Data grid

1. JBoss Data Grid Infinispan Ugo Landini Solution Architect, Red Hat versione 1.4 06 Aug 2014

3. Agenda • NoSQL: introduzione • Consistent Hashing e CAP Theorem • Cos’è un Data Grid • Infinispan/JDG features

4. Big Data new generation of technologies ... designed to economically extract value from very large volumes of a wide variety of data, by enabling high velocity capture, discovery and/or analysis IDC, 2012

5. NoSQL Not Only SQL. ! Definizione A: un sistema di storage alternativo ad un RDBMS ! Definizione B: un qualsiasi sistema utilizzato in alternativa ad un RDBMS

6. Eventi chiave • Google BigTable (2005, sviluppi iniziati nel 2004) • Amazon rilascia il paper con il design di Dynamo (2007)

7. NoSQL • K/V Store • Document Store • Column based DB • Graph DB • ma anche XML, Object DB, Multidimensional, Grid/Cloud, …

8. “Classic” NoSQL MongoDB CouchDB Redis Riak Infinispan LevelDB Voldemort Neo4J BigTable HBase Cassandra Elastic Search Document K/V Column Oriented Graph

9. Grid & Cloud NoSQL Infinispan/ JDG Coherence Gemfire HazelCast Gigaspaces Grid & Cloud

10. NoSQL • Impossibile categorizzare in maniera sistematica • Moltissime sfumature • Molti casi di “Convergenza Evolutiva”

11. CAP Theorem

12. CAP Theorem • Tre caratteristiche di un Sistema Distribuito • Consistency • Availability • Partition Tolerance

13. Consistency • Tutti i nodi di un sistema distribuito vedono gli stessi dati allo stesso momento

14. Availability • La garanzia che ogni richiesta riceverà una risposta (positiva o negativa)

15. Partition Tolerance • Il sistema è in grado di continuare ad operare in caso di perdita di connettività fra i nodi (es: split brain)

16. CAP Theorem

17. CAP Theorem: la versione popolare • CAP è stato formulato nel 2000 • La spiegazione semplice: C, A, P: scegline due è stata abusata in questi anni da diversi vendor ed è considerata una tautologia • Nella realtà la questione è più complessa, e dipende dai vincoli e dai tradeoff del sistema

18. CAP Theorem: modern version • In altre parole, è vero che è impossibile avere una Availability PERFETTA ed anche la consistenza dei dati in presenza di un partizionamento, che è però un evento raro

19. CAP Theorem: modern version • I sistemi moderni possono prendere decisioni diverse rispetto a C ed A: • per operazioni diverse • per dati diversi • in momenti diversi

20. CAP Theorem: modern version • Inoltre, C, A e P non sono binarie: • A è ovviamente continua • C ha diversi livelli • Anche P ha delle sfumature, per esempio ci può essere un disaccordo se in un sistema ci sia effettivamente un partizionamento o meno

21. CAP Theorem: modern version • Più informazioni nell’articolo di Eric Brewer “CAP 12 anni dopo” • http://www.infoq.com/articles/cap-twelve-years- later-how-the-rules-have-changed

22. Storia di un’applicazione

23. Architettura con DB tradizionale

24. Limiti architetturali • I Database non scalano e sono un SPF • Tecnologia datata e tipicamente “conservativa” • Non cloud-friendly e virtualization-friendly • Di solito vuole hardware “speciale”

25. Come i programmatori risolvono il problema: local caching client 1 3. reads A 2. write A to cache Node 1. read A RDBMS A VM1 cache

26. Local caching • Non scala al “livello successivo” • poca memoria • no HA

27. Local caching distribuito

28. Local caching distribuito • Local caching distribuito su più nodi • Gestione dei Dirty reads? (multiple writes, invalidation, ecc.) • Gestione del Write behind?

29. “Clustering” della cache

30. “Clustering” della cache • Cache topology influisce sui client • Startup time che aumentano • start della cache, transfer state • JVM tunings incompatibili • GC • Non JVM clients

31. Cache servers RDBMS VM cache client 1 VM client 2 VM client 3 VM VM cache 1. Write 2. Update Cache 3. Read cluster

32. Cache servers • Protocolli • open o proprietari • Transazionalità • Topologie: replica totale o dati distribuiti • Smart routing

33. Consistent Hashing

34. Consistent Hashing • Hashing Wheel: una “ruota” matematica sulla quale vengono effettuati gli hash delle K (chiavi) • Ma anche gli hash dei nodi che partecipano al cluster • La posizione della chiave sulla ruota, rispetto a quella dei nodi, determina chi è il nodo master per quella chiave (e quali nodi contengono le eventuali repliche)

38. Cos’è un Data Grid?

39. Cos’è un Data Grid? • Motore per gestione di storage in memoria • Tipicamente distribuito in un cluster • “Networked memory” • Una distributed cache “on steroids” • Un NoSQL Transazionale

40. Perchè un Datagrid? • Scalabilità superiore • Minore latenza • Ma… • ... tecnologia nuova da imparare • ... migrazione applicazioni

41. Caratteristiche di un Data Grid • Un semplice key/value storage • Motore di search per Document storage • Scalabilità lineare, elasticità e fault tolerance grazie ad algoritmi distribuiti • Spesso è memory-based, quindi low-latency

42. Data Grid > Distributed Cache • Diverse Topologie • Querying • Task Execution e Map/Reduce • Controllo sulla colocation dei dati per ottenere il massimo delle performance

44. Cos’è Infinispan/JDG? • Open Source (Apache) data grid platform • Basato su alcune delle idee di JBoss Cache • Basato su alcune delle idee di Amazon Dynamo • Progetto partito nel 2009 • Base per JBoss Data Grid (JDG)

45. Cos’è Infinispan/JDG? • Può essere configurato in maniera ACID, privilegiando la consistenza e l’availability • Può essere configurato in maniera BASE, sacrificando la Consistency

46. Topologie (Cluster modes) • LOCAL • come una semplice cache locale (EHCache) • INVALIDATION • no sharing • REPLICATED • Tutti i nodi sono identici, la capacità totale è quella del singolo nodo. Ex: 2 nodi da 8Gb = 8Gb totali • DISTRIBUTED • La capacità totale è la somma dei singoli nodi meno le repliche. Ex: 10 nodi da 8Gb con 1 replica = 40 Gb totali

47. Esempi di topologie

48. Distributed senza replica

49. Distributed con una replica sync

50. Distributed con una replica async

51. Replicated

52. Come scegliere • Replicated: • “Piccoli” set di dati con alte % di letture e pochi cambiamenti (Ex: Comuni, CAP) • Distributed: • Molti dati: scalare linearmente con il numero dei nodi • effettuare M/R o Distexec

53. Come scegliere • Importante: la modalità di clustering si applica per Cache e non per Grid (CacheManager) • In uno stesso cluster è dunque possibile avere diverse Cache, ognuna con la sua topologia

54. Consistent Hashing in Infinispan • Self healing • No single point of failure • Highly concurrent • MVCC locking

55. Consistent Hashing • Algoritmo di hashing di default per il Distributed mode: MurmurHash3. • Può essere modificato o sostituito: ottima idea se la K è un valore che già di per se individua un criterio di partizionamento. • Può essere “ottimizzato” tramite Server Hinting, Virtual Servers, Grouping e Key Affinity

56. Hashing: Server Hinting • Server Hinting • una tripla di valori (site, rack, server) • E’ un “Aiuto” al consistent hashing per aumentare l’Availability complessiva del sistema • Utile per esempio per evitare che le repliche di un dato risiedano nello stesso rack

57. Hashing: Virtual Servers • Numero di “segmenti” in cui si partiziona logicamente un cluster • Migliora la distribuzione dei nodi sull’hashing wheel e dunque la ripartizione delle chiavi stesse • Default: 60

58. Hashing: Grouping • Colocation dei dati: lo stesso nodo contiene il dato X ma anche i dati afferenti ad X (es: anagrafica cliente e suoi movimenti sul conto) • Si definisce un “gruppo” per il quale il Data Grid garantisce che gli oggetti appartenenti saranno presenti sullo stesso nodo • Si lavora sui pattern di accesso ai dati più frequenti

59. Hashing: Key Affinity • Scopo simile alle Grouping API: il Key Affinity Service è un servizio attraverso il quale possiamo richiedere un ID di cui siamo certi che verrà gestito da un particolare nodo • Grouping e/o Key Affinity sono fondamentali se si vuole raggiungere il Nirvana del Data Grid

60. Nirvana del Data Grid • Tutti i dati che servono ad una applicazione sono disponibili in locale, e dunque alla distanza di una singola chiamata Java

61. Persistenza dei dati • Cache Store • Non solo in memoria! • Write through e write behind (ACK sincrono o asincrono) • Pluggable “drivers” per diversi store • File System, JDBC, LevelDB • MongoDB, JPA, Cassandra, BerkeleyDB, ecc.

62. Eviction dei dati • Evita al sistema degli Out Of Memory • Le entry possono anche essere “passivate” su disco (in diverse modalità, vedi CacheStore)

63. Expiry dei dati • Si assegna una “vita” al dato stesso (lifespan) o un tempo massimo di “non utilizzo” (max idle time) • Dopodiché superati questi valori il dato verrà invalidato e rimosso dal Data Grid (senza passivazione) • Evita di doversi scrivere job “spazzini” • Evita degli Out Of Memory

64. Eviction/Expiry: differenze • Tutte e due le tecniche servono fondamentalmente per evitare gli Out Of Memory • I dati “Evicted” a differenza di quelli “Expired” possono essere mantenuti nel Grid per usi futuri con la Passivazione

65. Transactions • A differenza della maggior parte dei Database “NoSQL”, Infinispan ha un full support per le transazioni • Local Transactions • Global Transactions (XA): individua il TX Manager dell’AS che lo ospita e lo usa • Batching (come le Global, fra diversi cluster Infinispan)

66. Listeners / Notifications • Capacità di ricevere eventi • A livello di Cache o di CacheManager • Cambio di topologia • Aggiunta/Rimozione/Modifica di oggetti

67. Querying the Grid • Modulo Infinispan-query • utilizza Hibernate Search e Lucene • Querying via DSL • Gli indici di Lucene possono essere in memoria, su disco o anche essi nella griglia

68. Map / Reduce • Map/Reduce è un algoritmo reso famoso da Google per l’implementazione del suo famoso algoritmo di ricerca distribuito • M/R permette di effettuare delle operazioni “globali” sulla griglia • Ogni nodo lavora sui dati di sua competenza (Map) • I risultati vengono poi aggregati (Reduce)

69. Map / Reduce

70. Map / Reduce

71. Distexec: Distributed Execution • Distexec permette di sottomettere dei “task” alla griglia • Il task può essere eseguito su tutti i nodi o su un sottoinsieme dei nodi • Il task può modificare i dati stessi del Grid

72. Cross Site Replication

73. Cross Site Replication • Architetture Follow the Sun • Permette di avere più Cluster che si sincronizzano fra loro • In sync o async

74. Management Tooling • Infinispan Command Line Console • JMX • RHQ/JON Plugin • Hawt.io plugin (si, la stessa console di Fuse :) )

75. Modi di utilizzo • Embedded mode / Library mode • Direttamente dalla JVM • Client/Server mode • REST • Memcached • Hot Rod

76. Library Mode

77. Library Mode Il Library mode da accesso a tutte le API e le feature • Map-like key/value store • Querying, JPA-like layer (Hibernate OGM) • Listener e Notification • Transazioni Locali e Globali, Batching • Map/Reduce e Distexec

78. Client/Server mode Protocolli supportati • REST • Memcached • Hot Rod

79. Client/Server Mode • Non tutte le API sono a disposizione su protocolli remoti • Ci sono differenze di feature per le diverse API • Il grid può però scalare indipendentemente ed essere accessibile a diversi sistemi

80. REST • Utile per client non Java per i quali non esista un protocollo • HTTP Transport: Firewall friendly • E’ ovviamente più lento delle alternative

81. Memcached protocol • Protocollo text based molto diffuso • Clustering • State sharing • Non ha configurazione dinamica: se un nodo cade va riconfigurata la lista dei server • Utile per swap-in di Memcached, CouchDB o CouchBase

82. Hot Rod • Wire protocol per comunicazioni client server • Open Source • Language independent • Built-in failover e load balancing • Smart routing

83. Confronto protocolli Protocol Client Libs Smart Routing Load Balancing/ Failover TX Listeners M/R Dist Search Cluster separato Library mode inVM N/A Yes Dinamico Yes Yes Yes Yes Yes No REST Text HTTP No Qualsiasi HTTP load balancer No No No No No Yes Memcached Text Molte No Solo con predefined server list No No No No No Yes Hot Rod Binary Java/ Python/ C++ Yes Dinamico Locali con MVCC Yes (6.4) No No Yes (6.3) Yes

84. Confronto protocolli Protocol Client Libs Smart Routing Load Balancing/ Failover TX Listeners M/R Dist Search Cluster separato Library mode inVM N/A Yes Dinamico Yes Yes Yes Yes Yes No REST Text HTTP No Qualsiasi HTTP load balancer No No No No No Yes Esempio di ciclo virtuoso OSS Memcached Text Molte No Solo con predefined server list No No No No No Yes Hot Rod Binary Java/ Python/ C++ Yes Dinamico Locali con MVCC Yes (6.4) No No Yes (6.3) Yes

85. Chi usa ?

86. Chi usa i Data Grids? • Chiunque abbia bisogno di: • massive data volumes • high transactional throughput • strict performance characteristics • uptime elevati

87. Link e risorse JDG JBoss Data Grid • Product page: http://www.redhat.com/products/jbossenterprisemiddleware/data-grid/ ! Infinispan • Project page: http://www.infinispan.org • Blog: http://blog.infinispan.org • Twitter: http://twitter.com/infinispan • Community wiki e docs: http://community.jboss.org/wiki/Infinispan

Data grid

Data grid

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente(20)

Similar a Data grid

Similar a Data grid(20)

Más de Ugo Landini

Más de Ugo Landini(9)

Data grid