É«¿Ø´«Ã½

3 desaf¨ªos de Big Data (y c¨®mo superarlos)

Big data tiene muchas cualidades: no est¨¢ estructurado, es din¨¢mico y complejo. Pero, quiz¨¢s lo m¨¢s importante: Big data es grande. Los sensores de IoT y humanos producen billones de gigabytes de datos cada a?o. Pero estos no son los datos de ayer: son datos modernos, en una gama cada vez m¨¢s diversa de formatos y de una variedad cada vez mayor de fuentes.?

Esto lleva a un abismo entre los datos actuales y los sistemas de ayer. El tama?o y la escala puros, junto con su velocidad y complejidad, est¨¢n poniendo un nuevo tipo de estr¨¦s en los sistemas de almacenamiento de datos tradicionales. Muchos simplemente est¨¢n mal equipados, y las organizaciones que desean hacer uso de esta mina de oro de datos se encuentran con obst¨¢culos.?

?Por qu¨¦ sucede esto? ?Cu¨¢les son los desaf¨ªos clave de big data que debe conocer? Si busca aprovechar el poder de big data, ?sus soluciones de almacenamiento ser¨¢n suficientes para superarlas?

1.?Big Data es demasiado grande para el almacenamiento tradicional

Quiz¨¢s el m¨¢s obvio de los desaf¨ªos de big data es su enorme escala. Por lo general, lo medimos en petabytes (es decir, 1024 terabytes o 1 048 576 gigabytes).

Para darle una idea de cu¨¢n grandes pueden obtener los big data, aqu¨ª hay un ejemplo: los??cargan al menos 14,58 millones de fotos por hora. Cada foto recopila interacciones almacenadas junto con ella, como ¡°me gusta¡± y ¡°comentarios¡±. Los usuarios han ¡°me gustado¡± al menos un bill¨®n de publicaciones, comentarios y otros puntos de datos.?

Pero no son solo los gigantes tecnol¨®gicos como Facebook los que almacenan y analizan grandes cantidades de datos. Incluso una peque?a empresa que toma una porci¨®n de informaci¨®n de redes sociales, por ejemplo, para ver lo que dicen las personas sobre su marca, requiere una arquitectura de almacenamiento de datos de alta capacidad.

En teor¨ªa, los sistemas de almacenamiento de datos tradicionales pueden manejar grandes cantidades de datos. Pero cuando se le asigna la tarea de ofrecer la eficiencia y los resultados que necesitamos, muchos simplemente no pueden cumplir con las demandas de los datos modernos.

El enigma de la base de datos relacional

Las bases de datos SQL relacionales son m¨¦todos confiables y usados en el tiempo para almacenar, leer y escribir datos. Pero estas bases de datos pueden tener dificultades para operar de manera eficiente, incluso antes de que hayan alcanzado la capacidad m¨¢xima. Una base de datos relacional que contiene grandes cantidades de datos puede volverse lenta por muchas razones. Por ejemplo, cada vez que inserta un registro en una base de datos relacional, el ¨ªndice debe actualizarse solo. Esta operaci¨®n lleva m¨¢s tiempo cada vez que aumenta la cantidad de registros. Insertar, actualizar, eliminar y realizar otras operaciones puede tomar m¨¢s tiempo dependiendo de la cantidad de relaciones que tengan con otras tablas.?

En pocas palabras: Cuantos m¨¢s datos haya en una base de datos relacional, m¨¢s tiempo demorar¨¢ cada operaci¨®n.

Escalamiento hacia arriba frente a escalamiento hacia afuera

Tambi¨¦n es posible escalar los sistemas de almacenamiento de datos tradicionales para mejorar el rendimiento. Pero debido a que los sistemas de almacenamiento de datos tradicionales est¨¢n centralizados, se ve obligado a escalar ¡°hacia arriba¡± en lugar de ¡°afuera¡±.

Escalar hacia arriba es menos eficiente en cuanto a recursos que escalar hacia afuera, ya que requiere que agregue nuevos sistemas, migre datos y luego administre la carga en varios sistemas. La arquitectura de almacenamiento de datos tradicional pronto se vuelve demasiado extensa y dif¨ªcil de administrar de manera adecuada.

Intentar usar la arquitectura de almacenamiento tradicional para big data est¨¢ condenado a fallar en parte porque la cantidad de datos hace que sea poco realista escalar lo suficiente. Esto hace que la escalabilidad horizontal sea la ¨²nica opci¨®n realista. Al usar una arquitectura de almacenamiento distribuido, puede agregar nuevos nodos a un cl¨²ster una vez que alcance una capacidad determinada, y puede hacerlo pr¨¢cticamente de forma indefinida.

2.?Big Data es demasiado complejo para el almacenamiento tradicional

?Otro desaf¨ªo importante para el almacenamiento tradicional cuando se trata de big data? La complejidad de los estilos de datos. Los datos tradicionales son ¡°estructurados¡±. Puede organizarlo en tablas con filas y columnas que tengan una relaci¨®n directa entre s¨ª.

Una base de datos relacional, el tipo de base de datos que almacena datos tradicionales, consta de registros que contienen campos claramente definidos. Puede acceder a este tipo de base de datos mediante 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 consistir en miles de filas y columnas. Pero lo que es m¨¢s importante, con una base de datos relacional, puede acceder a un dato por referencia a su relaci¨®n con otro dato.

Big data no siempre encaja perfectamente en las filas y columnas relacionales de un sistema de almacenamiento de datos tradicional. En gran medida no est¨¢ estructurado, consta de una gran cantidad de tipos de archivos y, a menudo, incluye im¨¢genes, videos, audio y contenido de redes sociales. Es por eso que las soluciones de almacenamiento tradicionales no son adecuadas para trabajar con big data: No pueden categorizarlo correctamente.

Las aplicaciones en contenedores modernas tambi¨¦n crean nuevos desaf¨ªos de almacenamiento. Por ejemplo, las aplicaciones de Kubernetes son m¨¢s complejas que las aplicaciones tradicionales. Estas aplicaciones contienen muchas partes, como pods, vol¨²menes y mapas de configuraci¨®n, y requieren actualizaciones frecuentes. El almacenamiento tradicional no puede ofrecer la funcionalidad necesaria para ejecutar Kubernetes de manera efectiva.

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

3.?Big Data es demasiado r¨¢pido para el almacenamiento tradicional

Los sistemas de almacenamiento de datos tradicionales son para una retenci¨®n de datos constante. Puede agregar m¨¢s datos regularmente y luego realizar an¨¢lisis en el nuevo conjunto de datos. Pero los big data crecen casi instant¨¢neamente, y el an¨¢lisis a menudo debe realizarse en tiempo real. Un RDBMS no est¨¢ dise?ado para fluctuaciones r¨¢pidas.

Tomemos como ejemplo los datos del sensor. Los dispositivos de Internet de las cosas (IoT) necesitan procesar grandes cantidades de datos de sensores con latencia m¨ªnima. Los sensores transmiten datos del ¡°mundo real¡± a una tasa casi constante. Los sistemas de almacenamiento tradicionales tienen dificultades para almacenar y analizar los datos que llegan a una velocidad tan alta.

O bien, otro ejemplo: la ciberseguridad. Los departamentos de TI deben inspeccionar cada paquete de datos que llega a trav¨¦s del firewall de una empresa para verificar si contiene c¨®digo sospechoso. Es posible que muchos gigabytes pasen por la red todos los d¨ªas. Para evitar ser v¨ªctima de un delito cibern¨¦tico, el an¨¢lisis debe realizarse de forma instant¨¢nea: almacenar todos los datos en una tabla hasta el final del d¨ªa no es una opci¨®n.

La naturaleza de alta velocidad de big data no es amable con los sistemas de almacenamiento tradicionales, lo que puede ser una causa ra¨ªz de fallas en proyectos o ROI no realizado.

4. Los desaf¨ªos de Big Data requieren soluciones de almacenamiento modernas

Las arquitecturas de almacenamiento tradicionales son adecuadas para trabajar con datos estructurados. Pero cuando se trata de la naturaleza vasta, compleja y de alta velocidad de big data no estructurado, las empresas deben encontrar soluciones alternativas para comenzar a obtener los resultados que buscan.

Los sistemas de almacenamiento distribuidos, escalables y no relacionales pueden procesar grandes cantidades de datos complejos en tiempo real. Este enfoque puede ayudar a las organizaciones a superar los desaf¨ªos de big data con facilidad y comenzar a obtener informaci¨®n innovadora.

Si su arquitectura de almacenamiento tiene dificultades para mantenerse al d¨ªa con las necesidades de su negocio, o si desea obtener la ventaja competitiva de una empresa madura de datos, actualizar a una soluci¨®n de almacenamiento moderna capaz de aprovechar el poder de big data puede tener sentido.?

Pure ofrece una gama de soluciones de almacenamiento como servicio (STaaS) simples y confiables que son escalables para cualquier tama?o de operaciones y adecuadas para todos los casos de uso. Obtenga?m¨¢s informaci¨®n o comience hoy .