Architectures lambda - Microsoft

AMBIENT INTELLIGENCE
#mstechdays techdays.microsoft.fr
tech days•
2015camps

Architectures Lambda
Michel Hubert / Georges Damien
@michelhubert @georges_damien

tech.days 2015#mstechdaysArchitecture Lambda
Directeur Technique chez Cellenza
MVP Azure
Microsoft P-Seller

Consultant chez Cellenza

 Architectures Lambda

« La meilleure façon de prédire le futur est de
regarder le passé et le présent ! »
Pourquoi les architectures lambda ?

Historiquement, le BigData est une suite logique de la B.I.
Donc on a appliqué les techniques de la B.I. : Le Batch
Ce n’est pas plus suffisant !
Des flux de données à prendre en compte en temps-réel
Des historiques très volumineux qui recèlent de la valeur
Pourquoi les architectures lambda ?

Architecture lambda ?

La base de données classique :
Architecture basée sur des données immuables
UPDATE

Stockage immuable :
Architecture basée sur des données immuables

Quels cas d’usage ?

Prenons un scénario Exemple :
• Analyse temps réel des comportements,
• Calcul du Taux d’abandon de panier,
• Prévision de stock
• Détection de Fraude
• Analyse d’une campagne marketing
• Quels produits ne déclenchent pas d’achat ? Problème de stock ? De prix ?
Architecture Lambda

La Master Data

Azure Service Bus
Relay
Queue
Topic
Notification Hub
Event Hub
NAT and Firewall Traversal Service
Request/Response Services
Unbuffered with TCP Throttling
Many publishers and many consumers to
communicate over a FIFO like channel.
(Competing consumers and Queue-based
Load leveling scenarios)
Pub / Sub communication channel. Each
Consumer subscribes to a copy of message
High-scale notification distribution
Most mobile push notification services
Millions of notification targets

 Event Hub vs Topics / Queues
Bus de messages
Topics / Queues Event Hub

Principe général
Event
Producers
Azure Event Hub
> 1M Producers
> 1GB/sec
Aggregate
Throughput
Up to 32 partitions via
portal, more on
request
Partitions
Direct
PartitionKey
Hash
Consumer
Group(s)
Receivers
AMQP 1.0
Credit-based flow control
Client-side cursors
Offset by Id or Timestamp

Envoi des données
Partition 1
Partition 2
Partition “n”
Event 1
PartitionKey=A
Event 1
PartitionKey=B

tech.days 2015#mstechdays
Publication de message .Net / AMQP
Architecture Lambda

Publication de message via HTTP
Architecture Lambda
<protocol>://<namespace>.servicebus.windows.net/<eventhubname>/publisher/<partitionkey>/messages

Consommation des données
Partition 1
Partition 2
Partition “n”
Event 1
Pkey = A
Event 2
Pkey = B Receiver 6
Receiver 2
Worker “n”
Receiver 1
Receiver “n”
Worker 1

Consommation multiple
Partition 1
Partition 2
Partition “n”
Consumer Group C
Callback for prtn. 6
Worker “n”
Callback “n”
Worker 1Consumer Group B
Worker “n”
Callback “n”
Worker 1Consumer Group A
Worker “n”
Callback “n”
Worker 1

IEventProcessor
Architecture Lambda

Données en
mouvement
« Complex Event Processing »

Stream Analytics
SELECT count(*) FROM ParkingLot
WHERE type = 'Auto'
AND color = 'Red'
Question
“Combien de voitures rouges dans le parking?”
Répondre avec une base de donnée relationnelle
Marcher jusqu’au parking
Compter les véhicules qui sont: Rouge, Voiture

Stream Analytics
La question est différente
“Combien de voitures rouges sont passées au marqueur 18A sur l’A-10 dans
la dernière heure?”
Répondre avec une base de donnée relationnelle
S’arrêter, faire se garer toutes les voitures qui arrivent pendant l’heure dans
un parking, les compter
Pas la meilleure des solutions…

SELECT count(*) FROM A-10
WHERE Type = ‘Voiture’ and Color = ‘Rouge’
GROUP BY TumblingWindow(hour, 1)
La question est différente
“Combien de voitures rouges sont passées au marqueur 18A sur l’A-10 dans
la dernière heure?”

TumblingWindow(minute,5) HoppingWindow(minute, 10 , 5)
SlidingWindow(minute, 3)

Une usine à données

Last Name First Name Country Age …
Flasko Mike Canada 32
Anand Subbaraj USA 30
Gaurav Malhotra USA 72
… …. …. ….
Last Name First Name At risk of churning ….
Flasko Mike Yes
Anand Subbaraj No
Gaurav Malhotra Yes
… ….

Call Log Files
Customer Table
Call Log Files
Customer Table
Customer
Churn Table
Data Factory
Concepts
Data Sources Ingest Transform & Analyze Publish
Customer Call
Details
Customers
Likely to
Churn

A managed cloud service for building & operating data pipelines (aka. data flows)
1. Orchestrate, monitor & schedule
• compose data processing, storage & movement services (on premises & cloud)
2. Automatic infrastructure mgmt
• combine pipeline intent w/ resource allocation & mgmt
• data movement as a service (global footprint & on premises)
3. Single pane of glass
• one place to manage your network
of data flows
Architecture Lambda

Pipeline (Active Period: July 2015 to July 2016)
Architecture Lambda

Pour aller plus loin…

Machine Learning

michel.hubert@cellenza.com
@michelhubert
Georges.damien@Cellenza.com

Architectures lambda - Microsoft

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Architectures lambda - Microsoft

Ähnlich wie Architectures lambda - Microsoft (20)

Mehr von Michel HUBERT

Mehr von Michel HUBERT (20)

Architectures lambda - Microsoft