Weitere Anwendungsfälle und Überlegungen zur Public Cloud

Name: Weitere Anwendungsfälle und Überlegungen zur Public Cloud
Author: Chintan Thakkar

Bei Big Data handelt es sich um größere, komplexere Datensätze, die in der Regel aus neuen Datenquellen stammen und so umfangreich sein können, dass die…

Preview the first lesson free — get full access to all 4 lessons.

Demo anfragen Anmelden

Kurs: On-Demand

(pulsierende Musik) Willkommen bei Public Cloud Zusätzliche Verwendungen und Überlegungen. In diesen Lektionen lernen Sie Big Data kennen und wie man Big Data in der Public Cloud ausführt. Sie werden auch maschinelles Lernen erforschen sowie Dienste, die in der öffentlichen Cloud verfügbar sind die Anwendungsfälle für maschinelles Lernen unterstützen. Die Public Cloud bietet verschiedene Möglichkeiten zum Skalieren von Cloud-Ressourcen unter Last, und Sie lernen etwas über die vertikale und horizontale Skalierung, zusammen mit verschiedenen Kostensenkungstechniken in der öffentlichen Cloud. Lass uns anfangen. Unternehmen sammeln kontinuierlich große Datensätze. Die Public Cloud hilft ihnen dabei, Big Data zu speichern, analysieren und aussagekräftige Ergebnisse generieren aus den Datensätzen. Das folgende Diagramm beschreibt das Wachstum von unstrukturierten oder undefinierte Daten im Vergleich zu strukturierte, klar definierte und durchsuchbare Daten. Sie müssen die Big-Data-Architektur überprüfen und stellen Sie sicher, dass Daten auf der richtigen Plattform gespeichert werden. Die Public Cloud stellt verschiedene Dienste bereit, um Big Data zu speichern und führen Sie dann den Analytics-Anwendungsfall darauf aus. Es bietet auch Dienste, die Big-Data-Analysen ausführen können und Visualisierungen erstellen. Quellen für Big Data sind soziale Medien, Bilder, Videos, Sicherheitssystemdaten, das Internet der Dinge Gerätedaten, Serverprotokolle, und Anwendungsüberwachungsprotokolle. Big-Data-Analysen können auf der Hadoop-Plattform ausgeführt werden. Die Hadoop-Plattform unterstützt die parallele Ausführung, kann einen Job auflösen und in mehreren Teilen gleichzeitig ausführen, und Unterstützung von Scale-out-Richtlinien. Der Nachteil ist, dass die Hadoop-Konfiguration und Wartung sind sehr komplex und erfordern spezielle Fähigkeiten. Eine bessere Idee ist es, den gesamten Big-Data-Workflow zu verschieben zu einer öffentlichen Cloud. Die Public Cloud bietet eine riesige Recheninfrastruktur mit einem Pay-per-Use-Modell und hat Optionen für elastische Lagerung. Wenn Sie große Datensätze erhalten, dann kannst du erhöhen oder verringern auch die Speichergröße. Nehmen wir uns ein paar Minuten Zeit, um zu verstehen Streaming-Architektur in der Public Cloud. Ein Live-Datenstrom kommt herein über den Amazon Kinesis-Datenpunkt. Das Elastic MapReduce verfügt über die Big-Data-Analyse dass es live läuft und dann die Ausgabe generiert. Sie können die Visualisierung aus den Informationen erstellen die es erzeugt. Das Elastic MapReduce ist ein verwalteter Dienst, der mit verfügbar ist Amazon Web-Services. Sie können den Cluster konfigurieren und starten basierend auf Ihren Anforderungen innerhalb weniger Minuten. Ein zusätzlicher Pluspunkt sind die niedrigen Kosten, da Sie nur bezahlen die Kosten pro Stunde für die Cloud-Ressourcen. Wenn Sie beispielsweise Batch-Analysen ausführen möchten, dann können Sie den Cluster erstellen, Analysen ausführen, und beenden Sie den Cluster, ohne extra zu bezahlen. Sie können Spot-Instances auch in Elastic MapReduce verwenden, was Ihrer Organisation zusätzliche Einsparungen bringt. Sie haben auch eine Option zur Verwendung die OnDemand-Knoten mit Spot-Knoten. Zum Beispiel, wenn Sie die Analyse ausführen möchten die den gewünschten Output erzeugt, Verwenden Sie die festgelegte Anzahl von Compute-Instanzen. Sie können dem vorhandenen Cluster Kapazität hinzufügen mit Spot-Instanzen, oder Sie können die Instanzen hinzufügen oder entfernen basierend auf dem Bedarf innerhalb des Clusters. Es gibt verschiedene Instanztypen auf dem Cluster verfügbar, und Sie haben die Möglichkeit, ein beliebiges Instanzgerät auszuwählen basierend auf Ihren Analyseanforderungen. Das Elastic MapReduce kann direkt lesen aus verschiedenen Quellen, wie einfache Speicherdienste, Kinesis Stream etc.? Sie können das Elastic MapReduce-Dateisystem oder EMRFS verwenden mit Lagerservice. Einfache Speicherdienste oder S3, bietet eine dauerhafte und zuverlässige Lagerung für Ihre unstrukturierten Daten, sowie das Ausführen von Analysen und das Speichern der Daten. Hier ist ein weiterer Anwendungsfall. Sie können 100 Terabyte an Daten verarbeiten mit der Stapelverarbeitungsarchitektur von Elastic MapReduce durch die die Daten in einfache Speicherdienste geschoben werden. Amazon Web Services Elastic MapReduce führt die Analyse aus und erzeugt die Ausgabe. Und dann wird die Ausgabe auch auf dem S3 gespeichert. Wenden wir dies auf einen realen Anwendungsfall an. Stellen Sie sich vor, Sie arbeiten für ein Unternehmen Das erfordert einen Wartungsvertrag für große Maschinen. Alle Maschinen streamen die Daten in Ihr Rechenzentrum. Sie haben mehrere Analysen geschrieben, die analysieren können die Chargendaten und generieren eine Warnung bei Ausfällen. Sie müssen diesen analytischen Anwendungsfall migrieren in die öffentliche Cloud. Sie sollten also die folgenden Aktionen ausführen: Daten auf den S3 hochladen. Elastics MapReduce sortiert und aggregiert die Daten. Laden Sie die Daten in Redshift, der verwaltete Data Warehouse-Dienst in der öffentlichen Cloud verfügbar. Und verwenden Sie ein Visualisierungstool zum Lesen der Eingabedaten von Redshift oder ein anderer verwalteter Data Warehouse-Dienst und die Visualisierung anzeigen.

Anfänger Anbieter : Chintan Thakkar 4 Lektionen · 18m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

Bei Big Data handelt es sich um größere, komplexere Datensätze, die in der Regel aus neuen Datenquellen stammen und so umfangreich sein können, dass die Verarbeitungssoftware nicht in der Lage ist, sie zu verarbeiten. Die Cloud-Infrastruktur kann so konzipiert werden, dass Big Data in Echtzeit verarbeitet und interpretiert werden kann. In diesen Lektionen lernen Sie das Konzept von Big Data kennen und erfahren, wie Sie Big-Data-Anwendungsfälle in der öffentlichen Cloud ausführen können. Außerdem lernen Sie, wie Sie Anwendungsfälle für maschinelles Lernen in der öffentlichen Cloud ausführen können.

Lernziele:

Fähigkeiten:

Was Sie lernen werden

Führen Sie Big-Data-Anwendungsfälle in der öffentlichen Cloud aus
Wenden Sie Machine-Learning-Anwendungsfälle für die öffentliche Cloud an
Entwerfen Sie generisches Machine Learning für öffentliche Cloud-Architektur
Skalieren Sie Cloud-Ressourcen und definieren Sie Auto-Scaling-Anforderungen
Reduzieren Sie Kosten für öffentliche Cloud-Infrastruktur

Wichtige Erkenntnisse

Big Data bezieht sich auf größere, komplexere Datensätze, normalerweise aus neuen Datenquellen, die so voluminös sein können, dass Verarbeitungssoftware sie nicht bewältigen kann.
Cloud-Infrastruktur kann so entworfen werden, dass sie Big Data in Echtzeit verarbeitet und interpretiert.
Der Kurs behandelt die Ausführung von Big-Data- und Machine-Learning-Anwendungsfällen in der öffentlichen Cloud.
Skalierbare Architektur beinhaltet die Definition von Auto-Scaling-Anforderungen in der öffentlichen Cloud.
Die öffentliche Cloud-Infrastruktur kann so konfiguriert werden, dass die Kosten reduziert werden.

Häufig gestellte Fragen

Was behandelt dieser Kurs?

Er behandelt das Konzept von Big Data, wie man Big-Data-Anwendungsfälle in der öffentlichen Cloud ausführt, wie man Machine-Learning-Anwendungsfälle für die öffentliche Cloud ausführt, wie man Cloud-Ressourcen skaliert und wie man Kosten in der öffentlichen Cloud reduziert.

Was ist Big Data, wie in diesem Kurs definiert?

Big Data sind größere, komplexere Datensätze, normalerweise aus neuen Datenquellen, die so voluminös sein können, dass Verarbeitungssoftware sie nicht bewältigen kann.

Welche Fähigkeiten werde ich aus diesem Kurs gewinnen?

Sie werden Fähigkeiten in Big Data, Big-Data-Analytik, Cloud-Anwendungen, Cloud-Infrastruktur, Cloud-Services und öffentlicher Cloud gewinnen.

Welche Lektionen sind in diesem Kurs enthalten?

Die Lektionen sind: Wie man Big Data in der öffentlichen Cloud ausführt; Generisches Machine Learning und wie man es für öffentliche Cloud-Architektur entwirft; Skalierbare Architektur und Definieren von Auto-Scaling-Anforderungen in der öffentlichen Cloud; und Kostensenkung in der öffentlichen Cloud-Infrastruktur.

Wie kann Cloud-Infrastruktur Big Data bewältigen?

Cloud-Infrastruktur kann so entworfen werden, dass sie Big Data in Echtzeit verarbeitet und interpretiert.