É«¿Ø´«Ã½

Los retos que plantean los macrodatos (y c¨®mo superarlos)

Los macrodatos tienen varias cualidades ¡ªson no estructurados, din¨¢micos y complejos¡ª. Aunque, quiz¨¢, lo m¨¢s importante es que los macrodatos son grandes. Los humanos y los sensores del IdC producen billones de gigabytes de datos cada a?o. Pero no se trata del tipo de datos del pasado ¡ªson unos datos modernos, que se presentan en una gama de formatos cada vez m¨¢s diversa y que proceden de una variedad cada vez m¨¢s amplia de fuentes¡ª.?

Esto est¨¢ generando una brecha entre los datos actuales y los sistemas tradicionales. Su tama?o y escala, junto con la velocidad y la complejidad, est¨¢n haciendo que los sistemas de almacenamiento tradicionales est¨¦n sometidos a un nuevo tipo de presi¨®n. Muchos de estos sistemas est¨¢n simplemente mal preparados y las organizaciones que quieren aprovechar esta mina de oro que ofrecen los datos acaban topando con obst¨¢culos.?

?Por qu¨¦ ocurre esto? ?Cu¨¢les son los grandes retos planteados por los macrodatos que hay que conocer? Si quiere aprovechar el poder de los macrodatos, ?podr¨¢ superar estos retos con sus soluciones de almacenamiento?

1.?Los macrodatos son demasiado grandes para el almacenamiento tradicional

Quiz¨¢ el reto m¨¢s evidente que plantean los macrodatos sea su enorme escala. Normalmente los medimos en petabytes (es decir, 1.024 terabytes o 1.048.576 gigabytes).

Para que se haga una idea de lo grandes que pueden ser los macrodatos, aqu¨ª tiene un ejemplo:??suben un m¨ªnimo de 14,58 millones de fotos por hora. Cada foto genera adem¨¢s una serie de interacciones, como ¡°me gusta¡± y comentarios. Los usuarios han indicado ¡°me gusta¡± en al menos un bill¨®n de publicaciones, comentarios y otros puntos de datos.?

Pero no solo los gigantes tecnol¨®gicos como Facebook almacenan y analizan enormes cantidades de datos. Incluso una peque?a empresa que se lleva una parte de la informaci¨®n de las redes sociales ¡ªpor ejemplo, para ver lo que la gente dice sobre su marca¡ª necesita una arquitectura de almacenamiento de datos de gran capacidad.

Los sistemas de almacenamiento de datos tradicionales pueden, en teor¨ªa, manejar grandes cantidades de datos. Sin embargo, cuando tienen que proporcionar la eficiencia y la informaci¨®n que necesitamos, simplemente no pueden hacer frente a las demandas de los datos modernos.

El rompecabezas de las bases de datos relacionales

Las bases de datos SQL relacionales son m¨¦todos fiables y trillados de almacenar, leer y escribir datos. Pero estas bases de datos pueden tener problemas para funcionar eficientemente, incluso antes de llegar a su capacidad m¨¢xima. Una base de datos relacional que contenga grandes cantidades de datos puede volverse lenta por numerosas razones. Por ejemplo, cada vez que introduce un registro en una base de datos relacional, el propio ¨ªndice tiene que actualizarse. Esta operaci¨®n tarda cada vez a medida que el n¨²mero de registros se va incrementando. La introducci¨®n, la actualizaci¨®n, el borrado y la realizaci¨®n de otras operaciones pueden tardar m¨¢s tiempo en funci¨®n del n¨²mero de relaciones que tienen con otras tablas.?

En resumen: cuantos m¨¢s datos hay en una base de datos relacional, m¨¢s tiempo tarda cada operaci¨®n.

Escalamiento vertical frente a escalamiento horizontal

Tambi¨¦n es posible escalar los sistemas de almacenamiento de datos tradicionales para mejorar su rendimiento. Sin embargo, como los sistemas de almacenamiento de datos tradicionales son centralizados, est¨¢ obligado a escalarlos ¡°verticalmente¡± en lugar de ¡°horizontalmente¡±.

El escalamiento vertical es menos eficiente en cuanto a recursos que el escalamiento horizontal, ya que hay que a?adir nuevos sistemas, migrar los datos y luego gestionar la carga entre m¨²ltiples sistemas. La arquitectura de almacenamiento de datos tradicional pronto se convierte en algo demasiado extenso y dif¨ªcil de manejar correctamente.

Los intentos por usar una arquitectura de almacenamiento tradicional para los macrodatos est¨¢n abocados al fracaso, en parte, porque la cantidad de datos hace que un escalamiento vertical suficiente no resulte realista. Esto convierte al escalamiento horizontal en la ¨²nica opci¨®n viable. Usando un arquitectura de almacenamiento distribuida, puede a?adir nuevos nodos a un cl¨²ster cuando ha alcanzado una determinada capacidad ¡ªy esto es algo que puede hacer pr¨¢cticamente de manera indefinida¡ª.

2.?Los macrodatos son demasiado complejos para el almacenamiento tradicional

?Otro gran reto que plantea el almacenamiento tradicional en relaci¨®n con los macrodatos? La complejidad de los tipos de datos. Los datos tradicionales son ¡°estructurados¡±. Puede organizarlos en tablas, con filas y columnas que est¨¢n relacionadas de manera directa entre ellas.

Una base de datos relacional ¡ªel tipo de base de datos que almacena los datos tradicionales¡ª est¨¢ formada por unos registros que contienen unos campos claramente definidos. Puede acceder a este tipo de bases de datos usando un sistema de administraci¨®n de bases de datos relacionales (RDBMS), como MySQL, Oracle DB o SQL Server.

Una base de datos relacional puede ser relativamente grande y compleja: puede estar compuesta por miles de filas y columnas. Pero lo que es crucial es que con una base de datos relacional puede acceder a un dato recurriendo a su relaci¨®n con otro dato.

Los macrodatos no siempre encajan perfectamente en las filas y columnas relacionales de un sistema de almacenamiento de datos tradicional. En gran parte son no estructurados, est¨¢n formados por una infinidad de tipos de datos y suelen incluir im¨¢genes, v¨ªdeos, audios y contenido de las redes sociales. Por este motivo, las soluciones de almacenamiento tradicionales no son adecuadas para trabajar con los macrodatos. No pueden categorizarlos correctamente.

Las aplicaciones contenedorizadas modernas tambi¨¦n crean nuevos retos para el almacenamiento. Por ejemplo, las aplicaciones de Kubernetes son m¨¢s complejas que las aplicaciones tradicionales. Estas aplicaciones contienen muchos elementos ¡ªcomo pods, vol¨²menes y configmaps¡ª y requieren actualizaciones frecuentes. El almacenamiento tradicional no puede ofrecer la funcionalidad suficiente para ejecutar Kubernetes eficazmente.

El uso de una base de datos no relacional (NoSQL), como MongoDB, Cassandra o Redis, puede permitirle obtener informaci¨®n muy valiosa de los complejos y variados conjuntos de datos no estructurados.

3.?Los macrodatos son demasiado r¨¢pidos para el almacenamiento tradicional

Los sistemas de almacenamiento de datos tradicionales est¨¢n pensados para una conservaci¨®n estable de los datos. Puede a?adir m¨¢s datos regularmente y luego realizar an¨¢lisis del nuevo conjunto de datos. Sin embargo, los macrodatos crecen casi al instante y los an¨¢lisis muchas veces tienen que realizarse en tiempo real. Un RDBMS no est¨¢ dise?ado para las fluctuaciones r¨¢pidas.

Piense, por ejemplo, en los datos de los sensores. Los dispositivos del Internet de las cosas (IdC) tienen que procesar grandes cantidades de datos de sensores con una latencia m¨ªnima. Los sensores transmiten datos del ¡°mundo real¡± a un ritmo casi constante. A los sistemas de almacenamiento tradicionales les cuesta mucho almacenar y analizar los datos que llegan a una velocidad tan alta.

Otro ejemplo es la ciberseguridad. Los departamentos inform¨¢ticos tienen que inspeccionar cada paquete de datos que llega a trav¨¦s del cortafuegos de la empresa para comprobar si contiene c¨®digo sospechoso. Es posible que a trav¨¦s de la red pasen a diario muchos gigabytes. Para evitar ser v¨ªctima de los ciberdelincuentes, los an¨¢lisis tienen que producirse al instante ¡ªalmacenar todos los datos en una tabla hasta el final del d¨ªa no es una opci¨®n¡ª.

El car¨¢cter muy r¨¢pido de los macrodatos no es nada bueno para los sistemas de almacenamiento tradicionales, lo que puede hacer que un proyecto falle o que no se cumpla un ROI.

4. Los retos planteados por los macrodatos exigen unas soluciones de almacenamiento modernas

Las arquitecturas de almacenamiento tradicionales son adecuadas para trabajar con datos estructurados. Pero cuando tienen que enfrentarse al car¨¢cter enorme, complejo y muy r¨¢pido de los macrodatos no estructurados, las empresas tienen que encontrar soluciones alternativas para empezar a obtener los resultados que buscan.

Los sistemas de almacenamiento no relacionales, escalables y distribuidos pueden procesar grandes cantidades de datos complejos en tiempo real. Este enfoque puede ayudar a las organizaciones a superar f¨¢cilmente los grandes retos que plantean los macrodatos ¡ªpara empezar a recoger una informaci¨®n que impulse los avances¡ª.

Si su arquitectura de almacenamiento tiene dificultades para seguir el ritmo de sus necesidades empresariales ¡ªo si quiere tener la ventaja competitiva de una empresa que utiliza los datos de un modo avanzado¡ª, puede que sea muy aconsejable actualizarse a una soluci¨®n de almacenamiento moderna, capaz de aprovechar toda la potencia de los macrodatos.?

Pure ofrece una gama de soluciones de almacenamiento como servicio (STaaS) sencillas y fiables, que se pueden escalar para operaciones de cualquier tama?o y que son adecuadas para todos los casos de uso.?Obtenga m¨¢s informaci¨®n o p¨®ngase en marcha hoy mismo.