Big Data Technologien (Vorlesung 1)

In der ersten Vorlesung von Big Data Technologien besprechen wir einleitend die kommenden Themen fürs Semester und beginnen mit dem Einstieg zu NoSQL.

Anfang	BigData-SoSe16-1-Intro – Seite 1
Ende	BigData-SoSe16-2-NoSQL – Seite 13

Einleitung

Wofür wird Big Data grundlegend benötigt?

• Sensorik
• Analyse

Welche Charakteristika hat Big Data?

• Es lässt sich nicht ausschließlich an Datenvolumen, wie GB oder TB, festmachen
• Begrifflichkeit ist von Volume, Velocity, Variety und Veracity (Four V’s) geprägt
• Je nach Anwendungsfall stehen unterschiedliche Faktoren im Vordergrund
• Veracity ist der neueste Faktor davon und zieht den Wahrheitsgehalt der Informationen hinzu
• Das fünfte V entspricht dem Wert der Information bzw. den Mehrwerten, die daraus geschöpft werden
• Die Begrifflichkeit Open Source sollte allerdings nicht Bestandteil einer Definition sein

Was hat es mit dem Hype zu Big Data auf sich?

• Dies bezieht sich auf den Hype Cycle von Gartner
• Während der Hype Cycle bereits die produktive Nutzung von Big Data Technologien andeutet, steht das Thema noch in den Kinderschuhen
• Tatsächlich kristallisieren sich erst noch Systeme aus den entstandenen Feldern heraus, welche stark diversifiziert sind und keine einheitlichen Standards besitzen
• Der Reifegrad dieser Lösungen muss daher noch wachsen
• Eine Trend von Big Data sind In-Memory Systeme, die alle Informationen im schnellen Arbeitsspeicher halten, um super-performante Auswertungen für transaktionales Prozessing und OLAP zu ermöglichen (Voraussetzung hierfür ist günstiger RAM und die Verfügbarkeit guter Kompressionstechniken)

Welchen Einfluss hat die Skalierbarkeit?

• Scale up (Vertikale Skalierung): Ein großes monolithisches System (Teuer, spezialisierte Hardware und inflexible Skalierung), das durch neue Bauteile erweitert wird
• Scale out (Horizontale Skalierung): Ein Cluster aus vielen kleinen Systemen (Günstig, standardisierte Hardware, leicht zu erweitern und parallelisierbare Prozesse), das durch Hinzufügen von Nodes erweitert wird
• Ein vertikales System (scale out) ist optimal geeignet für das Hinzufügen und Entfernen von Nodes, da es Teil des Konzeptes ist
• Verteilte Datenbanken (scale out) haben immer mit Systemausfällen und Konsistenzproblemen zu kämpfen
• Big Data sollte für einen maximalen Nutzen auch nur dann eingesetzt werden, wenn man es wirklich braucht bzw. geeignete Daten besitzt
• Eine absolute Aussage bezüglich einer Scaling-Grenze kann nicht ohne weiteres getroffen werden

Warum wurden Cluster nicht schon früher genutzt?

• Hohe Wartungskosten, da Ausfälle mit steigender Anzahl ebenso steigen und wechselseitig wirken
• Das Datenvolumen war zu hoch und konnte nicht entsprechend zeitnah und zuverlässig transportiert werden
• Verfahren zur Lokalisierung sowie Verteilung und Indexierung mussten noch entwickelt werden
• Die Konsistenz der Daten konnte nur unter hohen Nachteilen gewährleistet werden
• Transaktionskosten durch verteilte Transaktionen haben neue Protokolle benötigt (vgl. Abbildung 2)

Praktikum

Was gibt es fürs Praktikum zu beachten?

• Randthemen wie Erhebung, Analyse und sauberes Arbeiten sollen ebenfalls geschult werden
• Der Praktikumsbericht muss eine Woche später abgeben werden

NoSQL

Was ist NoSQL?

• Es steht für Not only SQL
• Damit sind alle nicht-relationalen Datenbankarchitekturen, wie hierarchische oder objektorientierte Datenbanken, gemeint
• Bei relationalen Datenbanken wird viel Vorplanung benötigt, dafür ist die Entwicklung und der Betrieb von Anwendungen einfach
• Ändert man jedoch die Datenbankstruktur oder Merkmale von Attributen, so sind Änderungen aufwendig
• NoSQL bietet Schemaflexibilität, d. h. es ist unerheblich, was in den Values steht
• Diese Systeme fungieren daher mehr wie strukturierte Datenspeicher
• Erste Trends zeigen jedoch, dass der Wunsch nach Schemata auch für diese Datenbanken gegeben ist

Welche Kategorien von NoSQL-Datenbanksystemen gibt es?

• Key-Value
• Document
• Column Family

Welche Nachteile haben NoSQL-Datenbanksysteme?

• Es gibt noch keine standardisierten Programmierschnittstellen und Sprachen

Was sind Key-Value Datenbanksysteme?

• Stammen aus dem Caching-Bereich ab (vergleichbar zu Hash-Maps)
• Die Daten werden in der Anwendung und nicht in der Datenbank ausgewertet
• Das Ziel sind minimale Zugriffszeiten für unterschiedlichste Daten (Warenkorb von Amazon oder Speicherstände in Videospielen)
• Sie eignen sich für Datenbanken bei denen viele verschiedene Schemata vorkommen (Value kann ein beliebiger Datentyp sein)
• Sekundäre Indexe sind eher nicht anzutreffen

Was sind Document Store Datenbanksysteme?

• Bestehen ebenfalls aus Key-Value-Paaren
• Die Daten sind semistrukturiert und hierarchisch schachtelbar in der Datenbank enthalten
• Die eigentliche Datenstruktur ist innerhalb der Values enthalten, daher der Name
• Die Attributbezeichnungen werden in der Regel durch IDs ersetzt, um Platz zu sparen
• Es gibt keine festen Schemata, was flexibel ist, aber hohe Anforderungen an die Anwendungen stellt (einmal mit und einmal ohne Vornamen)
• Sekundärindexe sind möglich, aber bei abweichenden Bezeichnungen (Preis/Price) nur schwer anzuwenden
• Korrektur: CouchDB beherrscht nun doch ad-hoc Queries

Was sind Column Family Datenbanksysteme?

• Daten werden spaltenweise gespeichert
• Dies ist einfacher beim Aggregieren von gleichen Daten (weniger Lesezugriffe auf Spalten, die nicht benötigt werden, notwendig)
• Daten müssen nicht angefasst werden, um neuen Value einzuführen (vgl. Seiten 8 bis 11)