Примечание редактора: это транскрипт прямой трансляции. Вы можете просмотреть веб-трансляцию полностью здесь.
Эрик Кавана: Дамы и господа, пришло время стать мудрым! Пришло время для TechWise, совершенно нового шоу! Меня зовут Эрик Кавана. Я собираюсь стать вашим модератором в первом выпуске TechWise. Это точно верно. Это партнерство Techopedia и Bloor Group, разумеется, из известности Inside Analysis.
Меня зовут Эрик Кавана. Я буду модерировать это действительно интересное и вовлеченное событие, ребята. Мы будем копаться глубоко в ткани, чтобы понять, что происходит с этой большой штукой под названием Hadoop. Что такое слон в комнате? Это называется Hadoop. Мы попытаемся понять, что это значит и что с этим происходит.
Прежде всего, большое спасибо нашим спонсорам, GridGain, Actian, Zettaset и DataTorrent. Мы получим несколько слов от каждого из них ближе к концу этого мероприятия. У нас также будут вопросы и ответы, так что не стесняйтесь - присылайте ваши вопросы в любое время.
Мы углубимся в детали и бросим сложные вопросы нашим экспертам. И если говорить об экспертах, эй, вот они. Итак, мы собираемся услышать от нашего собственного доктора Робина Блура, и я очень рад, что у меня есть легендарный Рэй Ванг, главный аналитик и основатель Constellation Research. Он сегодня в сети, чтобы поделиться своими мыслями, и он, как Робин, невероятно разнообразен, действительно сосредоточен на множестве различных областей и способен синтезировать их и действительно понять, что происходит во всей этой области информационных технологий. и управление данными.
Итак, этот маленький милый слоненок. Как вы видите, он в начале пути. Это только начинается сейчас, это только начало, вся эта штука с Hadoop. Конечно, в 2006 или 2007 году, я полагаю, именно тогда он был выпущен сообществу открытого исходного кода, но, ребята, многое произошло. Там были огромные события. На самом деле, я хочу рассказать историю, так что я собираюсь сделать быстрый общий доступ к рабочему столу, по крайней мере, мне так кажется. Давайте сделаем быстрый доступ к рабочему столу.
Я показываю вам это просто безумные, безумные люди. Таким образом, Intel инвестировала 740 миллионов долларов в покупку 18 процентов Cloudera. Я думал, и я как, "Святое Рождество!" Я начал заниматься математикой, и это похоже на: «Это оценка в 4, 1 миллиарда долларов». Давайте подумаем об этом на секунду. Я имею в виду, что если WhatsApp стоит 2 миллиарда долларов, я полагаю, что Cloudera может стоить 4, 1 миллиарда долларов, верно? Я имею в виду, почему нет? Некоторые из этих чисел просто выходят в окно, ребята. Я имею в виду, как правило, с точки зрения инвестиций, у вас есть EBITDA и все эти различные механизмы, кратные доходы и так далее. Ну, это будет чертовски многократный доход, чтобы получить 4, 1 миллиарда долларов для Cloudera, которая является удивительной компанией. Не поймите меня неправильно - там есть очень, очень умные люди, включая парня, который положил начало повальному увлечению Hadoop, Дуга Каттинга, он там - много очень умных людей, которые делают много по-настоящему, по-настоящему классные вещи, но суть в том, что 4, 1 миллиарда долларов, это много денег.
Вот такой вот очевидный момент, когда я прошёл через мою голову, это чип Intel. Их разработчики микросхем приносят посмотреть некоторые оптимизированные для Hadoop чипы - я так думаю, ребята. Это только мое предположение. Это просто слух, исходящий от меня, если хотите, но это имеет смысл. И что это все значит?
Так вот моя теория. Что происходит? Многие из этих вещей не новы. Массивная параллельная обработка не является ужасно новой. Параллельная обработка наверняка не нова. Я был в мире суперкомпьютеров некоторое время. Многие из происходящих вещей не новы, но существует своего рода общее понимание того, что существует новый способ решения некоторых из этих проблем. То, что я вижу, происходит, если вы посмотрите на некоторых крупных поставщиков Cloudera или Hortonworks и некоторых других ребят, что они действительно делают, если вы сводите их к самому детальному уровню, это разработка приложений. Это то, что они делают.
Они разрабатывают новые приложения - некоторые из них связаны с бизнес-аналитикой; некоторые из них просто связаны с системами наддува. Один из наших вендоров, который говорил об этом, сегодня занимается такими вещами на сегодняшнем шоу. Но если он ужасно новый, опять же, ответ «не совсем», но происходят большие события, и лично я думаю, что то, что происходит с Intel, делающей эти огромные инвестиции, является рыночным шагом. Они смотрят на мир сегодня и видят, что это своего рода монополистический мир сегодня. Есть Facebook, и они избили только сопли из бедного MySpace. LinkedIn выбил сопли из бедных Кто есть кто. Итак, вы оглядываетесь вокруг, и это один сервис, который сегодня доминирует во всех этих различных пространствах в нашем мире, и я думаю, что идея заключается в том, что Intel собирается выбросить все свои чипы на Cloudera и попытаться поднять его на вершину стека - это просто моя теория.
Так что, как я уже сказал, у нас будет долгая сессия вопросов и ответов, так что не стесняйтесь. Присылайте свои вопросы в любое время. Вы можете сделать это с помощью компонента Q & A вашей консоли веб-трансляции. И с этим, я хочу добраться до нашего контента, потому что у нас есть много вещей, чтобы пройти.
Итак, Робин Блур, позволь мне передать тебе ключи, и слово твое.
Робин Блур: Хорошо, Эрик, спасибо за это. Давайте привлекать танцующих слонов. Любопытно, что слоны - единственные наземные млекопитающие, которые не могут прыгнуть. Все эти слоны на этом конкретном рисунке имеют по крайней мере одну ногу на земле, поэтому я полагаю, что это выполнимо, но в определенной степени, это, очевидно, слоны Hadoop, поэтому они очень и очень способны.
Вопрос, действительно, который я думаю, должен обсуждаться и должен обсуждаться со всей честностью. Это нужно обсудить, прежде чем отправиться куда-то еще, то есть действительно начать говорить о том, чем на самом деле является Hadoop.
Одной из вещей, которая абсолютно основана на принципах «человек-игра», является хранилище ключей-значений. Раньше у нас были магазины ключей-значений. Раньше они были на мэйнфреймах IBM. У нас были они на миникомпьютерах; У DEC VAX были файлы IMS. Существовали возможности ISAM, которые присутствовали практически на каждом миникомпьютере, который вы можете получить. Но где-то в конце 80-х годов появился Unix, и на самом деле в Unix не было хранилища значений ключей. Когда Unix разработал его, они развивались очень быстро. На самом деле произошло то, что поставщики баз данных, в частности Oracle, пошли туда и начали продавать ваши базы данных, чтобы следить за любыми данными, которыми вы хотите управлять в Unix. Windows и Linux оказались одинаковыми. Таким образом, индустрия в течение большей части 20 лет не имела универсального хранилища ключей. Ну, теперь вернулся. Он не только вернулся, но и масштабируем.
Теперь я думаю, что на самом деле это основа того, чем на самом деле является Hadoop, и в определенной степени определяет, куда он пойдет. Что нам нравится в магазинах ключей-значений? Те из вас, кому столько же лет, сколько я, и которые на самом деле помнят работу с хранилищами ключей и значений, понимают, что вы можете использовать их для неформальной настройки базы данных, но неформально. Вы знаете, что метаданные быстро сохраняют значения в программном коде, но вы могли бы фактически сделать это внешним файлом, и вы могли бы, если бы захотели начать обрабатывать хранилище значений ключей немного как базу данных. Но, конечно, у нее не было всех возможностей восстановления, которые есть у базы данных, и у нее было не так уж много вещей, которые есть у баз данных, но это была действительно полезная функция для разработчиков, и я думаю, что это одна из причин что Hadoop оказался настолько популярным - просто потому, что это были программисты, программисты, разработчики, которые быстро это делают. Они поняли, что это не только ключ-значение магазина, но и масштабированное хранилище ключей. Это масштабируется в значительной степени до бесконечности. Я разослал эти весы на тысячи серверов, так что в Hadoop действительно важно то, что он есть.
Кроме того, он имеет MapReduce, который является алгоритмом распараллеливания, но на самом деле это, на мой взгляд, не важно. Итак, вы знаете, Hadoop хамелеон. Это не просто файловая система. Я видел различные виды претензий к Hadoop: это секретная база данных; это не секретная база данных; это обычный магазин; это аналитический инструментарий; это среда ELT; это инструмент для очистки данных; это хранилище данных потоковых платформ; это архивный магазин; это лекарство от рака и так далее. Большинство из этих вещей не соответствуют действительности ванильного Hadoop. Hadoop, вероятно, является прототипом - это, безусловно, среда прототипирования для базы данных SQL, но на самом деле это не так, если вы поместите возрастное пространство с каталогом возрастов поверх Hadoop, вы получите нечто, похожее на базу данных, но это не совсем так. что кто-то назвал бы базу данных с точки зрения возможностей. Многие из этих возможностей, вы, безусловно, можете получить их на Hadoop. Их, безусловно, много. На самом деле, вы можете получить какой-то источник Hadoop, но сам Hadoop - это не то, что я бы назвал оперативно закаленным, и поэтому дело в Hadoop, на самом деле я бы не стал ни на чем другом, заключается в том, что вам нужно иметь третью -партийные продукты для его усиления.
Так что говорить о вас можно только в нескольких строчках, когда я говорю о Hadoop. Прежде всего, возможность запросов в реальном времени, ну, вы знаете, в режиме реального времени это своего рода рабочее время, в действительности, почти всегда производительность критична в противном случае. Я имею в виду, почему вы работаете в режиме реального времени? Hadoop на самом деле не делает этого. Он делает что-то близкое к реальному, но на самом деле ничего не делает в реальном времени. Он выполняет потоковую передачу, но он не выполняет потоковую передачу так, как я бы назвал действительно критически важными платформами потоковой передачи приложений. Есть разница между базой данных и очищаемым хранилищем. Синхронизируйте его с Hadoop, чтобы получить очищаемое хранилище данных. Это похоже на базу данных, но это не то же самое, что база данных. На мой взгляд, Hadoop в своей нативной форме вообще не может считаться базой данных, потому что ему не хватает нескольких вещей, которые должна иметь база данных. Hadoop много делает, но не особенно хорошо. Опять же, возможности есть, но у нас далеко нет возможности быстро работать во всех этих областях.
Другая вещь, которую нужно понять о Hadoop, это то, что он прошел долгий путь с момента его разработки. Он был разработан в первые дни; это было разработано, когда у нас были серверы, которые фактически имели только один процессор на сервер. У нас никогда не было многоядерных процессоров, и он был создан для работы с сетками, сетками запуска и серверами. Одна из целей Hadoop - никогда не терять работу. И это действительно было связано с отказом диска, потому что, если у вас есть сотни серверов, то вероятность того, что если у вас есть диски на серверах, то вероятность того, что вы получите работоспособность примерно 99, 8. Это означает, что в среднем один из этих серверов будет выходить из строя один раз в 300 или 350 дней, один день в году. Таким образом, если бы у вас их было сотни, вероятность того, что вы получите отказ сервера, будет в любой день года.
Hadoop был создан специально для решения этой проблемы - чтобы в случае неудачи он делал снимки всего, что происходит на каждом конкретном сервере, и он мог восстановить выполняемое пакетное задание. И это все, что на самом деле когда-либо выполнялось на Hadoop - это пакетные задания, и это действительно полезная возможность, надо сказать. Некоторые из пакетных заданий, которые выполнялись, особенно в Yahoo, где, как мне кажется, Hadoop родился, будут выполняться в течение двух или трех дней, и если они потерпят неудачу через день, вы действительно не захотите потерять работу это было сделано. Так что это была точка дизайна за доступность на Hadoop. Вы не назвали бы это высокой доступностью, но вы могли бы назвать это высокой доступностью для последовательных пакетных заданий. Это, наверное, способ посмотреть на это. Высокая доступность всегда настраивается в соответствии с характеристиками рабочей линии. На данный момент Hadoop можно настроить только для действительно последовательных пакетных заданий в отношении такого вида восстановления. Высокая доступность предприятия, вероятно, лучше всего рассматривать с точки зрения транзакционного LLP. Я считаю, что если вы не рассматриваете это как нечто в реальном времени, Hadoop пока не делает этого. Это, вероятно, далеко от этого.
Но вот прекрасная вещь о Hadoop. На графике с правой стороны, который имеет список поставщиков по всему краю, и все линии на нем указывают на связи между этими поставщиками и другими продуктами в экосистеме Hadoop. Если вы посмотрите на это, это невероятно впечатляющая экосистема. Это довольно замечательно. Мы, очевидно, говорим со многими поставщиками с точки зрения их возможностей. Среди поставщиков, с которыми я говорил, есть некоторые действительно необычные возможности использования Hadoop и оперативной памяти, способа использования Hadoop в качестве сжатого архива, использования Hadoop в качестве среды ETL и т. Д. И т. Д. Но на самом деле, если вы добавите продукт в сам Hadoop, он будет отлично работать в определенном пространстве. Поэтому, хотя я критикую родной Hadoop, я не критикую Hadoop, когда вы действительно добавляете к нему некоторую силу. На мой взгляд, популярность Hadoop гарантирует свое будущее. Я имею в виду, что даже если исчезнет каждая строка кода, написанная на Hadoop, я не верю, что HDFS API исчезнет. Другими словами, я думаю, что файловая система API должна остаться, и, возможно, YARN, планировщик, который просматривает ее.
Когда вы на самом деле посмотрите на это, это очень важная возможность, и я расскажу об этом чуть позже, но другая вещь, скажем, захватывающая в Hadoop, - это картина с открытым исходным кодом. Так что стоит разобраться, что представляет собой картина с открытым исходным кодом с точки зрения того, что я считаю реальной возможностью. Хотя Hadoop и все его компоненты, безусловно, могут выполнять то, что мы называем длинами данных - или, как я предпочитаю, резервуаром данных - это, безусловно, очень хорошая область подготовки для передачи данных в организацию или для сбора данных в организации - очень хорошо для песочниц и для ловли данных. Это очень хорошо в качестве платформы для разработки прототипов, которую вы могли бы реализовать в конце дня, но вы знаете, что в качестве среды разработки здесь есть практически все, что вам нужно. Как архивный магазин, он в значительной степени имеет все, что вам нужно, и, конечно, это не дорого. Я не думаю, что мы должны отделить любую из этих двух вещей от Hadoop, даже если они не являются формально, если хотите, компонентами Hadoop. Онлайн-клин принес огромное количество аналитики в мир открытого исходного кода, и большая часть этой аналитики теперь используется в Hadoop, потому что это дает вам удобную среду, в которой вы можете фактически взять много внешних данных и просто начать играть в аналитической песочнице.
И тогда у вас есть возможности с открытым исходным кодом, оба из которых являются машинным обучением. Оба из них являются чрезвычайно мощными в том смысле, что они реализуют мощные аналитические алгоритмы. Если вы соберете все это вместе, у вас будут ядра очень и очень важных возможностей, которые, так или иначе, очень вероятно - будут ли они развиваться самостоятельно или же поставщики приходят, чтобы заполнить недостающие фрагменты - Скорее всего, это будет продолжаться в течение длительного времени, и, конечно, я думаю, что машинное обучение уже оказывает очень большое влияние на мир.
Эволюция Hadoop, YARN изменила все. То, что произошло, было то, что MapReduce был в значительной степени приварен к ранней файловой системе HDFS. Когда был представлен YARN, он создал возможность планирования в своем первом выпуске. Вы не ожидаете, что чрезвычайно сложное планирование с первого выпуска, но это означало, что теперь это уже не обязательно среда исправления. Это была среда, в которой можно было запланировать несколько заданий. Как только это произошло, была целая серия поставщиков, которые держались в стороне от Hadoop - они просто вошли и подключились к нему, потому что тогда они могли просто рассматривать это как среду планирования поверх файловой системы и могли обращаться к вещам для Это. Есть даже поставщики баз данных, которые внедрили свои базы данных в HDFS, потому что они просто берут движок и просто устанавливают его в HDFS. С каскадированием и с YARN это становится очень интересной средой, потому что вы можете создавать сложные рабочие процессы через HDFS, и это действительно означает, что вы можете начать думать о ней как о действительно платформе, которая может одновременно выполнять несколько заданий и стремиться к точке делать критически важные вещи. Если вы собираетесь это сделать, вам, вероятно, понадобится купить некоторые сторонние компоненты, такие как безопасность и т. Д. И т. Д., Которые Hadoop на самом деле не имеет учетной записи аудита, чтобы заполнить пробелы, но вы Попасть в точку, где даже с нативным открытым исходным кодом вы можете делать некоторые интересные вещи.
С точки зрения того, куда, по моему мнению, Hadoop действительно пойдет, я лично считаю, что HDFS станет стандартной файловой системой с горизонтальным масштабированием и, следовательно, станет ОС, операционной системой для сетки для потока данных. Я думаю, что у этого есть большое будущее в этом, и я не думаю, что это остановится там. И я думаю, что на самом деле экосистема просто помогает, потому что почти все, все поставщики в этой области, так или иначе интегрируют Hadoop, и они просто делают это возможным. С другой стороны, стоит отметить, что это не очень хорошая платформа плюс параллелизация. Если вы действительно посмотрите на то, что он делает, то на самом деле он регулярно делает снимок на каждом сервере, когда он выполняет свои задания MapReduce. Если бы вы собирались проектировать для действительно быстрого распараллеливания, вы бы не делали ничего подобного. На самом деле, вы, вероятно, не будете использовать MapReduce самостоятельно. MapReduce - это только то, что я бы сказал, наполовину способный к параллелизму.
Существует два подхода к параллелизму: один заключается в конвейерной обработке процессов, а другой - в разделении данных. MapReduce выполняет деление данных, поэтому существует множество заданий, в которых MapReduce на самом деле не самый быстрый способ сделать это, но это будет дать вам параллелизм, и от этого никуда не деться. Когда у вас много данных, такая сила обычно не так полезна. YARN, как я уже сказал, очень молодое средство планирования.
Hadoop - это своего рода рисование линии на песке, Hadoop - это не хранилище данных. Это настолько далеко от хранилища данных, что это почти абсурдное предложение сказать, что это так. На этой диаграмме в верхней части я показываю поток данных, идущий из хранилища данных Hadoop в гигантскую масштабируемую базу данных, что мы и делаем на самом деле, в хранилище корпоративных данных. Я показываю устаревшие базы данных, загружаю данные в хранилище данных и выполняю операции разгрузки, создавая базы данных разгрузки из хранилища данных, но на самом деле это картина, которую я начинаю видеть, и я бы сказал, что это как первое поколение что происходит с хранилищем данных с Hadoop. Но если вы посмотрите на хранилище данных самостоятельно, вы поймете, что под хранилищем данных у вас есть оптимизатор. У вас есть работники распределенных запросов по очень многим процессам, расположенным, возможно, на очень большом количестве дисков. Вот что происходит в хранилище данных. Это на самом деле такая архитектура, которая построена для хранилища данных, и для создания чего-то подобного требуется много времени, а в Hadoop такого вообще нет. Таким образом, Hadoop не является хранилищем данных, и, по моему мнению, в ближайшее время им не станет.
У него есть этот относительный резервуар данных, и это выглядит интересно, если вы просто посмотрите на мир как на серию событий, втекающих в организацию. Это то, что я показываю в левой части этой диаграммы. Если он проходит через возможности фильтрации и маршрутизации, то все, что нужно для потоковой передачи, откачивается из потоковых приложений, а все остальное идет прямо в хранилище данных, где его готовят и очищают, а затем передает ETL в отдельные данные. хранилище или логическое хранилище данных, состоящее из нескольких механизмов. На мой взгляд, это естественная линия развития Hadoop.
С точки зрения ETW, одна из вещей, на которую стоит обратить внимание, это то, что само хранилище данных было фактически перемещено - это не то, чем оно было. Конечно, в настоящее время вы ожидаете, что для иерархических данных будут иерархические возможности того, что люди или некоторые люди называют документами в хранилище данных. Это JSON. Возможно, сетевые запросы это графовые базы данных, возможно аналитика. Итак, к чему мы стремимся, это ETW, который на самом деле имеет более сложную рабочую нагрузку, чем те, к которым мы привыкли. Так что это довольно интересно, потому что в некотором смысле это означает, что хранилище данных становится еще более изощренным, и из-за этого пройдет еще больше времени, прежде чем Hadoop приблизится к нему. Смысл хранилища данных расширяется, но он все еще включает оптимизацию. Вы должны иметь возможность оптимизации, не только по запросам сейчас, но и по всем этим действиям.
Это действительно так. Это все, что я хотел сказать о Hadoop. Я думаю, что могу передать Рэю, у которого нет слайдов, но он всегда хорошо говорит.
Эрик Кавана: Я возьму слайды. Там наш друг, Рэй Ван. Итак, Рэй, что ты думаешь обо всем этом?
Рэй Ван: Теперь, я думаю, это была, пожалуй, одна из самых кратких и замечательных историй магазинов с ключевыми ценностями, и где Hadoop связывает свои отношения с предприятиями, которые находятся вне, поэтому я всегда многому учусь, слушая Робина.
На самом деле у меня есть один слайд. Я могу открыть один слайд здесь.
Эрик Кавана: Просто нажмите на кнопку «Пуск» и поделитесь своим рабочим столом.
Рэй Ван: Понял, вот так. Я на самом деле поделюсь. Вы можете увидеть само приложение. Посмотрим как пойдет.
Все эти разговоры о Hadoop, а затем мы углубляемся в разговор о технологиях, которые существуют и куда Hadoop движется, и много раз я просто хотел бы вернуться к нему, чтобы действительно обсудить бизнес. Многое из того, что происходит с технологической стороны, - это действительно та часть, в которой мы говорили о хранилищах данных, управлении информацией, качестве данных, усвоении этих данных, и поэтому мы склонны это видеть. Так что, если вы посмотрите на этот график здесь в самом низу, это очень интересно, что типы людей, с которыми мы сталкиваемся, говорят о Hadoop. У нас есть технологи и исследователи данных, которые взволнованы, испытывают большое волнение, и обычно речь идет об источниках данных, верно? Как мы справляемся с источниками данных? Как мы получаем это в правильные уровни качества? Что мы делаем с управлением? Что мы можем сделать, чтобы соответствовать различным типам источников? Как мы сохраняем родословную? И все такое обсуждение. И как мы можем получить больше SQL из нашего Hadoop? Так что эта часть происходит на этом уровне.
Тогда на стороне информации и оркестровки, это - то, где это становится интересным. Мы начинаем связывать результаты этого понимания, которое мы получаем, или мы возвращаемся к бизнес-процессам? Как мы можем связать его с любыми моделями метаданных? Связываем ли мы точки между объектами? И поэтому новые глаголы и дискуссии о том, как мы используем эти данные, переходят от того, чем мы традиционно являемся в мире CRUD: создавать, читать, обновлять, удалять, в мир, в котором обсуждается, как мы взаимодействуем, или делимся, или сотрудничаем, или нравится или тянуть что-то.
Именно здесь мы начинаем видеть много волнений и инноваций, особенно о том, как извлечь эту информацию и довести ее до ценности. Это обсуждение технологий под красной чертой. Выше этой красной линии мы получаем те самые вопросы, которые мы всегда хотели задать, и один из них, который мы всегда поднимаем, например, может быть, вопрос для вас в рознице такой: «Почему красные свитера продаются лучше? в Алабаме, чем синие свитера в Мичигане? " Вы можете подумать об этом и сказать: «Это довольно интересно». Вы видите эту модель. Мы задаем этот вопрос и задаемся вопросом: «Эй, что мы делаем?» Может быть, речь идет о государственных школах - Мичиган против Алабамы. Хорошо, я понимаю, я вижу, куда мы идем. Итак, мы начинаем понимать деловую сторону дома, людей в финансах, людей, которые имеют традиционные возможности бизнес-аналитики, людей в маркетинге и людей в отделе кадров, которые говорят: «Где мои модели?» Как мы доберемся до этих шаблонов? И поэтому мы видим другой способ инноваций на стороне Hadoop. Это на самом деле о том, как мы быстрее узнаем об обновлениях. Как мы делаем такие виды связей? Это относится ко всем людям, которые делают, как, например, ad: tech, которые в основном пытаются соединить рекламу и релевантный контент от чего-либо, от сетей ставок в реальном времени до контекстной рекламы и размещения рекламы, и делают это на лету.
Так что это интересно. Вы видите прогресс Hadoop из: «Эй, вот технологическое решение. Вот что нам нужно сделать, чтобы донести эту информацию до людей». Затем, когда он пересекает часть бизнеса, он становится интересным. Это понимание. Где спектакль? Где вычет? Как мы предсказываем вещи? Как мы можем влиять? И затем довести это до последнего уровня, где мы на самом деле видим другой набор инноваций Hadoop, которые происходят вокруг систем принятия решений и действий. Какое следующее лучшее действие? Итак, вы знаете, синие свитера лучше продаются в Мичигане. Вы сидите на тонне синих свитеров в Алабаме. Очевидная вещь: «Да, хорошо, давайте доставим это туда». Как мы это делаем? Какой следующий шаг? Как мы можем связать это обратно? Может быть, следующее лучшее действие, может быть, это предложение, может быть, это что-то, что поможет вам предотвратить проблему, возможно, это тоже не действие, а само по себе действие. Таким образом, мы начинаем видеть, как появляются подобные шаблоны. И прелесть этого в том, что вы говорите о магазинах ключевых ценностей, Робин, в том, что это происходит так быстро. Это происходит так, что мы не думали об этом так.
Вероятно, я бы сказал, что за последние пять лет мы подняли. Мы начали думать с точки зрения того, как мы можем снова использовать хранилища ключевых ценностей, но только в последние пять лет люди смотрят на это совсем по-другому, и технологические циклы повторяются в 40-летних моделях, так что Забавно, когда мы смотрим на облако, а я просто делюсь временем на мэйнфреймах. Мы смотрим на Hadoop и как хранилище значений ключей - возможно, это витрина данных, а не хранилище данных - и поэтому мы снова начинаем видеть эти паттерны. Что я пытаюсь сделать сейчас, так это подумать о том, чем занимались люди 40 лет назад? Какие подходы, методы и методологии применялись, которые были ограничены технологиями, которыми обладали люди? Это своего рода управление этим мыслительным процессом. Итак, когда мы рассмотрим более широкую картину Hadoop как инструмента, когда мы вернемся назад и подумаем о последствиях для бизнеса, это своего рода путь, по которому мы обычно проводим людей, чтобы вы могли видеть, какие части, какие части в данных путь решения. Это просто то, чем я хотел поделиться. Это своего рода мышление, которое мы использовали внутри, и, надеюсь, добавляет к дискуссии. Так что я передам это тебе, Эрик.
Эрик Кавана: Это фантастика. Если вы можете остаться на некоторые вопросы и ответы. Но мне понравилось, что вы вернули его на бизнес-уровень, потому что в конце концов все дело в бизнесе. Все дело в том, чтобы добиться цели и убедиться, что вы тратите деньги с умом, и это один из вопросов, которые я уже видел, поэтому ораторы, возможно, захотят подумать о том, что такое TCL для перехода по маршруту Hadoop. Есть некоторая сладость между, например, использованием инструментов офисной полки, чтобы делать вещи традиционным способом, и использованием новых наборов инструментов, потому что, опять же, подумайте об этом, многие из этих вещей не новы, это просто своего рода Я полагаю, лучший способ выразить это по-новому.
Итак, давайте продолжим и представим нашего друга Никиту Иванова. Он является основателем и генеральным директором GridGain. Никита, я собираюсь пойти дальше и вручить тебе ключи, и я верю, что ты там. Ты слышишь меня, Никита?
Никита Иванов: Да, я здесь.
Эрик Кавана: Отлично. Так что слово твое. Нажмите на этот слайд. Используйте стрелку вниз и уберите ее. Пять минут.
Никита Иванов: На каком слайде я нажимаю?
Эрик Кавана: Просто щелкните в любом месте на этом слайде, а затем используйте стрелку вниз на клавиатуре для перемещения. Просто нажмите на слайд и используйте стрелку вниз.
Никита Иванов: Хорошо, просто несколько быстрых слайдов о GridGain. Что мы делаем в контексте этого разговора? GridGain в основном производит программное обеспечение для вычислений в памяти, а частью разработанной нами платформы является ускоритель Hadoop в памяти. Что касается Hadoop, мы склонны думать о себе как о специалистах по производительности Hadoop. То, что мы делаем, по сути, на нашей базовой вычислительной платформе в памяти, которая состоит из таких технологий, как сетка данных, потоковая передача памяти и вычислительные сетки, сможет подключить и запустить ускоритель Hadoop. Это очень просто. Было бы неплохо, если бы мы могли разработать какое-то решение типа «включай и работай», которое можно установить прямо в установке Hadoop. Если вы, разработчик MapReduce, действительно нуждаетесь в ускорении без необходимости написания какого-либо нового программного обеспечения или изменения кода или изменений, или, по сути, имеете минимальное изменение конфигурации в кластере Hadoop. Это то, что мы разработали.
По сути, ускоритель Hadoop в памяти основан на оптимизации двух компонентов в экосистеме Hadoop. Если вы думаете о Hadoop, он в основном основан на HDFS, которая является файловой системой. MapReduce, который является основой для параллельного запуска соревнований поверх файловой системы. Чтобы оптимизировать Hadoop, мы оптимизируем обе эти системы. Мы разработали файловую систему в памяти, которая полностью совместима, на 100% совместима по принципу «включай и работай», с HDFS. Вы можете запустить вместо HDFS, вы можете запустить поверх HDFS. Кроме того, мы разработали MapReduce в оперативной памяти, совместимый по принципу «включай и работай» с Hadoop MapReduce, но существует множество оптимизаций в отношении того, как работает рабочий процесс MapReduce и как работает расписание на MapReduce.
Если вы посмотрите, например, на этот слайд, где мы показываем вид стека дублирования. С левой стороны у вас есть типичная операционная система с GDM, а сверху этой диаграммы - центр приложений. В середине у вас есть Hadoop. И Hadoop снова основан на HDFS и MapReduce. Так что на этой диаграмме показано, что мы встраиваем в стек Hadoop. Опять же, это подключи и играй; Вам не нужно менять код. Это просто работает так же. На следующем слайде мы показали, как мы оптимизировали рабочий процесс MapReduce. Это, вероятно, самая интересная часть, потому что она дает вам наибольшее преимущество при запуске заданий MapReduce.
Типичный MapReduce, когда вы отправляете задание, и с левой стороны есть диаграмма, есть обычное приложение. Поэтому, как правило, вы отправляете работу, и работа переходит к трекеру работы. 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. Спасибо.
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.
Благодарю.
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. Посмотрим. 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. Что ты об этом думаешь?
Ray Wang: Oh, I think it's a Spider-man problem, isn't it? С большой властью приходит большая ответственность. 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. Дайте-ка подумать. 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. Вот и все. 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. Что ты об этом думаешь?
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.
С этим мы прощаемся, ребята. 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. Пока-пока.
