É«¿Ø´«Ã½

Trois grands d¨¦fis du Big Data (et comment les relever)

Le Big Data pr¨¦sente de nombreuses qualit¨¦s?: il se compose de donn¨¦es non structur¨¦es, dynamiques et complexes. Mais surtout, le Big Data, comme son nom l¡¯indique, est volumineux. Les humains et les capteurs IoT produisent chaque ann¨¦e des billions de gigaoctets de donn¨¦es. Et il s¡¯agit bien de donn¨¦es modernes, dans des formats de plus en plus divers, et provenant de sources toujours plus vari¨¦es.?

Mais de ce fait, le foss¨¦ entre les donn¨¦es actuelles et les syst¨¨mes d¡¯hier ne cesse de s¡¯agrandir. Par leur volume et leur ¨¦tendue, mais aussi par leur rapidit¨¦ et leur complexit¨¦, les donn¨¦es exercent une pression croissante sur les syst¨¨mes traditionnels de stockage des donn¨¦es. Souvent mal ¨¦quip¨¦es, les organisations qui souhaitent exploiter cette mine de donn¨¦es foncent dans le mur.?

Pourquoi?? Quels sont les principaux d¨¦fis li¨¦s au Big Data?? Si vous souhaitez tirer profit du Big Data, vos solutions de stockage seront-elles capables de faire face??

1.?Le Big Data est trop volumineux pour le stockage traditionnel

Le d¨¦fi le plus ¨¦vident du Big Data tient sans doute ¨¤ son gigantisme. Le Big Data se mesure g¨¦n¨¦ralement en p¨¦taoctets (un p¨¦taoctet correspond ¨¤ 1024?t¨¦raoctets ou 1?048?576?gigaoctets).

Pour avoir une id¨¦e des volumes que peut atteindre le Big Data, sachez que les t¨¦l¨¦chargent au moins 14,58?millions de photos toutes les heures. Chaque photo g¨¦n¨¨re des interactions qui seront ¨¦galement stock¨¦es avec elle, par exemple des ??J¡¯aime?? et des commentaires. Les utilisateurs en sont d¨¦j¨¤ ¨¤ plus d¡¯un billion de posts, de commentaires et autres points de donn¨¦es ??aim¨¦s??.?

Mais les ??Big Tech?? comme Facebook ne sont pas les seuls ¨¤ stocker et analyser d¡¯¨¦normes volumes de donn¨¦es. M¨ºme une petite entreprise qui collecte quelques informations sur les r¨¦seaux sociaux, par exemple pour savoir ce qui se dit sur sa marque, a besoin d¡¯une architecture de stockage de donn¨¦es de grande capacit¨¦.

Les syst¨¨mes de stockage de donn¨¦es traditionnels peuvent, en th¨¦orie, g¨¦rer de gros volumes de donn¨¦es. Mais pour ce qui est de l¡¯efficacit¨¦ et des insights, beaucoup sont incapables de faire face aux exigence des donn¨¦es modernes.

Le casse-t¨ºte des bases donn¨¦es relationnelles

Les bases de donn¨¦es relationnelles SQL sont des m¨¦thodes utilis¨¦es de longue date pour h¨¦berger, lire et enregistrer des donn¨¦es. Mais ces bases de donn¨¦es ont parfois du mal ¨¤ fonctionner avec efficacit¨¦, m¨ºme sans avoir atteint leur capacit¨¦ maximale. Plusieurs raisons peuvent expliquer qu¡¯une base de donn¨¦es relationnelle contenant de gros volumes de donn¨¦es ralentisse. Par exemple, chaque fois que l¡¯une de ces bases de donn¨¦es re?oit un nouvel enregistrement, l¡¯index doit se mettre ¨¤ jour. Et l¡¯op¨¦ration prend de plus en plus de temps ¨¤ mesure que le nombre d¡¯enregistrements augmente. L¡¯insertion, la mise ¨¤ jour, la suppression et l¡¯ex¨¦cution d¡¯autres op¨¦rations peuvent demander davantage de temps, selon le nombre de relations avec d¡¯autres tables.?

Pour dire les choses simplement, plus le nombre de donn¨¦es dans une base de donn¨¦es relationnelle est ¨¦lev¨¦, plus il faut de temps pour chaque op¨¦ration.

Scale-up et scale-out

Il est ¨¦galement possible de faire ¨¦voluer des syst¨¨mes de stockage de donn¨¦es traditionnels pour en am¨¦liorer les performances. Mais comme ces syst¨¨mes sont centralis¨¦s, l¡¯¨¦volution ne peut ¨ºtre que de type ??scale-up?? et non ??scale-out??.

L¡¯¨¦volution ??scale-up?? ne permet pas d¡¯utiliser les ressources aussi efficacement que le ??scale-out??, car elle oblige ¨¤ ajouter de nouveaux syst¨¨mes, ¨¤ migrer les donn¨¦es, puis ¨¤ g¨¦rer la charge sur plusieurs syst¨¨mes. L¡¯architecture traditionnelle de stockage de donn¨¦es devient vite tentaculaire et difficile ¨¤ g¨¦rer correctement.

Toute tentative d¡¯utilisation d¡¯une architecture de stockage traditionnelle pour du Big Data est vou¨¦e ¨¤ l¡¯¨¦chec, notamment parce que la quantit¨¦ de donn¨¦es ne permet pas une ¨¦volutivit¨¦ suffisante en mode scale-up. Une op¨¦ration de ??scale-out?? devient alors la seule option r¨¦aliste. Avec une architecture de stockage distribu¨¦e, vous pouvez ajouter de nouveaux n?uds ¨¤ un cluster lorsqu¡¯une certaine capacit¨¦ est atteinte, et vous pouvez recommencer cette op¨¦ration presque ind¨¦finiment.

2.?Le Big Data est trop complexe pour le stockage traditionnel

Un deuxi¨¨me grand d¨¦fi s¡¯oppose ¨¤ l¡¯utilisation d¡¯un syst¨¨me de stockage traditionnel pour le Big Data?: la complexit¨¦ des types de donn¨¦es. Les donn¨¦es traditionnelles sont ??structur¨¦es??. Elles peuvent ¨ºtre rang¨¦es dans des tables compos¨¦es de lignes et de colonnes li¨¦es par des relations simples.

Une base de donn¨¦es relationnelle (de celles o¨´ sont enregistr¨¦es les donn¨¦es classiques) se compose d¡¯enregistrements contenant des champs bien d¨¦finis. Ce type de base de donn¨¦es est accessible ¨¤ l¡¯aide d¡¯un syst¨¨me de gestion de base de donn¨¦es relationnelle (RDBMS) comme MySQL, Oracle DB ou SQL Server.

Une base de donn¨¦es relationnelle peut ¨ºtre relativement volumineuse et complexe, avec des milliers de lignes et de colonnes. Mais surtout, avec une base de donn¨¦es relationnelle, il est possible d¡¯acc¨¦der ¨¤ un ¨¦l¨¦ment de donn¨¦es en faisant r¨¦f¨¦rence ¨¤ sa relation avec une autre donn¨¦e.

Le Big Data ne s¡¯int¨¨gre pas toujours bien aux lignes et aux colonnes relationnelles d¡¯un syst¨¨me de stockage de donn¨¦es traditionnel. Il est majoritairement non structur¨¦ et compos¨¦ d¡¯une multitude de types de fichiers qui int¨¨grent souvent des images, du contenu vid¨¦o ou audio et du contenu de m¨¦dias sociaux. Voil¨¤ pourquoi les solutions de stockage traditionnelles ne conviennent pas au Big Data?: elles ne sont pas capables de le ranger dans la bonne cat¨¦gorie.

Les applications conteneuris¨¦es modernes cr¨¦ent ¨¦galement de nouvelles difficult¨¦s de stockage. Les applications Kubernetes, par exemple, sont plus complexes que les applications classiques. Elles contiennent de nombreux ¨¦l¨¦ments (des pods, des volumes et des objets configmap) et n¨¦cessitent des mises ¨¤ jour fr¨¦quentes. Le stockage traditionnel n¡¯offre pas les fonctionnalit¨¦s n¨¦cessaires pour que Kubernetes s¡¯ex¨¦cute efficacement.

Le recours ¨¤ une base de donn¨¦es non relationnelle (NoSQL) comme MongoDB, Cassandra ou Redis peut vous permettre d¡¯obtenir des insights pr¨¦cieux sur des jeux complexes et vari¨¦s de donn¨¦es non structur¨¦es.

3.?Le Big Data est trop rapide pour le stockage traditionnel

Les syst¨¨mes de stockage de donn¨¦es traditionnels sont faits pour conserver des donn¨¦es stables. Il est possible d¡¯ajouter des donn¨¦es r¨¦guli¨¨rement et de r¨¦aliser des analyses sur un nouveau jeu de donn¨¦es. Mais le Big Data grossit presque instantan¨¦ment et les analyses doivent souvent ¨ºtre effectu¨¦es en temps r¨¦el. Le RDBMS n¡¯est pas con?u pour des changements rapides.

Prenons par exemple les donn¨¦es d¡¯un capteur. Les p¨¦riph¨¦riques IoT doivent traiter de grandes quantit¨¦s de donn¨¦es issues des capteurs, avec une latence minimale. Les capteurs transmettent les donn¨¦es r¨¦elles ¨¤ un rythme quasiment incessant. ? cette vitesse, les syst¨¨mes de stockage traditionnels ont du mal ¨¤ stocker et analyser les donn¨¦es.

On peut aussi prendre l¡¯exemple de la cybers¨¦curit¨¦. Les services informatiques doivent inspecter chaque paquet de donn¨¦es qui passe par le firewall de la soci¨¦t¨¦ pour v¨¦rifier qu¡¯il ne contient pas de code suspect. Le trafic quotidien sur le r¨¦seau peut se compter en gigaoctets. Pour ¨¦viter une cyberattaque, l¡¯analyse doit ¨ºtre instantan¨¦e?: impossible de stocker l¡¯ensemble des donn¨¦es dans une table jusqu¡¯¨¤ la fin de la journ¨¦e.

Les syst¨¨mes de stockage traditionnels s¡¯accordent mal avec l¡¯extr¨ºme rapidit¨¦ du Big Data, ce qui peut entra?ner l¡¯¨¦chec de certains projets ou la r¨¦alisation du ROI attendu.

4. Pour les d¨¦fis du Big Data, il faut des solutions de stockage modernes

Les architectures de stockage traditionnelles sont adapt¨¦es ¨¤ la prise en charge de donn¨¦es structur¨¦es. Mais pour du Big Data non structur¨¦, caract¨¦ris¨¦ par son volume, sa complexit¨¦ et sa rapidit¨¦, les entreprises doivent chercher d¡¯autres solutions plus performantes.

Les syst¨¨mes de stockage non relationnel distribu¨¦s et ¨¦volutifs sont capables de traiter en temps r¨¦el de gros volumes de donn¨¦es. Avec ces syst¨¨mes, les organisations pourront facilement relever les d¨¦fis du Big Data et obtenir des informations strat¨¦giques qui m¨¨neront ¨¤ de grandes avanc¨¦es.

Si votre architecture de stockage a du mal ¨¤ assurer les besoins de votre entreprise, ou si vous souhaitez b¨¦n¨¦ficier des avantages concurrentiels qu¡¯apporte la maturit¨¦ en mati¨¨re de donn¨¦es, la mise ¨¤ niveau vers une solution de stockage moderne capable d¡¯exploiter la puissance du Big Data peut avoir du sens.?

Pure propose une gamme de solutions de stockage ¨¤ la demande (STaaS) simples et fiables, qui peuvent ¨ºtre dimensionn¨¦es en fonction de vos op¨¦rations et qui s¡¯adaptent ¨¤ tous les cas d¡¯utilisation.?En savoir plus ou d¨¦marrer sans attendre.