Big Data

Big Data คืออะไร?

• Big Data คือ ชุดของชุดข้อมูลที่มีขนาดใหญ่และซับซ้อนมาก เป็นเรื่องยากที่จะประมวลผลโดยใช้เทคโนโลยีการประมวลผลข้อมูลแบบเดิม
  • จัดเก็บ ค้นหา แชร์ โอนถ่าย วิเคราะห์ และแสดงภาพข้อมูลขนาดใหญ่ได้อย่างไร
• ข้อมูลที่ไม่มีโครงสร้างจะแตกกระจาย

Big Data Example ตัวอย่างของ Big Data

• Facebook
  • มีข้อมูลประมาณ 400 เทราไบต์ (TB)
  • มีข้อมูลใหม่เข้ามาประมาณ 20 เทราไบต์ (TB) ต่อวัน
• New York Stock Exchange (NYSE) หรือตลาดหลักทรัพย์นิวยอร์ก
  • สร้างข้อมูลทางการค้าขนาดประมาณ 1 เทราไบต์ (TB) ต่อวัน
• Internet Archive (การเก็บข้อมูลทางอินเตอร์เน็ต)
  • จัดเก็บข้อมูลประมาณ 2 เพตาไบต์ (PB)
  • มีอัตราการเพิ่มขึ้น 20 เทราไบต์ (TB) ต่อเดือน
• Skybox imaging (satellite images) หรือภาพถ่ายจากดาวเทียม
  • จัดเก็บข้อมูลขนาด 1 เทราไบต์ต่อวัน
• com หรือธุรกิจตรวจ DNA
  • จัดเก็บข้อมูลทั้งหมดประมาณ 2.5 เพตาไบต์ (PB)

Big Data Evolution

ความท้าทายในการประมวลผล (โดยใช้เทคโนโลยีแบบเดิม)

• Slow to process (ประมวลผลช้า)
  • ใช้เวลา 11 วัน ในการอ่านข้อมูลประมาณ 100 เทราไบต์ โดยใช้คอมพิวเตอร์เพียงตัวเดียว
• Slow to move data (ย้ายข้อมูลช้า)
  • การย้ายข้อมูลผ่านเครือข่ายช้า
• Can’t scale (ไม่สามารถปรับขนาดได้)
  • เพิ่มประสิทธิภาพของการประมวลผล (หน่วยความจำ, ฮาร์ดแวร์ที่ทรงพลัง) ถูกจำกัดไว้
• Hard drive capacity is limited (หน่วยความจำมีพื้นที่จำกัด)
  • หน่วยความจำตัวเดียวไม่สามารถรองรับขนาดข้อมูลขนาดใหญ่ได้
• Unreliable (ไม่น่าเชื่อถือ)
  • ความล้มเหลวในคอมพิวเตอร์เป็นสิ่งที่หลีกเลี่ยงไม่ได้

คุณลักษณะของ Big Data

• ข้อมูลมีขนาดใหญ่มาก มีการกระจายตัวของโครงสร้างข้อมูลแบบ loosely
• ขนาดของข้อมูลมีหน่วยเป็น เพตาไบต์ (PB) / เอกซาไบต์ (EB)
• โครงสร้างที่มีความสัมพันธ์แบบไม่ซับซ้อนมากนัก
• จะใช้การประทับเวลาเข้ามาเกี่ยวข้องกับเหตุการณ์ต่างๆ
• ประกอบด้วยข้อมูลที่ไม่สมบูรณ์มากนัก

ความท้าทายในการจัดการข้อมูลขนาดใหญ่

• การย้ายข้อมูลจำนวนมากจากพื้นที่จัดเก็บเพื่อนำไปคำนวณที่ cluster (เพื่อลดค่าใช้จ่ายและได้ประสิทธิภาพการทำงานที่ชาญฉลาด)
  • ย้ายข้อมูลไปยังคอมพิวเตอร์ที่มีประสิทธิภาพในการประมวลผลมากขึ้น
• การจัดการข้อมูลใหญ่ และความล้มเหลว
  • เหตุการณ์ขัดข้องของเครื่องคอมพิวเตอร์และระบบเครือข่าย
• มีราคาแพงในการสร้างเครื่องคอมพิวเตอร์ที่มีประสิทธิภาพสูง และความน่าเชื่อถือในการใช้งานแอปพลิเคชันต่างๆ
  • ความน่าถือในการจัดการระบบโดยใช้ framework

สิ่งที่ต้องพิจารณาในการวิเคราะห์ Big Data

• Volume (การจำกัดปริมาณ) – การจัดการข้อมูลขนาดใหญ่ในการทำธุรกิจ
• Velocity (ความเร็ว) – มีความเร็วในการจัดเก็บ วิเคราะห์ และดึงข้อมูลจำนวนมาก
• Variety (ความหลากหลาย) – สามารถประมวลผลข้อมูลได้จากหลายๆแหล่ง และข้อมูลสำคัญที่ไม่มีโครงสร้างข้อมูล
• Value (ราคา) – ถามคำถามที่ถูกต้องเพื่อสร้างมูลค่าสูงสุด

Examples of Public Data Sets

• S. Government – http://usgovxml.com/
• Amazon – http://aws.amazon.com/public-data-sets/
• Weather data from NCDC – http://www.ncdc.noaa.gov/data-access
• Million Song Dataset – http://labrosa.ee.columbia.edu/millionsong/

Hadoop คืออะไร

• Apache Hadoop เป็น framework ที่ช่วยในการกระจายการประมวลผลข้อมูลขนาดใหญ่ผ่าน cluster ที่มีความหลากหลาย โดยใช้รูปแบบการเขียนโปรแกรมแบบง่าย
• มีการออกแบบมาเพื่อเพิ่มขนาดจากโหนดเดียวเป็นโหนดหลายพันโหนด ซึ่งแต่ละที่ทำการคำนวณและเก็บข้อมูลการคำนวณนั้นไว้

ประวัติความเป็นมาของ Hadoop

• เริ่มต้นจากการเป็นโครงการย่อยของ Apache Nutch
  • Nutch ใช้สำหรับจัดทำ indexing data และแสดงผลเพื่อค้นหา
  • เปิดให้เป็น open source และส่งไปยัง Google
  • เริ่มโดย Doug Cutting
• ในปี ค.ศ. 2004 ทาง Google ได้เผยแพร่เอกสาร Google File System (GFS) และ Map reduce
• Doug Cutting และทีมของ Nutch ได้ใช้ระบบ GFS และเพื่อ
• ในปี ค.ศ. 2006 Yahoo ได้ทำการจ้าง Doug Cutting มาทำงานใน Hadoop
• ในปี ค.ศ. 2008 Hadoop กลายเป็นโครงการ Apache Top Level http://hadoop.apache.org/

ทำไมต้อง Hadoop

• Scalable (สามารถปรับขนาดได้) – สามารถเพิ่มโหนดใหม่ลงในเครื่อง cluster ได้
• Economical (ประหยัด) – สามารถใช้ได้ในอุปกรณ์หลายแบบ
• Efficient (มีประสิทธิภาพ) – จะทำงานเฉพาะตำแหน่งที่มีข้อมูลอยู่
• Flexible (มีความยืดหยุ่น) – สามารถจัดการข้อมูลที่ไม่มีโครงสร้างให้น้อยลง
• Fault tolerant (แก้ไขข้อผิดพลาด) – สามารถค้นหาข้อผิดพลาดในโหนดต่างๆ และสามารถแก้ไขข้อผิดพลาดได้
• Simple (มีความง่าย) – ใช้รูปแบบการเขียนโปรแกรมแบบง่าย
• Evolving (พัฒนา) – มีระบบพัฒนาเป็นแบบ ecosysytem

หลักการออกแบบ Hadoop

• จัดเก็บและประมวลข้อมูลจำนวนมาก
• มีการจำกัด ประสิทธิภาพ พื้นที่จัดเก็บ และการประมวลผล
• แปลงรหัสคอมพิวเตอร์ไปเป็นข้อมูล
• การกู้คืน สามารถกู้คืนเมื่อเกิดความล้มเหลวในการสร้าง
• ถูกออกแบบมาเพื่อใช้กับฮาร์ดแวร์ที่มีความหลากหลาย.

เมื่อไรที่ควรใช้หรือไม่ควรใช้ Hadoop

• Hadoop ดีสำหรับ
  • Indexing data
  • การวิเคราะห์เชิงตรรกะ
  • การจัดการรูปภาพ
  • การจัดเรียงข้อมูลขนาดใหญ่
  • การทำเหมืองข้อมูล
• Hadoop ไม่ดีสำหรับ
  • การประมวลผลแบบ real time
  • การเข้าถึงข้อมูลแบบสุ่ม
  • งานที่มีปริมาณมากและมีข้อมูลเพียงเล็กน้อย
• ข้อจำกัด บางประการของ Hadoop มีอยู่ใน Hadoop ecosystem

Comparing Hadoop with Other Technologies

Hadoop	VS	RDBMS
ข้อมูลขนาดใหญ่		ข้อมูลขนาดเล็ก
โครงสร้างแบบหลวมๆ		โครงสร้างแบบรัดแน่น
Schema on read		Schema on write
ไม่มีความสัมพันธ์กัน		มีความสัมพันธ์กัน
Analytics-oriented		Transaction-oriented
Non-ACID		ACID
Batch-oriented		Real-time query
เขียนครั้งแรก ไม่มีการอัพเดตหรือลบ		มีการเขียนหรืออัพเดตบ่อย
กระจายข้อมูล		ข้อมูลส่วนกลาง
มีความยืดหยุ่นสูง		ความยืดหยุ่นที่ถูกจำกัด

Apache Hadoop System