Nota editorului: Aceasta este o transcriere a unei transmisiuni web în direct. Puteți vedea transmisia web complet aici.
Eric Kavanagh: Doamnelor și domnilor, este timpul să vă înțelegeți! Este timpul pentru TechWise, un show nou! Ma numesc Eric Kavanagh. Voi fi moderatorul tău pentru episodul nostru inaugural al TechWise. Este exact corect. Acesta este un parteneriat al Techopedia și al grupului Bloor, bineînțeles, de renume Inside Analysis.
Ma numesc Eric Kavanagh. Voi modera acest eveniment cu adevărat interesant și implicat, oameni buni. Vom fi săpați adânc în țesătură pentru a înțelege ce se întâmplă cu acest lucru mare numit Hadoop. Care este elefantul din cameră? Se numește Hadoop. Vom încerca să ne dăm seama ce înseamnă și ce se întâmplă cu acesta.
În primul rând, mulțumesc mare sponsorilor noștri, GridGain, Actian, Zettaset și DataTorrent. Vom primi câteva scurte cuvinte de la fiecare dintre ele aproape de sfârșitul acestui eveniment. Vom avea, de asemenea, un răspuns de întrebări și răspunsuri, așa că nu fiți timizi - trimiteți-vă întrebările în orice moment.
Vom săpa în detalii și vom arunca întrebările grele experților noștri. Și vorbind despre experți, hei, acolo sunt. Deci, vom auzi de la propriul nostru Dr. Robin Bloor, și oameni buni, sunt foarte încântat să am legendarul Ray Wang, analist principal și fondator al Constellation Research. El este online astăzi pentru a ne oferi gândurile sale și este ca Robin, că este incredibil de divers și se concentrează cu adevărat pe o mulțime de domenii diferite și are capacitatea de a le sintetiza și de a înțelege cu adevărat ce se întâmplă în acest întreg domeniu al tehnologiei informației. și gestionarea datelor.
Deci, există acel mic elefant drăguț. Este la început de drum, după cum puteți vedea. Abia începe acum, este doar un fel de început, acest lucru în întregul Hadoop. Desigur, în 2006 sau 2007, cred, este atunci când a fost lansat în comunitatea open-source, dar au apărut o mulțime de lucruri, oameni buni. Au fost dezvoltări uriașe. De fapt, vreau să aduc povestea, așa că voi face o partajare rapidă pe desktop, cel puțin cred că sunt. Haideți să facem o partajare rapidă pe desktop.
Vă arăt asta doar povești nebunești, nebunești. Deci, Intel a investit 740 de milioane de dolari pentru a cumpăra 18% din Cloudera. M-am gândit și sunt ca: „Sfânt Crăciun!” Am început să fac matematica și este ca: „Este o evaluare de 4, 1 miliarde de dolari”. Să ne gândim la asta pentru o secundă. Adică, dacă WhatsApp valorează 2 miliarde de dolari, presupun că Cloudera ar putea valora și 4, 1 miliarde de dolari, nu? Adică, de ce nu? Unele dintre aceste numere sunt doar pe fereastră în aceste zile, oameni buni. Adică, de obicei în ceea ce privește investițiile, aveți EBITDA și toate aceste alte mecanisme diferite, multipli de venituri și altele. Ei bine, va fi un număr mare de venituri pentru a ajunge la 4, 1 miliarde de dolari pentru Cloudera, care este o companie minunată. Nu mă înțelegeți greșit - există niște oameni foarte, foarte deștepți, inclusiv tipul care a început toată nebunia Hadoop, Doug Cutting, el este acolo - o mulțime de oameni foarte inteligenți care fac foarte multe, cu adevărat lucruri misto, dar linia de baza este ca cei 4, 1 miliarde de dolari, adica multi bani.
Iată un moment evident captiv de a-mi trece prin cap chiar acum, care este un cip, Intel. Designerii lor de cipuri aduc să vadă niște cipuri optimizate pentru Hadoop - trebuie să cred asta, oameni buni. Asta e doar ghicirea mea. Asta e doar un zvon, venind de la mine, dacă vrei, dar are sens. Și ce înseamnă toate acestea?
Iată, așadar, teoria mea. Ce se întâmplă? Multe din aceste lucruri nu sunt noi. Prelucrarea masivă paralelă nu este teribil de nouă. Procesarea paralelă este sigură că nu este nouă. Sunt o vreme în lumea supercomputării. Multe dintre aceste lucruri care se întâmplă nu sunt noi, dar există un fel de conștientizare generală că există o nouă modalitate de a ataca unele dintre aceste probleme. Ceea ce văd se întâmplă, dacă vă uitați la unii dintre cei mai mari furnizori de Cloudera sau Hortonworks și la unii dintre acești alți tipi, ceea ce fac cu adevărat dacă îl reduceți până la cel mai granular nivel distilat este dezvoltarea aplicațiilor. Asta fac.
Proiectează noi aplicații - unele dintre ele implică analize de afaceri; unele dintre ele implică doar sisteme de supraalimentare. Unul dintre vânzătorii noștri care au vorbit despre asta, face tot felul de lucruri toată ziua, în emisiunea de azi. Dar dacă este teribil de nou, din nou răspunsul este „nu chiar”, dar se întâmplă lucruri mari și, personal, cred că ceea ce se întâmplă cu Intel care face această investiție uriașă este o mișcare de creare a pieței. Ei privesc lumea astăzi și văd că astăzi este un fel de monopol. Există Facebook și au bătut doar șiretul din bietul MySpace. LinkedIn a bătut șmecherul din sărmanul Who’s Who. Deci priviți în jur și este un serviciu care domină toate aceste spații diferite din lumea noastră de azi și cred că ideea este că Intel va arunca toate jetoanele lor pe Cloudera și va încerca să-l ridice în vârful stivei - asta este doar teoria mea.
Deci, oamenii, așa cum am spus, vom avea o sesiune lungă de întrebări și răspunsuri, așa că nu fiți timizi. Trimiteți-vă întrebările în orice moment. Puteți face acest lucru folosind acea componentă Q&A a consolei dvs. de transmisie web. Și cu asta, vreau să ajungem la conținutul nostru, deoarece avem multe lucruri de trecut.
Deci, Robin Bloor, lasă-mă să-ți predau cheile și podeaua ta este.
Robin Bloor: OK, Eric, mulțumesc pentru asta. Hai să aducem elefanții care dansează. Este un lucru curios, de fapt, că elefanții sunt singurele mamifere terestre care nu pot sări efectiv. Toți acești elefanți din această grafică particulară au cel puțin un picior pe pământ, deci presupun că este posibil, dar într-o anumită măsură, aceștia sunt în mod evident elefanți Hadoop, deci foarte, foarte capabili.
Întrebarea, într-adevăr, că cred că trebuie discutată și trebuie discutată cu toată sinceritatea. Trebuie discutat înainte de a merge oriunde altundeva, ceea ce înseamnă să începi să vorbești cu adevărat despre ceea ce este de fapt Hadoop.
Unul dintre lucrurile pe care le are absolut din baza jocului omului este magazinul cu valoare cheie. Am avut magazine de valoare cheie. Obișnuiam să le avem pe mainframe IBM. Le-am avut pe minicomputere; DEC VAX avea fișiere IMS. Au existat capabilități ISAM, care erau pe aproape fiecare minicomputer pe care puteți pune mâna pe. Dar cândva la sfârșitul anilor '80, Unix a intrat și Unix nu avea de fapt niciun magazin cu valoare cheie. Când Unix a dezvoltat-o, s-au dezvoltat foarte rapid. Ceea ce s-a întâmplat cu adevărat a fost că furnizorii de baze de date, în special Oracle, au intrat în abur acolo și au vândut bazele de date pentru a avea grijă de orice date pe care doriți să le gestionați pe Unix. Windows și Linux s-au dovedit a fi la fel. Așadar, industria a mers în cea mai bună parte a celor 20 de ani fără un magazin de valoare-cheie cu scop general. Ei bine, s-a întors acum. Nu numai că este înapoi, dar este scalabil.
Acum, cred că este cu adevărat fundamentul a ceea ce este într-adevăr Hadoop și, într-o anumită măsură, determină unde va merge. Ce ne place la magazinele cu valoare cheie? Cei dintre voi care sunt la fel de bătrâni ca mine și de fapt își amintesc că lucrează cu magazinele cu valoare cheie își dau seama că le-ați putea folosi în mod informal pentru a stabili o bază de date, dar doar informal. Știi că metadatele valorizează rapid magazinele din codul programului, dar ai putea efectua un fișier extern și poți, dacă vrei să începi să tratezi un magazin cu valori cheie, cam ca o bază de date. Dar, desigur, nu avea toate acele capacități de recuperare pe care le are o bază de date și nu avea o mulțime de lucruri groaznice pe care le au acum bazele de date, dar a fost o caracteristică foarte utilă pentru dezvoltatori și acesta este unul dintre motivele pentru care cred încât Hadoop s-a dovedit atât de popular - pur și simplu pentru că au fost codificatori, programatori, dezvoltatori care se descurcă rapid. Și-au dat seama că nu numai că este o valoare cheie a magazinului, dar este un magazin cu valoare cheie. Scală destul de mult la nesfârșit. Am trimis aceste scale pe mii de servere, așa că acesta este lucrul cu adevărat mare despre Hadoop, și asta este.
De asemenea, are pe deasupra lui MapReduce, care este un algoritm de paralelizare, dar, de fapt, acest lucru nu este important. Deci, știi, Hadoop este un cameleon. Nu este doar un sistem de fișiere. Am văzut diverse tipuri de revendicări pentru Hadoop: este o bază de date secretă; nu este o bază de date secretă; este un magazin comun; este o cutie de instrumente analitică; este un mediu ELT; este instrumentul de curățare a datelor; este un depozit de date cu platforme de streaming; este un magazin de arhivă; este un remediu pentru cancer și așa mai departe. Majoritatea acestor lucruri nu sunt adevărate pentru vanilata Hadoop. Hadoop este probabil un prototyping - este cu siguranță un mediu de prototipare pentru o bază de date SQL, dar nu are într-adevăr, dacă puneți spațiu de vârstă cu catalogul de vârstă peste Hadoop, aveți ceva care arată ca o bază de date, dar nu este cu adevărat ceea ce oricine ar numi o bază de date în termeni de capacitate. O mulțime de aceste funcții, cu siguranță le puteți obține pe Hadoop. Cu siguranță există multe dintre ele. De fapt, puteți obține o sursă de Hadoop, dar Hadoop în sine nu este ceea ce aș numi întărit operațional, și, prin urmare, afacerea despre Hadoop, într-adevăr nu aș fi pe altceva, este că trebuie să aveți al treilea -partimente pentru îmbunătățirea acesteia.
Așadar, vorbind despre tine poți arunca doar câteva rânduri, în timp ce vorbesc o abordare Hadoop. În primul rând, capacitatea de interogare în timp real, știți că în timp real este un fel de timp de afaceri, într-adevăr, aproape întotdeauna performanță critică altfel. Adică, de ce te-ai inginer timp real? Hadoop nu face acest lucru cu adevărat. Face ceva aproape în timp real, dar nu face lucruri în timp real. Face streaming, dar nu face streaming într-un mod despre ce aș numi într-adevăr, pot să facă platforme de streaming de aplicație de tip critic. Există o diferență între o bază de date și un magazin clar. Sincronizați-l cu Hadoop vă oferă un depozit de date clar. Cam așa este o bază de date, dar nu este aceeași cu o bază de date. Hadoop, în forma sa natală, în opinia mea, nu se califică într-adevăr ca bază de date, deoarece este destul de puțin ce ar trebui să aibă o bază de date. Hadoop face multe, dar nu o face deosebit de bine. Din nou, capacitatea este acolo, dar suntem departe de a avea o capacitate rapidă în toate aceste domenii.
Celălalt lucru de înțeles despre Hadoop este că este un fel de parcurs mult timp de când a fost dezvoltat. A fost dezvoltat în primele zile; a fost dezvoltat atunci când aveam servere care aveau de fapt un singur procesor per server. Nu am avut niciodată procesoare cu mai multe nuclee și a fost construit pentru a rula peste grile, a lansa grile și a severs. Unul dintre obiectivele de design ale lui Hadoop a fost să nu piardă niciodată munca. Și asta a fost într-adevăr despre eșecul discului, pentru că dacă aveți sute de servere, atunci probabilitatea este că, dacă aveți discuri pe servere, probabilitatea este că veți obține o disponibilitate uptime de genul 99.8. Asta înseamnă că veți primi în medie un eșec al unuia dintre serverele respective o dată la 300 sau 350 de zile, o zi într-un an. Așadar, dacă ai avea sute din acestea, probabilitatea ar fi ca în orice zi a anului să ai o defecțiune a serverului.
Hadoop a fost creat special pentru a rezolva această problemă - astfel încât, în cazul în care ceva nu reușește, este nevoie de instantanee cu tot ce se întâmplă, pe fiecare server anume și poate recupera jobul care se execută. Și asta a fost tot ce a rulat vreodată pe Hadoop, a fost o serie de locuri de muncă și este o capacitate foarte utilă, trebuie spus. Unele dintre joburile care se derulau - în special la Yahoo, unde cred că Hadoop s-a născut - ar funcționa două sau trei zile, iar dacă a eșuat după o zi, nu vrei să pierzi munca. asta fusese făcut. Deci, acesta a fost punctul de design din spatele disponibilității de pe Hadoop. Nu ați numi această disponibilitate ridicată, dar o puteți numi disponibilitate ridicată pentru lucrări seriale în serie. Probabil asta este modalitatea de a-l privi. Disponibilitatea ridicată este întotdeauna configurată în funcție de caracteristicile liniei de lucru. În momentul de față, Hadoop poate fi configurat doar pentru joburi seriale într-adevăr seriale în ceea ce privește recuperarea. Disponibilitatea ridicată a întreprinderii este probabil cel mai bine gândită în ceea ce privește LLP tranzacțional. Cred că, dacă nu o privești ca pe un lucru în timp real, Hadoop nu face asta încă. Probabil că este departe de a face asta.
Dar iată lucrul frumos despre Hadoop. Acest grafic din partea dreaptă care are o listă de furnizori în jurul valorii de margine și toate liniile de pe acesta indică conexiuni între acești furnizori și alte produse din ecosistemul Hadoop. Dacă te uiți la asta, acesta este un ecosistem incredibil de impresionant. Este destul de remarcabil. Evident, vorbim cu mulți vânzători în ceea ce privește capacitățile lor. Printre furnizorii cu care am vorbit, există unele capacități cu adevărat extraordinare de a utiliza Hadoop și in-memory, modul de a utiliza Hadoop ca arhivă comprimată, de a utiliza Hadoop ca mediu ETL și așa mai departe. Dar într-adevăr, dacă adăugați produsul în Hadoop în sine, funcționează extrem de bine într-un anumit spațiu. Așa că, deși sunt critic față de Hadoop-ul autohton, nu sunt critic cu Hadoop atunci când de fapt adăugați puteri. În opinia mea, popularitatea lui Hadoop garantează viitorul său. Adică, chiar dacă fiecare linie de cod scrisă până acum pe Hadoop dispare, nu cred că API-ul HDFS va dispărea. Cu alte cuvinte, cred că sistemul de fișiere, API, este aici pentru a rămâne și, eventual, YARN, programatorul care se uită peste el.
Când te uiți efectiv la asta, aceasta este o capacitate foarte importantă și voi face un pic de ceară despre asta într-un minut, dar celălalt lucru care este, să zicem, oameni interesanți despre Hadoop este întreaga imagine open-source. Așadar, merită să parcurgeți ceea ce este imaginea open-source în ceea ce privește capacitatea reală. În timp ce Hadoop și toate componentele sale pot face cu siguranță ceea ce numim lungimi de date - sau așa cum prefer să o numesc, un rezervor de date - este cu siguranță o zonă de punere în scenă foarte bună pentru a arunca date în organizație sau pentru a colecta date în organizație - extrem de bine pentru cutii de nisip și pentru înclinare a datelor. Este foarte bun ca platformă de dezvoltare a prototipurilor pe care o puteți implementa la sfârșitul zilei, dar știți ca mediu de dezvoltare aproape tot ceea ce doriți este acolo. Ca magazin de arhivă, este destul de mare tot ce ai nevoie și, desigur, nu este scump. Nu cred că ar trebui să divorțăm niciuna dintre aceste două lucruri de la Hadoop, chiar dacă nu sunt în mod oficial, dacă doriți, componente ale Hadoop. Panoul online a adus o mare cantitate de analitice în lumea open-source și o mulțime de aceste analize sunt acum rulate pe Hadoop, deoarece asta îți oferă un mediu convenabil în care poți să iei de fapt o mulțime de date externe și doar să începi să joci. la o cutie de nisip analitică.
Și apoi ai capabilitățile open-source, ambele fiind învățare automată. Ambele sunt extrem de puternice în sensul că implementează algoritmi puternici de analiză. Dacă puneți aceste lucruri laolaltă, aveți sâmburele cu o capacitate foarte importantă, care este într-un fel sau altul foarte probabil - dacă se dezvoltă pe cont propriu sau dacă furnizorii vin să completeze piesele care lipsesc - este foarte probabil să continue mult timp și cu siguranță cred că învățarea mașinii are deja un impact foarte mare asupra lumii.
Evoluția lui Hadoop, YARN a schimbat totul. Ceea ce s-a întâmplat a fost MapReduce a fost destul de sudat la sistemul HDFS timpuriu de fișiere. Când a fost introdus YARN, a creat o capacitate de planificare în prima sa versiune. Nu vă așteptați la programarea extrem de sofisticată de la prima versiune, dar a însemnat că acum nu mai era neapărat un mediu de corecție. A fost un mediu în care s-ar putea programa mai multe locuri de muncă. De îndată ce s-a întâmplat, au existat o serie întreagă de vânzători care s-au ținut departe de Hadoop - tocmai au intrat și s-au conectat la el, deoarece atunci puteau să-l privească drept mediul de planificare a unui sistem de fișiere și puteau adresa chestii pentru aceasta. Există chiar și furnizori de baze de date care și-au implementat bazele de date pe HDFS, deoarece iau motorul și îl pun la dispoziție la HDFS. Cu cascadă și cu YARN, devine un mediu foarte interesant, deoarece puteți crea fluxuri de lucru complexe peste HDFS și acest lucru înseamnă cu adevărat că puteți începe să vă gândiți la el ca la o platformă care poate rula mai multe joburi concomitent și se împinge singură spre punctul de făcând lucruri critice pentru misiune. Dacă veți face acest lucru, probabil că va trebui să cumpărați componente terțe precum securitate și așa mai departe, ceea ce Hadoop nu are de fapt un cont de audit pentru a completa aceste lacune, dar ajunge în punctul în care chiar și cu sursa deschisă autohtonă poți face câteva lucruri interesante.
În ceea ce privește locul în care cred că Hadoop va merge de fapt, personal cred că HDFS va deveni un sistem de fișiere de dimensiuni implicite și, prin urmare, va deveni sistemul de operare, sistemul de operare, pentru grila pentru fluxul de date. Cred că are un viitor imens în asta și nu cred că se va opri acolo. Și cred că, în realitate, ecosistemul ajută doar pentru că aproape toți, toți furnizorii din spațiu, integrează de fapt Hadoop într-un fel sau altul și doar îl permit. În ceea ce privește un alt punct demn de făcut, în ceea ce privește ovoarea Hadoop, nu este o platformă foarte bună, plus paralelizarea. Dacă vă uitați efectiv la ceea ce face, ceea ce face de fapt este să faceți o instantanee în mod regulat pe fiecare server, deoarece își execută lucrările MapReduce. Dacă ar fi să proiectați o paralelizare cu adevărat rapidă, nu ați face așa ceva. De fapt, probabil că nu veți folosi MapReduce de unul singur. MapReduce este doar ceea ce aș spune pe jumătate capabil de paralelism.
Există două abordări ale paralelismului: una se face prin procese de canalizare, iar cealaltă este prin împărțirea datelor MapReduce și face diviziunea datelor, astfel încât există o mulțime de locuri de muncă în care MapReduce nu ar fi de fapt cea mai rapidă modalitate de a o face, dar va să-ți dau paralelism și nu e nevoie de asta. Când aveți o mulțime de date, acest tip de putere nu este de obicei la fel de util. YARN, așa cum am mai spus, este o capacitate de programare foarte tânără.
Hadoop este, un fel de a trage linia în nisip aici, Hadoop nu este un depozit de date. Este atât de departe de a fi un depozit de date încât este aproape o sugestie absurdă să spunem că este. În această diagramă, ceea ce arată de-a lungul vârfului este un fel de flux de date, pornind de la un rezervor de date Hadoop într-o bază de date cu scară largă, ceea ce vom face de fapt, un depozit de date al întreprinderii. Prezint baze de date vechi, introduc date în depozitul de date și activitate de descărcare creând baze de date de descărcare din depozitul de date, dar aceasta este de fapt o imagine pe care încep să o văd apărând și aș spune că aceasta este ca prima generație de ce se întâmplă cu depozitul de date cu Hadoop. Dar dacă te uiți la depozitul de date, îți dai seama că sub depozitul de date ai un optimizator. Ai distribuit lucrători de interogare pe foarte multe procese care stau pe un număr foarte mare de discuri. Asta se întâmplă într-un depozit de date. Aceasta este de fapt un tip de arhitectură construit pentru un depozit de date și este nevoie de mult timp pentru a construi ceva de genul acesta, iar Hadoop nu are nimic deloc. Deci Hadoop nu este un depozit de date și nu va deveni unul, în opinia mea, oricând în curând.
Are acest rezervor relativ de date și pare interesant dacă privești lumea ca o serie de evenimente care curg în organizație. Asta arată în partea stângă a acestei diagrame. Dacă treceți printr-o capacitate de filtrare și rutare, iar materialele care trebuie să fie transmise în streaming se sifonează din aplicațiile de streaming și orice altceva merge direct în rezervorul de date unde este pregătit și curățat, apoi este transmis de ETL fie pentru o singură dată. depozit sau un depozit de date logic format din mai multe motoare. Aceasta este, după părerea mea, o linie de dezvoltare naturală pentru Hadoop.
În ceea ce privește ETW, unul dintre lucrurile care merită să fie subliniat este că depozitul de date în sine a fost mutat efectiv - nu este ceea ce a fost. Cu siguranță, în zilele noastre, vă așteptați să existe o capacitate ierarhică pe date ierarhice despre ceea ce oamenii, sau unele persoane, numesc documentele din depozitul de date. Acesta este JSON. Posibil, interogări de rețea care sunt baze de date grafice, eventual analitice. Deci, spre ce ne îndreptăm este un ETW care are de fapt o sarcină de muncă mai complexă decât cele cu care suntem obișnuiți. Așa că este cam interesant, deoarece într-un fel înseamnă că depozitul de date devine și mai sofisticat și, din această cauză, va fi chiar mai mult timp înainte ca Hadoop să se apropie de el. Sensul depozitului de date se extinde, dar include totuși optimizarea. Trebuie să aveți o capacitate de optimizare, nu doar peste întrebări acum, ci și peste toate aceste activități.
Asta e, într-adevăr. Asta am vrut să spun despre Hadoop. Cred că pot să-i predau lui Ray, care nu are niciun fel de diapozitive, dar este întotdeauna priceput să vorbească.
Eric Kavanagh: Voi lua diapozitivele. Acolo este prietenul nostru, Ray Wang. Deci, Ray, ce gânduri ai despre toate astea?
Ray Wang: Acum, cred că probabil a fost una dintre cele mai succinte și mai bune istorii ale magazinelor cu valoare cheie și unde Hadoop a plecat în relație cu întreprinderile care sunt în afară, așa că învăț mereu multe când ascult Robin.
De fapt, am un singur diapozitiv. Pot deschide un slide aici.
Eric Kavanagh: Doar mergeți înainte și faceți clic pe butonul, faceți clic pe Start și mergeți pentru a partaja desktop.
Ray Wang: Înțeleg, acolo te duci. Voi împărtăși de fapt. Puteți vedea aplicația în sine. Să vedem cum merge.
Toată această discuție despre Hadoop și apoi ne adâncim în conversația despre tehnologiile care sunt acolo și spre care se îndreaptă Hadoop, și de multe ori îmi place să o iau înapoi pentru a avea cu adevărat discuții despre afaceri. Multe dintre lucrurile care se întâmplă din partea tehnologiei sunt într-adevăr această piesă în care am vorbit despre depozite de date, gestionarea informațiilor, calitatea datelor, stăpânirea acestor date și astfel avem tendința de a vedea acest lucru. Așadar, dacă te uiți la acest grafic aici chiar în partea de jos, este foarte interesant faptul că tipurile de indivizi în care ne confruntăm cu această discuție despre Hadoop. Avem tehnologii și oamenii de știință de date care sunt geeking, care au multă emoție, și de obicei este vorba despre surse de date, nu? Cum stăpânim sursele de date? Cum putem obține acest lucru la nivelurile de calitate potrivite? Ce facem despre guvernare? Ce putem face pentru a potrivi diferite tipuri de surse? Cum păstrăm linia? Și tot felul de discuții. Și cum obținem mai mult SQL din Hadoop-ul nostru? Deci acea parte se întâmplă la acest nivel.
Apoi, la partea de informare și orchestrare, aici este interesant. Începem să legăm rezultatele acestei idei pe care le primim sau o tragem din nou la procesele de afaceri? Cum o legăm înapoi la orice fel de modele de metadate? Conectăm punctele între obiecte? Și astfel noile verbe și discuții despre modul în care folosim aceste date, trecând de la ceea ce suntem în mod tradițional într-o lume CRUD: creăm, citim, actualizăm, ștergem, într-o lume care discută despre cum ne implicăm sau împărtășim sau colaborăm sau place sau trage ceva.
De aici începem să vedem o mulțime de entuziasm și inovație, în special despre cum să atragem aceste informații și să le aducem în valoare. Aceasta este discuția bazată pe tehnologie sub linia roșie. Deasupra acestei linii roșii, primim tocmai întrebările pe care am dorit întotdeauna să le punem și una dintre ele pe care le aducem mereu este ca, de exemplu, poate întrebarea în vânzare cu amănuntul pentru dvs. este ca: „De ce puloverele roșii se vând mai bine în Alabama decât puloverele albastre din Michigan? " Ai putea să te gândești la asta și să spui „E cam interesant”. Vedeți acel tipar. Ne punem această întrebare și ne întrebăm: "Hei, ce facem?" Poate este vorba despre școli de stat - Michigan versus Alabama. OK, am înțeles asta, văd unde mergem. Și așa începem să obținem partea de afaceri a casei, oameni în finanțe, oameni care au capacități tradiționale de BI, oameni în marketing și oameni în HR spunând „Unde sunt tiparele mele?” Cum ajungem la aceste tipare? Și astfel vedem un alt mod de inovație din partea Hadoop. Este vorba cu adevărat despre modul în care actualizăm suprafețele mai rapid. Cum realizăm aceste tipuri de conexiuni? Merge până la oamenii care fac așa cum este, ad: tech care încearcă practic să conecteze reclame și conținut relevant de la orice, de la rețelele de licitare în timp real la reclame contextuale și plasarea anunțurilor și făcând asta din mers.
Deci este interesant. Vedeți evoluția lui Hadoop din „Hei, iată soluția tehnologică. Iată ce trebuie să facem pentru a aduce aceste informații oamenilor”. Apoi, pe măsură ce trece peste linia de porțiune de afaceri, acesta este locul în care devine interesant. Este intuiția. Unde este performanța? Unde este deducerea? Cum prezicem lucrurile? Cum luăm influența? Și apoi aducem asta la acel ultim nivel, unde vedem de fapt un alt set de inovații Hadoop care se întâmplă în jurul sistemelor și acțiunilor de decizie. Care este următoarea cea mai bună acțiune? Deci știți că puloverele albastre se vând mai bine în Michigan. Stai pe o tonă de pulovere albastre în Alabama. Lucrul evident este: „Da, bine hai să-l livrăm pe acolo”. Cum o facem? Care este următorul pas? Cum putem lega asta înapoi? Poate următoarea cea mai bună acțiune, poate este o sugestie, poate este ceva care vă ajută să preveniți o problemă, poate nici nu este o acțiune, care este o acțiune în sine. Așa că începem să vedem că apar astfel de modele. Iar frumusețea asta înapoi la ceea ce spui despre magazinele cu valoare cheie, Robin, este că se întâmplă atât de repede. Se întâmplă în felul în care nu ne-am gândit în acest fel.
Probabil că aș spune în ultimii cinci ani că am ridicat. Am început să ne gândim la modul în care putem profita din nou de magazinele cu valoare cheie, dar tocmai în ultimii cinci ani, oamenii se uită foarte mult la acest aspect și parcă ciclurile tehnologice se repetă în tipare de 40 de ani, așa că este bine de un lucru amuzant în care ne uităm la cloud și sunt la fel ca partajarea timpului mainframe. Ne uităm la Hadoop și cum ar fi magazinul cu valori cheie - poate este un date de date, mai puțin decât un depozit de date - și astfel vom începe să vedem din nou aceste modele. Ceea ce încerc să fac chiar acum este să mă gândesc la ce făceau oamenii acum 40 de ani? Ce abordări și tehnici și metodologii erau aplicate, care erau limitate de tehnologiile pe care oamenii le aveau? Asta generează acest proces de gândire. Așadar, pe măsură ce parcurgem imaginea mai mare a Hadoop ca instrument, când ne întoarcem și ne gândim la implicațiile de afaceri, acesta este un fel de calea pe care o luăm de obicei oamenii, astfel încât să puteți vedea ce piese, ce părți sunt în date calea deciziilor. Este doar ceva ce voiam să împărtășesc. Este un fel de gândire pe care am folosit-o pe plan intern și sperăm să adăugăm la discuții. Așa că o să vă întorc înapoi, Eric.
Eric Kavanagh: E fantastic. Dacă puteți rămâne pentru câteva întrebări și întrebări. Dar mi-a plăcut că ai luat-o înapoi la nivelul afacerilor, deoarece la sfârșitul zilei, totul este vorba despre afacere. Totul este să înțelegeți lucrurile și să vă asigurați că veți cheltui bani cu înțelepciune și aceasta este una dintre întrebările pe care le-am văzut deja, astfel încât vorbitorii ar putea dori să se gândească la ce este TCL de parcurgere a traseului Hadoop. Există un loc dulce între ele, de exemplu, folosind instrumente pentru rafturi de birou pentru a face lucrurile într-un mod tradițional și folosind seturi de instrumente noi, pentru că, din nou, gândiți-vă la asta, o mulțime de chestii nu sunt noi, ci doar un fel de Coaliția într-un mod nou este, cred, cel mai bun mod de a pune-o.
Așadar, să mergem mai departe și să-l prezentăm pe prietenul nostru, Nikita Ivanov. Este fondatorul și CEO-ul GridGain. Nikita, o să merg înainte și să-ți predau cheile și cred că ești acolo. Mă poți auzi Nikita?
Nikita Ivanov: Da, sunt aici.
Eric Kavanagh: Excelent. Deci podeaua este a ta. Faceți clic pe diapozitiv. Folosiți săgeata în jos și scoateți-o. Cinci minute.
Nikita Ivanov: Ce diapozitiv fac clic?
Eric Kavanagh: Doar faceți clic pe oriunde pe acea diapozitiv și apoi utilizați săgeata în jos de pe tastatură pentru a vă deplasa. Doar faceți clic pe diapozitivul în sine și folosiți săgeata în jos.
Nikita Ivanov: Bine, doar câteva diapozitive rapide despre GridGain. Ce facem în contextul acestei conversații? GridGain produce practic un software de calcul în memorie și o parte a platformei pe care am dezvoltat-o este acceleratorul Hadoop în memorie. În ceea ce privește Hadoop, avem tendința să ne gândim la noi înșine ca specialiști în performanța Hadoop. Ceea ce facem, în esență, pe partea de sus a platformei noastre centrale de calcul în memorie, care constă în tehnologii precum rețeaua de date, fluxul de memorie și rețelele de calcul ar fi capabil să conecteze și să joace acceleratorul Hadoop. Este foarte simplu. Ar fi bine dacă putem dezvolta un fel de soluție plug-and-play care poate fi instalată chiar în instalația Hadoop. Dacă dumneavoastră, dezvoltatorul MapReduce, aveți nevoie de un impuls, fără a fi nevoie să scrieți un software nou, nici o modificare de cod sau schimbare, sau practic aveți o modificare minimă a configurației în clusterul Hadoop. Asta am dezvoltat-o.
În mod fundamental, acceleratorul Hadoop din memorie se bazează pe optimizarea a două componente din ecosistemul Hadoop. Dacă vă gândiți la Hadoop, este bazat preponderent pe HDFS, care este sistemul de fișiere. MapReduce, care este cadrul pentru a desfășura concursurile în paralel pe partea de sus a sistemului de fișiere. Pentru a optimiza Hadoop, optimizăm ambele sisteme. Am dezvoltat un sistem de fișiere în memorie care este complet compatibil, 100% plug-and-play compatibil, cu HDFS. Puteți rula în loc de HDFS, puteți rula pe HDFS. Și am dezvoltat și MapReduce în memorie, care este compatibil cu plug-and-play cu Hadoop MapReduce, dar există o mulțime de optimizări ale modului în care funcționează fluxul MapReduce și modul în care funcționează programul MapReduce.
Dacă te uiți, de exemplu la acest diapozitiv, unde arătăm felul de stivă de duplicare. În partea stângă, aveți sistemul dvs. de operare tipic cu GDM, iar în partea de sus a acestei diagrame aveți centrul de aplicații. La mijloc ai Hadoopul. Iar Hadoop este din nou bazat pe HDFS și MapReduce. Deci, acest lucru reprezintă în această diagramă, că ceea ce noi suntem un fel de încorporare în stiva Hadoop. Din nou, este plug-and-play; nu trebuie să schimbi niciun cod. Doar funcționează la fel. În diapozitivul următor, am arătat în mod esențial cum am optimizat fluxul de lucru MapReduce. Aceasta este probabil cea mai interesantă parte, deoarece vă oferă cel mai mare avantaj atunci când executați joburile MapReduce.
MapReduce tipic, atunci când trimiteți lucrarea, iar în partea stângă există o diagramă, există o aplicație obișnuită. Deci, în mod obișnuit, trimiteți lucrarea, iar jobul merge la un job tracker. 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. Nu există nici o îndoială.
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. Mulțumesc.
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.
Mulțumiri.
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. Sa vedem. 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? Cu o mare putere vine o mare responsabilitate. 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.
Cu asta, o să vă luăm rămas bun. 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. Pa! Pa.
