White. Paper. Die Enterprise Hadoop-Lösung von EMC. Isilon Scale-out-NAS und Greenplum HD. Februar 2012

Transkript

1 White Paper Die Enterprise Hadoop-Lösung von EMC Isilon Scale-out-NAS und Greenplum HD Von Julie Lockner, Senior Analyst, und Terri McClure, Senior Analyst Februar 2012 Dieses ESG White Paper wurde von der EMC Corporation in Auftrag gegeben und wird unter Lizenz von ESG vertrieben.

2 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 2 Inhalt Einführung... 3 Marktentwicklungen für die Anforderungen an die Analyse von Big Data... 3 Nutzen von Hadoop für die Analyse von Big Data... 4 Nutzen von Scale-Out-NAS für die Analyse von Big Data... 5 Abrundung des Angebots: Konsolidierte Isilon- und Greenplum HD-Plattform von EMC... 7 Die ganze Wahrheit... 9 Alle Marken sind das Eigentum Ihrer jeweiligen Inhaber. Die in diesem Dokument enthaltenen Informationen stammen aus Quellen, die von The Enterprise Strategy Group (ESG) als vertrauenswürdig eingestuft werden. Eine Gewähr kann jedoch von ESG nicht übernommen werden. Dieses Dokument kann Meinungen von ESG wiedergeben, die sich von Zeit zu Zeit ändern können. Das Dokument ist von The Enterprise Strategy Group, Inc. urheberrechtlich geschützt. Jegliche Vervielfältigung oder Verbreitung dieses Dokuments, ob ganz oder in Teilen, in gedruckter, elektronischer oder sonstiger Form an nicht Empfangsberechtigte stellt ohne vorherige schriftliche Genehmigung von The Enterprise Strategy Group, Inc. eine Verletzung des US-amerikanischen Urheberrechts dar und wird zivil- bzw. strafrechtlich verfolgt. Falls Sie Fragen haben, wenden Sie sich bitte unter der Rufnummer an ESG Client Relations.

3 Einführung White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 3 Unternehmen, die sich darauf konzentrieren, die Vorteile ihrer Informationsressourcen vollständig zu nutzen, stellen fest, dass das Erfassen von Daten nicht nur gute Seiten hat. Tatsächlich stufen die meisten Unternehmen, die mit der Herausforderung konfrontiert sind, Daten zu managen, die mit beinahe überwältigender Geschwindigkeit wachsen Facebook allein erfasst jetzt mehr als 100 Terabyte Daten pro Tag das Management des Datenwachstums, das Bereitstellen von Speicherplatz und die Durchführung schneller, zuverlässiger Analysen von Big Data als ihre wichtigsten Prioritäten ein. ESG definiert die Analyse von Big Data als Übung für die Analyse jeweils ganzer Datensätze, unabhängig davon, wie die Daten strukturiert sind, mit speziell entwickelter Technologie zur zeitnahen und kostengünstigen Durchführung einfacher bis komplexer Datenanalyseaufgaben. In einer kürzlich von ESG durchgeführten Studie mit mehr als 100 Unternehmen hat ESG herausgefunden, dass diese Unternehmen bei ihrem Wettlauf gegen die Datenwachstumsraten wiederholt Datenmanagement und Datenspeicherung als wichtige Herausforderungen und wichtige Hindernisse bei der Entwicklung verfeinerter Analysefunktionen in ihren Unternehmen genannt haben. Alle waren sich einig, dass Big Data einerseits zwar definitiv ein wertvoller Beitrag zum Wissensstand des Unternehmens waren, für ihre aktuellen IT-Infrastrukturen andererseits aber auch extremen Stress bedeuteten. Viele Unternehmen suchen daher mit Hochdruck nach einer Methode, eine skalierbare Infrastruktur in ihren Rechenzentren zu entwickeln. Was genau benötigen diese Unternehmen also? Mit den starken Einschränkungen ihrer herkömmlichen Plattformen hinsichtlich der Analyse von Big Data suchen immer mehr Unternehmen neue Lösungen, um diese Herausforderungen in Angriff zu nehmen und kommen zu dem Schluss, dass ihre Lösung eine konsolidierte, skalierbare Plattform sein muss, die Unterstützung für Big-Data- Anwendungen mit einem Service auf Unternehmensniveau bieten kann. Eine neue MapReduce-Plattform auf mehreren Ebenen in einem verteilten Dateisystem, Hadoop und HDFS, ist eine der Lösungen, die in letzter Zeit von Unternehmen zur Erfüllung ihrer Ansprüche an die Analyse von Big Data gewählt wurde. Es ist eine Lösung, die speziell zum Scale-Out entwickelt wurde, sodass die Performance auf konstantem Niveau gehalten werden kann, während die Datensätze, die verarbeitet/analysiert werden sollen, wachsen. Marktentwicklungen für die Anforderungen an die Analyse von Big Data Gemäß der aktuellen Studie von ESG zum Datenmanagement haben mehr als die Hälfte (55 %) der befragten Unternehmen eine bessere geschäftliche Agilität als den erwarteten Hauptvorteil bei der Bereitstellung einer neuen Datenanalyselösung genannt (siehe Abbildung 1). 1 Dicht darauf folgte an zweiter Stelle die Durchführung von Analysen in kürzerer Zeit. Da sowohl Geschwindigkeit als auch Agilität wichtige Faktoren bei der Auswahl sind, suchen Unternehmen nach den Tools und der Technologie, die sie bei ihren Bemühungen mit dem Informationsansturm unterstützen und mit ihnen wachsen. Die Analyseplattformen auf der Grundlage von MapReduce und Apache Hadoop scheinen hier die Spitzenkandidaten zu sein. Tatsächlich hat Apache Hadoop schnell die Führung als bevorzugte Lösung für die Analyse von Big Data inklusive unstrukturierter Daten übernommen, und die Hadoop-basierte Batch- Verarbeitung von enormen Mengen unstrukturierter und strukturierter Daten hat den Ansatz der Unternehmen bei der Analyse von Big Data drastisch verändert. 1 Quelle: ESG Research Report, The Impact of Big Data on Data Analytics (Die Auswirkungen von Big Data auf die Datenanalyse), September 2011.

4 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 4 Abbildung 1. Wichtigste erwartete Vorteile bei der Bereitstellung einer neuen Analyseplattform Welche der folgenden Vorteile erwartet sich Ihr Unternehmen von der Bereitstellung einer neuen Datenanalyselösung? (Prozent der Befragten, N = 102, mehrere Antworten möglich) Verbesserte Improved geschäftliche business Agilität agility Ability Fähigkeit, to complete Analysen analytics in in a kürzerer shorter period Zeit of time durchzuführen Einfacheres Easier Management to manage Fähigkeit, Analysen an größeren Datensätzen Ability to complete analytics on larger data sets durchzuführen Reduzierung der Reduced Bereitstellungszeit deployment time und and Kosten cost Fähigkeit, vorhandene Ressourcen zu nutzen Ability to leverage existing resources (i.e., staff) (d. h. Personal) Niedrigere Reduced Infrastrukturkosten infrastructure costs Einfachere Simplified Datenintegration data Fähigkeit, Ability neue to Datentypen accommodate zu new verarbeiten data types 34% 34% 30% 26% 26% 22% 44% 43% 55% 0% 10% 20% 30% 40% 50% 60% Nutzen von Hadoop für die Analyse von Big Data Quelle: Enterprise Strategy Group, Warum nutzen so viele Unternehmen Hadoop für die Analyseverarbeitung? Unternehmen haben mit Hadoop die Möglichkeit, große Datenmengen zu speichern und zu analysieren, unabhängig davon, ob es sich um strukturierte, unstrukturierte, relationale oder nicht relationale Daten handelt. Hadoop fungiert als Ergänzung zu herkömmlichen Datenanalyseplattformen wie etwa relationale Datenbanken. Es stärkt ihre Fähigkeit, interaktive SQL-Analysen an Datenquellen durchzuführen, auf die aufgrund von Einschränkungen der auf aktuellen Plattformen abgelegten Daten nur schwer oder gar nicht zugegriffen werden konnte. Hadoop kombiniert ein MapReduce-Framework mit dem Hadoop Distributed File System (HDFS) und bietet Unterstützung für Datenverarbeitungs- und -analyseaufgaben, die gleichermaßen für relationale und nicht relational strukturierte Daten (z. B. textbasierte Daten, Protokolldateien, von Maschinen erzeugte Daten oder Webverkehrsdetails) geeignet sind. Wie jede neue Technologie ist auch Hadoop mit einigen immanenten Problemen behaftet. Beispiel: Die Apache Open-Source-Hadoop-Verteilung bietet einen Single-Point-of-Failure mit den im HDFS gespeicherten Dateimetadaten zum Management von NameNode. Der NameNode ist das Zentrum eines HDFS-Dateisystems. In ihm befindet sich die Verzeichnisstruktur aller Dateien im Dateisystem, und er dient als der Überwachungsmechanismus, der angibt, wo sich die Daten im Cluster befinden. Clientanwendungen nutzen den NameNode, wenn sie versuchen, eine Datei zu finden, hinzuzufügen, zu kopieren, zu verschieben oder zu löschen. Der NameNode reagiert auf diese Anfragen, indem er eine Liste der Server bereitstellt, auf denen sich die Daten befinden. Dieser Ansatz birgt aber auch eine deutliche Gefahr: Wenn der NameNode ausfällt, geht das Dateisystem offline. Dies wird von der Hadoop-Open-Source-Community gerade untersucht. In der Zwischenzeit stellt es aber für viele Unternehmen, die eine Komponente mit hoher Verfügbarkeit für ihre Plattform zur Analyse von Big Data suchen, ein Problem dar.

5 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 5 Hadoop kann derzeit keine Datenschutzfunktionen auf Unternehmensniveau bieten. Entwickler müssen die Datenreplikationsparameter für HDFS manuell festlegen (der Standardwert ist 3), um die Anzahl der Kopien anzugeben, die HDFS aus Datenschutzgründen von jeder Datei anfertigen soll, anstatt RAID zu nutzen. Dass Entwickler die Anzahl der anzufertigenden Kopien festlegen müssen, kann zu einer sehr ineffizienten Nutzung des Speichers führen. Hadoop macht eine inkrementelle Investition in Personal erforderlich, das im Umgang mit Hadoop geschult ist. Herkömmliche Hadoop-Bereitstellungen können u. U. nicht einfach in vorhandene Unternehmensanwendungen integriert werden. Der Zugriff auf Daten erfolgt über Hadoop und HDFS-Protokolle oder über eine SQL-Schnittstelle, was die Bereitstellung von Programmierungsschnittstellen erforderlich macht. Hadoop macht eine Investition in den Aufbau dedizierter Datenverarbeitungscluster erforderlich, die häufig isolierte Speicher-/Datenverarbeitungsressourcen und eine schlechte Nutzung der Speicher- oder CPU-Ressourcen zur Folge haben, abhängig davon, welche Ressource Sie benötigen. In einer allgemeinen Hadoop-Referenzarchitektur nutzt das Datenverarbeitungscluster Direct Attached Storage (DAS), der nicht einfach für andere Anwendungen freigegeben werden kann. Unternehmen müssen entweder das Hadoop-Datenverarbeitungscluster für hohe Datenverarbeitungsanforderungen und/oder hohe Speicherkapazitätsanforderungen während der Erstbereitstellung bereitstellen. Im allgemeinen DAS-Speichermodell können Unternehmen tatsächlich nicht einfach das Verhältnis zwischen Datenverarbeitung und Speicher ändern, wenn das Cluster einmal bereitgestellt ist. Unternehmen, die Hadoop für verschiedene Arten von Workloads nutzen möchten, müssen mehrere Hadoop-Cluster bereitstellen und an ihre Bedürfnisse anpassen. Für Unternehmen, die ein Tiered-Storage-Layout zur Optimierung der Kosten der in einem Hadoop- Cluster abgelegten Daten wünschen, müssten Administratoren Cluster und HDFS-Ordner manuell konfigurieren, damit sie an den Tiers ausgerichtet sind, und Hadoop-Entwickler müssten Programme entwickeln, mit denen die Daten zwischen den Tiers migriert werden können. Für Unternehmen, die eine Datenschutzstrategie mit einem Disaster-Recovery (DR)-Plan benötigen, müssten die Entwickler sich mit den Administratoren abstimmen, um Backup-Prozesse auf der HDFS-Ebene zu integrieren. Für DR schreiben Entwickler in der Regel Datensätze in zwei separate benachbarte Hadoop-Cluster. Dies kann eine Herausforderung für Unternehmen darstellen, die vorhandene Datenschutz- und DR-Richtlinien in Daten integrieren möchten, die sich in einem Hadoop- Cluster befinden. Hadoop-Bereitstellungen sind in vielen Bereichen zwar stark, können jedoch für bereits überarbeitete IT-Teams in diesen Grundsätzen eine Herausforderung darstellen. Nutzen von Scale-Out-NAS für die Analyse von Big Data Setzen Sie Scale-Out-Network Attached Storage (NAS) ein. NAS-Systeme lassen sich ganz einfach installieren und bereitstellen, sie sind erschwinglich und zuverlässig und halten die Support-Zeit auf einem Minimum. Scale-Out-NAS ist eine gute Wahl für Big-Data-Analyseumgebungen. ESG definiert Big Data im Allgemeinen als die Verwendung von Datensätzen, die die Grenzen und den Umfang normaler Verarbeitungsfähigkeiten überschreiten und Sie zwingen, einen nicht herkömmlichen Ansatz zu wählen. Scale-Out-NAS ist dieser nicht herkömmliche Ansatz von einem Standpunkt des externen Netzwerkspeichers aus gesehen. Er ist dafür ausgelegt, bei gleich bleibender Performance und Verfügbarkeit über die Grenzen herkömmlicher Scale-Up- Systeme skaliert zu werden, wenn der Datensatz anwächst etwas, das herkömmliche Speichersysteme einfach nicht bieten können. Wenn Sie ein freigegebenes Netzwerkspeichersystem zur Unterstützung der Analyse von Big Data nutzen, ist tatsächlich eine Scale-Out-Architektur die wichtigste Anforderung.

6 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 6 Scale-Out-NAS bietet eine einfache Erweiterung der Kapazität und eine einfache Verwaltung. Eine aktuelle Studie der ESG hat gezeigt, dass 86 % aller mittelständischen Unternehmen und 84 % aller Großunternehmen NAS für manche Ebenen der Speicherung nutzen. 2 Wie in Abbildung 2 zu sehen, übertrifft die Kapazität des NAS-Speichers (45 % der gesamten Festplattenspeicherkapazität der Befragten) den Storage Area Network (SAN)-Speicher (36 %) und den Direct Attached Storage (DAS) (31 %). 3 SAN-Systeme übertragen Daten in Form von Datenblöcken über das Netzwerk, während NAS-Systeme Dateidaten übertragen. SAN- und NAS-Systeme sind vernetzt, während DAS speziell für einen Server reserviert ist, mit dem der Speicher verbunden ist. Abbildung 2. Unternehmensspeicherkapazität nach Speichertyp Wie viel Prozent der festplattenbasierten Gesamtspeicherkapazität Ihres Unternehmens ist ca. mit jedem Speichertyp verbunden? (Mittelwert, N = 306) 100% 90% 80% 70% Storage Area Network (SAN), 36 % 60% 50% 40% 30% 20% 10% 0% Network-Attached Storage (NAS), 45 % Direct-Attached Storage (DAS), 19 % Quelle: Enterprise Strategy Group, Scale-Out-NAS-Systeme können horizontal über Nodes und in Front-End-Verarbeitungsleistung skaliert werden, während Back-End-Kapazität über neu hinzugefügte Prozessor- oder Kapazitäts-Nodes hinzukommt. Scale-Out- Speicherplattformen können die Performance, Kapazität oder den Durchsatz durch Hinzufügen von Ressourcen (z. B. Prozessoren, Arbeitsspeicher, Host-Schnittstellen) als lose miteinander gekoppelte Systeme erweitern, die aus Nodes bestehen, die parallel arbeiten. Scale-Out-NAS-Systeme sind dafür ausgelegt, Performance und Kapazität unabhängig voneinander zu skalieren, sodass Benutzer die Performance in schnell wachsenden Dateiumgebungen beibehalten können, die die Verarbeitung von sehr umfangreichen Dateien ohne die Einschränkungen von Performance oder Management erfordern, die mit Scale-Up-Speichersystemen verbunden sind. Zu den Vorteilen zählen eine bessere Performance, höhere Verfügbarkeit, höhere Speichernutzung, einfacheres allgemeines Management und ein geringerer Bedarf für Administratoren (siehe Abbildung 3). Gemeinsamkeiten zwischen Hadoop und Scale-Out-NAS bieten eine offensichtliche Gelegenheit zur Konvergenz in eine Lösung, die Unternehmen folgende Vorteile bietet: Nutzen der Vorteile von Datenschutzfunktionen auf Unternehmensniveau wie Snapshots, Replikation und Backup mit dem gemeinsamen Speichermodell, angewendet auf die Hadoop-Analyseverarbeitung Höhere Nutzung von Speicher- und Datenverarbeitungsressourcen Nutzen von Hadoop-Speicherressourcen für zusätzliche Anwendungen und Rechenzentrumsvorgänge 2 Quelle: ESG Research Report, Scale-out Storage Market Trends (Scale-Out-Speicher-Markttrends), Dezember Ebd.

7 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 7 Abbildung 3. Vorteile, die in Scale-Out-Speicherbereitstellungen umgesetzt werden Welche der folgenden Vorteile hat Ihr Unternehmen als Ergebnis der Bereitstellung von Scale-Out-Speicher umsetzen können? (Prozent der Befragten, N = 56, mehrere Antworten möglich) Verbesserte Improved Skalierbarkeit scalability 57% Verbesserte Improved Performance performance (I/Os) 45% Verbesserte Improved Performance performance (throughput) (Durchsatz) Verbesserte Improved Datenverfügbarkeit data availability Schnellere(s) Faster deployments/provisioning Bereitstellung/Provisioning times 36% 34% 39% Verbesserte Improved Nutzung storage der hardware Speicherhardware utilization Reduced Geringere operational Betriebskosten expenditures Fähigkeit, bestimmte Anwendungen effizienter zu Ability to more effectively support specific applications unterstützen Verbessertes Improved Datenmanagement data Ability Fähigkeit, to manage mehr more Speicherkapazität storage capacity mit with weniger fewer Administratorressourcen administrator resources zu managen Reduced Niedrigere capital Kapitalausgaben expenditures Kürzere Trainingsszeiten/geringere Reduced training time/costs Trainingsskosten 29% 27% 27% 27% 25% 18% 14% 0% 10% 20% 30% 40% 50% 60% Abrundung des Angebots: Konsolidierte Isilon- und Greenplum HD-Plattform von EMC Quelle: Enterprise Strategy Group, EMC nimmt als Reaktion auf die wachsende Implementierung von Hadoop eine Marktanforderung für eine Hadoop-Plattform in Angriff, die Datenschutz auf Unternehmensniveau und Managementfunktionen in einer speziell entwickelten Infrastruktur bietet. EMC bietet das HDFS-Protokoll zur Unterstützung seiner Isilon Scale-Out-NAS-Speicherplattform. Neben der Unterstützung für das HDFS-Protokoll auf der Isilon- Unternehmensspeicherplattform umfasst die Lösung von EMC Tests und Zertifizierung mit der Verteilung von Greenplum von Apache Hadoop und bietet so Rechenfunktionen für die in Isilon gespeicherten Daten. EMC bietet ein Unterstützungsmodell für Hadoop aus einer Hand über die Isilon-Scale-Out-NAS- Speicherinfrastruktur, die Analysefunktionen von Greenplum HD (einschließlich parallelem Datenzugriff auf die Greenplum-Datenbank) sowie EMC Consulting, Konfiguration, Schulungen und Support-Services. Die konsolidierte Plattform kombiniert die native Speicherunterstützung von EMC Isilon für das HDFS-Protokoll, das in das Datenverarbeitungs- und -analyse-framework von Greenplum HD integriert ist. Unternehmen können eine Vielzahl von Vorteilen gegenüber Hadoop-Bereitstellungen auf der Grundlage der Direct-Attached-Storage- Referenzarchitektur nutzen.

8 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 8 Hohe Verfügbarkeit zur Unterstützung für eine breite Palette von Einsatzbereichen: Die hohe Verfügbarkeit des Isilon OneFS-Betriebssystems macht den NameNode als Single-Point-of-Failure in der HDFS-Speicherebene von Hadoop praktisch unnötig. Da die Metadaten im gesamten Isilon-Cluster verteilt sind, agiert jeder Isilon-Node als ein NameNode. Dadurch werden für die Analyse von Big Data mit Hadoop deutlich mehr Einsatzbereiche möglich, und es kann Unterstützung für geschäftliche und geschäftskritische Anwendungen geboten werden, die mehr Verfügbarkeit erforderlich machen, als eine Standard-Hadoop-Konfiguration mit DAS bieten kann. Verbesserter Zugriff und verbessertes Laden von Daten: Isilon OneFS unterstützt HDFS sowie Protokolle nach Branchenstandard wie NFS und CIFS. Dadurch wird der anstrengende und ressourcenintensive Prozess der Bereitstellung und des Ladens von Daten verbessert, der zu herkömmlichen Apache Hadoop-Bereitstellungen gehört, die einfach HDFS nutzen. Außerdem wird es unnötig, eine hohe Anzahl von Kopien anzufertigen. Big Data von Unternehmen werden auf die Isilon OneFS-Speicherebene über Protokolle nach Branchenstandard, z. B. NFS, CIFS, HTTP oder FTP geladen, Hadoop-Anwendungen können aber auch direkt über HDFS auf diese Daten zugreifen, ohne die ursprüngliche Datenquelle in ein anderes Dateisystem kopieren oder verschieben zu müssen. OneFS managt dann den Schutz der Daten, sodass Entwickler und Administratoren nicht mehr dafür verantwortlich sind, die Performanceund Schutzparameter ordnungsgemäß zu konfigurieren. Einfache Verwendung und Bereitstellung: Durch die Bereitstellung einer integrierten Hadoop-Plattform in einer speziell entwickelten Infrastruktur kann die Greenplum HD- und Isilon-Lösung schneller und einfacher bereitgestellt werden als mit den DIY-Hardware- und Softwarekonfigurationsprozessen, die für herkömmliche Hadoop-Bereitstellungen erforderlich sind und zeitaufwändig und ressourcenintensiv sein können. Skalierung und Effizienz: Die segmentierte Hadoop-Speicher- und Datenverarbeitungslösung von EMC ermöglicht höhere Speicher- und CPU-Nutzungsraten im Vergleich zu herkömmlichen DAS- Bereitstellungen von Hadoop, da Kunden Performance oder Kapazität unabhängig voneinander nach Bedarf skalieren und separate Speicherpools erstellen können, die die Anforderungen unterschiedlicher Performance in einem einzigen System erfüllen. Wenn die Analyseanforderungen des Kunden eine datenverarbeitungsintensivere Konfiguration im Vergleich zu einer eher kapazitätsgetriebenen Konfiguration voraussetzen, können beide Anforderungen durch die kombinierte Implementierung von Greenplum HD und Isilon OneFS erfüllt werden. Speichereffizienzen werden durch die Nutzung von Isilon und seinem automatisierten, richtlinienbasierten SmartPool-Tiering weiter verbessert. Durch Anpassung der Wert- und Performance-Anforderungen der Daten an die entsprechenden Performance- Speicher-Tiers (anstatt alle wie in einem herkömmlichen DAS-Modell in einem relativ kostenintensiven Speicher zu belassen) werden die Kosten gesenkt. Aufgrund der einfachen Bereitstellung von Isilon Scale-Out-NAS wird durch die Erweiterung dieser Einfachheit auf Hadoop die Entwicklung von Anwendungen über Programmierungsdatei-I/O-Schnittstellen zum Speichern und Analysieren enormer Datenmengen unnötig. Unternehmen können eine NAS-Speicherplattform auf Unternehmensniveau bereitstellen, die mit den Volumes skaliert werden kann, die aber auch allgemein einsetzbar ist, sodass Unternehmen Daten nur einmal speichern und andere Geschäftsbenutzer und Workloads unterstützen können.

9 White Paper: Die Enterprise Hadoop-Lösung von EMC: Isilon Scale-out-NAS und Greenplum HD 9 Die ganze Wahrheit Während Hadoop sich weiterentwickelt, entdecken Unternehmen schnell, wie es zum Schaffen eines deutlichen Wettbewerbsvorteils herangezogen werden kann, indem seine Fähigkeiten, auf wertvolle Big Data zuzugreifen und sie zu verwenden, genutzt werden. Neben seiner Leistungsfähigkeit und seinen enormen Funktionen führt Hadoop jedoch auch Probleme ein, die bei neuer Technologie häufig zu finden sind. Unternehmen suchen daher nach einer konsolidierten, skalierbaren Plattform, die Big-Data-Anwendungen mit Serviceattributen auf Unternehmensniveau unterstützen kann. Mit der Bereitstellung der Isilon Scale-Out-NAS-Speicherplattform durch EMC und ihrer Unterstützung für das HDFS-Protokoll haben Unternehmen jetzt eine Option, die die Probleme von Hadoop in Angriff nimmt, dabei aber seine immanenten Fähigkeiten voll unterstützt. Das ist aber nur der erste Schritt. Der zweite Schritt besteht darin, anhand der HDFS-Unterstützung eine vollständig integrierte und getestete Lösung zu bieten. Die Isilon- und GreenPlum HD-Lösung von EMC spielt mit den Stärken von Hadoop und fügt ihm die Funktionen des einfachen Ladens von und Zugriffs auf Daten über eine native Netzwerkdateisystem- Schnittstelle, End-to-End-Management einschließlich einfacher Bereitstellung von Clustern, automatische Fehlererkennung und Benachrichtigung, Management mehrerer Standorte und stetiger Upgrades hinzu. Schließlich bietet EMC mit seinem Engagement, den gesamten Stack zu unterstützen, ein Support-Modell aus einer Hand für jede Komponente einschließlich Hardware: Speicher, Datenverarbeitung und Netzwerk sowie auch Software: Greenplum HD und Greenplum-Datenbank für umfangreiche Datenanalysen. Die Isilon- und GreenPlum HD-Lösung von EMC scheint dazu bestimmt, eine ernstzunehmende Option für Hadoop-basierte Bereitstellungen auf Unternehmensniveau für jedes Unternehmen zu sein, das Big Data sammelt und Anwendungen zur Analyse von Big Data bereitstellen möchte, um mehr unternehmenskritische Geschäftsprozesse zu unterstützen.

10 20 Asylum Street Milford, MA Tel.: Fax: