava optimointikyky, ei vain nyt kyselyjen lisäksi myös kaikkien näiden toimintojen kanssa.
Siinä se todella on. Se on kaikki, mitä halusin sanoa Hadoopista. Luulen voivani luovuttaa Rayn, jolla ei ole dioja, mutta hän on aina hyvä puhumaan.
Eric Kavanagh: Otan dioja. Siellä on ystävämme, Ray Wang. Joten, Ray, mitä ajattelet kaikesta tästä?
Ray Wang: Luulen, että tämä oli todennäköisesti yksi ytimekäs ja hieno historia avain-arvokaupoista ja mihin Hadoop on mennyt suhteessa yrityksiin, jotka ovat ulkona, joten opit aina paljon kuunnellessani Robinia.
Itse asiassa minulla on yksi dio. Voin avata yhden diojen täältä.
Eric Kavanagh: Mene vain eteenpäin ja napsauta, napsauta Käynnistä ja siirry jakamaan työpöytäsi.
Ray Wang: Sain sen. Jaan tosiasiallisesti. Voit nähdä itse sovelluksen. Katsotaan miten se menee.
Kaikki tämä puhe Hadoopista ja sitten menemme syvälle keskusteluun olemassa olevista tekniikoista ja siihen, mihin Hadoop suuntaa, ja monta kertaa haluan vain ottaa sen takaisin, jotta todella käydään yrityskeskustelu. Suurin osa tekniikan puolella tapahtuvista asioista on todella tämä pala, jossa olemme puhuneet tietovarastoista, tiedonhallinnasta, tietojen laadusta, tietojen hallitsemisesta, ja niin meillä on taipumus nähdä tämä. Joten jos tarkastellaan tätä kuvaajaa täällä aivan alhaalta, se on erittäin mielenkiintoista, että tyypit, joihin törmäämme, puhuvat Hadoopista. Meillä on teknologeja ja tietotieteilijöitä, jotka ovat nuorekkaita, heillä on paljon jännitystä, ja kyse on yleensä tietolähteistä, eikö niin? Kuinka hallitsemme tietolähteet? Kuinka saamme tämän oikealle laatutasolle? Mitä teemme hallintotavasta? Mitä voimme tehdä vastaamaan erityyppisiä lähteitä? Kuinka jatkamme perimää? Ja kaikenlaista keskustelua. Ja kuinka saamme lisää SQL: tä Hadoopistamme? Joten se osa tapahtuu tällä tasolla.
Sitten tiedon ja orkestroinnin puolella se on mielenkiintoista. Alamme sitoa saamme tämän käsityksen tuloksia tai vetämmekö sitä takaisin liiketoimintaprosesseihin? Kuinka sidomme sen kaikenlaisiin metatietomalleihin? Yhdistämmekö pisteitä esineiden välillä? Ja niin uudet verbit ja keskustelut siitä, kuinka me käytämme kyseistä tietoa, siirtyvät siitä, mitä perinteisesti olemme CRUD-maailmassa: luomme, luemme, päivitämme, poistamme, maailmaan, joka keskustelee siitä, miten osallistumme tai jaamme tai teemme yhteistyötä tai kuten tai vedä jotain.
Siellä olemme alkaneet nähdä paljon jännitystä ja innovaatioita, etenkin siitä, miten saada tämä tieto ja tuoda se arvoon. Se on teknologiavetoinen keskustelu punaisen viivan alapuolella. Tuon punaisen viivan yläpuolella saamme juuri niitä kysymyksiä, joita olemme aina halunneet kysyä, ja yksi niistä, jotka olemme aina esittäneet, on esimerkiksi, esimerkiksi kysymys vähittäiskaupasta sinulle on: "Miksi punaiset puserot myyvät paremmin Alabamassa kuin siniset puserot Michiganissa? " Voit ajatella sitä ja sanoa: "Se on tavallaan mielenkiintoista." Näet tuon kuvion. Kysymme tuon kysymyksen ja ihmettelemme: "Hei, mitä teemme?" Ehkä kyse on valtion kouluista - Michigan vs. Alabama. OK, saan tämän, näen minne olemme menossa. Ja niin meillä on alkanut saada talon yrityspuoli, rahoituksen, perinteisten BI-ominaisuuksien saaneet, markkinoinnin ja HR: n ihmiset sanovat: "Missä ovat kuvioni?" Kuinka pääsemme noihin malleihin? Ja niin näemme uuden tavan innovoida Hadoopin puolella. Kyse on todella siitä, kuinka pintapäivitystietoja saadaan nopeammin. Kuinka luomme tällaisia yhteyksiä? Se menee aina ihmisille, jotka tekevät kuten ad: tech: ta, joka yrittää periaatteessa yhdistää mainoksia ja asiaankuuluvaa sisältöä mistä tahansa reaaliaikaisista tarjousverkoista kontekstuaalisiin mainoksiin ja mainosten sijoitteluun ja tekee sen lennossa.
Joten se on mielenkiintoista. Näet Hadoopin etenemisen kohdasta "Hei, tässä on teknologiaratkaisu. Tässä meidän on tehtävä meidän saadaksemme nämä tiedot ihmisille." Sitten kun se ylittää liiketoimintalinjan, tästä tulee mielenkiintoista. Se on käsitys. Missä esitys on? Missä vähennys on? Kuinka ennustamme asioita? Kuinka otamme vaikutusvallan? Ja vie sitten se viimeiselle tasolle, jossa näemme tosiasiassa uuden joukon Hadoop-innovaatioita, joita tapahtuu päätöksentekojärjestelmien ja toimien ympärillä. Mikä on seuraavaksi paras toiminta? Joten tiedät, että siniset puserot myyvät paremmin Michiganissa. Istut tonnissa sinisiä villapaitoja Alabamassa. Selvä asia on, "kyllä, mennään tämä sinne". Kuinka teemme sen? Mikä on seuraava askel? Kuinka sitoudumme siihen takaisin? Ehkä seuraavaksi paras toiminta, ehkä se on ehdotus, ehkä se on jotain, joka auttaa estämään ongelman, ehkä se ei ole myöskään toiminta, joka on toiminta itsessään. Joten alamme nähdä, että tällaisia malleja syntyy. Ja tämän kauneus takaisin siihen, mitä sanot tärkeimmistä arvokaupoista, Robin, on, että se tapahtuu niin nopeasti. Se tapahtuu sillä tavalla, että emme ole ajatelleet sitä tällä tavalla.
Todennäköisesti sanoisin, että viimeisen viiden vuoden aikana olemme nousseet. Aloin miettiä, kuinka voimme hyödyntää uudelleen avain-arvokauppoja, mutta juuri viimeisen viiden vuoden aikana ihmiset suhtautuvat tähän hyvin eri tavalla ja se on kuin tekniikan syklit toistuvat 40 vuoden malleissa, joten tämä on sellaista hauska asia, jossa katsomme pilviä ja olen kuin mainframe-ajanjako. Tarkastelemme Hadoopia ja kuten avain-arvovarastoa - ehkä se on data-mart, vähemmän kuin tietovarasto - ja niin alamme nähdä nämä mallit uudelleen. Yritän nyt ajatella, mitä ihmiset tekivät 40 vuotta sitten? Mitä lähestymistapoja ja tekniikoita ja menetelmiä käytettiin, joita ihmisten tekniikat rajoittivat? Se on tällainen ajattelu tätä ajatteluprosessia. Joten kun käymme läpi Hadoopin työkaluna suuremman kuvan, kun palaamme ajatellessamme liiketoiminnan vaikutuksia, tämä on sellainen polku, jonka yleensä johdattelemme ihmisiä läpi, jotta näet mitä kappaleita, mitkä osat ovat tiedoissa päätökset polku. Se on vain jotain, jonka halusin jakaa. Se on sellaista ajattelua, jota olemme käyttäneet sisäisesti ja joka toivottavasti lisää keskustelua. Joten palautan sen takaisin sinulle, Eric.
Eric Kavanagh: Se on upeaa. Jos pystyt pitämään jotain kysyttävää ja vastausta. Mutta pidin siitä, että veit sen takaisin yritystasolle, koska päivän päätteeksi kyse on yrityksestä. Kyse on asioiden tekemisestä ja siitä, että käytät rahaa viisaasti. Se on yksi kysymyksistä, jotka olen jo nähnyt, joten puhujat saattavat haluta miettiä, mikä on Hadoop-reitin TCL. Välissä on hienoja kohtia, esimerkiksi toimistohyllytyökalujen käyttäminen asioiden tekemiseen jollain perinteisellä tavalla ja uusien työkalusarjojen käyttäminen, koska taas ajattele sitä, suuri osa näistä asioista ei ole uusi, se on vain eräänlainen yhdistäminen uudella tavalla on mielestäni paras tapa laittaa se.
Joten mennään eteenpäin ja esittelemme ystävällemme Nikita Ivanoville. Hän on GridGainin perustaja ja toimitusjohtaja. Nikita, aion mennä eteenpäin ja luovuttaa avaimet sinulle, ja uskon, että olet siellä. Kuuletko minua Nikita?
Nikita Ivanov: Kyllä, olen täällä.
Eric Kavanagh: Erinomainen. Joten lattia on sinun. Napsauta kyseistä diaa. Käytä alanuolta ja vie se pois. Viisi minuuttia.
Nikita Ivanov: mitä diaa napsautan?
Eric Kavanagh: Napsauta vain mitä tahansa kyseisen dion kohdalla ja liikuta sitten näppäimistön alanuolta. Napsauta vain itse dioa ja käytä alanuolta.
Nikita Ivanov: Hyvä on vain muutama nopea dia dioista GridGainista. Mitä teemme tämän keskustelun yhteydessä? GridGain tuottaa periaatteessa muistiin kuuluvaa laskentaohjelmistoa, ja osa kehittämäämme alustaa on muistissa oleva Hadoop-kiihdytin. Hadoopin suhteen meillä on taipumus ajatella itseämme Hadoopin suorituskyvyn asiantuntijoina. Se, mitä teemme, pääasiassa ytimessä olevan muistilaskentajärjestelmän päällä, joka koostuu tekniikoista, kuten tietoverkko, muistin suoratoisto ja laskentaverkot, pystyisi liittämään ja toistamaan Hadoop-kiihdyttimen. Se on hyvin yksinkertaista. Olisi hienoa, jos voimme kehittää jonkinlaisen plug-and-play-ratkaisun, joka voidaan asentaa suoraan Hadoop-asennukseen. Jos sinä, MapReducen kehittäjä, tarvitset lisäyksen ilman, että sinun tarvitsee kirjoittaa mitään uutta ohjelmistoa tai koodin muutosta tai muutosta, tai sinulla on periaatteessa kaikki minimaaliset kokoonpanomuutokset Hadoop-klusterissa. Sitä me kehitimme.
Periaatteessa muistissa oleva Hadoop-kiihdytin perustuu kahden komponentin optimointiin Hadoop-ekosysteemissä. Jos ajattelet Hadoop-ohjelmaa, se perustuu pääosin HDFS: ään, joka on tiedostojärjestelmä. MapReduce, joka on kehys kilpailujen järjestämiseen rinnakkain tiedostojärjestelmän päällä. Hadoopin optimoimiseksi optimoimme molemmat järjestelmät. Kehitimme muistitiedostojärjestelmän, joka on täysin yhteensopiva, 100-prosenttisesti yhteensopiva plug and play -sovelluksen kanssa HDFS. Voit ajaa HDFS: n sijasta, voit suorittaa HDFS: n päällä. Ja kehitimme myös muistiin tallennetun MapReducen, joka on plug-and-play-yhteensopiva Hadoop MapReduce -sovelluksen kanssa, mutta on olemassa paljon optimointeja siihen, kuinka MapReducen työvirta ja miten MapReduce-aikataulu toimii.
Jos tarkastelet esimerkiksi tätä dioa, missä näytämme millaisen kopion pino on. Vasemmalla puolella on tyypillinen käyttöjärjestelmäsi GDM: llä ja tämän kaavion päällä on sovelluskeskus. Keskellä sinulla on Hadoop. Ja Hadoop perustuu jälleen HDFS: ään ja MapReduce-järjestelmään. Joten tämä edustaa tässä kaaviossa, mitä me upotamme Hadoop-pinoon. Jälleen se on plug-and-play; sinun ei tarvitse muuttaa mitään koodia. Se toimii vain samalla tavalla. Seuraavassa diassa osoitimme lähinnä kuinka optimoimme MapReduce-työnkulun. Se on luultavasti mielenkiintoisin osa, koska se antaa sinulle suurimman hyödyn, kun ajat MapReduce-töitä.
Tyypillinen MapReduce, kun lähetät työn, ja vasemmalla puolella on kaavio, siinä on tavallinen sovellus. Joten yleensä lähetät työn ja työ menee työnhakijalle. 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. Kiitos.
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.
Kiitos.
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. Katsotaan. I'm going to bring Phu back into the equation here. We've got a good question for you. One of the attendees is asking how is DataTorrent different from Storm or Kafka or the Redis infrastructure. Phu, are you out there? Hey, Phu, can you hear me? Maybe I'm mute.
Let's bring Ray Wang back into this. Ray, you've seen a lot of these technologies and looked at how they worked. I really love this concept of turning over control or giving control to end users of the operators. I like to think of them as like really powerful Legos that they can use to kind of build some of these applications. Can you comment on that? What do you think about all that?
Ray Wang: Coming from my technical background, I'd say I'm scared - I was scared shitless! But honestly, I think it's important, I mean, in order to get scale. There's no way you can only put so many requests. Think about the old way we did data warehousing. In the business I had to file the request for a report so that they could match all the schemes. I mean, it's ridiculous. So we do have to get to a way for the business side of the house and definitely become data jocks. We actually think that in this world, we're going to see more digital artists and people that have the right skills, but also understand how to take that data and translate that into business value. And so these digital artisans, data artisans depending on how you look at this, are going to need both really by first having the curiosity and the right set of questions, but also the knowledge to know when the data set stinks. If I'm getting a false positive or a false negative, why is that happening?
I think a basic level of stats, a basic level of analytics, understanding that there's going to be some training required. But I don't think it's going to be too hard. I think if you get the right folks that should be able to happen. You can't democratize the whole decision-making process. I see that happening. We see that in a lot of companies. Some are financial services clients are doing that. Some of our retail folks are doing that, especially in the razor-thin margins that you are seeing in retail. I was definitely seeing that in high tech just around here in the valley. That's just kind of how people are. It's emerging that way but it's going to take some time because these basic data skills are still lacking. And I think we need to combine that with some of the stuff that some of these guys are doing here on this webinar.
Eric Kavanagh: Well, you bring up a really good point. Like how many controls you want to give to the average end user. You don't want to give an airplane cockpit to someone who's driving a car for the first time. You want to be able to closely control what they have control over. I guess my excitement kind of stems around being able to do things yourself, but the key is you got to put the right person in that cockpit. You got to have someone who really knows what they're doing. No matter what you hear from the vendor community folks, when somebody's more powerful tools are extremely complex, I mean if you are talking about putting together a string of 13, 14, 15 operators to do a particular type of transformation on your data, there are not many people who could do that well. I think we're going to have many, many more people who do that well because the tools are out there now and you can play with the stuff, and there is going to be a drive to be able to perfect that process or at least get good at it.
We did actually lose Phu, but he's back on the line now. So, Phu, the question for you is how is DataTorrent different from, like, Storm or Kafka or Redis or some of these others?
Phu Hoang: I think that's a great question. So, Redis of course is really an in-memory data store and we connect to Redis. We see ourselves as really a processing engine of data, of streaming data. Kafka again is a great bus messaging bus we use. It's actually one of our favorite messaging bus, but someone has to do the big data processing across hundreds of nodes that is fault tolerant, that is scalable, and I repeat that as the job that we play. So, yes, we are similar to Storm, but I think that Storm is really developed a long time ago even before Hadoop, and it doesn't have the enterprise-level thinking about scalability to the hundreds and millions, now even billions of events, nor does it really have the HA capability that I think enterprise requires.
Eric Kavanagh: Great. And you know, speaking of HA, I'll use that as an excuse to bring Robin Bloor back into the conversation. We just talked about this yesterday. What do you mean by high availability? What do you mean by fault tolerance? What do you mean by real time, for example? These are terms that can be bent. We see this all time in the world of enterprise technology. It's a good term that other people kind of glom onto and use and co-opt and move around and then suddenly things don't mean quite what they used to. You know, Robin, one of my pet peeves is this whole universe of VOIP. It's like "Why would we go down in quality? Isn't it important to understand what people say to you and why that matters?" But I'll just ask you to kind of comment on what you think. I'm still laughing about Ray's comment that he's scared shitless about giving these people. What do you think about that?
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? Suurella voimalla tulee suuri vastuu. You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?
Eric Kavanagh: I love that quote, that's awesome. Let me see. I'm going to go ahead and throw just for this slide up here from GridGain, can you talk about, Nikita, when you come in to play, how do you actually get these application super charged? I mean, I understand what you are doing, but what does the process look like to actually get you embedded, to get you woven in and to get all that stuff running?
Nikita Ivanov: Well, the process is relatively simple. You essentially just need to install GridGain and make a small configuration change, just to let Hadoop know that there is now the HDFS if you want to use HDFS and you have to set up which way you want to use it. You can get it from BigTop, by the way. It's probably the easiest way to install it if you're using the Hadoop. That's about it. With the new versions coming up, a little in about few weeks from now, by the end of May, we're going to have even more simplified process for this. So the whole point of the in-memory Hadoop accelerator is to, do not code. Do not make any changes to your code. The only that you need to do is install it and have enough RAM in the cluster and off you go, so the process is very simple.
Eric Kavanagh: Let me bring John Santaferraro back in. We'll take a couple more questions here. You know, John, you guys, we've been watching you from various perspectives of course. You were over at PEAR Excel; that got folded into Actian. Of course, Actian used to be called Ingres and you guys made a couple of other acquisitions. How are you stitching all of that stuff together? I realize you might not want to get too technical with this, but you guys have a lot of stuff now. You've got Data Rush. I'm not sure if it's still the same name, but you got a whole bunch of different products that have been kind of woven together to create this platform. Talk about what's going on there and how that's coming along.
John Santaferraro: The good news is, Eric, that separately in the companies that we're acquired Pervasive, PEAR Excel and even when Actian had developed, everybody developed their product with very similar architectures. Number one, they were open with regards to data and interacting with other platforms. Number two, everything was parallelized to run in a distributed environment. Number three, everything was highly optimized. What that allowed us to do is to very quickly make integration points, so that you can be creating these data flows already today. We have established the integration, so you create the data flows. You do your data blending and enriching right on Hadoop, everything parallelized, everything optimized. When you want, you move that over into our high-performance engines. Then, there's already a high-performance connection between Hadoop and our massively parallel analytic engine that does these super-low-latency things like helping a bank recalculate and recast their entire risk portfolio every two minutes and feeding that into our real-time trading system or feeding it into some kind of a desktop for the wealth manager so they can respond to the most valuable customers for the bank.
We have already put those pieces together. There's additional integration to be done. But today, we have the Actian Analytics Platform as our offering because a lot of that integration was ready to go. It has already been accomplished, so we're stitching those pieces together to drive this entire analytic value chain from connecting the data, all of the processing that you do of it, any kind of analytics you want to run, and then using it to feed into these automated business processes so that you're actually improving that activity over time. It's all about this end-to-end platform that already exists today.
Eric Kavanagh: That's pretty good stuff. And I guess, Jim, I'll bring you back in for another couple of comments, and Robin, I want to bring you in for just one big question, I suppose. Folks, we will keep all these questions - we do pass them on to the people who participated in the event today. If you ever feel a question you asked was not answered, feel free to email yours truly. You should have some information on me and how to get ahold from me. Also, just now I put a link to the full deck with slides from non-sponsoring vendors. So we put the word out to all the vendors out there in the whole Hadoop space. We said, "Tell us what your story is; tell us what's going on." It's a huge file. It's about 40-plus megabytes.
But Jim, let me bring you back in and just kind of talk about - again, I love this concept - where you're talking about the pool party that comes to an end. Could you talk about how it is that you manage to stay on top on what's happening in the open-source community? Because it's a very fast-moving environment. But I think you guys have a pretty clever strategy of serving this sort of enterprise-hardening vendor that sits on top or kind of around that. Can you talk about your development cycles and how you stay on top of what's happening?
Jim Vogt: Sure. It is pretty fast moving in terms of if you look at just a snapshot updates, but what we're shipping in functionality today is about a year to a year and a half ahead of what we can get on security capabilities out to the community today. It's not that they're not going to get there; it just takes time. It's a different process, it has contributors and so forth, and it just takes time. When we go to a customer, we need to be very well versed in the open source and very well versed in mainly the security things that we're bringing. The reason that we're actually issuing patents and submitting patents is that there is some real value in IP, intellectual property, around hardening these open-source components. When we support a customer, we have to support all the varying open-source components and all the varying distributions as we do, and we also need to have the expertise around the specific features that we're adding to that open source to create the solution that we create. As a company, although we don't want the customer to be a Hadoop expert, we don't think you need to be a mechanic to drive the car. We need to be a mechanic that understands the car and how it works and understand what's happening between our code and the open source code.
Eric Kavanagh: That's great. Phu, I'll give you one last question. Then Robin, I have one question for you and then we'll wrap up, folks. We will archive this webcast. As I suggested, we'll be up on insideanalysis.com. We'll also go ahead and have some stuff up on Techopedia. A big thank you to those folks for partnering with us to create this cool new series.
But Phu … I remember watching the demo of the stuff and I was just frankly stunned at what you guys have done. Can you explain how it is that you can achieve that level of no failover?
Phu Hoang: Sure, I think it's a great question. Really, the problem for us had three components. Number one is, you can't lose the events that are moving from operator to operator in the Hadoop cluster. So we have to have event buffering. But even more importantly, inside your operators, you may have states that you're calculating. Let's say you're actually counting money. There's a subtotal in there, so if that node goes down and it's in memory, that number is gone, and you can't start from some point. Where would you start from?
So today, you have to actually do a regular checkpoint of your operator state down to this. You put that interval so it does not become a big overhead, but when a node goes down, it can come back up and be able to go back to exactly the right state where you last checkpointed and be able to bring in the events starting from that state. That allows you to therefore continue as if the event actually has never happened. Of course, the last one is to make sure that your application manager is also fault tolerant so that doesn't go down. So all three factors need to be in place for you to say that you're fully fault tolerant.
Eric Kavanagh: Yeah, that's great. Let me go ahead and throw one last question over to Robin Bloor. So one of the attendees is asking, does anyone think that Hortonworks or another will get soaked up/invested in by a major player like Intel? I don't think there's any doubt about that. I'm not surprised, but I'm fascinated, I guess, that Intel jumped in before like an IBM or an Oracle, but I guess maybe the guys at IBM and Oracle think they've already got it covered by just co-opting what comes out of the open-source movement. What do you think about that?
Robin Bloor: It's a very curious move. We should see in light of the fact that Intel already had its own Hadoop distribution and what it has effectively done is just passed that over to Cloudera. There aren't many powers in the industry as large as Intel and it is difficult to know what your business model actually is if you have a Hadoop distribution, because it is difficult to know exactly what it is going to be used for in the future. In other words, we don't know where the revenue streams are necessarily coming from.
With somebody like Intel, they just want a lot of processes to be solved. It is going to support their main business plan the more that Hadoop is used. It's kind of easy to have a simplistic explanation of what Intel are up to. It's not so easy to guess what they might choose to do in terms of putting code on chips. I'm not 100% certain whether they're going to do that. I mean, it's a very difficult thing to call that. Their next move at the hardware level, I think, is the system on a chip. When we go to the system on a chip, you may actually want to put some basic software on the chip, so to speak. So putting HDFS on there; that might make some sense. But I don't think that that was what that money investment was about. I think all that money investment was about was just making sure that Intel had a hand in the game and is actually going forward.
In terms of who else is going to buy, that is also difficult to say. I mean, certainly the SAPs and Oracles of this world have got enough money to buy into this or IBM has got enough money to buy into it. But, you know, this is all open source. IBM never bought a Linux distribution, even though they plowed a lot of money into Linux. It didn't break their hearts that they didn't actually have a Linux distribution. They're very happy to cooperate with Red Hat. I would say maybe Red Hat will buy one of these distributions, because they know how to make that business model work, but it's difficult to say.
Eric Kavanagh: Yeah, great point. So folks, I'm going to go ahead and just share my desktop one last time here and just show you a couple of things. So after the event, check out Techopedia - you can see that on the left-hand side. Here's a story that yours truly wrote, I guess a couple of months ago or a month and a half ago, I suppose. It really kind of spun out of a lot of the experience that we had talking with various vendors and trying to dig in to understanding what exactly is going on with the space because sometimes it can be kind of difficult to navigate the buzz words and the hype and the terminology and so forth.
Also a very big thank you to all of those who have been Tweeting. We had one heck of a Tweet stream here going today. So, thank you, all of you. You see that it just goes on and on and on. A lot of great Tweets on TechWise today.
This is the first of our new series, folks. Thank you so much for tuning in. We will let you know what's going on for the next series sometime soon. I think we're going to focus on analytics probably in June sometime. And folks, with that, I think we're going to go ahead and close up our event. We will email you tomorrow with a link to the slides from today and we're also going to email you the link to that full deck, which is a huge deck. We've got about twenty different vendors with their Hadoop story. We're really trying to give you a sort of compendium of content around a particular topic. So for bedtime reading or whenever you're interested, you can kind of dive in and try to get that strategic view of what's going on here in the industry.
Sen avulla me jäähyväiset, ihmiset. 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. Hei hei.
