Anmerkung des Herausgebers: Dies ist eine Abschrift eines Live-Webcasts. Den vollständigen Webcast können Sie hier einsehen.
Eric Kavanagh: Meine Damen und Herren, es ist Zeit, klug zu werden! Es ist Zeit für TechWise, eine brandneue Show! Ich heiße Eric Kavanagh. Ich werde Ihr Moderator für unsere erste Folge von TechWise sein. Das ist genau richtig Dies ist eine Partnerschaft von Techopedia und der Bloor Group, natürlich von Inside Analysis.
Ich heiße Eric Kavanagh. Ich werde dieses wirklich interessante und involvierte Ereignis moderieren, Leute. Wir werden tief in das Geflecht graben, um zu verstehen, was mit diesem großen Ding namens Hadoop los ist. Was ist der Elefant im Raum? Es heißt Hadoop. Wir werden versuchen herauszufinden, was es bedeutet und was damit los ist.
Zunächst ein großes Dankeschön an unsere Sponsoren, GridGain, Actian, Zettaset und DataTorrent. Gegen Ende dieser Veranstaltung erhalten wir von jedem ein paar kurze Worte. Wir haben auch ein Q & A, also seien Sie nicht schüchtern - senden Sie Ihre Fragen jederzeit.
Wir werden uns mit den Details befassen und die schwierigen Fragen an unsere Experten richten. Und wenn wir von den Experten sprechen, hey, da sind sie. Wir werden also von unserem eigenen Dr. Robin Bloor hören, und Leute, ich freue mich sehr, den legendären Ray Wang, Hauptanalytiker und Gründer von Constellation Research, zu haben. Er ist heute online, um uns seine Gedanken mitzuteilen, und er ist wie Robin, dass er unglaublich vielfältig ist, sich wirklich auf viele verschiedene Bereiche konzentriert und die Fähigkeit hat, diese zusammenzufassen und wirklich zu verstehen, was auf dem gesamten Gebiet der Informationstechnologie vor sich geht und Datenmanagement.
Da ist also dieser kleine süße Elefant. Er ist am Anfang der Straße, wie Sie sehen können. Es fängt gerade erst an, es fängt gerade erst an, diese ganze Hadoop-Sache. Natürlich war es 2006 oder 2007, denke ich, als es für die Open-Source-Community veröffentlicht wurde, aber es gab eine Menge Dinge, Leute. Es hat enorme Entwicklungen gegeben. Tatsächlich möchte ich die Geschichte aufgreifen, also mache ich eine schnelle Desktop-Freigabe, zumindest denke ich, dass ich es bin. Machen wir eine kurze Desktopfreigabe.
Ich zeige dir diese verrückten, verrückten Geschichten. Intel investierte also 740 Millionen US-Dollar, um 18 Prozent von Cloudera zu kaufen. Ich dachte und ich bin wie "Heilige Weihnachten!" Ich fing an zu rechnen und sagte: "Das ist eine Schätzung von 4, 1 Milliarden Dollar." Denken wir eine Sekunde darüber nach. Ich meine, wenn WhatsApp 2 Milliarden US-Dollar wert ist, könnte Cloudera genauso gut 4, 1 Milliarden US-Dollar wert sein, oder? Ich meine, warum nicht? Einige dieser Zahlen sind heutzutage nur aus dem Fenster, Leute. Ich meine, in der Regel in Bezug auf Investitionen, haben Sie EBITDA und all diese anderen verschiedenen Mechanismen, ein Vielfaches des Umsatzes und so weiter. Nun, für Cloudera, das ein großartiges Unternehmen ist, wird es ein verdammt vielfaches des Umsatzes sein, 4, 1 Milliarden US-Dollar zu erwirtschaften. Versteht mich nicht falsch - da drüben gibt es einige sehr, sehr kluge Leute, einschließlich des Typen, der den ganzen Hadoop-Wahnsinn ausgelöst hat, Doug Cutting, der da drüben ist - eine Menge sehr intelligenter Leute, die eine Menge wirklich, wirklich tun coole Dinge, aber das Fazit ist, dass die 4, 1 Milliarden Dollar, das ist eine Menge Geld.
Hier ist also ein offensichtlicher Moment, in dem ich mich wie ein Intel-Chip fühle. Ihre Chipdesigner bringen einige Hadoop-optimierte Chips mit - ich denke schon, Leute. Das ist nur meine Vermutung. Das ist nur ein Gerücht von mir, wenn Sie so wollen, aber es macht irgendwie Sinn. Und was bedeutet das alles?
Also hier ist meine Theorie. Was ist los? Vieles davon ist nicht neu. Massive Parallelverarbeitung ist nicht schrecklich neu. Parallelverarbeitung ist sicher nicht neu. Ich bin schon eine Weile in der Welt des Supercomputers. Viele dieser Ereignisse sind nicht neu, aber es gibt allgemein das Bewusstsein, dass es einen neuen Weg gibt, einige dieser Probleme anzugehen. Was ich sehe, wenn Sie sich einige der großen Hersteller von Cloudera oder Hortonworks und einige dieser anderen Typen ansehen, dann machen sie das wirklich, wenn Sie es auf das granularste destillierte Level bringen: Anwendungsentwicklung. Das ist was sie tun.
Sie entwerfen neue Anwendungen - einige davon beinhalten Business Analytics. Einige von ihnen betreffen nur Aufladesysteme. Einer unserer Verkäufer, der darüber gesprochen hat, macht solche Sachen den ganzen Tag in der heutigen Show. Aber wenn es furchtbar neu ist, lautet die Antwort erneut "nicht wirklich", aber es passieren große Dinge, und ich persönlich denke, was mit Intel los ist, diese riesige Investition zu tätigen, ist ein marktmachender Schachzug. Sie schauen auf die heutige Welt und sehen, dass es heute eine Art Monopolwelt ist. Es gibt Facebook und sie haben nur den Rotz aus dem armen MySpace geschlagen. LinkedIn hat den Rotz aus dem armen Who is Who geschlagen. Sie sehen sich um und es ist ein Service, der all diese unterschiedlichen Bereiche in unserer heutigen Welt beherrscht. Ich denke, Intel wird alle seine Chips auf Cloudera werfen und versuchen, ihn an die Spitze des Stapels zu bringen - das ist nur so meine Theorie.
Also Leute, wie gesagt, wir werden eine lange Fragerunde haben, also seid nicht schüchtern. Senden Sie Ihre Fragen jederzeit ein. Sie können dies mithilfe der Q & A-Komponente Ihrer Webcast-Konsole tun. Und damit möchte ich zu unserem Inhalt gelangen, weil wir eine Menge Dinge zu erledigen haben.
Also, Robin Bloor, lass mich dir die Schlüssel geben und der Boden gehört dir.
Robin Bloor: Okay, Eric, danke dafür. Bringen wir die tanzenden Elefanten mit. Eigentlich ist es merkwürdig, dass Elefanten die einzigen Landsäugetiere sind, die nicht springen können. Alle diese Elefanten in dieser speziellen Grafik haben mindestens einen Fuß auf dem Boden, daher denke ich, dass dies machbar ist, aber bis zu einem gewissen Grad handelt es sich offensichtlich um Hadoop-Elefanten, die sehr, sehr fähig sind.
Die Frage, die meiner Meinung nach wirklich diskutiert werden muss, muss in aller Ehrlichkeit diskutiert werden. Es muss besprochen werden, bevor Sie irgendwo anders hingehen, um wirklich darüber zu sprechen, was Hadoop eigentlich ist.
Eines der Dinge, die absolut von der Mensch-Spiel-Basis sind, ist der Schlüsselwertspeicher. Früher hatten wir Key-Value-Stores. Früher hatten wir sie auf dem IBM-Mainframe. Wir hatten sie auf den Minicomputern; DEC VAX hatte IMS-Dateien. Es gab ISAM-Funktionen, die praktisch für jeden Minicomputer verfügbar waren. Aber irgendwann in den späten 80ern kam Unix auf den Markt und Unix hatte eigentlich keinen Key-Value-Store. Als Unix es entwickelte, entwickelten sie sich sehr schnell. Was wirklich geschah, war, dass die Datenbankanbieter, insbesondere Oracle, sich dort ansiedelten und Ihre Datenbanken verkauften, um sich um alle Daten zu kümmern, die Sie unter Unix verwalten möchten. Windows und Linux erwiesen sich als gleich. Die Branche war also fast 20 Jahre lang ohne einen Universal-Key-Value-Store. Nun, es ist zurück. Es ist nicht nur zurück, es ist skalierbar.
Nun, ich denke wirklich, es ist das Fundament dessen, was Hadoop wirklich ist und bis zu einem gewissen Grad bestimmt es, wohin es gehen wird. Was mögen wir an Key-Value-Stores? Diejenigen von Ihnen, die so alt sind wie ich und sich tatsächlich an die Arbeit mit Key-Value-Stores erinnern, erkennen, dass Sie sie so gut wie nur informell zum Einrichten einer Datenbank verwenden können. Sie wissen, dass die Metadaten im Programmcode schnell als Wert gespeichert werden, aber Sie können diese Datei auch zu einer externen Datei machen, und wenn Sie einen Schlüsselwertspeicher ein wenig wie eine Datenbank behandeln möchten. Aber natürlich hatte es nicht all die Wiederherstellungsmöglichkeiten, die eine Datenbank bietet, und es gab auch nicht viele Dinge, die die Datenbanken jetzt haben, aber es war eine sehr nützliche Funktion für Entwickler, und das ist einer der Gründe, warum ich denke Dass Hadoop sich als so beliebt erwiesen hat - einfach, weil es Programmierer, Programmierer und Entwickler waren, die schnell sind. Sie erkannten, dass es sich nicht nur um einen Schlüsselwert des Geschäfts handelt, sondern auch um einen skalierbaren Schlüsselwertspeicher. Es skaliert so ziemlich auf unbestimmte Zeit. Ich habe diese Skalen an Tausende von Servern gesendet, das ist also das wirklich Große an Hadoop, das ist es, was es ist.
Darüber hinaus gibt es MapReduce, einen Parallelisierungsalgorithmus, der meiner Meinung nach jedoch nicht wichtig ist. Weißt du, Hadoop ist ein Chamäleon. Es ist nicht nur ein Dateisystem. Ich habe verschiedene Arten von Behauptungen für Hadoop gesehen: Es ist eine geheime Datenbank; es ist keine geheime Datenbank; es ist ein gewöhnlicher Laden; Es ist eine analytische Toolbox. es ist eine ELT-Umgebung; Es ist ein Tool zur Datenbereinigung. Es ist ein Streaming-Plattform-Data-Warehouse. es ist ein Archivspeicher; Es ist ein Heilmittel gegen Krebs und so weiter. Die meisten dieser Dinge sind für Vanille Hadoop wirklich nicht wahr. Hadoop ist wahrscheinlich ein Prototyping - es ist sicherlich eine Prototyping-Umgebung für eine SQL-Datenbank, aber wenn Sie den Altersbereich mit dem Alterskatalog über Hadoop setzen, haben Sie etwas, das aussieht wie eine Datenbank, aber nicht wirklich Was würde jemand eine Datenbank in Bezug auf die Fähigkeit nennen. Viele dieser Funktionen können Sie auf Hadoop nutzen. Es gibt sicherlich viele von ihnen. Tatsächlich können Sie eine Quelle für Hadoop bekommen, aber Hadoop selbst ist nicht das, was ich als operativ gehärtet bezeichnen würde, und daher ist der Deal über Hadoop, wirklich, dass ich auf nichts anderem verzichten würde, dass Sie irgendwie einen Dritten brauchen -Party-Produkte, um es zu verbessern.
Wenn wir über Sie sprechen, können wir nur ein paar Zeilen einwerfen, wenn ich von Hadoop-Überreichweite spreche. Zuallererst Echtzeit-Abfragemöglichkeiten, Sie wissen, Echtzeit ist eine Art Geschäftszeit, eigentlich fast immer leistungskritisch, ansonsten. Ich meine, warum würden Sie in Echtzeit konstruieren? Hadoop macht das nicht wirklich. Es macht etwas, das in der Nähe von Echtzeit ist, aber es macht nicht wirklich Echtzeit-Sachen. Es macht Streaming, aber es macht kein Streaming in einer Art und Weise, die ich als wirklich geschäftskritischen Typ bezeichnen würde, den Application-Streaming-Plattformen können. Es gibt einen Unterschied zwischen einer Datenbank und einem löschbaren Speicher. Wenn Sie es über Hadoop synchronisieren, erhalten Sie einen übersichtlichen Datenspeicher. Das ist wie eine Datenbank, aber es ist nicht dasselbe wie eine Datenbank. Hadoop in seiner ursprünglichen Form ist meiner Meinung nach überhaupt nicht als Datenbank zu qualifizieren, da es nicht viele Dinge gibt, die eine Datenbank haben sollte. Hadoop macht viel, aber es macht es nicht besonders gut. Auch hier ist die Fähigkeit vorhanden, aber wir sind weit davon entfernt, in all diesen Bereichen tatsächlich eine schnelle Fähigkeit zu haben.
Das andere, was man über Hadoop verstehen sollte, ist, dass es schon lange her ist, seit es entwickelt wurde. Es wurde in den frühen Tagen entwickelt; Es wurde entwickelt, als wir Server hatten, die eigentlich nur einen Prozessor pro Server hatten. Wir hatten nie Multi-Core-Prozessoren und diese wurden gebaut, um über Grids, Launch Grids und Server zu laufen. Eines der Designziele von Hadoop war es, niemals die Arbeit zu verlieren. Dabei ging es eigentlich um einen Festplattenausfall. Wenn Sie Hunderte von Servern haben, ist die Wahrscheinlichkeit groß, dass Sie eine Verfügbarkeit von 99, 8 erreichen, wenn sich Festplatten auf den Servern befinden. Das bedeutet, dass einer dieser Server durchschnittlich alle 300 oder 350 Tage an einem Tag im Jahr ausfällt. Wenn Sie also Hunderte davon hätten, wäre die Wahrscheinlichkeit eines Serverausfalls an jedem Tag des Jahres gegeben.
Hadoop wurde speziell entwickelt, um dieses Problem zu beheben. Im Falle eines Ausfalls werden auf jedem Server Snapshots aller Vorgänge erstellt, und der ausgeführte Batch-Job kann wiederhergestellt werden. Und das war alles, was jemals auf Hadoop lief, waren Batch-Jobs, und das ist eine wirklich nützliche Funktion, muss man sagen. Einige der Batch-Jobs, die ausgeführt wurden - insbesondere bei Yahoo, wo Hadoop meiner Meinung nach geboren wurde - liefen zwei oder drei Tage lang, und wenn sie nach einem Tag fehlschlugen, wollten Sie die Arbeit wirklich nicht verlieren das war getan worden. Das war also der Design-Punkt hinter der Verfügbarkeit auf Hadoop. Sie würden das nicht als Hochverfügbarkeit bezeichnen, aber Sie könnten es als Hochverfügbarkeit für serielle Batch-Jobs bezeichnen. So sieht es wohl aus. Die Hochverfügbarkeit wird immer nach den Merkmalen der Arbeitslinie konfiguriert. Derzeit kann Hadoop für diese Art der Wiederherstellung nur für wirklich serielle Batch-Jobs konfiguriert werden. Hochverfügbarkeit für Unternehmen ist wahrscheinlich am besten im Hinblick auf Transaktions-LLP zu verstehen. Ich glaube, wenn Sie es nicht als eine Art Echtzeit-Sache betrachten, macht Hadoop das noch nicht. Davon ist es wahrscheinlich weit entfernt.
Aber hier ist das Schöne an Hadoop. Die Grafik auf der rechten Seite mit einer Liste der Anbieter am Rand und allen darin enthaltenen Linien weist auf Verbindungen zwischen diesen Anbietern und anderen Produkten im Hadoop-Ökosystem hin. Wenn Sie sich das ansehen, ist das ein unglaublich beeindruckendes Ökosystem. Es ist ziemlich bemerkenswert. Wir sprechen natürlich mit vielen Anbietern in Bezug auf ihre Fähigkeiten. Unter den Anbietern, mit denen ich gesprochen habe, gibt es einige wirklich außergewöhnliche Möglichkeiten, Hadoop und In-Memory zu verwenden, Hadoop als komprimiertes Archiv zu verwenden, Hadoop als ETL-Umgebung zu verwenden usw. Wenn Sie das Produkt jedoch zu Hadoop selbst hinzufügen, funktioniert es in einem bestimmten Bereich sehr gut. Während ich Hadoop gegenüber kritisch bin, bin ich Hadoop gegenüber nicht kritisch, wenn Sie ihm tatsächlich etwas Power hinzufügen. Meiner Meinung nach garantiert die Popularität von Hadoop seine Zukunft. Damit meine ich, auch wenn jede Codezeile, die bisher in Hadoop geschrieben wurde, verschwindet, glaube ich nicht, dass die HDFS-API verschwinden wird. Mit anderen Worten, ich denke, das Dateisystem API ist hier, um zu bleiben, und möglicherweise YARN, der Scheduler, der darüber nachdenkt.
Wenn man sich das anschaut, ist das eine sehr wichtige Fähigkeit und ich werde gleich darauf eingehen, aber das andere, was zum Beispiel spannende Leute an Hadoop sind, ist das gesamte Open-Source-Bild. Es lohnt sich also, das Open-Source-Bild im Hinblick auf das zu betrachten, was ich als echte Fähigkeit betrachte. Während Hadoop und alle seine Komponenten mit Sicherheit das tun können, was wir als Datenlängen bezeichnen - oder wie ich es am liebsten als Datenreservoir bezeichne -, ist es mit Sicherheit ein sehr guter Staging-Bereich, um Daten in die Organisation abzulegen oder Daten in der Organisation zu sammeln - äußerst gut für Sandkästen und zum Angeln von Daten. Es ist sehr gut als Prototyping-Entwicklungsplattform, die Sie möglicherweise am Ende des Tages implementieren, aber Sie wissen, dass als Entwicklungsumgebung so ziemlich alles vorhanden ist, was Sie wollen. Als Archivladen hat es so ziemlich alles, was Sie brauchen, und natürlich ist es nicht teuer. Ich denke nicht, dass wir eines dieser beiden Dinge von Hadoop scheiden sollten, obwohl sie, wenn Sie so wollen, formal keine Bestandteile von Hadoop sind. Der Online-Keil hat eine Vielzahl von Analysen in die Open-Source-Welt gebracht, und viele dieser Analysen werden jetzt auf Hadoop ausgeführt, da Sie auf diese Weise eine praktische Umgebung haben, in der Sie tatsächlich viele externe Daten aufnehmen und einfach loslegen können an einem analytischen Sandkasten.
Und dann haben Sie die Open-Source-Funktionen, die beide maschinelles Lernen sind. Beide sind in dem Sinne äußerst leistungsfähig, dass sie leistungsstarke analytische Algorithmen implementieren. Wenn Sie diese Dinge zusammenfügen, haben Sie die Kerne einer sehr, sehr wichtigen Fähigkeit, die auf die eine oder andere Weise sehr wahrscheinlich ist - ob sie sich von selbst entwickelt oder ob Anbieter dazu kommen, die fehlenden Teile auszufüllen -. Es ist sehr wahrscheinlich, dass es noch lange dauern wird und ich denke, dass das maschinelle Lernen bereits einen großen Einfluss auf die Welt hat.
Die Entwicklung von Hadoop, YARN hat alles verändert. Was passiert war, war, dass MapReduce so ziemlich mit dem frühen Dateisystem HDFS verschweißt war. Bei der Einführung von YARN wurde in der ersten Version eine Planungsfunktion erstellt. Sie erwarten die extrem ausgefeilte Zeitplanung nicht von der ersten Veröffentlichung, aber das bedeutete, dass es jetzt nicht mehr unbedingt eine Patch-Umgebung war. Es war eine Umgebung, in der mehrere Jobs geplant werden konnten. Sobald dies geschah, gab es eine ganze Reihe von Anbietern, die sich von Hadoop ferngehalten hatten - sie kamen einfach herein und verbanden sich damit, weil sie es dann einfach als die Planungsumgebung über ein Dateisystem betrachten konnten und sich mit Dingen befassten es. Es gibt sogar Datenbankanbieter, die ihre Datenbanken auf HDFS implementiert haben, weil sie nur die Engine übernehmen und sie einfach auf HDFS übertragen. Mit Cascading und YARN wird es zu einer sehr interessanten Umgebung, da Sie komplexe Workflows über HDFS erstellen können. Dies bedeutet, dass Sie anfangen können, es als eine Plattform zu betrachten, auf der mehrere Jobs gleichzeitig ausgeführt werden können und die sich auf den Punkt drängt unternehmenskritische Dinge zu tun. Wenn Sie das tun, müssen Sie wahrscheinlich einige Komponenten von Drittanbietern kaufen, wie z. B. Sicherheit und so weiter. Hadoop verfügt jedoch nicht über ein Audit-Konto, um die Lücken zu schließen, sondern Sie Kommen Sie an den Punkt, an dem Sie selbst mit nativem Open Source einige interessante Dinge tun können.
In Bezug darauf, wohin Hadoop meiner Meinung nach tatsächlich gehen wird, glaube ich persönlich, dass HDFS ein Standard-Scale-Out-Dateisystem und daher das Betriebssystem für das Grid für den Datenfluss wird. Ich denke, das hat eine große Zukunft und ich glaube nicht, dass es dort aufhören wird. Tatsächlich hilft das Ökosystem nur, weil praktisch jeder, alle Anbieter im Weltraum, Hadoop auf die eine oder andere Art und Weise einbindet und es nur ermöglicht. In Bezug auf einen weiteren Punkt, der es wert ist, in Bezug auf Hadoop-Overage erwähnt zu werden, ist es keine sehr gute Plattform plus Parallelisierung. Wenn Sie sich tatsächlich ansehen, was es tut, ist das, dass es regelmäßig auf jedem Server einen Snapshot erstellt, während es seine MapReduce-Jobs ausführt. Wenn Sie für eine wirklich schnelle Parallelisierung entwerfen würden, würden Sie so etwas nicht tun. Tatsächlich würden Sie MapReduce wahrscheinlich nicht alleine verwenden. MapReduce ist nur das, was ich als halb parallelitätsfähig bezeichnen würde.
Es gibt zwei Ansätze für die Parallelität: Zum einen durch Pipelining-Prozesse und zum anderen durch Teilen von MapReduce-Daten und zum anderen durch Teilen von Daten. Daher gibt es viele Jobs, bei denen MapReduce nicht der schnellste Weg wäre, dies zu tun, dies wird jedoch der Fall sein Geben Sie Ihnen Parallelität und es gibt kein Mitnehmen davon. Wenn Sie viele Daten haben, ist diese Art von Leistung normalerweise nicht so nützlich. YARN ist, wie ich bereits sagte, eine sehr junge Planungsfähigkeit.
Hadoop ist, wie man hier eine Linie in den Sand zieht, Hadoop ist kein Data Warehouse. Es ist so weit davon entfernt, ein Data Warehouse zu sein, dass es fast ein absurder Vorschlag ist, dies zu sagen. In diesem Diagramm zeige ich ganz oben eine Art Datenfluss, der von einem Hadoop-Datenreservoir in eine gigantische Scale-Out-Datenbank übergeht, wie wir es tatsächlich tun werden, ein Enterprise Data Warehouse. Ich zeige alte Datenbanken, speise Daten in das Data Warehouse ein und lade Aktivitäten ab, um Offload-Datenbanken aus dem Data Warehouse zu erstellen. Aber das ist tatsächlich ein Bild, das sich abzeichnet, und ich würde sagen, dass dies wie die erste Generation von ist Was passiert mit dem Data Warehouse mit Hadoop? Wenn Sie sich das Data Warehouse jedoch selbst ansehen, stellen Sie fest, dass Sie unter dem Data Warehouse einen Optimierer haben. Sie haben Abfrage-Worker auf sehr viele Prozesse verteilt, die über möglicherweise sehr viele Festplatten verteilt sind. Das passiert in einem Data Warehouse. Das ist eigentlich eine Architektur, die für ein Data Warehouse entwickelt wurde, und es dauert ziemlich lange, bis so etwas erstellt ist, und Hadoop hat überhaupt nichts davon. Hadoop ist also kein Data Warehouse und wird es meiner Meinung nach in Kürze auch nicht mehr sein.
Es hat dieses relative Datenreservoir und es sieht irgendwie interessant aus, wenn man die Welt nur als eine Reihe von Ereignissen betrachtet, die in die Organisation einfließen. Das ist, was ich auf der linken Seite dieses Diagramms zeige. Nachdem es eine Filter- und Routing-Funktion durchlaufen hat, wird das für das Streaming erforderliche Material aus den Streaming-Apps entfernt, und alles andere wird direkt in das Datenreservoir geleitet, wo es vorbereitet und bereinigt und dann von ETL an einzelne Daten übergeben wird Warehouse oder ein logisches Data Warehouse, das aus mehreren Engines besteht. Dies ist meiner Meinung nach eine natürliche Entwicklungslinie für Hadoop.
In Bezug auf die ETW ist eines der Dinge, auf die hingewiesen werden sollte, dass das Data Warehouse selbst tatsächlich verschoben wurde - es ist nicht das, was es war. Sicherlich erwarten Sie heutzutage eine hierarchische Fähigkeit pro hierarchischen Daten dessen, was Personen oder einige Personen die Dokumente im Data Warehouse aufrufen. Das ist JSON. Möglicherweise Netzwerkabfragen, bei denen es sich um Diagrammdatenbanken handelt, möglicherweise Analysen. Was wir also anstreben, ist eine ETW, die eine komplexere Arbeitsbelastung aufweist als die, an die wir gewöhnt sind. Das ist interessant, weil das Data Warehouse dadurch in gewisser Weise noch komplexer wird und es deshalb noch eine Weile dauern wird, bis Hadoop in die Nähe kommt. Die Bedeutung von Data Warehouse wird erweitert, beinhaltet aber immer noch die Optimierung. Sie müssen über Optimierungsmöglichkeiten verfügen, nicht nur für Abfragen, sondern für alle diese Aktivitäten.
Das war's auch schon. Das ist alles, was ich über Hadoop sagen wollte. Ich glaube, ich kann an Ray weitergeben, der keine Folien hat, aber immer gut im Reden ist.
Eric Kavanagh: Ich werde die Folien nehmen. Da ist unser Freund Ray Wang. Also, Ray, was denkst du über all das?
Ray Wang: Nun, ich denke, das war eine der prägnantesten und großartigsten Geschichten von Key-Value-Läden und wo Hadoop in Beziehung zu Unternehmen gestanden hat, die nicht da sind. Deshalb lerne ich immer viel, wenn ich Robin höre.
Eigentlich habe ich eine Folie. Ich kann hier eine Folie öffnen.
Eric Kavanagh: Gehen Sie einfach voran und klicken Sie auf, klicken Sie auf Start und geben Sie Ihren Desktop frei.
Ray Wang: Verstanden, los geht's. Ich werde tatsächlich teilen. Sie können die App selbst sehen. Mal sehen, wie es geht.
Das ganze Gespräch über Hadoop und dann gehen wir tief in das Gespräch über die Technologien ein, die es gibt und auf die Hadoop zusteuert, und oft nehme ich es einfach gerne wieder auf, um die Geschäftsdiskussion wirklich zu führen. Vieles, was auf der Technologieseite passiert, ist wirklich dieses Stück, in dem wir über Data Warehouses, Informationsmanagement, Datenqualität und die Beherrschung dieser Daten gesprochen haben, und daher tendieren wir dazu, dies zu sehen. Wenn Sie sich diese Grafik ganz unten ansehen, ist es sehr interessant, dass die Arten von Personen, denen wir begegnen, über Hadoop sprechen. Wir haben die Technologen und Datenwissenschaftler, die auf der Suche sind, viel Aufregung haben und es geht in der Regel um Datenquellen, oder? Wie beherrschen wir die Datenquellen? Wie bringen wir das in die richtige Qualität? Was machen wir mit der Governance? Was können wir tun, um verschiedene Arten von Quellen abzugleichen? Wie halten wir die Abstammung? Und all diese Art von Diskussion. Und wie können wir mehr SQL aus unserem Hadoop herausholen? Dieser Teil geschieht also auf dieser Ebene.
Auf der Informations- und Orchestrierungsseite wird es dann interessant. Wir fangen an, die Ergebnisse dieser Einsicht, die wir erhalten, zu verknüpfen, oder ziehen wir sie von den Geschäftsprozessen zurück? Wie knüpfen wir es an Metadatenmodelle an? Verbinden wir die Punkte zwischen Objekten? Und so bewegen sich die neuen Verben und Diskussionen darüber, wie wir diese Daten verwenden, von dem, was wir traditionell in einer CRUD-Welt sind: Erstellen, Lesen, Aktualisieren, Löschen, zu einer Welt, in der darüber diskutiert wird, wie wir uns engagieren, teilen oder zusammenarbeiten oder etwas mögen oder ziehen.
Das ist der Punkt, an dem wir anfangen, viel Aufregung und Innovation zu spüren, insbesondere darüber, wie diese Informationen abgerufen und wertgeschätzt werden können. Das ist die technologiegetriebene Diskussion unter der roten Linie. Über dieser roten Linie erhalten wir genau die Fragen, die wir immer stellen wollten, und eine davon, die wir immer ansprechen, lautet beispielsweise: "Warum verkaufen sich rote Pullover besser? in Alabama als blaue Pullover in Michigan? " Sie könnten darüber nachdenken und sagen: "Das ist irgendwie interessant." Sie sehen dieses Muster. Wir stellen diese Frage und fragen uns: "Hey, was machen wir?" Vielleicht geht es um staatliche Schulen - Michigan gegen Alabama. OK, ich verstehe, ich sehe, wohin wir gehen. Und so beginnen wir, die geschäftliche Seite des Hauses zu erobern, Menschen im Finanzwesen, Menschen mit traditionellen BI-Fähigkeiten, Menschen im Marketing und Menschen im Personalwesen, die sagen: "Wo sind meine Muster?" Wie kommen wir zu diesen Mustern? Und so sehen wir auf der Hadoop-Seite einen anderen Weg der Innovation. Es geht wirklich darum, wie wir Erkenntnisse schneller auf den neuesten Stand bringen können. Wie stellen wir solche Verbindungen her? Es geht den ganzen Weg bis zu den Leuten, die Anzeigen und relevante Inhalte miteinander verbinden wollen, angefangen von Echtzeit-Gebotsnetzwerken bis hin zu kontextbezogenen Anzeigen und Anzeigenplatzierungen und dies im Handumdrehen.
Also ist es interessant zu. Sie sehen den Fortschritt von Hadoop von "Hey, hier ist die Technologielösung. Hier ist, was wir tun müssen, um diese Informationen an die Menschen weiterzugeben." Wenn es dann über den Geschäftsbereich geht, wird es hier interessant. Es ist die Einsicht. Wo ist die Aufführung? Wo ist der Abzug? Wie sagen wir Dinge voraus? Wie nehmen wir Einfluss? Und dann bringen Sie das auf die letzte Ebene, auf der wir tatsächlich eine Reihe weiterer Hadoop-Innovationen sehen, die sich um Entscheidungssysteme und Aktionen drehen. Was ist die nächstbeste Aktion? Sie wissen also, dass sich blaue Pullover in Michigan besser verkaufen. Sie sitzen in Alabama auf einer Tonne blauer Pullover. Die offensichtliche Sache ist: "Ja, lasst uns das hier rausbringen." Wie machen wir es? Was ist der nächste Schritt? Wie binden wir das wieder ein? Vielleicht ist es die nächstbeste Aktion, vielleicht ein Vorschlag, vielleicht hilft es Ihnen, ein Problem zu vermeiden, vielleicht ist es auch keine Aktion, sondern eine Aktion für sich. Wir sehen also, wie solche Muster entstehen. Und das Schöne an dem, was Sie über Key-Value-Läden sagen, Robin, ist, dass es so schnell geht. Es geschieht so, wie wir es uns nicht so vorgestellt haben.
Wahrscheinlich würde ich sagen, dass wir in den letzten fünf Jahren aufgehört haben. Wir haben uns überlegt, wie wir wieder Key-Value-Stores nutzen können, aber erst in den letzten fünf Jahren sehen die Leute das ganz anders und es ist, als würden sich Technologiezyklen in 40-jährigen Mustern wiederholen von einer lustigen Sache, in der wir Cloud betrachten und ich bin wie Mainframe-Time-Sharing. Wir schauen uns Hadoop an und sehen uns wie ein Geschäft mit Schlüsselwerten - vielleicht ist es ein Datamart, weniger als ein Data Warehouse - und so sehen wir diese Muster wieder. Ich versuche gerade darüber nachzudenken, was die Leute vor 40 Jahren gemacht haben. Welche Ansätze und Techniken und Methoden wurden angewendet, die durch die Technologien, die die Menschen hatten, eingeschränkt waren? Das treibt diesen Denkprozess an. Wenn wir also das Gesamtbild von Hadoop als Tool durchgehen und über die geschäftlichen Auswirkungen nachdenken, gehen wir auf diesem Weg normalerweise die Menschen durch, damit Sie sehen können, welche Teile, welche Teile in den Daten enthalten sind Entscheidungsweg. Es ist nur etwas, das ich teilen wollte. Es ist eine Art Denken, das wir intern verwendet haben und das hoffentlich zur Diskussion beiträgt. Also werde ich es dir zurückgeben, Eric.
Eric Kavanagh: Das ist fantastisch. Wenn Sie für ein paar Fragen und Antworten bleiben können. Aber es hat mir gefallen, dass Sie es wieder auf die geschäftliche Ebene gebracht haben, denn am Ende dreht sich alles um das Geschäft. Es geht darum, Dinge zu erledigen und sicherzustellen, dass Sie mit Bedacht Geld ausgeben, und das ist eine der Fragen, die ich bereits gesehen habe. Redner sollten sich also überlegen, wie die TCL lautet, wenn sie die Hadoop-Route einschlagen. Dazwischen gibt es einige Schwachstellen, zum Beispiel die Verwendung von Büroregalwerkzeugen, um Dinge auf traditionelle Weise zu erledigen, und die Verwendung der neuen Werkzeugsätze, denn denken Sie noch einmal darüber nach, vieles von diesem Zeug ist nicht neu, es ist nur eine Art Das Zusammenwachsen auf eine neue Art und Weise ist wohl der beste Weg, es auszudrücken.
Lassen Sie uns also unseren Freund Nikita Ivanov vorstellen. Er ist der Gründer und CEO von GridGain. Nikita, ich werde dir die Schlüssel geben, und ich glaube, du bist da draußen. Kannst du mich hören Nikita?
Nikita Ivanov: Ja, ich bin hier.
Eric Kavanagh: Ausgezeichnet. Der Boden gehört dir. Klicken Sie auf diese Folie. Benutze den Abwärtspfeil und nimm es weg. Fünf Minuten.
Nikita Ivanov: Auf welche Folie klicke ich?
Eric Kavanagh: Klicken Sie einfach irgendwo auf diese Folie und bewegen Sie sich dann mit dem Abwärtspfeil auf der Tastatur. Klicken Sie einfach auf die Folie selbst und verwenden Sie den Abwärtspfeil.
Nikita Ivanov: Okay, also nur ein paar kurze Folien über GridGain. Was machen wir im Rahmen dieses Gesprächs? GridGain stellt im Grunde genommen eine In-Memory-Computing-Software her. Ein Teil der von uns entwickelten Plattform ist der In-Memory-Hadoop-Beschleuniger. In Bezug auf Hadoop neigen wir dazu, uns selbst als Hadoop-Leistungsspezialisten zu betrachten. Was wir im Wesentlichen zusätzlich zu unserer Kern-In-Memory-Computing-Plattform tun, die aus Technologien wie Datenraster, Speicher-Streaming und Rechenraster besteht, könnte Hadoop Accelerator Plug-and-Play sein. Das ist sehr einfach. Es wäre schön, wenn wir eine Plug-and-Play-Lösung entwickeln könnten, die direkt in der Hadoop-Installation installiert werden kann. Wenn Sie, der Entwickler von MapReduce, einen Boost benötigen, ohne dass Sie eine neue Software oder eine Änderung des Codes oder einer Änderung schreiben müssen, oder im Grunde genommen nur minimale Konfigurationsänderungen in Hadoop Cluster vornehmen müssen. Das haben wir entwickelt.
Grundsätzlich basiert der speicherinterne Hadoop-Beschleuniger auf der Optimierung zweier Komponenten im Hadoop-Ökosystem. Wenn Sie an Hadoop denken, basiert es hauptsächlich auf HDFS, dem Dateisystem. Das MapReduce-Framework, mit dem die Wettbewerbe parallel über dem Dateisystem ausgeführt werden. Um den Hadoop zu optimieren, optimieren wir beide Systeme. Wir haben ein In-Memory-Dateisystem entwickelt, das vollständig kompatibel und zu 100% Plug-and-Play mit HDFS kompatibel ist. Sie können anstelle von HDFS auch auf HDFS ausgeführt werden. Außerdem haben wir In-Memory-MapReduce entwickelt, das Plug-and-Play-kompatibel mit Hadoop MapReduce ist. Es wurden jedoch zahlreiche Optimierungen hinsichtlich des Arbeitsablaufs von MapReduce und der Funktionsweise des Zeitplans in MapReduce vorgenommen.
Wenn Sie zum Beispiel auf diese Folie schauen, wo wir die Art des Duplizierungsstapels zeigen. Auf der linken Seite haben Sie Ihr typisches Betriebssystem mit GDM und oben auf diesem Diagramm befindet sich das Application Center. In der Mitte hast du den Hadoop. Und Hadoop basiert wieder auf HDFS und MapReduce. Das bedeutet in diesem Diagramm also, was wir sozusagen in den Hadoop-Stapel einbetten. Wieder ist es Plug-and-Play; Sie müssen keinen Code ändern. Das funktioniert genauso. Auf der nächsten Folie haben wir im Wesentlichen gezeigt, wie wir den MapReduce-Workflow optimiert haben. Dies ist wahrscheinlich der interessanteste Teil, da Sie den größten Vorteil haben, wenn Sie MapReduce-Jobs ausführen.
Das typische MapReduce-Format gibt es, wenn Sie den Auftrag übermitteln, und auf der linken Seite befindet sich das Diagramm mit der üblichen Anwendung. In der Regel übergeben Sie den Job und der Job wird an einen Job Tracker weitergeleitet. Es interagiert mit dem Hadoop-Namensknoten und der Namensknoten ist eigentlich die Software, die die Interaktion mit den digitalen Dateien verwaltet und das Dateiverzeichnis führt. Anschließend interagiert der Job-Tracker mit dem Task-Tracker auf jedem einzelnen Knoten und dem 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. Tolles Bild. 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. Vielen Dank.
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.
Vielen Dank.
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. Mal sehen. 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. Können Sie das kommentieren? 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. Was denkst du darüber?
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? With great power comes great responsibility. You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?
Eric Kavanagh: I love that quote, that's awesome. Lass mich sehen. 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. Das ist alles. 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. Was denkst du darüber?
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.
Damit verabschieden wir uns von Ihnen, Leute. 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. Tschüss.
