29 Μαρτίου 2024

Το MapR 5.0 φέρνει το Hadoop πιο κοντά στην επεξεργασία σε πραγματικό χρόνο

Συνεχίζοντας να προσπαθεί να φέρει την ομαδοποιημένη πλατφόρμα Hadoop Big Data σε πραγματικό χρόνο, η MapRtechnologies Inc. ανακοινώνει έναν φορέα καινούργιων χαρακτηριστικών, ο οποίος είναι σχεδιασμένος, για να υποστηρίζει τις άμεσες αποφάσεις. Το MapR 5.0 έχει επίσης σχεδιαστεί για να υποστηρίζει μεγαλύτερες εργασίες, απαντώντας σε αυτό που λέει η MapR, στην τάση των καταναλωτών να τρέχουν όλο και περισσότερες εφαρμογές σε ατομικά συμπλέγματα.

 

 

Η νέα αυτή κυκλοφορία αυτόματα συγχρονίζει μνήμη, βάση δεδομένων και δείκτες αναζήτησης για συναλλαγές σε πραγματικό χρόνο και  περιλαμβάνει επίσης βελτιωμένο ασφαλιστικό έλεγχο, ένας τομέας που θεωρείται το φόρτε τηςMapR. Η έκδοση 5.0 προσθέτει επίσης υποστήριξη για το Apache Drill 1.0 και την τελευταία κυκλοφορία 2.7 των Hadoop και YARN.

 

Η MapR συνεχίζει να ωθεί τα συμπλέγματα της Hadoop στο να είναι πιο εύκολα προς ρύθμιση με την ένταξη των προτύπων αυτοδιάθεσης, τα οποία χρησιμοποιούν μορφή, παρόμοια με οδηγού, για να δημιουργήσουν συμπλέγματα ανάλογα με τις πιο συνηθισμένες επιλογές  ρύθμισης. Μπορούν να χρησιμοποιηθούν, για παράδειγμα, για παροχή υπηρεσιών σε βάσεις δεδομένων, που βρίσκονται σε ένα τυπικό σύμπλεγμα Hadoop, ή διαφορετικά για ελεύθερη εξερεύνηση  χρησιμοποιώντας το Apache Drill. Η MapR ανέφερε πως τα πρότυπα αυτοματοποιούν την διάταξη, και την παροχή του server, ενώ παράλληλα εκτελούν μια σειρά από δοκιμές για να σιγουρέψει πώς η ανάπτυξη του προτύπου θα είναι η αναμενόμενη.

Η MapR επίσης στοχεύει να θέσει την διάθεση της Hadoop σε μεταφορά δεδομένων σε πραγματικό χρόνο, μεταξύ πολλών βάσεων δεδομένων, συμπεριλαμβανομένων της σχετικής διαδικτυακής βάσης, της DBMS, της HBase και μηχανές επεξεργασίας δεδομένων όπως το Spark. Το Drill 1.0 προσθέτει  τη δυνατότητα αναζήτησης δεδομένων, και με την ενσωμάτωση του Spark 1.3 παρέχει γρήγορη ανάπτυξη και εκτέλεση εφαρμογών. Ο συνδυασμός των JSON και Drill, πιο συγκεκριμένα, θέτουν τη MapR ως μια πηγή για εξερεύνηση από τους χρήστες σε πολλαπλά back ends.