Uwaga edytora: Jest to transkrypcja transmisji na żywo w Internecie. Możesz obejrzeć cały webcast tutaj.
Eric Kavanagh: Panie i panowie, czas na mądrość! Czas na TechWise, zupełnie nowy program! Nazywam się Eric Kavanagh. Będę twoim moderatorem naszego inauguracyjnego odcinka TechWise. Dokładnie tak. Jest to partnerstwo Techopedia i Bloor Group, oczywiście, ze sławą Inside Analysis.
Nazywam się Eric Kavanagh. Będę moderować to naprawdę interesujące i zaangażowane wydarzenie, ludzie. Będziemy kopać głęboko w splot, aby zrozumieć, co się dzieje z tą wielką rzeczą zwaną Hadoop. Co to jest słoń w pokoju? To się nazywa Hadoop. Postaramy się dowiedzieć, co to znaczy i co się z tym dzieje.
Przede wszystkim wielkie podziękowania dla naszych sponsorów, GridGain, Actian, Zettaset i DataTorrent. Pod koniec tego wydarzenia otrzymamy kilka słów od każdego z nich. Będziemy również mieć pytania i odpowiedzi, więc nie wstydź się - prześlij swoje pytania w dowolnym momencie.
Zagłębimy się w szczegóły i zadamy trudne pytania naszym ekspertom. A mówiąc o ekspertach, hej, są. Tak więc, będziemy rozmawiać z naszym własnym dr Robinem Bloorem i ludzie, bardzo się cieszę, że mam legendarnego Raya Wanga, głównego analityka i założyciela Constellation Research. Jest dzisiaj online, aby przekazać nam swoje przemyślenia i jest jak Robin, który jest niesamowicie różnorodny i naprawdę koncentruje się na wielu różnych obszarach oraz ma zdolność ich syntezy i naprawdę rozumie, co się dzieje w tej całej dziedzinie technologii informatycznych i zarządzanie danymi.
Jest taki słodki słoń. Jak widać, jest na początku drogi. To dopiero zaczyna się teraz, to po prostu początek, cała ta sprawa z Hadoop. Oczywiście w 2006 lub 2007 roku, jak sądzę, wydano ją dla społeczności open source, ale działo się wiele rzeczy, ludzie. Nastąpił ogromny rozwój. W rzeczywistości chcę opowiedzieć tę historię, więc zrobię szybkie udostępnienie pulpitu, przynajmniej tak mi się wydaje. Zróbmy szybkie udostępnianie pulpitu.
Pokazuję wam te szalone, szalone historie. Tak więc Intel zainwestował 740 milionów dolarów, aby kupić 18 procent Cloudera. Pomyślałem i mówię: „Święta Bożego Narodzenia!” Zacząłem robić matematykę i brzmi: „To wycena 4, 1 miliarda dolarów”. Pomyślmy o tym przez chwilę. Mam na myśli, że jeśli WhatsApp jest wart 2 miliardy dolarów, przypuszczam, że Cloudera równie dobrze mogłaby wart 4, 1 miliarda dolarów, prawda? To znaczy dlaczego nie? Niektóre z tych liczb są obecnie poza oknem, ludzie. Mam na myśli, zazwyczaj pod względem inwestycji, EBITDA i wszystkie inne różne mechanizmy, mnożniki przychodów i tak dalej. Cloudera, która jest niesamowitą firmą, będzie jednym z wielu dochodów, które wyniosą 4, 1 miliarda dolarów. Nie zrozum mnie źle - jest tam kilku bardzo, bardzo inteligentnych ludzi, w tym facet, który zaczął całe szaleństwo Hadoop, Doug Cutting, on tam jest - wielu bardzo inteligentnych ludzi, którzy robią wiele naprawdę, naprawdę fajne rzeczy, ale najważniejsze jest to, że 4, 1 miliarda dolarów to dużo pieniędzy.
Więc jest to rodzaj niewątpliwie oczywistego momentu, kiedy przechodzę teraz przez moją głowę, czyli chip, Intel. Ich projektanci chipów przynoszą trochę zoptymalizowanych chipów Hadoop - muszę tak myśleć, ludzie. To tylko moje przypuszczenie. To tylko plotka, która pochodzi ode mnie, jeśli chcesz, ale to ma sens. A co to wszystko znaczy?
Oto moja teoria. Co się dzieje? Wiele z tych rzeczy nie jest nowe. Ogromne przetwarzanie równoległe nie jest strasznie nowe. Przetwarzanie równoległe na pewno nie jest nowe. Od jakiegoś czasu jestem w świecie superkomputerów. Wiele z tych rzeczy, które się dzieją, nie są nowe, ale istnieje pewien rodzaj ogólnej świadomości, że istnieje nowy sposób na atak niektórych z tych problemów. To, co widzę, dzieje się, jeśli spojrzysz na niektórych dużych sprzedawców Cloudera lub Hortonworks i niektórych z tych innych facetów, to naprawdę robią, jeśli sprowadzasz to do najbardziej szczegółowego poziomu destylacji, to tworzenie aplikacji. Właśnie to robią.
Projektują nowe aplikacje - niektóre z nich wymagają analizy biznesowej; niektóre z nich wymagają jedynie doładowania. Jeden z naszych sprzedawców, którzy o tym rozmawiali, robią takie rzeczy przez cały dzień, dziś w serialu. Ale jeśli jest to okropnie nowe, odpowiedź brzmi „nie do końca”, ale zdarzają się wielkie rzeczy i osobiście uważam, że to, co dzieje się z Intelem dokonującym tej ogromnej inwestycji, jest ruchem rynkowym. Patrzą na dzisiejszy świat i widzą, że jest to dzisiaj rodzaj monopolu. Jest Facebook, a oni pokonali tylko biednego MySpace. LinkedIn wyprzedził biednego Who's Who. Więc rozejrzyj się wokół i jest to jedna z usług, która dominuje dziś w tych różnych przestrzeniach w naszym świecie, i myślę, że pomysł polega na tym, że Intel rzuci wszystkie swoje chipy na Clouderę i spróbuje wynieść ją na szczyt stosu - to po prostu moja teoria.
Więc ludzie, jak powiedziałem, będziemy mieć długą sesję pytań i odpowiedzi, więc nie wstydź się. Wyślij swoje pytania w dowolnym momencie. Możesz to zrobić, korzystając z tego elementu pytań i odpowiedzi w konsoli webcastu. I dzięki temu chcę przejść do naszych treści, ponieważ mamy wiele rzeczy do przejścia.
Robin Bloor, pozwól, że oddam ci klucze, a podłoga jest twoja.
Robin Bloor: OK, Eric, dzięki za to. Sprowadźmy tańczące słonie. To ciekawe, że słonie są jedynymi ssakami lądowymi, które nie mogą skakać. Wszystkie te słonie w tej konkretnej grafice mają co najmniej jedną stopę na ziemi, więc przypuszczam, że jest to wykonalne, ale do pewnego stopnia są to oczywiście słonie Hadoop, więc bardzo, bardzo zdolne.
Naprawdę pytanie, które moim zdaniem musi zostać przedyskutowane i musi być omówione z całą uczciwością. Trzeba to przedyskutować, zanim pójdziesz gdziekolwiek indziej, aby naprawdę zacząć mówić o tym, czym tak naprawdę jest Hadoop.
Jedną z rzeczy, która jest absolutnie oparta na man-play, jest sklep z kluczową wartością. Kiedyś mieliśmy sklepy o kluczowej wartości. Mieliśmy je na komputerze mainframe IBM. Mieliśmy je na minikomputerach; DEC VAX miał pliki IMS. Istniały możliwości ISAM, które były dostępne na prawie każdym minikomputerze, który można zdobyć. Jednak w późnych latach 80. pojawił się Unix i Unix tak naprawdę nie miał sklepu z kluczowymi wartościami. Kiedy Unix go rozwinął, rozwinęły się bardzo szybko. To, co się naprawdę wydarzyło, było takie, że dostawcy baz danych, szczególnie Oracle, zaczęli tam parować i sprzedali twoje bazy danych, aby opiekować się danymi, którymi chcesz zarządzać w Uniksie. Windows i Linux okazały się takie same. Tak więc przemysł działał przez prawie 20 lat bez sklepu ogólnego przeznaczenia o kluczowej wartości. Cóż, teraz wrócił. Jest nie tylko z powrotem, jest skalowalny.
Myślę, że tak naprawdę jest to podstawa tego, czym naprawdę jest Hadoop, i do pewnego stopnia określa, dokąd zmierza. Co lubimy w sklepach o kluczowej wartości? Ci z was, którzy są tak starzy jak ja i faktycznie pamiętają pracę ze sklepami o kluczowej wartości, zdają sobie sprawę, że moglibyście ich użyć do nieformalnego założenia bazy danych, ale tylko nieformalnie. Wiesz, że metadane szybko przechowują wartości w kodzie programu, ale możesz zrobić z tego plik zewnętrzny i możesz, jeśli chcesz zacząć traktować magazyn klucz-wartość trochę jak bazę danych. Ale oczywiście nie miał wszystkich możliwości odzyskiwania danych, które ma baza danych, i nie miał tak wielu rzeczy, które bazy danych mają teraz, ale była to naprawdę przydatna funkcja dla programistów i jest to jeden z powodów, dla których myślę że Hadoop okazał się tak popularny - po prostu dlatego, że jest programistami, programistami i programistami, którzy szybko to robią. Zdali sobie sprawę, że nie tylko jest kluczową wartością sklepu, ale jest także skalowalnym sklepem klucz-wartość. Skaluje się w nieskończoność. Wysłałem te skale na tysiące serwerów, więc to jest naprawdę wielka rzecz w Hadoop, właśnie o to chodzi.
Ma również na sobie MapReduce, który jest algorytmem paralelizacji, ale w rzeczywistości moim zdaniem nie jest to ważne. Więc wiesz, Hadoop jest kameleonem. To nie tylko system plików. Widziałem różne roszczenia dotyczące Hadoop: jest to tajna baza danych; to nie jest tajna baza danych; to wspólny sklep; jest to zestaw narzędzi analitycznych; to środowisko ELT; to narzędzie do czyszczenia danych; jest to hurtownia danych platform streamingowych; to sklep z archiwum; to lekarstwo na raka i tak dalej. Większość z tych rzeczy naprawdę nie jest prawdą w przypadku wanilii Hadoop. Hadoop to prawdopodobnie prototypowanie - z pewnością jest to środowisko prototypowe dla bazy danych SQL, ale tak naprawdę nie ma, jeśli umieścisz przestrzeń wiekową z katalogiem wiekowym nad Hadoop, masz coś, co wygląda jak baza danych, ale tak naprawdę nie jest co ktoś nazwałby bazą danych pod względem możliwości. Wiele z tych możliwości, z pewnością można je zdobyć w Hadoop. Z pewnością jest ich dużo. W rzeczywistości można uzyskać jakieś źródło Hadoop, ale sam Hadoop nie jest tym, co nazwałbym operacyjnie zahartowanym, a zatem umowa dotycząca Hadoop, naprawdę nie byłabym na niczym innym, polega na tym, że musisz mieć trzeci -party produktów, aby go ulepszyć.
Mówiąc o tobie, możesz rzucić tylko kilka linijek, gdy mówię, że Hadoop się przesuwa. Po pierwsze, możliwość zapytań w czasie rzeczywistym, dobrze wiesz, że czas rzeczywisty jest czasem biznesowym, w rzeczywistości w przeciwnym razie prawie zawsze krytyczna jest wydajność. To znaczy, dlaczego miałbyś projektować w czasie rzeczywistym? Hadoop tak naprawdę tego nie robi. Robi coś, co jest prawie w czasie rzeczywistym, ale tak naprawdę nie robi rzeczy w czasie rzeczywistym. Robi streaming, ale nie robi tego w sposób, który nazwałbym naprawdę krytycznymi platformami do przesyłania aplikacji. Istnieje różnica między bazą danych a kasowalnym sklepem. Synchronizacja z ponad Hadoop zapewnia czytelny magazyn danych. To trochę jak baza danych, ale to nie to samo, co baza danych. Hadoop w swojej natywnej formie, moim zdaniem, tak naprawdę wcale nie kwalifikuje się jako baza danych, ponieważ brakuje mu kilku rzeczy, które baza danych powinna mieć. Hadoop robi dużo, ale nie robi tego szczególnie dobrze. Ponownie, możliwości są dostępne, ale jesteśmy daleko od posiadania szybkiego potencjału we wszystkich tych obszarach.
Inną rzeczą, którą należy zrozumieć o Hadoop jest to, że przeszedł długą drogę, odkąd został opracowany. Został opracowany na początku; został opracowany, gdy mieliśmy serwery, które faktycznie miały tylko jeden procesor na serwer. Nigdy nie mieliśmy procesorów wielordzeniowych i został on zbudowany do pracy na siatkach, uruchamiania siatek i serwerów. Jednym z celów projektowych Hadoop było nigdy nie stracić pracy. I tak naprawdę chodziło o awarię dysku, ponieważ jeśli masz setki serwerów, prawdopodobieństwo jest takie, że jeśli masz dyski na serwerach, prawdopodobieństwo, że dostaniesz dyspozycyjność na poziomie 99, 8. Oznacza to, że średnio jeden z tych serwerów dostanie się raz na 300 lub 350 dni, jeden dzień w roku. Więc jeśli miałbyś ich setki, prawdopodobieństwo wystąpienia awarii serwera byłoby w każdym dniu roku.
Hadoop został zbudowany specjalnie w celu rozwiązania tego problemu - aby w przypadku, gdy coś się nie powiedzie, robił migawki wszystkiego, co się dzieje, na każdym serwerze i mógł odzyskać uruchomione zadanie wsadowe. I to wszystko, co kiedykolwiek działało na Hadoop, to zadania wsadowe i to naprawdę przydatna funkcja, trzeba powiedzieć. Niektóre zadania wsadowe, które były uruchamiane - szczególnie w Yahoo, gdzie myślę, że Hadoop urodził się - będą działać przez dwa lub trzy dni, a jeśli nie powiedzie się po dniu, naprawdę nie chcesz stracić pracy to zostało zrobione. To był punkt konstrukcyjny dostępności w Hadoop. Nie nazwałbyś tej wysokiej dostępności, ale możesz nazwać to wysoką dostępnością dla szeregowych zadań wsadowych. To chyba sposób na to spojrzeć. Wysoka dostępność jest zawsze konfigurowana zgodnie z charakterystyką linii roboczej. W tej chwili Hadoop można skonfigurować tylko do naprawdę seryjnych zadań wsadowych w odniesieniu do tego rodzaju odzyskiwania. Prawdopodobnie najlepszą dostępnością przedsiębiorstwa jest najlepiej transakcyjna LLP. Uważam, że jeśli nie postrzegasz tego jako czegoś w czasie rzeczywistym, Hadoop jeszcze tego nie robi. Jest to prawdopodobnie długa droga do zrobienia tego.
Ale oto piękna rzecz w Hadoop. Ta grafika po prawej stronie, która ma listę dostawców wokół krawędzi i wszystkie linie na niej wskazują połączenia między tymi dostawcami a innymi produktami w ekosystemie Hadoop. Patrząc na to, jest to niesamowicie imponujący ekosystem. To dość niezwykłe. Oczywiście rozmawiamy z wieloma dostawcami o ich możliwościach. Wśród dostawców, z którymi rozmawiałem, istnieją naprawdę niezwykłe możliwości korzystania z Hadoop i in-memory, sposobu używania Hadoop jako skompresowanego archiwum, używania Hadoop jako środowiska ETL i tak dalej. Ale tak naprawdę, jeśli dodasz produkt do samego Hadoop, działa on wyjątkowo dobrze w określonej przestrzeni. Tak więc, chociaż jestem krytyczny wobec natywnego Hadoop, nie jestem krytyczny wobec Hadoop, kiedy faktycznie dodajesz do niego trochę mocy. Moim zdaniem popularność Hadoopa gwarantuje jej przyszłość. Rozumiem przez to, że nawet jeśli zniknie każdy wiersz kodu zapisany do tej pory w Hadoop, nie wierzę, że API HDFS zniknie. Innymi słowy, myślę, że system plików, API, powinien zostać, a być może YARN, harmonogram, który się nim zajmuje.
Kiedy naprawdę na to spojrzysz, jest to bardzo ważna umiejętność i za chwilę zacznę woskować, ale inną rzeczą, na przykład, ekscytującymi ludźmi o Hadoop jest cały obraz open source. Warto więc zapoznać się z tym, czym jest obraz typu open source pod względem tego, co uważam za rzeczywiste możliwości. Podczas gdy Hadoop i wszystkie jego komponenty mogą z pewnością robić to, co nazywamy długością danych - lub, jak wolę to nazwać, zbiornikiem danych - z pewnością jest to bardzo dobry obszar przejściowy do upuszczania danych do organizacji lub gromadzenia danych w organizacji - bardzo dobry do piaskownic i danych wędkarskich. Jest bardzo dobra jako prototypowa platforma programistyczna, którą możesz wdrożyć pod koniec dnia, ale wiesz, że jako środowisko programistyczne prawie wszystko, czego chcesz. Jako sklep z archiwami ma prawie wszystko, czego potrzebujesz, i oczywiście nie jest drogi. Nie sądzę, że powinniśmy rozwodzić się z tymi dwiema rzeczami z Hadoop, chociaż nie są to formalnie, jeśli chcesz, składniki Hadoop. Klin online przyniósł ogromną ilość danych analitycznych do świata open source, a wiele z nich jest teraz uruchamianych w Hadoop, ponieważ daje to wygodne środowisko, w którym możesz wziąć dużo danych zewnętrznych i po prostu zacząć grać w analitycznej piaskownicy.
A potem masz możliwości typu open source, z których oba są uczeniem maszynowym. Oba są niezwykle potężne w tym sensie, że implementują potężne algorytmy analityczne. Jeśli połączysz te rzeczy razem, masz jądra o bardzo, bardzo ważnej zdolności, która w ten czy inny sposób jest bardzo prawdopodobne - niezależnie od tego, czy rozwija się samodzielnie, czy też dostawcy uzupełniają brakujące elementy - bardzo prawdopodobne jest, że będzie to trwało długo i na pewno myślę, że uczenie maszynowe ma już bardzo duży wpływ na świat.
Ewolucja Hadoop, YARN zmieniła wszystko. To, co się wydarzyło, to że MapReduce był w zasadzie przyspawany do wczesnego systemu plików HDFS. Kiedy wprowadzono YARN, stworzył on funkcję planowania w swojej pierwszej wersji. Nie spodziewasz się tak wyrafinowanego planowania od pierwszego wydania, ale oznaczało to, że nie jest już koniecznie środowiskiem łatek. Było to środowisko, w którym można zaplanować wiele zadań. Gdy tylko to się stało, cała seria dostawców trzymała się z daleka od Hadoopa - po prostu przyszli i połączyli się z nim, ponieważ wtedy mogli po prostu patrzeć na to jako środowisko planowania w systemie plików i mogli adresować to. Są nawet dostawcy baz danych, którzy wdrożyli swoje bazy danych na HDFS, ponieważ po prostu przejmują silnik i po prostu umieszczają go w HDFS. Dzięki kaskadowaniu i YARN staje się bardzo interesującym środowiskiem, ponieważ można tworzyć złożone przepływy pracy w systemie HDFS, a to naprawdę oznacza, że możesz zacząć myśleć o nim jako o platformie, która może uruchamiać wiele zadań jednocześnie i dąży do tego, aby robić rzeczy o kluczowym znaczeniu. Jeśli masz zamiar to zrobić, prawdopodobnie będziesz musiał kupić komponenty innych firm, takie jak zabezpieczenia itp. Itd., Które w rzeczywistości Hadoop nie ma konta kontroli, aby wypełnić luki, ale przejdź do punktu, w którym nawet przy użyciu natywnego oprogramowania typu open source możesz robić ciekawe rzeczy.
Jeśli chodzi o miejsce, w które myślę, że Hadoop faktycznie zamierza się udać, osobiście wierzę, że HDFS stanie się domyślnym skalowalnym systemem plików, a zatem stanie się OS, systemem operacyjnym dla siatki przepływu danych. Myślę, że ma w tym ogromną przyszłość i nie sądzę, żeby się na tym skończyła. I myślę, że w rzeczywistości ekosystem po prostu pomaga, ponieważ prawie wszyscy, wszyscy sprzedawcy w kosmosie, tak naprawdę integrują Hadoop w taki czy inny sposób i po prostu go włączają. Jeśli chodzi o kolejną kwestię wartą uwagi, jeśli chodzi o nadmiar Hadoopa, to nie jest to bardzo dobra platforma plus równoległość. Jeśli faktycznie spojrzysz na to, co robi, to faktycznie robi migawkę regularnie na każdym serwerze podczas wykonywania zadań MapReduce. Jeśli planujesz naprawdę szybką równoległość, nie zrobiłbyś czegoś takiego. W rzeczywistości prawdopodobnie nie używałbyś MapReduce na własną rękę. MapReduce jest tylko tym, co powiedziałbym, w połowie zdolnym do równoległości.
Istnieją dwa podejścia do równoległości: jedno polega na przetwarzaniu potokowym, a drugie na dzieleniu danych MapReduce i dokonuje podziału danych, więc istnieje wiele zadań, w których MapReduce nie byłby najszybszym sposobem na zrobienie tego, ale tak będzie dać wam paralelizm i nie można tego oderwać. Gdy masz dużo danych, taka moc zwykle nie jest tak przydatna. YARN, jak już powiedziałem, jest bardzo młodym narzędziem do planowania.
Hadoop jest swego rodzaju rysowaniem linii na piasku, Hadoop nie jest hurtownią danych. Jest tak daleki od bycia hurtownią danych, że niemal absurdalną sugestią jest stwierdzenie, że tak jest. Na tym diagramie pokazuję na górze rodzaj przepływu danych, przechodząc ze zbiornika danych Hadoop do gigantycznej, skalowalnej bazy danych, czyli tego, co faktycznie zrobimy, hurtowni danych dla przedsiębiorstw. Pokazuję starsze bazy danych, wprowadzam dane do hurtowni danych i odciążam tworzenie baz danych odciążających z hurtowni danych, ale tak naprawdę to obraz, który zaczynam się pojawiać, i powiedziałbym, że to jak pierwsza generacja co dzieje się z hurtownią danych dzięki Hadoop. Ale jeśli spojrzysz na hurtownię danych, zauważysz, że pod hurtownią danych masz optymalizator. Masz rozproszonych pracowników zapytania w bardzo wielu procesach siedzących na być może na bardzo dużej liczbie dysków. Tak dzieje się w hurtowni danych. To właściwie rodzaj architektury zbudowanej dla hurtowni danych i zbudowanie czegoś takiego zajmuje dużo czasu, a Hadoop wcale tego nie ma. Hadoop nie jest więc hurtownią danych i moim zdaniem nie stanie się nią w najbliższym czasie.
Ma ten względny rezerwuar danych i wygląda to interesująco, jeśli spojrzysz na świat jako serię wydarzeń wpływających do organizacji. Właśnie to pokazuję po lewej stronie tego diagramu. Po przejściu przez funkcję filtrowania i routingu oraz rzeczy, które muszą przejść do przesyłania strumieniowego, są usuwane z aplikacji do przesyłania strumieniowego, a wszystko inne trafia prosto do zbiornika danych, gdzie jest przygotowywane i czyszczone, a następnie przekazywane przez ETL do pojedynczych danych hurtownia lub logiczna hurtownia danych składająca się z wielu silników. Jest to, moim zdaniem, naturalna linia rozwoju Hadoop.
Jeśli chodzi o ETW, jedną z rzeczy, na które warto zwrócić uwagę, jest fakt, że sama hurtownia danych została faktycznie przeniesiona - to nie to, czym była. Z pewnością w dzisiejszych czasach oczekuje się hierarchicznej zdolności do hierarchicznych danych dotyczących tego, co ludzie lub niektóre osoby nazywają dokumentami w hurtowni danych. To jest JSON. Możliwe, że zapytania sieciowe, które są bazami danych wykresów, ewentualnie analizy. W tym kierunku zmierzamy w kierunku ETW, który ma bardziej złożone obciążenie pracą niż te, do których jesteśmy przyzwyczajeni. Jest to więc dość interesujące, ponieważ w pewnym sensie oznacza to, że hurtownia danych staje się jeszcze bardziej wyrafinowana, i dlatego upłynie jeszcze więcej czasu, zanim Hadoop zbliży się do niej. Znaczenie hurtowni danych się rozszerza, ale nadal obejmuje optymalizację. Musisz mieć możliwość optymalizacji, nie tylko teraz zapytania, ale wszystkie te działania.
To jest naprawdę. To wszystko, co chciałem powiedzieć o Hadoop. Myślę, że mogę przekazać Rayowi, który nie ma żadnych slajdów, ale zawsze dobrze mówi.
Eric Kavanagh: Zrobię slajdy. Jest nasz przyjaciel, Ray Wang. Ray, co o tym myślisz?
Ray Wang: Myślę, że była to prawdopodobnie jedna z najbardziej zwięzłych i wspaniałych historii sklepów o kluczowej wartości i gdzie Hadoop poszedł w związku z przedsiębiorstwami, które są obecnie, więc zawsze dużo się uczę, słuchając Robin.
Właściwie mam jeden slajd. Mogę wyświetlić tutaj jeden slajd.
Eric Kavanagh: Po prostu idź dalej i kliknij przycisk, kliknij przycisk Start i przejdź do udostępnienia pulpitu.
Ray Wang: Rozumiem, proszę bardzo. Właściwie to podzielę się. Możesz zobaczyć samą aplikację. Zobaczmy jak idzie.
Cała ta rozmowa o Hadoop, a następnie zagłębiamy się w dyskusję na temat technologii, które tam są i dokąd zmierza Hadoop, i wiele razy po prostu lubię to powtarzać, aby naprawdę odbyć dyskusję biznesową. Dużo rzeczy, które dzieją się po stronie technologii, to tak naprawdę ten kawałek, w którym rozmawialiśmy o hurtowniach danych, zarządzaniu informacjami, jakości danych, opanowaniu tych danych, i dlatego często to widzimy. Więc jeśli spojrzysz na ten wykres tutaj na samym dole, to bardzo interesujące, że typy osób, które wpadamy na tę rozmowę o Hadoop. Mamy technologów i naukowców zajmujących się badaniami danych, którzy mają mnóstwo emocji i zazwyczaj chodzi o źródła danych, prawda? Jak opanować źródła danych? Jak uzyskać odpowiedni poziom jakości? Co robimy z zarządzaniem? Co możemy zrobić, aby dopasować różne rodzaje źródeł? Jak utrzymujemy rodowód? I cała ta dyskusja. I jak uzyskać więcej SQL z naszego Hadoop? Ta część dzieje się na tym poziomie.
Następnie, po stronie informacji i aranżacji, robi się interesująco. Zaczynamy wiązać wyniki tego wglądu, czy otrzymujemy go z powrotem do procesów biznesowych? Jak powiązać to z jakimkolwiek modelem metadanych? Czy łączymy kropki między obiektami? I tak nowe czasowniki i dyskusje na temat tego, jak wykorzystujemy te dane, przechodząc od tego, czym tradycyjnie jesteśmy w świecie CRUD: twórz, czytaj, aktualizuj, usuwaj, do świata, który dyskutuje o tym, w jaki sposób angażujemy się, udostępniamy, współpracujemy lub lubić lub ciągnąć coś.
W tym miejscu zaczynamy dostrzegać wiele emocji i innowacji, szczególnie w zakresie wyciągania tych informacji i zwiększania ich wartości. To dyskusja oparta na technologii poniżej czerwonej linii. Powyżej tej czerwonej linii otrzymujemy pytania, które zawsze chcieliśmy zadać, a jednym z nich, które zawsze poruszamy, jest na przykład pytanie: „Dlaczego czerwone swetry sprzedają się lepiej? w Alabamie niż niebieskie swetry w Michigan? ” Możesz o tym pomyśleć i powiedzieć: „To trochę interesujące”. Widzisz ten wzór. Zadajemy to pytanie i zastanawiamy się: „Hej, co robimy?” Może chodzi o szkoły stanowe - Michigan kontra Alabama. OK, rozumiem, widzę dokąd zmierzamy. I tak zaczynamy zajmować się biznesem domu, ludźmi w finansach, ludźmi, którzy mają tradycyjne możliwości BI, ludźmi w marketingu i ludźmi w HR, mówiąc: „Gdzie są moje wzorce?”. Jak dojść do tych wzorów? I tak widzimy inny sposób innowacji po stronie Hadoop. Chodzi o to, w jaki sposób możemy szybciej uzyskać informacje na temat aktualizacji. Jak wykonujemy tego rodzaju połączenia? Dotyczy to również osób, które lubią, ad: tech, które w zasadzie próbują łączyć reklamy i trafne treści - od sieci licytacyjnych w czasie rzeczywistym po reklamy kontekstowe i umieszczanie reklam - i to w locie.
Więc to jest interesujące. Widzisz postęp Hadoop od: „Hej, oto rozwiązanie technologiczne. Oto, co musimy zrobić, aby przekazać te informacje ludziom”. Następnie, gdy przekracza linię biznesową, zaczyna się interesować. To wgląd. Gdzie jest występ? Gdzie jest odliczenie? Jak przewidujemy rzeczy? Jak przejmujemy wpływ? A potem przenieś to na ostatni poziom, gdzie faktycznie widzimy kolejny zestaw innowacji Hadoop, które dotyczą systemów decyzyjnych i działań. Jaka jest kolejna najlepsza akcja? Więc wiesz, że niebieskie swetry sprzedają się lepiej w Michigan. Siedzisz na tonie niebieskich swetrów w Alabamie. Oczywistą rzeczą jest: „Tak, cóż, wyślijmy to tam”. Jak to robimy? Jaki jest następny krok? Jak to przywiązać? Może kolejna najlepsza akcja, może to sugestia, może to coś, co pomaga zapobiec problemowi, może też nie jest to żadna akcja, która jest działaniem samym w sobie. Zaczynamy więc pojawiać się tego rodzaju wzorce. A piękno tego, co mówisz o sklepach o kluczowej wartości, Robin, polega na tym, że dzieje się to tak szybko. Dzieje się tak, że nie myśleliśmy o tym w ten sposób.
Prawdopodobnie powiedziałbym, że w ciągu ostatnich pięciu lat, które podnieśliśmy. Zaczęliśmy myśleć o tym, w jaki sposób możemy ponownie wykorzystać sklepy o kluczowej wartości, ale to tylko w ciągu ostatnich pięciu lat, ludzie patrzą na to bardzo inaczej i to tak, jakby cykle technologiczne powtarzały się w 40-letnich wzorach, więc jest to miłe zabawnej rzeczy, w której patrzymy na chmurę, a ja po prostu dzielę się czasem na komputerze mainframe. Patrzymy na Hadoop i lubimy sklep z kluczowymi wartościami - może to martwa baza danych, mniej niż hurtownia danych - i dlatego znów zaczynamy widzieć te wzorce. To, co próbuję teraz zrobić, to pomyśleć o tym, co robili ludzie 40 lat temu? Jakie podejścia, techniki i metody były stosowane, które były ograniczone przez technologie, które ludzie mieli? To rodzaj prowadzenia tego procesu myślowego. Kiedy więc przeglądamy większy obraz Hadoop jako narzędzia, kiedy wracamy i myślimy o konsekwencjach biznesowych, jest to rodzaj ścieżki, którą zwykle przeprowadzamy ludzi, abyś mógł zobaczyć, jakie części, jakie części są w danych ścieżka decyzji. Po prostu chciałem się tym podzielić. Jest to rodzaj myślenia, które stosujemy wewnętrznie i mam nadzieję, że dodaje do dyskusji. Więc oddam ci to, Eric.
Eric Kavanagh: To fantastycznie. Jeśli możesz pozostać na kilka pytań i odpowiedzi. Ale podobało mi się, że wróciłeś do poziomu biznesowego, ponieważ pod koniec dnia chodzi o biznes. Chodzi o to, aby załatwić sprawę i upewnić się, że mądrze wydajesz pieniądze, i to jest jedno z pytań, które już widziałem, więc mówcy mogą chcieć pomyśleć o tym, co jest TCL, idąc drogą Hadoop. Pomiędzy jest na przykład sprytne wykorzystanie narzędzi półkowych biurowych do robienia rzeczy w tradycyjny sposób i używanie nowych zestawów narzędzi, ponieważ pomyślcie o tym, wiele z tych rzeczy nie jest nowych, to po prostu rodzaj łączenie w nowy sposób jest, jak sądzę, najlepszym sposobem na wyrażenie tego.
A więc chodźmy dalej i przedstawmy naszą przyjaciółkę Nikitę Iwanow. Jest założycielem i dyrektorem generalnym GridGain. Nikita, zamierzam przekazać ci klucze i wierzę, że tam jesteś. Słyszysz mnie Nikita?
Nikita Iwanow: Tak, jestem tutaj.
Eric Kavanagh: Doskonale. Więc podłoga jest twoja. Kliknij ten slajd. Użyj strzałki w dół i zabierz ją. Pięć minut.
Nikita Ivanov: Który slajd klikam?
Eric Kavanagh: Wystarczy kliknąć dowolne miejsce na tym slajdzie, a następnie użyć strzałki w dół na klawiaturze, aby przejść. Po prostu kliknij sam slajd i użyj strzałki w dół.
Nikita Iwanow: W porządku, więc kilka krótkich slajdów o GridGain. Co robimy w kontekście tej rozmowy? GridGain w zasadzie produkuje oprogramowanie obliczeniowe w pamięci, a częścią opracowanej przez nas platformy jest akcelerator Hadoop w pamięci. Jeśli chodzi o Hadoop, zwykle myślimy o sobie jako o specjalistach od wydajności Hadoop. To, co robimy, w zasadzie na naszej podstawowej platformie obliczeniowej w pamięci, która składa się z technologii takich jak siatka danych, strumieniowanie pamięci i siatki obliczeniowe, byłoby w stanie podłączyć akcelerator Hadoop. To bardzo proste. Byłoby miło, gdybyśmy mogli opracować jakieś rozwiązanie typu plug-and-play, które można zainstalować bezpośrednio w instalacji Hadoop. Jeśli Ty, twórca MapReduce, potrzebujesz ulepszenia bez potrzeby pisania nowego oprogramowania lub zmiany kodu lub zmiany, lub w zasadzie masz minimalną zmianę konfiguracji w klastrze Hadoop. Właśnie to opracowaliśmy.
Zasadniczo wbudowany w pamięć akcelerator Hadoop opiera się na optymalizacji dwóch komponentów w ekosystemie Hadoop. Jeśli myślisz o Hadoop, opiera się on głównie na systemie plików HDFS, czyli systemie plików. MapReduce, który jest strukturą umożliwiającą równoległe przeprowadzanie konkursów na systemie plików. Aby zoptymalizować Hadoop, optymalizujemy oba te systemy. Opracowaliśmy system plików w pamięci, który jest w pełni kompatybilny, w 100% zgodny z plug-and-play, z HDFS. Możesz uruchomić zamiast HDFS, możesz uruchomić na HDFS. Opracowaliśmy również wbudowaną w pamięć MapReduce, która jest zgodna z plug-and-play w Hadoop MapReduce, ale istnieje wiele optymalizacji dotyczących przebiegu pracy MapReduce i harmonogramu na MapReduce.
Jeśli spojrzysz, na przykład na ten slajd, gdzie pokazujemy rodzaj stosu powielania. Po lewej stronie masz typowy system operacyjny z GDM, a na górze tego schematu masz centrum aplikacji. W środku masz Hadoop. A Hadoop znów opiera się na HDFS i MapReduce. Oznacza to, że na tym schemacie osadzamy się w stosie Hadoop. Ponownie, jest to plug-and-play; nie musisz zmieniać żadnego kodu. Po prostu działa w ten sam sposób. W następnym slajdzie pokazaliśmy, w jaki sposób zoptymalizowaliśmy przepływ pracy MapReduce. To prawdopodobnie najbardziej interesująca część, ponieważ daje największą przewagę podczas uruchamiania zadań MapReduce.
Typowy MapReduce, kiedy przesyłasz zlecenie, a po lewej stronie znajduje się schemat, jest zwykle aplikacja. Tak więc zazwyczaj przesyłasz pracę, a praca przechodzi do narzędzia do śledzenia pracy. 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. Dziękuję Ci.
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.
Dzięki.
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. Zobaczmy. 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? Z dużą mocą przychodzi duża odpowiedzialność. 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. O to chodzi. 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.
Dzięki temu pożegnamy się, ludzie. 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.
