Hadoopの詳細-Techwiseエピソード1のトランスクリプト

編集者注：これはライブWebキャストのトランスクリプトです。 ここでウェブキャストをすべて見ることができます。

エリック・カバナ：ご列席の皆様、賢明な時です！ 新しいショーであるTechWiseの時間です！ 私の名前はエリック・カバナです。 TechWiseの最初のエピソードのモデレーターになります。 そうです。 これは、TechopediaとBloor Group、もちろんInside Analysisの名声のパートナーシップです。

私の名前はエリック・カバナです。 私は、この本当に興味深く、関与しているイベントを調整します。 Hadoopと呼ばれるこの大きなもので何が起こっているのかを理解するために、織りを深く掘り下げていきます。 部屋にいる象は何ですか？ Hadoopと呼ばれます。 それが何を意味し、何が起こっているのかを理解しようとします。

まず、スポンサーのGridGain、Actian、Zettaset、DataTorrentに感謝します。 このイベントの終わり近くに、それぞれから簡単な言葉をいくつかもらいます。 Q&Aもありますので、恥ずかしがらずに、いつでも質問を送信してください。

詳細を掘り下げ、専門家に難しい質問を投げかけます。 そして、専門家と言えば、ねえ、彼らがいます。 ですから、私たちのロビン・ブロア博士からの話を聞くつもりです。そして、皆さん、Constellation Researchの主席アナリストであり創始者である伝説的なレイ・ワンに非常に興奮しています。 彼は今日オンラインで考えを教えてくれます。ロビンのように、彼は信じられないほど多様であり、本当に多くの異なる分野に焦点を当てており、それらを統合し、情報技術のこの分野全体で起こっていることを本当に理解する能力を持っていますおよびデータ管理。

だから、その小さなかわいい象があります。 あなたが見ることができるように、彼は道の始まりにいます。 それは今始まったばかりであり、一種の始まりに過ぎません。このHadoop全体です。 もちろん、2006年または2007年には、オープンソースコミュニティにリリースされたと思いますが、多くのことが行われています。 大きな発展がありました。 実際、私はストーリーを持ち出したいので、少なくとも私はデスクトップ共有をすばやく行うつもりです。 簡単なデスクトップ共有をしましょう。

クレイジーでクレイジーなストーリーをお見せします。 そこで、IntelはClouderaの18％を購入するために7億4, 000万ドルを投資しました。 私は「聖なるクリスマス！」と思いました。 私は数学を始めました、そして、それは「41億ドルの評価です」のようなものです。 これについて少し考えてみましょう。 つまり、WhatsAppが20億ドルの価値がある場合、Clouderaも41億ドルの価値があると思いますか？ つまり、なぜですか？ これらの数字の一部は、最近では窓の外に出ています。 通常、投資に関しては、EBITDAとその他のさまざまなメカニズム、収益の倍数などがあります。 まあ、それは素晴らしい会社であるClouderaのために41億ドルを得るために収益の倍数の1つの一体になります。 誤解しないでください-Hadoopの熱狂を始めた男、Doug Cutting、彼はそこにいます-非常に賢い人がたくさんいます。クールなものですが、一番下の行は41億ドル、それはたくさんのお金です。

Intelのチップである、私の頭の中を今すぐ抜け出した瞬間のようなものです。 彼らのチップ設計者は、Hadoopに最適化されたチップを見に来ています。 それは私の推測です。 あなたがそうするなら、それは単なるうわさです、しかし、それはちょっと理にかなっています。 そして、これはすべてどういう意味ですか？

だからここに私の理論があります。 何が起こっている？ このようなものの多くは新しいものではありません。 大規模な並列処理はそれほど新しいものではありません。 並列処理は確かに新しいものではありません。 私はしばらくスーパーコンピューティングの世界にいました。 起こっているこれらのことの多くは新しいものではありませんが、これらの問題のいくつかを攻撃する新しい方法があるという一般的な認識があります。 ClouderaやHortonworksの大手ベンダーや他の一部の企業を見てみると、最もきめ細かいレベルまで煮詰めた場合に彼らが本当にしていることは、アプリケーション開発です。 それが彼らがしていることです。

彼らは新しいアプリケーションを設計しています-それらのいくつかはビジネス分析を含みます。 それらのいくつかは、過給システムに関係しています。 それについて話してくれたベンダーの1人は、今日のショーで一日中そういうことをしています。 しかし、もしそれがひどく新しいなら、答えは「本当にない」ですが、大きなことが起こっています。個人的には、Intelがこの巨大な投資を行っているのは市場を作る動きだと思います。 彼らは今日の世界を見て、それが今日の一種の独占世界であることを確認します。 Facebookがあり、彼らは貧しいMySpaceの鼻水を打ち負かした。 LinkedInは貧しいWho's Whoの鼻水を打ち負かしました。 周りを見渡せば、それが今日の私たちの世界のこれらすべての異なるスペースを支配している1つのサービスであり、IntelがすべてのチップをClouderaに投入し、スタックの最上位に引き上げようとしていると思います。私の理論。

だから、私が言ったように、私たちは長いQ&Aセッションをするつもりなので、恥ずかしがらないでください。 ご質問はいつでもお送りください。 WebcastコンソールのQ&Aコンポーネントを使用してこれを行うことができます。 それで、私たちはコンテンツを手に入れたいと思っています。

ロビン・ブロア、鍵をお渡しします。床はあなたのものです。

Robin Bloor：OK、エリック、ありがとう。 踊る象を連れて行きましょう。 奇妙なことに、実際には、象だけが実際にジャンプできない陸上哺乳類です。 この特定のグラフィックのこれらの象はすべて、少なくとも1フィートは地面に着いているので、それは実行可能であると思いますが、ある程度、これらは明らかにHadoop象であり、非常に非常に有能です。

私が考える問題は、本当に議論されなければならず、誠実に議論されなければなりません。 他の場所に行く前に議論する必要があります。これは、Hadoopが実際に何であるかについて話し始めることです。

それが絶対にマンプレイの基礎からのものの1つは、キーバリューストアです。 以前はKey-Valueストアがありました。 以前は、IBMメインフレームでそれらを使用していました。 私たちはそれらをミニコンピューターに入れました。 DEC VAXにはIMSファイルがありました。 ISAM機能は、手に入れることができるほとんどすべてのミニコンピューターに搭載されていました。 しかし、80年代後半頃、Unixが登場し、Unixには実際にはKey-Valueストアがありませんでした。 Unixが開発したとき、彼らは非常に迅速に開発しました。 実際に起こったことは、データベースベンダー、特にOracleがそこに熱中し、Unixで管理したいデータを管理するためにデータベースを販売したことです。 WindowsとLinuxは同じであることが判明しました。 そのため、業界は20年の大半を、汎用のキーバリューストアなしで利用していました。 さて、今戻ってきました。 戻ってきただけでなく、スケーラブルです。

今、私は本当にそれがHadoopが本当に何であるかの基礎であり、ある程度、それがどこへ行くかを決定すると思います。 キーバリューストアの何が好きですか？ 私と同じくらい年をとっており、実際にキーと値のストアを操作したことを覚えている人は、非公式にデータベースをセットアップするためにそれらをほとんど使用できることを知っています。 メタデータはプログラムコード内の値ストアをすぐに知っていますが、実際には外部ファイルにすることができ、データベースのようにキーと値のストアの処理を開始することもできます。 しかし、もちろん、データベースが持っているすべての回復機能がなく、データベースが持っているものの多くはありませんでしたが、それは開発者にとって本当に便利な機能であり、それが私が思う理由の1つですHadoopが非常に人気があることを証明しました-それは、コード作成者、プログラマー、開発者がすぐに実行できるからです。 彼らは、ストアのKey-Valueであるだけでなく、スケールアウトKey-Valueストアでもあることに気付きました。 ほぼ無限にスケールアウトします。 これらのスケールを数千台のサーバーに送信したため、Hadoopの最大の特長はそれです。

また、その上にMapReduceがあります。これは並列化アルゴリズムですが、実際のところ、それは重要ではありません。 ですから、Hadoopはカメレオンです。 ファイルシステムだけではありません。 Hadoopに対してさまざまな種類の主張が行われているのを見てきました。それは秘密のデータベースです。 秘密のデータベースではありません。 それは一般的な店です。 分析ツールボックスです。 ELT環境です。 データクレンジングツールです。 ストリーミングプラットフォームのデータウェアハウスです。 それはアーカイブストアです。 それは癌の治療法などです。 これらのことのほとんどは、実際にはバニラHadoopには当てはまりません。 Hadoopはおそらくプロトタイピングです-これは確かにSQLデータベースのプロトタイピング環境ですが、実際には持っていません。Hadoopの上に年齢カタログで年齢空間を置くと、データベースのように見えるものがありますが、実際はそうではありません誰もが能力の面でデータベースと呼ぶもの。 これらの機能の多くは、確かにHadoopで取得できます。 確かにたくさんあります。 実際、Hadoopのソースを入手することはできますが、Hadoop自体は私が運用上強化するものとは言えません。したがって、Hadoopについての取り引きは、実際には他に何もしません。を強化するためのパーティ製品。

ですから、私がHadoopのオーバーリーチについて話しているので、あなたについて話すのは数行だけです。 まず、リアルタイムクエリ機能です。リアルタイムはビジネスタイムのようなものであり、それ以外の場合はほとんど常にパフォーマンスが重要です。 つまり、なぜリアルタイムでエンジニアリングするのですか？ Hadoopは実際にはこれを行いません。 ほぼリアルタイムの処理を行いますが、実際にはリアルタイム処理を行いません。 ストリーミングは行いますが、アプリケーションストリーミングプラットフォームでできるミッションクリティカルなタイプの呼び出しとは言えません。 データベースとクリア可能なストアには違いがあります。 Hadoop経由で同期すると、クリア可能なデータストアが得られます。 これは一種のデータベースに似ていますが、データベースとは異なります。 私の意見では、ネイティブ形式のHadoopは、データベースに必要なものが非常に少ないため、実際にはデータベースとしての資格はまったくありません。 Hadoopは多くのことを行いますが、特にうまくいきません。 繰り返しますが、機能はありますが、これらすべての領域で実際に高速機能を使用する方法からは少し離れています。

Hadoopについて理解すべきもう1つのことは、Hadoopが開発されてから長い道のりが来ているということです。 初期に開発されました。 実際にはサーバーごとに1つのプロセッサしか持たないサーバーがあったときに開発されました。 マルチコアプロセッサを搭載したことはなく、グリッド上で実行され、グリッドとサーバーを起動するように構築されました。 Hadoopの設計目標の1つは、作業を失うことのないようにすることでした。 それは実際にディスク障害についてでした。なぜなら、何百ものサーバーを持っているなら、サーバーにディスクがあるなら、99.8のようなアップタイムの可用性を得る可能性が高いからです。 つまり、1年に1日、300または350日ごとに1回、これらのサーバーの1つの障害が平均的に発生します。 したがって、これらが何百もある場合、サーバー障害が発生する可能性は年のどの日にあるでしょう。

Hadoopは、特にその問題に対処するために構築されました。そのため、何かが失敗した場合、特定のサーバー上で進行中のすべてのスナップショットを取得し、実行中のバッチジョブを回復できます。 そして、Hadoopで実際に実行されたのはバッチジョブのみであり、これは非常に便利な機能です。 実行されていたバッチジョブの一部（特にHadoopが生まれたと思われるYahoo）は、2、3日間実行され、1日後に失敗した場合、あなたは本当に仕事を失いたくありませんでした。それが行われた。 これが、Hadoopの可用性の背後にある設計ポイントでした。 その高可用性を呼び出すことはありませんが、シリアルバッチジョブでは高可用性を呼び出すことができます。 それはおそらくそれを見る方法です。 高可用性は、常に作業回線の特性に従って構成されます。 現時点では、Hadoopは、この種のリカバリに関して実際にシリアルバッチジョブ用にのみ構成できます。 エンタープライズの高可用性は、おそらくトランザクションLLPの観点から最もよく考えられます。 あなたがそれを一種のリアルタイムなものとして見ていなければ、Hadoopはまだそれをしていないと信じています。 おそらくそれを行うには長い道のりがあります。

しかし、Hadoopのすばらしいところは次のとおりです。 右側にあるベンダーのリストが表示されている右側のグラフィックとその上のすべての行は、それらのベンダーとHadoopエコシステム内の他の製品との接続を示しています。 それを見れば、それは非常に印象的なエコシステムです。 それは非常に注目に値します。 明らかに、私たちは多くのベンダーとその能力の面で話し合っています。 私が話したベンダーの中には、Hadoopとインメモリーを使用する、Hadoopを圧縮アーカイブとして使用する、HadoopをETL環境として使用するなど、いくつかの本当に素晴らしい機能があります。 しかし実際には、Hadoop自体に製品を追加すると、特定のスペースで非常にうまく機能します。 したがって、ネイティブのHadoopには批判的ですが、実際にHadoopに何らかの力を加えても、Hadoopには批判的ではありません。 私の意見では、Hadoopの人気は一種の将来を保証します。 つまり、これまでにHadoopで記述されたコードのすべての行が消えても、HDFS APIが消えるとは思わないということです。 言い換えれば、ファイルシステムであるAPIはここに留まり、おそらくYARNはそれを監視するスケジューラーだと思います。

実際にそれを見ると、それは非常に重要な機能であり、それについてはすぐに説明しますが、他のこと、つまり、Hadoopについてのエキサイティングな人々は、オープンソースの全体像です。 だから、私が本当の能力だと思うものに関して、オープンソースの姿を見てみる価値はあります。 Hadoopとそのすべてのコンポーネントは、確かにデータ長と呼ばれることを実行できます-または、私が好むように、データリザーバー-組織にデータをドロップしたり、組織内のデータを収集したりするのに非常に良いステージングエリアですサンドボックス用およびデータの角度付け用。 一日の終わりに実装するプロトタイプ開発プラットフォームとしては非常に優れていますが、開発環境として必要なものはほとんどすべて揃っています。 アーカイブストアとして、必要なものはほとんど揃っています。もちろん、高価ではありません。 Hadoopのコンポーネントが正式なものではない場合でも、Hadoopから正式に分離されていなくても、これら2つの事柄のいずれかをHadoopから離すべきではないと思います。 オンラインウェッジにより、膨大な量の分析がオープンソースの世界にもたらされ、その分析の多くがHadoopで実行されています。これにより、実際に多くの外部データを取得して再生を開始できる便利な環境が得られるからです分析サンドボックスで。

そして、あなたはオープンソース機能を手に入れました。どちらも機械学習です。 どちらも強力な分析アルゴリズムを実装しているという意味で非常に強力です。 これらをまとめると、非常に重要な機能のカーネルが手に入ります。これは、何らかの形で-独自に開発するのか、ベンダーが不足している部分を埋めるために来るのか-長い間続く可能性が非常に高く、確かに機械学習はすでに世界に非常に大きな影響を与えていると思います。

Hadoopの進化、YARNはすべてを変えました。 何が起こったのかは、MapReduceが初期のファイルシステムHDFSにほぼ溶け込んでいたことです。 YARNが導入されたとき、最初のリリースでスケジューリング機能が作成されました。 最初のリリースから非常に洗練されたスケジューリングを期待していませんが、それはもはやパッチ環境ではなくなったことを意味していました。 複数のジョブをスケジュールできる環境でした。 それが起こるとすぐに、Hadoopから遠ざかっていた一連のベンダーがありました。ファイルシステム上のスケジューリング環境としてそれを見ることができ、それに対処することができたからです。それ。 HDFSにデータベースを実装しているデータベースベンダーもあります。なぜなら、エンジンを取り込んで、HDFSにそれを置くだけだからです。 カスケードとYARNを使用すると、HDFSを介して複雑なワークフローを作成できるため、非常に興味深い環境になります。これは、複数のジョブを同時に実行できるプラットフォームであり、ミッションクリティカルなことをしています。 これを行う場合は、セキュリティなどのサードパーティコンポーネントを購入する必要があります。Hadoopには、実際にギャップを埋めるための監査アカウントがありませんが、ネイティブのオープンソースでも面白いことができるようになります。

Hadoopが実際にどこに行くと思うかという点では、HDFSはデフォルトのスケールアウトファイルシステムになり、したがってデータフローのグリッドのOS、オペレーティングシステムになると個人的に信じています。 その中に大きな未来があると思うし、そこで止まるとは思わない。 そして、実際には、エコシステムが役立っていると思います。なぜなら、ほとんどすべての人、この分野のすべてのベンダーが、実際に何らかの方法でHadoopを統合していて、それを有効にしているからです。 Hadoopの過剰という点で、もう1つ価値のある点について言えば、並列化に加えて非常に優れたプラットフォームではありません。 実際に何をしているのかを見ると、実際に何をしているのかは、MapReduceジョブを実行しているときに、すべてのサーバーで定期的にスナップショットを取ることです。 本当に高速な並列化を設計する場合、そのようなことは何もしません。 実際には、おそらくMapReduceを単独で使用することはないでしょう。 MapReduceは、私が言うのは半分の並列処理能力しかありません。

並列化には2つのアプローチがあります。1つはプロセスのパイプラインによるもので、もう1つはデータMapReduceの分割によるもので、データの分割を行うため、MapReduceが実際には最速の方法ではないジョブがたくさんありますが、並列処理を行うと、そこから離れることはありません。 大量のデータを取得している場合、その種のパワーは通常それほど有用ではありません。 YARNは、既に述べたように、非常に若いスケジューリング機能です。

Hadoopは、砂の中に線を引くようなもので、Hadoopはデータウェアハウスではありません。 データウェアハウスであるとはほど遠いため、そうであると言うのはほとんど馬鹿げた提案です。 この図で一番上に示しているのは、Hadoopデータリザーバーから巨大なスケールアウトデータベース（実際にエンタープライズデータウェアハウス）に行くデータフローです。 レガシデータベースを表示し、データウェアハウスにデータをフィードし、データウェアハウスからオフロードデータベースを作成するオフロードアクティビティを示していますが、実際には私が出現し始めている写真であり、これは第1世代のようですHadoopでデータウェアハウスに何が起こるか。 しかし、自分でデータウェアハウスを見ると、データウェアハウスの下にオプティマイザーがあることがわかります。 おそらく非常に多くの多数のディスク上にある非常に多くのプロセスにクエリワーカーを分散しています。 それがデータウェアハウスで起こることです。 これは実際にはデータウェアハウス用に構築された一種のアーキテクチャであり、そのようなものを構築するにはかなり長い時間がかかり、Hadoopにはそれがまったくありません。 そのため、Hadoopはデータウェアハウスではなく、私の意見では、すぐに1つになることはありません。

この相対的なデータリザーバーはあります。組織に流れ込む一連のイベントとして世界を見ると、ちょっとおもしろそうです。 それがこの図の左側に示しているものです。 フィルタリングおよびルーティング機能を通過させ、ストリーミングに必要なものをストリーミングアプリから吸い上げ、他のすべてはデータリザーバーに直接転送され、そこで準備およびクレンジングされ、ETLによって単一のデータに渡されますウェアハウスまたは複数のエンジンで構成される論理データウェアハウス。 私の意見では、これはHadoopの自然な開発ラインです。

ETWに関して、指摘する価値のあることの1つは、データウェアハウス自体が実際に移動されたことです-それはそうではありませんでした。 確かに、今日では、データウェアハウス内のドキュメントを呼び出す人または一部の人の階層データごとに階層機能があると予想されます。 それがJSONです。 おそらく、グラフデータベース、おそらく分析であるネットワーククエリ。 そのため、私たちが目指しているのは、以前よりも複雑なワークロードを実際に取得したETWです。 ある意味では、データウェアハウスがさらに洗練されていることを意味し、そのために、Hadoopがそれに近づくまでにさらに長い時間がかかることになります。 データウェアハウスの意味は拡大していますが、それでも最適化が含まれています。 クエリだけでなく、これらすべてのアクティビティに対して、最適化機能が必要です。

本当にそれだけです。 Hadoopについて私が言いたかったのはそれだけです。 スライドを持っていないレイに引き渡すことができると思いますが、彼はいつも話すのが得意です。

エリック・カバナ：スライドを取ります。 友達のレイ・ワンがいます。 それでは、レイ、これについてどう思われますか？

Ray Wang：それはおそらく、キーバリューストアの最も簡潔で素晴らしい歴史の1つであり、Hadoopが外にある企業との関係で行った場所だと思うので、Robinを聞くときはいつも多くを学びます。

実は、スライドが1つあります。 ここで1つのスライドをポップアップできます。

Eric Kavanagh：先に進み、クリックして、スタートをクリックしてデスクトップを共有してください。

Ray Wang：了解しました。 実際に共有します。 アプリ自体を見ることができます。 それがどうなるか見てみましょう。

このすべてがHadoopについて語ります。そして、そこにあるテクノロジーとHadoopがどこに向かっているのかについて深く話し合います。 テクノロジー側で起こっていることの多くは、実際にデータウェアハウス、情報管理、データ品質、そのデータのマスタリングについて話しているこの部分です。 このグラフを一番下で見ると、そこにぶつかる個人のタイプがHadoopについて話しているのは非常に興味深いことです。 技術者とデータサイエンティストが熱狂していて、多くの興奮があります。通常はデータソースについてですよね。 データソースをどのようにマスターしますか？ これを適切な品質レベルにするにはどうすればよいですか？ ガバナンスについて何をしますか？ さまざまな種類のソースを一致させるにはどうすればよいですか？ 血統をどのように保つのですか？ そして、すべてのそのような議論。 そして、どのようにしてHadoopからより多くのSQLを取得しますか？ そのため、その部分はこのレベルで行われています。

次に、情報とオーケストレーションの側面で、ここが興味深いところです。 私たちは、得ている洞察のアウトプットを結び付け始めていますか、それをビジネスプロセスに引き戻していますか？ それをどのような種類のメタデータモデルに結び付けるのでしょうか？ オブジェクト間のドットを接続していますか？ そして、そのデータをどのように使用するかについての新しい動詞と議論は、従来のCRUDの世界にあったものから、作成、読み取り、更新、削除、エンゲージメント、共有、コラボレーション、または好きか何かを引っ張ります。

それが、特にこの情報を引き出して価値をもたらす方法について、多くの興奮と革新を目にし始めているところです。 それは、赤い線の下にある技術主導の議論です。 その赤い線の上に、私たちはいつも尋ねたい質問があります、そして、私たちがいつも育てる質問の1つは、たとえばあなたのための小売りの質問のようなものです。ミシガン州の青いセーターよりもアラバマ州で？」 あなたはそれについて考えて、「それはちょっと面白い」と言うことができます。 そのパターンが見えます。 私たちはその質問をし、「ねえ、私たちは何をしているの？」と思います。 たぶんそれは州立学校-ミシガン州対アラバマ州に関するものでしょう。 わかりました、これがわかります。 そして、私たちは家のビジネス側、金融の人、伝統的なBIの能力を持っている人、マーケティングの人、人事の人に「私のパターンはどこですか？」と言い始めています。 これらのパターンにどのように到達しますか？ そのため、Hadoop側でイノベーションの別の方法が見られます。 それは、更新インサイトをより速く表面化する方法に関するものです。 この種の接続をどのように作成しますか？ 基本的には、リアルタイムビッダーネットワークからコンテキスト広告や広告配置に至るまで、広告や関連コンテンツを基本的に接続しようとするad：techのような人々にまで及んでいます。

だからそれは興味深いです。 Hadoopの進歩は、「ねえ、ここがテクノロジーソリューションです。この情報を人々に伝えるために必要なことです。」 そして、それが基幹業務部分を横切ると、ここがおもしろいところです。 それは洞察です。 パフォーマンスはどこですか？ 控除はどこですか？ どのように物事を予測していますか？ どのように影響を与えますか？ そして、それを最後のレベルに持っていきます。そこでは、意思決定システムとアクションの周りで起こっている別の一連のHadoopイノベーションが実際に見られます。 次に最適なアクションは何ですか？ あなたは青いセーターがミシガン州で売れていることを知っています。 あなたはアラバマ州の青いセーターのトンの上に座っています。 明らかなことは、「ええ、これを出荷してみましょう」です。 どうやってやるの？ 次のステップは何ですか？ それをどのように結び付けるのでしょうか？ 次の最善のアクションかもしれません。それは提案かもしれません。問題を防ぐのに役立つかもしれません。おそらくアクションもありません。それ自体がアクションです。 そのため、この種のパターンが出現し始めています。 そして、キーバリューストアについてあなたが言っていること、ロビンに戻るこのことの美しさは、それがとても速く起こっているということです。 私たちがこのように考えていなかった方法で起こっています。

おそらく、私たちが選んだのは過去5年間です。 キーバリューストアを再び活用する方法について考え始めましたが、それは過去5年間で、人々はこれを非常に異なって見ており、テクノロジーサイクルが40年のパターンで繰り返されているようですので、これは親切ですクラウドを見ていて、メインフレームのタイムシェアリングと同じようなものです。 私たちはHadoopを見ており、キーバリューストアのようなものです-データウェアハウスではなく、データマートかもしれないので、再びこれらのパターンを見始めます。 私が今やろうとしていることは、40年前に人々が何をしていたかを考えることです。 人々が持っているテクノロジーによって制限された、どのようなアプローチとテクニックと方法論が適用されていましたか？ それが一種のこの思考プロセスの推進力です。 ツールとしてのHadoopの全体像を見ていくと、戻ってビジネスへの影響について考えたときに、これは通常、データのどの部分、どの部分が含まれているかを確認できるようにするためのパスです決定経路。 それは私が共有したかったものです。 これは、社内で使用しているものの一種であり、うまくいけば議論に追加されます。 それで、私はあなたにそれを引き渡します、エリック。

エリック・カバナ：それは素晴らしい。 いくつかのQ&Aを続けることができる場合。 しかし、私はあなたがビジネスレベルに戻ったのが好きでした。なぜなら、結局のところ、それはすべてビジネスに関するものだからです。 それはすべて物事を成し遂げることと、あなたが賢明にお金を使うことを確認することです。それはすでに見た質問の1つです。そのため、スピーカーはHadoopルートを行くTCLについて考えたいかもしれません。 たとえば、オフィスシェルフツールを使用して従来の方法で物事を行うことと、新しいツールセットを使用することの間にいくつかのスイートスポットがあります。もう一度考えてみてください。新しい方法での合体は、それを置く最良の方法だと思います。

それでは、友人のニキータ・イワノフを紹介しましょう。 彼はGridGainの創設者兼CEOです。 ニキータ、私は先に進み、あなたに鍵を渡すつもりです、そして私はあなたがそこにいると信じています。 ニキータが聞こえますか？

ニキータ・イワノフ：はい、ここにいます。

エリック・カバナ：すばらしい。 床はあなたのものです。 そのスライドをクリックします。 下矢印を使用して、それを取り去ります。 五分。

ニキータ・イワノフ：どのスライドをクリックしますか？

Eric Kavanagh：そのスライド上の任意の場所をクリックしてから、キーボードの下矢印を使用して移動します。 スライド自体をクリックして、下矢印を使用します。

Nikita Ivanov：それでは、GridGainの簡単なスライドをいくつかご紹介します。 この会話の中で私たちは何をしますか？ GridGainは基本的にインメモリコンピューティングソフトウェアを生成し、開発したプラットフォームの一部はインメモリHadoopアクセラレータです。 Hadoopに関しては、Hadoopのパフォーマンススペシャリストとして自分自身を考える傾向があります。 基本的に、データグリッド、メモリストリーミング、計算グリッドなどのテクノロジで構成されるコアインメモリコンピューティングプラットフォーム上で行うことは、Hadoopアクセラレータをプラグアンドプレイできるようになります。 それは非常に簡単です。 Hadoopのインストールに直接インストールできるプラグアンドプレイソリューションを開発できるといいですね。 MapReduceの開発者であるあなたが、新しいソフトウェアの作成やコードの変更や変更を必要とせずにブーストを必要とする場合、または基本的にHadoopクラスターのすべての最小限の構成変更を行う場合。 それが私たちが開発したものです。

基本的に、インメモリHadoopアクセラレーターは、Hadoopエコシステムの2つのコンポーネントの最適化に基づいています。 Hadoopについて考えると、主にファイルシステムであるHDFSに基づいています。 MapReduce。これは、ファイルシステム上で競合を並行して実行するためのフレームワークです。 Hadoopを最適化するために、これらのシステムの両方を最適化します。 HDFSと完全に互換性があり、100％互換性のあるプラグアンドプレイであるインメモリファイルシステムを開発しました。 HDFSの代わりに実行でき、HDFSの上で実行できます。 また、Hadoop MapReduceとプラグアンドプレイで互換性のあるインメモリMapReduceを開発しましたが、MapReduceのワークフローとMapReduceのスケジュールの動作方法には多くの最適化があります。

たとえば、このスライドでは、複製の種類を示しています。 左側には、GDMを備えた典型的なオペレーティングシステムがあり、この図の上にはアプリケーションセンターがあります。 中央にHadoopがあります。 また、HadoopはHDFSとMapReduceに基づいています。 したがって、これはこの図に表されており、Hadoopスタックにどのような種類の埋め込みを行っているかを示しています。 繰り返しますが、プラグアンドプレイです。 コードを変更する必要はありません。 同じように機能します。 次のスライドでは、基本的にMapReduceワークフローを最適化する方法を示しました。 これはおそらく、MapReduceジョブを実行するときに最大の利点が得られるため、最も興味深い部分です。

典型的なMapReduceは、ジョブをサブミットするときであり、左側に図があり、通常のアプリケーションがあります。 したがって、通常はジョブを送信し、ジョブはジョブトラッカーに送られます。 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. ありがとうございました。

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.

ありがとう。

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. どれどれ。 I'm going to bring Phu back into the equation here. We've got a good question for you. One of the attendees is asking how is DataTorrent different from Storm or Kafka or the Redis infrastructure. Phu, are you out there? Hey, Phu, can you hear me? Maybe I'm mute.

Let's bring Ray Wang back into this. Ray, you've seen a lot of these technologies and looked at how they worked. I really love this concept of turning over control or giving control to end users of the operators. I like to think of them as like really powerful Legos that they can use to kind of build some of these applications. Can you comment on that? What do you think about all that?

Ray Wang: Coming from my technical background, I'd say I'm scared - I was scared shitless! But honestly, I think it's important, I mean, in order to get scale. There's no way you can only put so many requests. Think about the old way we did data warehousing. In the business I had to file the request for a report so that they could match all the schemes. I mean, it's ridiculous. So we do have to get to a way for the business side of the house and definitely become data jocks. We actually think that in this world, we're going to see more digital artists and people that have the right skills, but also understand how to take that data and translate that into business value. And so these digital artisans, data artisans depending on how you look at this, are going to need both really by first having the curiosity and the right set of questions, but also the knowledge to know when the data set stinks. If I'm getting a false positive or a false negative, why is that happening?

I think a basic level of stats, a basic level of analytics, understanding that there's going to be some training required. But I don't think it's going to be too hard. I think if you get the right folks that should be able to happen. You can't democratize the whole decision-making process. I see that happening. We see that in a lot of companies. Some are financial services clients are doing that. Some of our retail folks are doing that, especially in the razor-thin margins that you are seeing in retail. I was definitely seeing that in high tech just around here in the valley. That's just kind of how people are. It's emerging that way but it's going to take some time because these basic data skills are still lacking. And I think we need to combine that with some of the stuff that some of these guys are doing here on this webinar.

Eric Kavanagh: Well, you bring up a really good point. Like how many controls you want to give to the average end user. You don't want to give an airplane cockpit to someone who's driving a car for the first time. You want to be able to closely control what they have control over. I guess my excitement kind of stems around being able to do things yourself, but the key is you got to put the right person in that cockpit. You got to have someone who really knows what they're doing. No matter what you hear from the vendor community folks, when somebody's more powerful tools are extremely complex, I mean if you are talking about putting together a string of 13, 14, 15 operators to do a particular type of transformation on your data, there are not many people who could do that well. I think we're going to have many, many more people who do that well because the tools are out there now and you can play with the stuff, and there is going to be a drive to be able to perfect that process or at least get good at it.

We did actually lose Phu, but he's back on the line now. So, Phu, the question for you is how is DataTorrent different from, like, Storm or Kafka or Redis or some of these others?

Phu Hoang: I think that's a great question. So, Redis of course is really an in-memory data store and we connect to Redis. We see ourselves as really a processing engine of data, of streaming data. Kafka again is a great bus messaging bus we use. It's actually one of our favorite messaging bus, but someone has to do the big data processing across hundreds of nodes that is fault tolerant, that is scalable, and I repeat that as the job that we play. So, yes, we are similar to Storm, but I think that Storm is really developed a long time ago even before Hadoop, and it doesn't have the enterprise-level thinking about scalability to the hundreds and millions, now even billions of events, nor does it really have the HA capability that I think enterprise requires.

Eric Kavanagh: Great. And you know, speaking of HA, I'll use that as an excuse to bring Robin Bloor back into the conversation. We just talked about this yesterday. What do you mean by high availability? What do you mean by fault tolerance? What do you mean by real time, for example? These are terms that can be bent. We see this all time in the world of enterprise technology. It's a good term that other people kind of glom onto and use and co-opt and move around and then suddenly things don't mean quite what they used to. You know, Robin, one of my pet peeves is this whole universe of VOIP. It's like "Why would we go down in quality? Isn't it important to understand what people say to you and why that matters?" But I'll just ask you to kind of comment on what you think. I'm still laughing about Ray's comment that he's scared shitless about giving these people. What do you think about that?

Ray Wang: Oh, I think it's a Spider-man problem, isn't it? 大きな力には大きな責任が伴います。 You really, in terms of the capabilities out there, I mean it changed me actually a long time ago. You know, I would give my ITs some of the capabilities that they have gotten now. We used to do it extraordinary amounts of what I would say was grunt work that the machines do right now and do it in parallel. They do things that we could never have imagined. I mean we would have understood mathematically, but we could never imagine doing. But there is some people understand data and Ray is completely right about this. The reason to be scared is that people will actually start getting wrong conclusions, that they will wrangle with the data and they will apply something extremely powerful and it will appear to suggest something and they will believe it without actually even being able to do anything as simple as have somebody doing audit on whether their result is actually a valid result. We used to do this all the time in the insurance company I used to work for. If anybody did any work, somebody always checks. Everything was checked by at least one person against the person who did it. These environments, the software is extremely strong but you got to have the discipline around it to use it properly. Otherwise, there'll be tears before bedtime, won't there?

Eric Kavanagh: I love that quote, that's awesome. Let me see. I'm going to go ahead and throw just for this slide up here from GridGain, can you talk about, Nikita, when you come in to play, how do you actually get these application super charged? I mean, I understand what you are doing, but what does the process look like to actually get you embedded, to get you woven in and to get all that stuff running?

Nikita Ivanov: Well, the process is relatively simple. You essentially just need to install GridGain and make a small configuration change, just to let Hadoop know that there is now the HDFS if you want to use HDFS and you have to set up which way you want to use it. You can get it from BigTop, by the way. It's probably the easiest way to install it if you're using the Hadoop. That's about it. With the new versions coming up, a little in about few weeks from now, by the end of May, we're going to have even more simplified process for this. So the whole point of the in-memory Hadoop accelerator is to, do not code. Do not make any changes to your code. The only that you need to do is install it and have enough RAM in the cluster and off you go, so the process is very simple.

Eric Kavanagh: Let me bring John Santaferraro back in. We'll take a couple more questions here. You know, John, you guys, we've been watching you from various perspectives of course. You were over at PEAR Excel; that got folded into Actian. Of course, Actian used to be called Ingres and you guys made a couple of other acquisitions. How are you stitching all of that stuff together? I realize you might not want to get too technical with this, but you guys have a lot of stuff now. You've got Data Rush. I'm not sure if it's still the same name, but you got a whole bunch of different products that have been kind of woven together to create this platform. Talk about what's going on there and how that's coming along.

John Santaferraro: The good news is, Eric, that separately in the companies that we're acquired Pervasive, PEAR Excel and even when Actian had developed, everybody developed their product with very similar architectures. Number one, they were open with regards to data and interacting with other platforms. Number two, everything was parallelized to run in a distributed environment. Number three, everything was highly optimized. What that allowed us to do is to very quickly make integration points, so that you can be creating these data flows already today. We have established the integration, so you create the data flows. You do your data blending and enriching right on Hadoop, everything parallelized, everything optimized. When you want, you move that over into our high-performance engines. Then, there's already a high-performance connection between Hadoop and our massively parallel analytic engine that does these super-low-latency things like helping a bank recalculate and recast their entire risk portfolio every two minutes and feeding that into our real-time trading system or feeding it into some kind of a desktop for the wealth manager so they can respond to the most valuable customers for the bank.

We have already put those pieces together. There's additional integration to be done. But today, we have the Actian Analytics Platform as our offering because a lot of that integration was ready to go. It has already been accomplished, so we're stitching those pieces together to drive this entire analytic value chain from connecting the data, all of the processing that you do of it, any kind of analytics you want to run, and then using it to feed into these automated business processes so that you're actually improving that activity over time. It's all about this end-to-end platform that already exists today.

Eric Kavanagh: That's pretty good stuff. And I guess, Jim, I'll bring you back in for another couple of comments, and Robin, I want to bring you in for just one big question, I suppose. Folks, we will keep all these questions - we do pass them on to the people who participated in the event today. If you ever feel a question you asked was not answered, feel free to email yours truly. You should have some information on me and how to get ahold from me. Also, just now I put a link to the full deck with slides from non-sponsoring vendors. So we put the word out to all the vendors out there in the whole Hadoop space. We said, "Tell us what your story is; tell us what's going on." It's a huge file. It's about 40-plus megabytes.

But Jim, let me bring you back in and just kind of talk about - again, I love this concept - where you're talking about the pool party that comes to an end. Could you talk about how it is that you manage to stay on top on what's happening in the open-source community? Because it's a very fast-moving environment. But I think you guys have a pretty clever strategy of serving this sort of enterprise-hardening vendor that sits on top or kind of around that. Can you talk about your development cycles and how you stay on top of what's happening?

Jim Vogt: Sure. It is pretty fast moving in terms of if you look at just a snapshot updates, but what we're shipping in functionality today is about a year to a year and a half ahead of what we can get on security capabilities out to the community today. It's not that they're not going to get there; it just takes time. It's a different process, it has contributors and so forth, and it just takes time. When we go to a customer, we need to be very well versed in the open source and very well versed in mainly the security things that we're bringing. The reason that we're actually issuing patents and submitting patents is that there is some real value in IP, intellectual property, around hardening these open-source components. When we support a customer, we have to support all the varying open-source components and all the varying distributions as we do, and we also need to have the expertise around the specific features that we're adding to that open source to create the solution that we create. As a company, although we don't want the customer to be a Hadoop expert, we don't think you need to be a mechanic to drive the car. We need to be a mechanic that understands the car and how it works and understand what's happening between our code and the open source code.

Eric Kavanagh: That's great. Phu, I'll give you one last question. Then Robin, I have one question for you and then we'll wrap up, folks. We will archive this webcast. As I suggested, we'll be up on insideanalysis.com. We'll also go ahead and have some stuff up on Techopedia. A big thank you to those folks for partnering with us to create this cool new series.

But Phu … I remember watching the demo of the stuff and I was just frankly stunned at what you guys have done. Can you explain how it is that you can achieve that level of no failover?

Phu Hoang: Sure, I think it's a great question. Really, the problem for us had three components. Number one is, you can't lose the events that are moving from operator to operator in the Hadoop cluster. So we have to have event buffering. But even more importantly, inside your operators, you may have states that you're calculating. Let's say you're actually counting money. There's a subtotal in there, so if that node goes down and it's in memory, that number is gone, and you can't start from some point. Where would you start from?

So today, you have to actually do a regular checkpoint of your operator state down to this. You put that interval so it does not become a big overhead, but when a node goes down, it can come back up and be able to go back to exactly the right state where you last checkpointed and be able to bring in the events starting from that state. That allows you to therefore continue as if the event actually has never happened. Of course, the last one is to make sure that your application manager is also fault tolerant so that doesn't go down. So all three factors need to be in place for you to say that you're fully fault tolerant.

Eric Kavanagh: Yeah, that's great. Let me go ahead and throw one last question over to Robin Bloor. So one of the attendees is asking, does anyone think that Hortonworks or another will get soaked up/invested in by a major player like Intel? I don't think there's any doubt about that. I'm not surprised, but I'm fascinated, I guess, that Intel jumped in before like an IBM or an Oracle, but I guess maybe the guys at IBM and Oracle think they've already got it covered by just co-opting what comes out of the open-source movement. What do you think about that?

Robin Bloor: It's a very curious move. We should see in light of the fact that Intel already had its own Hadoop distribution and what it has effectively done is just passed that over to Cloudera. There aren't many powers in the industry as large as Intel and it is difficult to know what your business model actually is if you have a Hadoop distribution, because it is difficult to know exactly what it is going to be used for in the future. In other words, we don't know where the revenue streams are necessarily coming from.

With somebody like Intel, they just want a lot of processes to be solved. It is going to support their main business plan the more that Hadoop is used. It's kind of easy to have a simplistic explanation of what Intel are up to. It's not so easy to guess what they might choose to do in terms of putting code on chips. I'm not 100% certain whether they're going to do that. I mean, it's a very difficult thing to call that. Their next move at the hardware level, I think, is the system on a chip. When we go to the system on a chip, you may actually want to put some basic software on the chip, so to speak. So putting HDFS on there; that might make some sense. But I don't think that that was what that money investment was about. I think all that money investment was about was just making sure that Intel had a hand in the game and is actually going forward.

In terms of who else is going to buy, that is also difficult to say. I mean, certainly the SAPs and Oracles of this world have got enough money to buy into this or IBM has got enough money to buy into it. But, you know, this is all open source. IBM never bought a Linux distribution, even though they plowed a lot of money into Linux. It didn't break their hearts that they didn't actually have a Linux distribution. They're very happy to cooperate with Red Hat. I would say maybe Red Hat will buy one of these distributions, because they know how to make that business model work, but it's difficult to say.

Eric Kavanagh: Yeah, great point. So folks, I'm going to go ahead and just share my desktop one last time here and just show you a couple of things. So after the event, check out Techopedia - you can see that on the left-hand side. Here's a story that yours truly wrote, I guess a couple of months ago or a month and a half ago, I suppose. It really kind of spun out of a lot of the experience that we had talking with various vendors and trying to dig in to understanding what exactly is going on with the space because sometimes it can be kind of difficult to navigate the buzz words and the hype and the terminology and so forth.

Also a very big thank you to all of those who have been Tweeting. We had one heck of a Tweet stream here going today. So, thank you, all of you. You see that it just goes on and on and on. A lot of great Tweets on TechWise today.

This is the first of our new series, folks. Thank you so much for tuning in. We will let you know what's going on for the next series sometime soon. I think we're going to focus on analytics probably in June sometime. And folks, with that, I think we're going to go ahead and close up our event. We will email you tomorrow with a link to the slides from today and we're also going to email you the link to that full deck, which is a huge deck. We've got about twenty different vendors with their Hadoop story. We're really trying to give you a sort of compendium of content around a particular topic. So for bedtime reading or whenever you're interested, you can kind of dive in and try to get that strategic view of what's going on here in the industry.

それで、皆さん、お別れを申し上げます。 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. バイバイ。