Warum die Cloud für Big Data unerlässlich ist - Dummies

Für Big Data in der Cloud existieren zahlreiche Kombinationen von Deployment- und Delivery-Modellen. Beispielsweise können Sie eine öffentliche Cloud IaaS oder eine private Cloud IaaS verwenden. Also, was bedeutet das für Big Data und warum passt die Cloud gut dazu? Nun, Big Data benötigt verteilte Cluster von Rechenleistung, so wie die Cloud aufgebaut ist.

Eine Reihe von Cloud-Merkmalen macht es sogar zu einem wichtigen Bestandteil des Big-Data-Ökosystems:

• Skalierbarkeit: Die Skalierbarkeit in Bezug auf Hardware bezieht sich auf die Fähigkeit, bei gleicher Architektur von kleinen zu großen Rechenleistungen zu wechseln. In Bezug auf Software bezieht es sich auf die Konsistenz der Leistung pro Leistungseinheit, wenn die Hardware-Ressourcen zunehmen. Die Cloud kann auf große Datenmengen skaliert werden.

  Das verteilte Rechnen, ein integraler Bestandteil des Cloud-Modells, arbeitet wirklich an einem "Teilen und Bezwingen" -Plan. Wenn Sie also große Datenmengen haben, können Sie diese über Cloud-Server verteilen. Ein wichtiges Merkmal von IaaS ist, dass es dynamisch skalieren kann. Wenn Sie also mehr Ressourcen benötigen als erwartet, können Sie diese erhalten. Dies knüpft an das Konzept der Elastizität an.

• Elastizität: Elastizität bezeichnet die Fähigkeit, den Bedarf an Rechenressourcen je nach Bedarf in Echtzeit zu erhöhen oder zu verringern. Einer der Vorteile der Cloud ist, dass Kunden das Potenzial haben, so viel Service wie nötig zu nutzen. Dies kann bei Big Data-Projekten hilfreich sein, bei denen Sie möglicherweise die Menge an Computerressourcen erweitern müssen, die Sie für den Umgang mit den Daten benötigen.

• Ressourcenpooling: Cloud-Architekturen ermöglichen die effiziente Erstellung von Gruppen gemeinsam genutzter Ressourcen, die die Cloud wirtschaftlich machen.

• Self-Service: Mit Self-Service kann der Benutzer einer Cloud-Ressource einen Browser oder eine Portal-Schnittstelle verwenden, um die benötigten Ressourcen zu erwerben, z. Modell. Dies unterscheidet sich grundlegend von der Art und Weise, wie Sie Ressourcen aus einem Rechenzentrum gewinnen könnten, in dem Sie die Ressourcen vom IT-Betrieb anfordern müssten.

• Häufig niedrige Vorabkosten: Wenn Sie einen Cloud-Anbieter nutzen, können die Vorlaufkosten oft reduziert werden, weil Sie keine großen Mengen an Hardware kaufen oder neuen Platz für den Umgang mit Ihren Big Data anmieten. Durch die Nutzung der Größenvorteile von Cloud-Umgebungen kann die Cloud attraktiv aussehen.

• Pay as you go: Eine typische Abrechnungsoption für einen Cloud-Anbieter ist "Pay as you go". Dies bedeutet, dass Ihnen Ressourcen in Rechnung gestellt werden, die auf der Basis von Instance Pricing verwendet werden.Dies kann nützlich sein, wenn Sie nicht sicher sind, welche Ressourcen Sie für Ihr Big Data-Projekt benötigen.

• Fehlertoleranz: Cloud-Service-Provider sollten Fehlertoleranz in ihre Architektur eingebaut haben und unterbrechungsfreie Dienste bereitstellen, auch wenn eine oder mehrere Komponenten des Systems ausfallen.

Die Natur der Cloud macht es eindeutig zu einer idealen Computerumgebung für Big Data. Wie können Sie also Big Data zusammen mit der Cloud nutzen? Hier einige Beispiele:

• IaaS in einer öffentlichen Cloud: In diesem Szenario würden Sie die Infrastruktur eines öffentlichen Cloud-Providers für Ihre Big Data-Services verwenden, da Sie keine eigene physische Infrastruktur verwenden möchten. IaaS kann die Erstellung virtueller Maschinen mit nahezu unbegrenzter Speicherkapazität und Rechenleistung ermöglichen. Sie können das gewünschte Betriebssystem auswählen und haben die Flexibilität, die Umgebung dynamisch an Ihre Anforderungen anzupassen.

• PaaS in einer privaten Cloud: PaaS ist eine gesamte Infrastruktur, die so verpackt ist, dass sie zum Entwerfen, Implementieren und Bereitstellen von Anwendungen und Diensten in einer öffentlichen oder privaten Cloud-Umgebung verwendet werden kann. PaaS ermöglicht es einer Organisation, wichtige Middleware-Services zu nutzen, ohne sich mit der Komplexität der Verwaltung einzelner Hardware- und Software-Elemente auseinandersetzen zu müssen.

  PaaS-Anbieter beginnen, Big Data-Technologien wie Hadoop und MapReduce in ihre PaaS-Angebote zu integrieren. Zum Beispiel möchten Sie möglicherweise eine spezialisierte Anwendung erstellen, um große Mengen medizinischer Daten zu analysieren. Die Anwendung würde sowohl Echtzeit- als auch Nicht-Echtzeitdaten verwenden. Es wird Hadoop und MapReduce zur Speicherung und Verarbeitung benötigen.

• SaaS in einer hybriden Cloud: Hier können Sie "Voice of the Customer" -Daten aus mehreren Kanälen analysieren. Viele Unternehmen haben erkannt, dass eine der wichtigsten Datenquellen das ist, was der Kunde über sein Unternehmen denkt und sagt. Der Zugriff auf die Sprachdaten der Kunden kann wertvolle Einblicke in Verhaltensweisen und Aktionen bieten. In zunehmendem Maße "vocalizing" Kunden auf öffentlichen Websites.

  Der Wert der Kundeneingaben kann durch die Einbeziehung dieser öffentlichen Daten in Ihre Analyse erheblich verbessert werden.