Big data en la era de la nube

M ÉXI CO DF
BI G DATA

El análisis de los grandes
volúm enes de datos en la
era de la com putación en la
nube
M éx ico DF
14-15 de octubre, 2013

Prof. Luis Joyanes Aguilar

1

ESTADO DEL ARTE DE

CLOUD COM P UTI NG

COMPUTACIÓN
EN LA NUBE
La nueva era de la
com putación

2

MÉXICO DF, octubre 2013

BI G DATA

El universo digital de
datos y los datos
abiertos (OPEN DATA)

5

LA ERA DEL PETABYTE (1.000 TB),
W ired , julio 2008 (www.wired.com)
Sensores en todas partes, almacenamiento infinito
y Nubes (clouds ) de procesadores
 Nuestra capacidad para capturar, almacenar y comprender
cantidades masivas de datos está cambiando la ciencia,
medicina, negocios y tecnología. A medida que aumenta
nuestra colección de hechos y figuras, crece la oportunidad
de encontrar respuestas a preguntas fundamentales.

Because in the era of big data,

m ore isn´t just m ore. M ore is
different
© Luis Joyanes Aguilar

Alfaomega
México DF, 14 DE octubre de 2013

Página –6–

LA ERA DEL P ETABYTE -2- . W ired ,
julio 2008 (www.wired.com)

 1TB (250.000 canciones)

20 TB (fotos “uploaded ” a Facebook
cada mes)
 120 TB (todos los datos e imágenes recogidos por el telescopio
espacial Hubble) ; 460 TB (todos los datos del tiempo climático en
EEUÜ compilados por el National Climatic Data Center); 530 TB
(Todos los vídeos de YouTube); 600 TB (base de datos de
genealogía, incluye todos los censos de EEUU 1790-2000)

1 PB (datos procesados por los
servidores de Google cada 75 minutos)

Alfaomega

Página –7–

Tabla de unidades de almacenamiento

(The Econom ist, febrero 2010): “data, data everywhere”
www.economist.com/specialreports/displaystory.cfm?story_id=15557421


Alfaomega

Página –8–

El Universo Digital – EMC / IDC


Alfaomega

Página –9–

El Universo Digital – EMC / IDC


Alfaomega

Página –10–

EL UNIVERSO DIGITAL DE DATOS, 2013
 EMC Corporation PUBLICÓ en diciembre de 2013, su
estudio anual sobre el Universo Digital de IDC,
patrocinado por EMC: “Big Data, Bigger Digital
Shadow s, and Biggest Grow th in the Far East ”. El

a pesar de la expansión sin
precedentes del Universo Digital debido a el
Big Data que se generan a diario por
personas y máquinas, IDC estima que solo
0,5% de los datos mundiales se analizan.

estudio arrojó que,


Alfaomega

Página –11–

 La proliferación a nivel mundial de dispositivos, como PC y
teléfonos inteligentes, aumentó el acceso a Internet
dentro de los mercados emergentes, y el incremento de
datos generados por máquinas, como cámaras de
vigilancia o contadores inteligentes, ha contribuido a la

duplicación del Universo Digital en los
últimos dos años solamente, hasta alcanzar
un tamaño descomunal de 2,8 ZB. IDC
proyecta que, para el 2020, el Universo Digital
alcanzará 40 ZB, cifra que supera las
proyecciones anteriores por 14%.

Alfaomega

Página –12–

 En términos de volumen, 40 ZB de datos son
equivalentes a lo siguiente:
 Existen 700.500.000.000.000.000.000 granos de arena en todas las
playas del mundo (o setecientos trillones quinientos mil billones). Esto
significa que 40 ZB equivalen a 57 veces la cantidad de
granos de arena de todas las playas del mundo. Si
pudiéramos guardar los 40 ZB en los discos Blue-ray de la actualidad,
el peso de dichos discos (sin fundas ni estuches) sería equivalente a
424 portaaviones Nimitz. En 2020, 40 ZB serán 5.247 GB por persona
a nivel mundial.

 Referencia: America Economia:
http://tecno.americaeconomia.com/noticias/el-granuniverso-digital-la-data-crece-mas-rapido-de-lo-quepodemos-protegerla
Alfaomega

Página –13–

El universo digital de datos, IDC 2013


Alfaomega

Pina –14–

El universo digital de datos, 2013


Alfaomega

Página –15–

OPEN DATA (Datos abiertos)


Alfaomega

Página –16–

Las administraciones públicas [de
cualquier organismo nacional e
internacional] generan gran cantidad de
información en formatos propios de difícil
acceso para la mayoría de los ciudadanos.
Bases de datos, listas, estudios, informes,
estadísticas, etc. son datos abiertos (open
data ) en formatos propios que son de
difícil acceso para la mayoría de los
ciudadanos.

Alfaomega

Página –17–

Evidentemente estos datos se almacenan
normalmente en centros de datos propios
de las administraciones que a su vez se
almacenan y gestionan en nubes públicas o
privadas
¿Qué necesitan los profesionales o las
empresas para sacar rentabilidad a esos
datos públicos? Evidentemente la
colaboración de las entidades públicas para
liberar cada día más información y crear
más oportunidades de negocio

Alfaomega

Página –18–

¿Qué son datos abiertos?
Los Datos Abiertos constituyen una iniciativa
de transparencia y Gobierno Abierto que
consiste en la liberación de conjuntos de
datos que son de interés público. Los Datos Abiertos

son puestos a disposición de la sociedad, se promueve su libre acceso y
reutilización, exceptuando aquellos datos que por razones de seguridad y
privacidad previstas en la normativas vigentes no puedan ser publicados;
La mayor parte de los datos generados o mantenidos por el
estado son públicos. Sin embargo, no sólo el estado puede abrir
sus datos: empresas, organizaciones y comunidades de
información que producen o mantienen datos pueden ponerlos a
disposición, siempre en formatos abiertos y bajo licencias libres.


Alfaomega

Página –19–

La administración de Estados Unidos
inició la iniciativa Open Data y en
paralelo la Unión Europea ha ido
adoptando también la iniciativa.
En España los primeros gobiernos han
sido los Gobiernos Autonómicos de El
Principado de Asturias y el País
Vasco.

Alfaomega

Página –20–

La iniciativa del Gobierno Vasco se ha
plasmado en la puesta en funcionamiento
de Open Data Euskadi que pretende crear
un sitio web donde la información
reutilizable (contenidos abiertos) estén al
alcance de cualquier ciudadano.
Un estudio de la UE(2010) estima que el
mercado de información pública podría
generar riqueza por valor de 27.000
millones de euros.

Alfaomega

Página –21–

OPEN DATA EN LATAM…
MÉXICO
 Portal de datos abiertos del Distrito Federal

//df.gob.mx

 Ayuntamiento de Puebla (octubre 2013)
ha lanzado una iniciativa de Open Data
… Periódico “M ilenio ”
 ARGENTINA… Portal de datos abiertos de
Buenos Aires


Alfaomega

Página –22–

OPEN DATA EN LATAM…
Colombia
 Portal de Datos Abiertos del gobierno

http://datosabiertoscolombia.cloudapp.ne
t/frm/buscador/frmBuscador.aspx

Perú
 Portal de Datos Abiertos de la Municipalidad de

Lima
 Portal de Datos Abiertos:
http://www.datosperu.org/

Alfaomega

Página –23–

INICIATIVAS PIONERAS
INTERNACIONALES EN OPEN DATA
En España… además de los gobiernos autonómicos
de Asturias, País Vasco y Cataluña, la fundación CTIC
ligada al consorcio W3C (www.fundacionctic.org).

http://datos.gob.es/datos

En Estados Unidos data.gov, en Gran
Bretaña data.gov.uk
 En Google (abril 2011, del número 1) la revista de
negocios. //thinkquarterly.co.uk. El número 1 dedicado
a OPEN DATA.

En la Unión Europea (Iniciativa OPEN DATA):
http://open-data.europa.eu/es (27.12.2013)

Alfaomega

Página –24–

México, DF
BI G DATA Y ANALÍ TI CA
DE DATOS.
Nuevas bases de datos
NoSQL, “I n-M em ory”…

25

Arquitectura de Big Data


26

Harvard Business Review , octubre 2012


Alfaomega

Página –27–

Foreign Affairs , mayo 2013


Alfaomega

Página –28–

Revista BBVA, innovation edge, junio 2013


Alfaomega

Página –29–

LA AVALANCHA DE DATOS
 Según Eric Schmidt, presidente ejecutivo de Google, entre el
origen de la tierra y el 2003 se crearon cinco exabytes de
información. Hoy en día creamos la misma cifra cada dos
días2. Las previsiones aseguran que en esta década
crearemos alrededor de 35 zettabytes (40 ZB, informe de
diciembre de 2012)
 Según la consultora IDC, cifran en 1,8 Zettabytes la
información generada en 2011. Si tratáramos de almacenar
esa información en iPads (del modelo de 32GB)
necesitaríamos 57.500 millones; puestos unos al lado de
otro formaríamos una línea que daría 3 veces la vuelta al
mundo y, si tratáramos de apilarlos, la “montaña” resultante
sería 25 veces más alta que el monte Fuji.
Alfaomega

Página –30–

Twitter: (redes sociales)
 90 millones de tuits (tweets) por día que representa 8
Terabytes.

Boeing: (industria)
 Vuelo transoceánico de un jumbo puede generar 640
Terabytes.

Wal-Mart: (comercio)
 1 millón de transacciones por hora que se estima que
alimenta una base de datos de 2.5 petabytes.

Google procesa al día 20 PB de información

Alfaomega

Página –31–


Alfaomega

Página –32–


Alfaomega

Página –33–

BIG DATA, bbva edge, junio 2013
Fuentes:
SAS | Big Data: www.sas.com/big-data.
IBM | Big Data at the Speed of Business
McKinsey Global Institute | Big Data: The next
frontier for innovation, competition, and
productivity, junio 2011.

Fuente:
Intel | What Happens in an Internet Minute?
www.intel.com/content/www/us/en/communic
ations/internet-minute-infographic.html

Alfaomega

Página –34–

EXP ANSI ÓN, de W all Street Journal, 1 de
abril 2013
 01.04.2013 S. Rosenbush / M. Totty. WSJ. Las empresas
están buscando la mejor forma de aprovechar el exceso
de información.
 La información abunda y las empresas están buscando la
mejor forma de aprovecharla. Los expertos ya bautizaron
este fenómeno como big data. La definición es amorfa,
pero normalmente significa lo siguiente: las empresas
tienen acceso a mucha más información que antes, que
proviene de muchas más fuentes y la obtienen casi al
momento en que se genera.


Alfaomega

Página –35–

abril 2013
 El concepto de big data a menudo se relaciona con las empresas que
ya operan en el mundo de la información, como Google, Facebook y
Amazon. Pero compañías en múltiples industrias están
colocando los datos en el corazón de sus operaciones. Están
recolectando cantidades enormes de información, a menudo
combinando indicadores tradicionales como las ventas, con
comentarios de redes sociales e información de ubicación que
viene de los dispositivos móviles. Las empresas escudriñan esta
información para mejorar sus productos, recortar gastos y mantener
la fidelidad de sus clientes.
 Las firmas de logística, por ejemplo, instalan sensores en sus
camiones para detectar formas de acelerar las entregas. Los
fabricantes revisan miles de publicaciones en foros de Internet para
determinar si a los clientes les gusta una nueva característica. Los
gerentes de personal estudian cómo los candidatos a un empleo
responden preguntas para ver si encajan bien con la compañía.


Alfaomega

Página –36–

abril 2013
Aún quedan numerosos obstáculos en el camino.
Algunos son técnicos, pero en la mayoría de las
empresas las decisiones se siguen basando en la
opinión de la persona con el salario más alto y
podría ser difícil convencer a un ejecutivo de que
los datos superan su intuición.
Los recursos humanos, las operaciones, el
desarrollo de productos o el márketing son las
diferentes formas a través de las cuales las
empresas usan el poder de la información para
transformar sus negocios.

Alfaomega

Página –37–

abril 2013 (casos de estudio)
 UPS
UPS comenzó a instalar sensores en sus vehículos de
reparto para conocer su velocidad y ubicación, si el
cinturón de seguridad del conductor está abrochado... Al
combinar su información de GPS y los datos de sensores
sobre rendimiento en más de 46.000 vehículos, UPS
recortó 136 millones de kilómetros de sus rutas.


Alfaomega

Página –38–

abril 2013 (casos de estudio)
 InterContinental

La cadena hotelera InterContinental ha recabado
información sobre los 71 millones de miembros de
su programa Priority Club, como niveles de
ingresos y preferencias sobre las instalaciones. El
grupo consolidó la información en un solo
almacén de datos que reúne información de redes
sociales y procesa búsquedas más rápido


Alfaomega

Página –39–

 Según Eric Schmidt, presidente ejecutivo de Google, entre el
origen de la tierra y el 2003 se crearon cinco exabytes de
información. Hoy en día creamos la misma cifra cada dos
días2. Las previsiones aseguran que en esta década
crearemos alrededor de 35 zettabytes (40 ZB, informe de
diciembre de 2012)
 Según la consultora IDC, cifran en 1,8 Zettabytes la
información generada en 2011. Si tratáramos de almacenar
esa información en iPads (del modelo de 32GB)
necesitaríamos 57.500 millones; puestos unos al lado de
otro formaríamos una línea que daría 3 veces la vuelta al
mundo y, si tratáramos de apilarlos, la “montaña” resultante
sería 25 veces más alta que el monte Fuji.
Alfaomega

Página –40–

DEFINICIÓN DE BIG DATA: IBM
What is big data?*
Every day, we create 2.5 quintillion bytes of data — so
much that 90% of the data in the world today has
been created in the last two years alone. This data

comes from everywhere: sensors used to gather
climate information, posts to social media sites, digital
pictures and videos, purchase transaction records, and
cell phone GPS signals to name a few. This data is big

data.
 * www-01.ibm.com/software/data/bigdata/

Alfaomega

Página –41–



Alfaomega

Página –42–


Alfaomega

Página –43–

 VOLUMEN de datos

procesados por las
empresas ha crecido significativamente.

Google procesa 20 petabytes al día
En 2020 se esperan 42.000 millones
de pagos electrónicos.
La Bolsa de Nueva York genera UN
terabyte de datos al día
Twitter genera 8 TB

Alfaomega

Página –44–

VELOCIDAD. Rapidez con la que se accede
a los datos. La velocidad del movimiento,
proceso y captura de datos, dentro y fuera
de la empresa ha aumentado
considerablemente.
Flujo de datos a alta velocidad.

eBay se enfrenta al fraude a través

de PayPal analizando cinco millones
de transacciones en tiempo real al día.

Alfaomega

Página –45–

VARIEDAD: Big data es cualquier tipo de

dato – estructurado y no estrutcturado - tales
como texto, datos de sensores, datos entre
máquinas (M2M), archivos “logs”, audio,
vídeo, flujos de clicks, XML, datos en
streaming, cotizaciones bursátiles, medios
sociales,

Una creciente variedad de datos
necesitan ser procesados y convertidos a
información

Alfaomega

Página –46–

Según otras definiciones de Big Data
de fabricantes, consultoras, NIST, etc.
existen otras propiedades de los big
data:
Veracidad de los datos
Valor de los datos
Viabilidad de la infraestructuras y las
herramientas de almacenamiento

Alfaomega

Página –47–

Modelo 3V de Big Data
 VOLUMEN
 • Terabytes
 • Records
 • Transactions
 • Tables, files
 VELOCIDAD
 • Batch (por lotes)
 • Near time (casi a tiempo)
 • Real time (tiempo real)
 • Streams (flujos)

Alfaomega

VARIEDAD
Estructurado
No estructurado
Semi-estructurado
Todos los demás

Página –48–

Fuentes de Big Data
 Herramientas para análisis de datos en grandes
volúmenes de datos. Infraestructuras de Big Data
 Fuentes de Big Data (Soares 2012):
 Web y Social media
 Machine-to-Machine (M2M, Internet de

las cosas)
 Biometria
 Datos de transacciones de grandes datos
(salud, telecomunicaciones…)
 Datos generados por las personas
(humanos)


Alfaomega

Página –49–

Store.com
Sunil Soares (2003). Big Data Governance Emerging
Imperative. Boise. MC Press Online. El autor de este
libro mantiene un blog excelente sobre Big Data y
Gobierno de Big Data


Alfaomega

Página –50–

Big Data. Joyanes, MéxicoDF: Alfaomega (2013)
 1. Web y Social Media: Incluye contenido web e información
que es obtenida de las medios sociales como Facebook, Twitter,
LinkedIn, Foursquare, Tuenti, etc, blogs como Technorati, blogs
de periódicos y televisiones, wikis como MediaWiki, Wikipedia,
marcadores sociales como Del.icio.us, Stumbleupon…
agregadores de contenidos como Dig, Meneame… En esta
categoría los datos se capturan, almacenan o distribuyen
teniendo presente las características siguientes: Datos de los
flujos de clics, tuits, retuits o entradas en general (feeds) de
Twitter, Tumblr…, Entradas (posting) de Facebook y contenidos
web diversos.

Alfaomega

Página –51–

 2. M achine-to-M achine (M 2M )/ I nternet de las
cosas : M2M se refiere a las tecnologías que permiten conectarse a

otros diferentes dispositivos entre sí. M2M utiliza dispositivos como
sensores o medidores que capturan algún evento en particular
(humedad, velocidad, temperatura, presión, variables meteorológicas,
variables químicas como la salinidad, etc.) los cuales transmiten a
través de cableadas, inalámbricas y móviles a otras aplicaciones que
traducen estos eventos en información significativa. La comunicación
M2M ha originado el conocido Internet de las cosas o de los objetos.
Entre los dispositivos que se emplean para capturar datos de esta
categoría podemos considerar chips o etiquetas RFID, chips NFC,
medidores (de temperaturas, de electricidad, presión…). sensores,
dispositivos GPS… y ocasionan la generación de datos mediante la
lectura de los medidores, lecturas de los RFID y NFC, lectura de los
sensores, señales GPS, señales de GIS, etc.


Alfaomega

Página –52–

 3.Big Data transaccionales: Grandes datos transaccionales
procedentes de operaciones normales de transacciones de todo
tipo. Incluye registros de facturación, en telecomunicaciones
registros detallados de las llamadas (CDR), etc. Estos datos
transaccionales están disponibles en formatos tanto
semiestructurados como no estructurados. Los datos generados
procederán de registros de llamada de centros de llamada,
departamentos de facturación, reclamaciones de las personas,
presentación de documentos…


Alfaomega

Página –53–

 4. Biom etría : La biometría o reconocimiento biométrico.
La información biométrica se refiere a la identificación
automática de una persona basada en sus características
anatómicas o trazos personales. Los datos anatómicos se
crean a partir de las características físicas de una persona
incluyendo huellas digitales, iris, escaneo de la retina,
reconocimiento facial, genética, DNA, reconocimiento de
voz, incluso olor corporal etc. Los datos de
comportamiento incluyen análisis de pulsaciones y
escritura a mano. Los avances tecnológicos han
incrementado considerablemente los datos biométricos
disponibles

Alfaomega

Página –54–

 . En el área de seguridad e inteligencia, los datos
biométricos han sido información importante para las
agencias de investigación. En el área de negocios y de
comercio electrónico los datos biométricos se pueden
combinar con datos procedentes de medios sociales lo
que hace aumentar el volumen de datos contenidos en los
datos biométricos. Los datos generados por la biometría
se pueden agrupar en dos grandes categorías: Genética y
Reconocimiento facial.
 “An Overview of Biometric Recpgnition”.
http://biometrics.cse.nsu.edu/info.html

Alfaomega

Página –55–

 5. Datos generados por las personas : Las personas
generan enormes y diversas cantidades de datos como la
información que guarda un centro de llamadas telefónicas
(call center) al establecer una llamada telefónica, notas de
voz, correos electrónicos, documentos electrónicos,
estudios y registros médicos electrónicos, recetas
médicas, documentos papel, faxes, etc. El problema que
acompaña a los documentos generados por las personas es que
pueden contener información sensible de las personas que necesita,
normalmente ser oculta, enmascarada o cifrada de alguna forma para
conservar la privacidad de dichas personas. Estos datos al ser
sensibles necesitan ser protegidos por las leyes nacionales o
supranacionales (como es el caso de la Unión Europea o Mercosur)
relativas a protección de datos y privacidad.


Alfaomega

Página –56–

Estructura de Big Data: tipos de datos
Estructurados
No estructurados
 No estructurados (texto, datos de vídeo, datos de audio,,,)
 Semiestructurados ( a veces se conocen como

“multiestructurados”. Tienen un formato y flujo lógico de modo
que pueden ser entendidos pero el formato no es amistoso al
usuario(HTML. XML…, datos de web logs)

 Normalmente, se suelen asociar los datos
estructurados a los tradicionales y los datos no
estructurados a los Big Data
 Objetivo principal de los sistemas de gestión de
datos: Integración de datos estructurados y no
estructurados
Alfaomega

Página –57–

ESTADO ACTUAL DE BIG DATA
1. Almacenamiento:
hacen falta nuevas tecnologías de almacenamiento
2. Bases de datos:
las BD relacionales no pueden con todo
3. Procesado:
se requieren nuevos modelos de programación
4. Obtención de valor:
los datos no se pueden comer crudos (en bruto)
La información no es conocimiento “accionable”

Alfaomega

Página –58–

1. Almacenamiento
Hacen falta nuevas tecnologías de
almacenamiento
 RAM vs HHD
 Memorias hardware. HHD 100 más barato que RAM
pero 1000 veces más lento
 Solución actual:

Solid- state drive (SSD) adem ás no volátil
 Tecnologías “in-m em ory” (SAP HANA… )
 Investigación:
 Storage Class Memory (SCM)

Alfaomega

Página –59–

2. Base de datos
Las BD relacionales no pueden con
todo
 Base de datos
 volumen de la información
 GBs
 PBs Tiempo de ejecución
 Exabytes …. Cada día más populares
 Limitadas para almacenamiento de “big data”
 (ACID, SQL, …)
 ACID: Atomicity, Consistency, Isolation & Durability

Alfaomega

Página –60–

3. Procesado … HADOOP
 Se requieren nuevos modelos de programación
para manejarse con estos datos
 Solución: Para conseguir procesar grandes conjuntos de
datos:

MapReduce

 Pero fue el desarrollo de Hadoop MapReduce,
por parte de Yahoo, el que ha propiciado un ecosistema
de herramientas open source os Google creó el modelo
de programación MapReduce

Alfaomega

Página –61–

4. Obtención de valor
 Los datos no se pueden comer ·crudos” (en bruto)
la información no es conocimiento accionable
 Para ello tenemos técnicas de

Data M ining

 • Asociación
 • Clasificación
 • Clustering
 • Predicción
 • ...

La mayoría de algoritmos se ejecutan bien
en miles de registros, pero son hoy por hoy
impracticables en miles de millones.

Alfaomega

Página –62–

Bases de datos
 I n-M em ory (en-memoria)
 SAP Hana
 Oracle Times Ten

In-Memory Database

 IBM solidDB

Relacionales
 Sistemas RDBMS (SGBDR). Oracle, IBM, Microsoft…
 Transferencia de datos entre Hadoop y bases de datos

relacionales

Legacy (jerárquicas, en red… primeras relacionales…)
NoSQL (Cassandra, Hive, mongoDB,
CouchDB, Hbase…)

Alfaomega

Página –63–

BASES DE DATOS ANALÍTICAS
 Analíticas: para permitir a múltiples usuarios contestar
rápidamente preguntas de negocio que requieran de grandes
volúmenes de información.

Bases de datos de procesamiento
paralelo masivo (MPP)
Bases de datos “en memoria”
Almacenamiento en columnas
 Históricamente estas bases de datos tan especializadas
tenían un costo muy elevado, pero hoy el mercado nos
ofrece varias alternativas que se adaptan al presupuesto de
cada organización.
Alfaomega

Página –64–

Bases de datos analíticas
 Bases de datos diseñadas específicamente para ser
utilizadas como motores de Data Warehouse.
 
Estas bases de datos logran procesar grandes volúmenes de
información a velocidades asombrosas, gracias a la aplicación de
diferentes conceptos y tecnologías:


Almacenamiento en columnas en lugar de filas
(registros)

Massively parallel processing (MPP)
 n-M em ory Analytics
I


Alfaomega

Página –65–


Alfaomega

Página –66–

Almacenamiento en columnas, no filas:
FUENTE: datalytics.com


Alfaomega

Página –67–

Computación en memoria “In-Memory”
La computación en memoria es una

tecnología que permite el procesamiento de cantidades
masivas de datos en memoria principal para proporcionar
resultados inmediatos del análisis y de las transacciones.
Los datos a procesar, idealmente son datos en tiempo
real (es decir, datos que están disponibles para su
procesamiento o análisis inmediatamente después
que se han creado).
Existen un amplio conjunto de tecnologías que emplean
bases de datos en memoria. SAP HANA es una de las
más acreditadas y populares… (Oracle, IBM,…)

Alfaomega

Página –68–

BASES DE DATOS RELACIONALES

(REPASO)

 La mayoría de las bases de datos cumplen con las
propiedades ACID (atomicity, consistency,

isolation, durability). Estas propiedades garantizan un

comportamiento de las base de datos relacionales y el mejor de los
argumentos para su utilización.


Alfaomega

Página –69–

BASES DE DATOS NoSQL
 Las bases de datos no-relacionales son comúnmente
llamadas bases de datos NoSQL ya que la gran mayoría
de ellas comparte el hecho de no utilizar el lenguaje SQL
para realizar las consultas
 Es una definición controvertida, aunque la definición más
aceptada es “Not only SQL”.
 Una de las características de las bases de datos no
relacionales es que la mayoría de ellas no utilizan
esquemas de datos rígidos como las bases de datos
relacionales. Esto hace que estas bases de datos también
se les llame “Schema-less” o “Schema-free
(“almacenamiento des-estructurado”).

Alfaomega

Página –70–

Taxonomía de Bases de datos NoSQL
 Los principales tipos de BBDD de acuerdo con su
implementación son los siguientes:
 – Almacenes de Clave-Valor
 – Almacenes de Familia de Columnas (colum nares )
 – Almacenes de documentos (orientadas a
documentos)
 – Almacenes de Grafos (orientadas a grafos)
 - Cachés de memoria


Alfaomega

Página –71–

SOLUCIONES DE BASES DE DATOS NoSQL


Alfaomega

Página –72–

¿Quién usa Apache Cassandra?
 Algunos usuarios importantes de Cassandra son:
 Digg
 Facebook
 Twitter
 Rackspace
 SimpleGEO
 …


Alfaomega

Página –73–

Integración con Big Data.


Alfaomega


Página –74–

Integración con Big Data.


Alfaomega


Página –75–

Tecnologías BI G DATA

HADOOP

76

Logo de HADOOP


Alfaomega

Página –77–

Logo de HADOOP


Alfaomega

Página –78–

TECNOLOGÍAS BIG DATA (HADOOP)
 Datos de la consultora IDC de agosto de 2012 prevén que el
mercado del software relacionado con los fram ew ork
open source Apache Hadoop y el MapReduce de
Google crecerá a un ritmo anual de más del 60% hasta el
año 2016.
 La popularidad de Hadoop se ha ido incrementando durante
los últimos meses, a medida que las empresas necesitan
manejar grandes cantidades de datos estructurados y no
estructurados para después analizarlos y ser capaces de
tomar decisiones lo más favorables posible para sus negocios.
 IDC también espera que el mercado de Hadoop-MapReduce evolucione y
que poco a poco comienza a introducirse en los sistemas empresariales.


Alfaomega

Página –79–

Hadoop
“The Apache Hadoop software library is a
framework that allows for the distributed
processing of large data sets across
clusters of computers using a simple
Programming model”
 De la página de Hadoop


Alfaomega

Página –80–

 Hadoop es un proyecto de software open source que
provee un framework para habilitar el procesamiento
distribuido de grandes conjuntos de datos sobre clusters
construidos con hardware genérico. En esencia, Hadoop
consiste de dos elementos base: un sistema de archivos
distribuido (Hadoop Distributed File System, HDFS) y un
motor de procesamiento de datos que implementa el
modelo Map/Reduce (Hadoop MapReduce). Sin embargo,
conforme ha ido ganando adopción y madurez, también
se han ido creando tecnologías para complementarlo y
ampliar sus escenarios de uso, de tal forma que hoy en
día el nombre “Hadoop” no se refiere a una sola
herramienta sino a una familia de herramientas alrededor
de HDFS y MapReduce.
Alfaomega

Página –81–

What Is Apache Hadoop? (Fundación Apache)
 The Apache™ Hadoop® project develops open-source
software for reliable, scalable, distributed computing.
 The Apache Hadoop software library is a framework that
allows for the distributed processing of large data sets
across clusters of computers using simple programming
models. It is designed to scale up from single servers to
thousands of machines, each offering local computation
and storage. Rather than rely on hardware to deliver highavaiability, the library itself is designed to detect and
handle failures at the application layer, so delivering a
highly-availabile service on top of a cluster of computers,
each of which may be prone to failures.

Alfaomega

Página –82–

Historia de HADOOP
 ● 2004-2006
 – Google publica los papers de GFS y MapReduce
 – Doug Cutting implementa una version Open Source en
 Nutch
 ● 2006-2008
 – Hadoop se separa de Nutch
 – Se alcanza la escala web en 2008
 ● 2008-Hasta ahora
 – Hadoop se populariza y se comienza a explotar
 comercialmente.
 Fuente: Hadoop: a brief history. Doug Cutting

Alfaomega

Página –83–

Historia de Hadoop: Doug Cutting


Alfaomega

Página –84–

Logo de HADOOP


Alfaomega

Página –85–

Logo de HADOOP


Alfaomega

Página –86–


Alfaomega

Página –87–

Fundación Apache: proyectos open source
 The Apache Software Foundation provides support
for the Apache community of open-source software
projects, which provide software products for the
public good
 The Apache Software Foundation provides support for the
Apache community of open-source software projects,
which provide software products for the public good


Alfaomega

Página –88–

 Datos de la consultora IDC de agosto de 2012 prevén que el
mercado del software relacionado con los fram ew ork
open source Apache Hadoop y el MapReduce de
Google crecerá a un ritmo anual de más del 60% hasta el
año 2016.
 La popularidad de Hadoop se ha ido incrementando durante
los últimos meses, a medida que las empresas necesitan
manejar grandes cantidades de datos estructurados y no
estructurados para después analizarlos y ser capaces de
tomar decisiones lo más favorables posible para sus negocios.
 IDC también espera que el mercado de Hadoop-MapReduce evolucione y
que poco a poco comienza a introducirse en los sistemas empresariales.


Alfaomega

Página –89–

Componentes HADOOP (Apache)
 The project includes these modules:
 Hadoop Common: The common utilities that support
the other Hadoop modules.
 Hadoop Distributed File System (HDFS™): A
distributed file system that provides high-throughput
access to application data.
 Hadoop YARN: A framework for job scheduling and
cluster resource management.
 Hadoop MapReduce: A YARN-based system for parallel
processing of large data sets.


Alfaomega

Página –90–

Hadoop
 Apache Hadoop es un framework que permite el
tratamiento distribuido de grandes cantidades de datos
(del orden de peta bytes) y trabajar con miles de
máquinas de forma distribuida. Se inspiró en los
documentos sobre MapReduce y Google File System
publicados por Google.
 Está desarrollado en Java y se ejecuta dentro de la JVM.
 Actualmente está soportado por Google, Yahoo e IBM
entre otros. También existen empresas como Cloudera
(http://www.cloudera.com/) que ofrecen soluciones
empresariales Open Source basadas en Hadoop.

Alfaomega

Página –91–

Hadoop
 Las características principales de Hadoop son
 Económico: Está diseñado para ejecutarse en equipos de
bajo coste formando clústeres. Estos clústeres pueden
llevarnos a pensar en miles de nodos de procesamiento
disponibles para el procesado de información.
 • Escalable: Si se necesita más poder de procesamiento o
capacidad de almacenamiento solo hay que añadir más
nodos al clúster de forma sencilla.
 • Eficiente: Hadoop distribuye los datos y los procesa en
paralelo en los nodos donde los datos se encuentran
localizados.
 • Confiable: Es capaz de mantener Es capaz de mantener
múltiples copias de los datos y
 automáticamente hacer un re-despliegue de las tareas
Alfaomega

Página –92–

Hadoop
 El diseño de Hadoop se divide en dos partes

principales:

 Por un lado está el sistema de ficheros distribuido

Hadoop Distributed File System (HDFS) que
se encarga de almacenar todos los datos repartiéndolos
entre cada nodo de la red Hadoop.

 Por otro lado la implementación de MapReduce que se
encarga del procesamiento de la información de forma
distribuida.


Alfaomega

Página –93–

Hadoop


Alfaomega

Página –94–


Alfaomega

Página –95–

Hadoop en la actualidad
 Hadoop se puede utilizar en teoría para casi cualquier tipo
de trabajo batch, mejor que ha trabajos en tiempo real,
ya que son más fáciles de dividir y ejecutar en paralelo.
Entre lo campos actuales a aplicación se encuentran:
 • Análisis de logs
 • Análisis de mercado
 • Machine learning y data mining
 • Procesamiento de imágenes
 • Procesamiento de mensajes XML
 • Web crawling
 • Indexación

Alfaomega

Página –96–

 Actualmente Hadoop es un framework muy extendido en
el ámbito empresarial, sobre todo en compañías que
manejan grandes volúmenes de datos. Entre las que
podemos descarta las siguientes empresas:
 Yahoo: La aplicación Yahoo! Search Webmap está
implementado con Hadoop sobre un clúster de mas de
10.000 nodos Linux y la información que produce es la
utilizada por el buscador de Yahoo.
 Facebook: Tiene ha día de hoy el mayor clúster Hadoop
del mundo que almacena hasta 30 peta bytes de
información
 Amazon A9: Se utiliza para la generar índices de búsqueda de los
productos ofertados en el portal. Disponen de varios clústeres de entre 1 y
100 nodos
 cada uno.
Alfaomega

Página –97–

 The New York Times: Utiliza Hadoop y EC2 (Amazon
Elastic Compute Cloud) para convertir 4 Tera bytes de
imágenes TIFF en imágenes PNG de 800 K para ser
mostradas en la Web en 36 horas.
 Además existen compañías cuyo negocio es principal es
Hadoop, como Cloudera, que comercializa CDH
(Cloudera's Distribution including Apache Hadoop), que da
soporte en la configuración y despliegue de clústeres
 Hadoop. Además proporciona servicios de consultoría y
formación en estas tecnología. Todo el software que
distribuyen es Open Source.

Alfaomega

Página –98–

Distribuciones de Hadoop


Alfaomega

Página –99–

Proveedores de Big Data
 Algunos han desarrollado sus propias distribuciones de
Hadoop (con diferentes niveles de personalización:
disponibilidad, rendimiento, replicas …). Una distribución
muy popular:

MapR, Greenplum,
Hortonworks, …

 Otros ejemplos:


Alfaomega

Página –100–

ANALÍTICA DE BIG DATA
 Cloudera
 EMC Greenplum
 IBM
 Impetus Technologies
 Kognitio
 ParAccel
 SAP
 SAND Technology
 SAS
 Tableau Software
 Teradata

Alfaomega

Página –101–

OP OR TUNI DADES Y NUEVAS
P R OFESI ONES TECNOLÓGI CAS
Y DE COM UNI CACI ÓN
DEM ANDADAS P OR LAS
EM P R ESAS


102

NECESIDAD DE FORMACIÓN PROFESIONAL
AVANZADA EN CLOUD COM P UTI NG-BI G

DATA

 El mercado tiene carencia de especialistas en Cloud
Computing y sobre todo en Big Data. Hay miles de puestos que se
deberán cubrir en los próximos cinco años según estadísticas fiables de IDC,
Gartner, Forrester, McKinsey…

 UNA DE LAS PROFESIONES MÁS DEMANDADAS SERÁ DE
ESPECIALISTAS EN CIENCIAS DE DATOS (Científicos de
datos) y además ANALISTAS DE DATOS (formados en
Analytics y tecnologías Big Data ·Hadoop”, “InMemory”…)
 Se necesitan certificaciones profesionales en CLOUD

COM P UTI NG Y BI G DATA… “TECNOLÓGI CAS Y DE
NEGOCI OS”

Alfaomega

Página –103–

NUEVAS CARRERAS UNIVERSITARIAS:
maestrias,ingeniería, diplomados…
Com m unity M anager, Social M edia
M anager y Analista Web y SEO
I ngeniero de Cloud Com puting (En España hay
una universidad privada que lo lanza el próximo curso)

I ngeniero de negocios digitales (Digital
Business Intelligence)
I ngeniero de datos (Infraestructuras, Bases de datos
NoSQL, Hadoop, Tecnologías “in-memory”…)

Analítica de datos ( Analytics) y Analítica de

Big Data


Alfaomega

Página –104–

NUEVAS CARRERAS Y PROFESIONES

Community Manager , Social Media Manager,
SEO, Analistas Web … cada día son más demandadas y.
Sin embargo la profesión del futuro será:

EL CIENTÍFICO DE DATOS (Data Scientist ).
Un profesional con formación de Sistemas,
Estadística, Analítica, Ciencias Físicas y
Biológicas… que analizará los Big Data para la
toma de decisiones eficientes y obtener
rentabilidad en los negocioS.

HBR (Harvard Business Review lo declaró la
profesión “MÁS SEXY del siglo XXI”…)

Alfaomega

Página –105–

LAS TITULACIONES-PROFESIONES MÁS
DEMANDADAS en TIC EN PRÓXIMOS AÑOS
(HBR, Harvard Business Review ) número de octubre
de 2012 (Los datos, el nuevo petróleo/oro del siglo XXI):

Ciencia de los datos: Data Science

(Maestría/Doctorado) … En Estados Unidos, México
y Europa… ya existen iniciativas. (EN MÉXICO, el
ITAM)
LA PROFESIÓN MÁS SEXY DEL SIGLO XXI : EL
CIENTÍFICO DE DATOS (Data Scientist ) /
INGENIERO DE DATOS

Alfaomega

Página –106–

MUCHAS GRACIAS … ¿Preguntas?

Tw itter:@luisjoyanes
w w w .facebook.com / joyanesluis
w w w .slideshare.net/ joyanes
P ortal GI SSI C “El Ágora de Latinoam érica”:
gissic.w ordpress.com
P ORTAL NTI CS : luisjoyanes.w ordpress.com
CORREO-e:

luis. joyanes@upsam.es


Alfaomega

Página –107–

BIBLIOGRAFÍA

108

BIBLIOGRAFÍA BÁSICA

JOYANES, Luis (2012). Com putación en

la nube. Estrategias de cloud
com puting para las em presas . México
DF: Alfaomega; Barcelona: Marcombo

BI G DATA. El
análisis de los grandes volúm enes de
datos. M éx ico DF: Alfaom ega; Barcelona:

JOYANES, Luis (2013).

Marcombo

 Colección de libros NTiCS (Negocios, Tecnología, Innovación,
Conocimiento y Sociedad) dirigida por el profesor Luis
Joyanes y publicada en la editorial Alfaomega de México DF.


Alfaomega

Página –109–

BIBLIOGRAFÍA BÁSICA
 JOYANES, Luis. “Computación en "Nube" (Cloud
Computing) y Centros de Datos la nueva revolución
industrial ¿cómo cambiará el trabajo en
organizaciones y empresas?”. Sociedad y Utopía.
UPSA: Madrid. , ISSN 1133-6706, Nº 36, 2010, págs.
111-127.
 JOYANES, Luis (2009a) “La Computación en
Nube(Cloud Com puting) :El nuevo paradigma
tecnológico para empresas y organizaciones en la
Sociedad del Conocimiento” , ICADE, nº 76, eneromarzo 2009, Madrid: Universidad Pontificia Comillas.

Alfaomega

Página –110–

ÚLTIMOS LIBROS DEL prof. LUIS

JOYANES

Ciberseguridad. Retos y desafíos para

la defensa nacional en el ciberespacio.
Madrid: IEEE (Instituto Español de Estudios
Estratégicos). 2011. Editor y Coordinador.
www.ieee.org
Cuadernos de estrategia, nº 149


Alfaomega

Página –111–

Blogs tecnológicos
 TechCrunch (www.techcrunch.com)
 Gizmodo (www.gizmodo.com, www.gizmodo.es)
 Boing Boing (www.boingboing.com)
 Engadget (www.engadget.com)
 The Official Google Blog (googleblog.blospot.com)
 O´Reilly (www.oreillynet.com)
 Slahdot (www.slahdot.com)
 Microsiervos (www.microsiervos.com)
 Xataca (www.xataca.com)
 All Things Digital (allthingsd.com)
 Mashable (www.mashable.com)

Alfaomega

Página –112–

LECTURAS RECOMENDADAS
NIST
Cloud Security Alliance
ISACA
BBVA, BANKINTER, Accenture…
ENISA
Cio.com, Computing.es, Computerworld
ONTSI. Cloud computing. Retos y
oportunidades.

www.ontsi.red.es/ontsi/sites/default/files/1_estudio_cloud_computing_retos_y_oportunidades_vdef.pdf

Alfaomega

Página –113–

BIBLIOGRAFÍA
 Innovation Edge , revista BBVA, junio 2013
https://www.centrodeinnovacionbbva.com/innova
tion-edge/21-big-data
 SOARES, Sunil (2013). Big Data Governance. An
emerging Imperative. Boise, USA: MC Press.
 DAVENPORT, Thomas H. y DYCHÉ, Jill. Big Data in Big

Companies. SAS. International Institute for Analytics.
 Datalytics. 18D – Pentaho Big Data Architecture,

www.datalytics.com (Pentaho)
 Gereon Vey, Tomas Krojzl. Ilya Krutov (2012) . Inmemory Computing with SAP HANA on IBM eX5
Systems. ibm.com/redbooks. Draft Document for
Review December 7, 2012 1:59 pm SG24-8086-00
Alfaomega

Página –114–

BIBLIOGRAFÍA
 ZIKOPOULOS, Paul C. et al (2012). Understanding Big

Data. Analytics for Enterprise Class Hadoop and Streaming
Data. New York: McGraw-Hill.

www-01.ibm.com/software/data/bigdata/
 ZIKOPOULOS, Paul C. et al (2013). Harness the Power
of Big Data. The IBM Big Data Platform. New York:
McGraw-Hill. Descargable libre en IBM.


Alfaomega

Página –115–


Alfaomega

Página –116–

REFERENCIAS
McKinsey Global Institute . Big data: The

next frontier for innovation, competition, and
productivity. June 2011

James G. Kobielus. The Forrester Wave™:
Enterprise Hadoop Solutions, Q1 2012, February
2, 2012.
www-01.ibm.com/software/data/bigdata/
 Diego Lz. de Ipiña Glz. de Artaza. Bases de Datos No
Relacionales (NoSQL). Facultad de Ingeniería,

Universidad de Deusto. www.morelab.deusto.es
http://paginaspersonales.deusto.es/dipina
Alfaomega

Página –117–

REFERENCIAS
 Philip Russom. BIG DATA ANALYTICS. FOURTH QUARTER
2011. TDWI.org

IBM. http://www-01.ibm.com/software/data/bigdata/


Alfaomega

Página –118–

LECTURAS RECOMENDADAS (historia
del cloud )
KING, Rachael (2008): “How Cloud Computing
is Changing the World?” en BusinessWeek, New
York, 4 august, 2008
 LEINWAND, Allan (2008): “It´s 2018: Who
Owns the Cloud?” en BusinessWeek, New York, 4
august, 2008
THE ECONOMIST (2008): “Let it rise. A
Special report on IT Corporate” en The
Economist, London, October 25th 2008.

Alfaomega

Página –119–

Big Data – McKinsey. Junio 2011
Big data: The nex t frontier for

innovation, com petition, and
productivity.

http://www.mckinsey.com/Insights/MGI/
Research/Technology_and_Innovation/Big
_data_The_next_frontier_for_innovation


Alfaomega

Página –120–

Big data: The nex t frontier for innovation,

com petition, and productivity.

The amount of data in our world has been
exploding. Companies capture trillions of bytes of
information about their customers, suppliers, and
operations, and millions of networked sensors are
being embedded in the physical world in devices
such as mobile phones and automobiles,
sensing, creating, and communicating data.

Alfaomega

Página –121–

Multimedia and individuals with smartphones and
on social network sites will continue to fuel
exponential growth. Big data—large pools of data
that can be captured, communicated, aggregated,
stored, and analyzed—is now part of every sector
and function of the global economy. Like other
essential factors of production such as hard
assets and human capital, it is increasingly the
case that much of modern economic activity,
innovation, and growth simply couldn’t take place
without data.

Alfaomega

Página –122–

 The question is what this phenomenon means. Is the
proliferation of data simply evidence of an increasingly
intrusive world? Or can big data play a useful economic
role? While most research into big data thus far has
focused on the question of its volume, our study makes the
case that the business and economic possibilities of big
data and its wider implications are important issues that
business leaders and policy makers must tackle. To inform
the debate, this study examines the potential value that big
data can create for organizations and sectors of the
economy and seeks to illustrate and quantify that value. We
also explore what leaders of organizations and policy
makers need to do to capture it.

Alfaomega

Página –123–

What do we mean by "big data"?“
: McKinsey 2011
“Big data” refers to datasets whose size is
beyond the ability of typical database software
tools to capture, store, manage, and analyze.

This definition is intentionally subjective and incorporates a
moving definition of how big a dataset needs to be in order to be
considered big data—i.e., we don’t define big data in terms of
being larger than a certain number of terabytes (thousands of
gigabytes). We assume that, as technology advances over time,
the size of datasets that qualify as big data will also increase. Also
note that the definition can vary by sector, depending on what
kinds of software tools are commonly available and what sizes of
datasets are common in a particular industry. With those caveats,
big data in many sectors today will range from a few dozen
terabytes to multiple petabytes (thousands of terabytes).


Alfaomega

Página –124–

Big data en la era de la nube

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Big data en la era de la nube

Similar a Big data en la era de la nube (20)

Más de Luis Joyanes

Más de Luis Joyanes (9)

Big data en la era de la nube