azugadiz « Clúster Big Data

INTRODUCCIÓN AL RETO:

Big Data es un concepto que se crea a raíz de la capacidad de almacenamiento de gran cantidad de datos, normalmente generados por empresas u otro tipo de organismos (facturas, datos de usuarios o clientes, stocks de material…) o con el avance de tecnologías como IoT (directamente por objetos que generan información desde sensores) que si es analizada (mediante algoritmos tipo machine learning u otros métodos convencionales) pueden generar “insights” útiles para tomar decisiones (en negocios, investigaciones científicas, salud y muchos sectores).

La Inteligencia Artificial y el Big Data se complementan perfectamente ya que crean un círculo de retroalimentación: con los datos se pueden alimentar los sistemas de AI para obtener resultados, el sistema aprende y se vuelve más inteligente, mientras que los resultados obtenidos se convierten en nuevos datos de entrada para el sistema.

Un programa no tiene inteligencia, hace exactamente lo que le piden. La IA no se basa en órdenes, si no en datos de entrada y resultados basados en probabilidades de éxito.

El Aprendizaje Automático es la capacidad de un sistema, de un software, para aprender por sí solo.

Existen algoritmos de machine learning orientados a lograr este aprendimiento.

DESCRIPCIÓN:

El objetivo de este reto es que creéis un proyecto, pensado por vosotros mismo, con las herramientas vistas en clase tanto de Big Data como de Inteligencia Artificial.

Fase del proyecto:

Comunicación

Entre los integrantes del grupo piensan en la propuesto y presenta su solicitud de desarrollo de software.

Planificación y análisis

El desarrollo de software comienza con una fase inicial de planificación incluyendo un análisis de requisitos. Se indaga en profundidad. Los requisitos se agrupan en requisitos del proyecto, requisitos funcionales y requisitos del sistema.

Estudio de viabilidad

Después de la recolección de requisitos, se idea un plan para procesar el software. Se analiza que parte del software cubre los requisitos de cada usuario. Se investiga la viabilidad tecnológica.

Análisis del sistema

En este paso el equipo del proyecto asigna recursos y planifica el tiempo de duración del proyecto. Se buscan limitaciones del producto y se identifican los impactos del proyecto sobre toda la organización en su conjunto.

Diseño

En esta fase ya se comienza a visualizar la solución con la ayuda de las anteriores fases. Se hace un diseño lógico y otro físico. Se crean metadatos, diagramas o pseudocódigos. La duración de esta fase varía de un proyecto a otro.

Codificación

Esta fase también denominada ‘fase de programación’ o ‘fase de desarrollo’ es en la que elige el lenguaje de programación más conveniente, y se desarrollan programas ejecutables y sin errores de manera eficiente. Al final de esta fase se puede obtener un PMV (Producto mínimo viable) o el software completamente desarrollado y listo para implementarse.

Integración

El Software puede necesitar estar integrado con bibliotecas, bases de datos o con otros programas. Esta fase del SDLC integra el software con las entidades del mundo exterior.

Pruebas

Esta fase junto con la fase de desarrollo entra en un ciclo continuo hasta que se completan el desarrollo y las pruebas. Probamos, probamos y luego volvemos a probar tanto como sea necesario hasta que la funcionalidad sea del 100%.

Además, se hacen evaluaciones para evitar errores, incluyendo la evaluación de módulos, programas, productos, y finalmente evaluación con el profesor. Encontrar errores y su arreglarlos a tiempo es la clave para conseguir un software confiable y eficiente.

Presentación

Esta es la fase más interesante, ¡La presentación!

DESCRIPCIÓN

Objetivo: Realizar un análisis integral de la red de sonómetros en Bilbao para comprender y caracterizar los niveles de ruido en diferentes áreas de la ciudad.

Datos: Datos de los sonómetros y geoespaciales.

Open data Euskadi (los sonómetros y su geolocalización):

https://www.bilbao.eus/aytoonline/jsp/opendata/movilidad/od_sonometro_mediciones.jsp?idioma=c&formato=json
https://www.bilbao.eus/aytoonline/jsp/opendata/movilidad/od_sonometro_ubicacion.jsp?idioma=c&formato=geojson

Ayuntamiento de Bilbao (tráfico de Bilbao):

https://www.bilbao.eus/aytoonline/srvDatasetTrafico?formato=geojson

Pasos:

1. Importar y Limpiar Datos: Importa los datos de sonómetros y realiza una limpieza inicial. Asegúrate de que los datos estén completos, trata valores atípicos y asegúrate de que la información geoespacial este correctamente asociada.

2. Análisis Exploratorio: Calcula estadísticas descriptivas de los niveles de ruido, como medias, desviaciones estándar y rangos. Visualiza la variación temporal y espacial de los niveles de ruido.

3. Mapeo de Niveles de Ruido: Utiliza herramientas de mapeo para representar los niveles de ruido en diferentes áreas de la ciudad. Puedes considerar mapas de calor para resaltar las zonas con mayores niveles de ruido.

4. Correlaciones Espaciales: Investiga las correlaciones espaciales entre los niveles de ruido en diferentes ubicaciones. ¿Existen patrones geográficos en los niveles de ruido?

5. Análisis Temporal: Examina la variación de los niveles de ruido a lo largo del tiempo. Puedes identificar patrones diurnos/nocturnos, así como eventos especiales que puedan afectar los niveles de ruido entre otros.

6. Comparación con Parámetros Regulatorios: Compara los niveles de ruido registrados con los estándares y regulaciones locales. Identifica áreas que podrían requerir intervenciones para cumplir con los límites establecidos.

7. Informe y Visualización de Resultados: Crea un Power BI que incluya visualizaciones significativas. Utiliza gráficos, mapas y tablas para comunicar claramente los patrones y conclusiones encontrados. Crea un informe con todas las conclusiones encontradas.

Al menos, tu programa en R debe de contestar a las siguientes cuestiones:

1. ¿Cuántos registros hay en la base de datos de los sonómetros de Bilbao?

2. Mostrar calles en Bilbao que cuentan con sonómetros

3. ¿Cuántas veces ha contado un sonómetro en cada calle?

4. ¿Cuál es el promedio de la calle con los decibelios más altos?

5. ¿Cuál es el promedio de la calle con los decibelios más bajos?

6. ¿Cuál es el registro más alto en decibelios de un sonómetro?

7. ¿Cuál es el registro más bajo en decibelios de un sonómetro?

8. Imprimir calles ordenadas de mayor a menor por promedio de decibelios

9. ¿En cual franja horaria (hora) se producen más decibelios?

10. ¿En cual franja horaria (hora) se producen menos decibelios?

11. ¿En qué fecha se han producido más decibelios?

12. ¿En qué fecha se han producido menos decibelios?

13. ¿En qué fecha y hora se han producido más decibelios?

14. ¿En qué fecha y hora se han producido menos decibelios?

15. Promedio de decibelios de todo Bilbao

16. Análisis de los parámetros más necesarios para realizar predicciones

17. Distintas predicciones del ruido que van a generar los sonómetros, en base a los parámetros importantes.

18. Análisis de la calidad del predictor y de su margen de error

DESCRIPCIÓN

La multinacional Metflis desea realizar un estudio detallado de las películas que sus clientes ven y las calificaciones que otorgan a estas películas. El objetivo principal de este estudio es mejorar la calidad y la relevancia del contenido que se ofrece a los usuarios.

Para llevar a cabo esta tarea, crearemos una base de datos relacional utilizando PostgreSQL que permitirá a Metflis rastrear las preferencias de los usuarios, las películas disponibles y las calificaciones de las películas. Además, implementaremos secuencias para generar identificadores únicos, triggers para mantener automáticamente la calificación promedio de las películas y al menos un procedimiento almacenado para agregar películas a las listas de reproducción de los usuarios.

1. Modelo E/R: En Metflis , puedes tener usuarios, películas y listas de reproducción. Los usuarios pueden agregar películas a sus listas de reproducción y también pueden marcar películas como vistas o no vistas. Además, cada película tiene una calificación promedio dada por los usuarios.
2. Creación de tablas en PostgreSQL: Cada primary_key de cada tabla será una secuencia.
3. Triggers: Actualiza la calificación de promedio de una película cada vez que un usuario la califique
4. Las creaciones de registros se realizan a través de procedimientos almacenado

A continuación, cada grupo propondrá un proyecto que tendrá que tener las siguientes características mínimas:

El programa tiene que utilizar la base de datos creada anteriormente.
Si el alumno/grupo de alumnos considera hacer limpieza de la base de datos (eliminar información innecesaria, borrar columnas, eliminar columnas, etc.) lo podrá hacer justificando dicha limpieza.

El programa se realizará en Python.

A poder ser se realizará en Google Colab salvo que las necesidades del proyecto requieran un cambio de plataforma.
El programa deberá de tener como mínimo las siguientes funcionalidades del lenguaje Python: uso de bucles, cadenas, condicionales, listas, tuplas, diccionarios, funciones, control de excepciones, uso de programación orientada a objetos.
Se valorará positivamente el uso de nuevas funcionalidades de Python no mencionadas anteriormente.
Se recomienda la realización de un menú o un diseño intuitivo para que a la hora de ejecutar sea lo más ‘user friendly’ posible.
Relacionar la base de datos usada con una de las siguientes áreas

Relacionar el programa realizado con la afectación que tendría en la sociedad. El proyecto tendrá que ser lo suficientemente largo para que todos los integrantes del grupo puedan participar en él.

Una vez se haga la propuesta del proyecto, el profesor lo validará y se podrá comenzar con el mismo.

Finalmente, se recomienda y se valorará positivamente la realización de una documentación explicando las características principales del proyecto realizado

DESCRIPCIÓN

Pertenecemos al departamento de informática de la multinacional IA&BD Consulting, la cual presta servicios a una conocida tele operadora de telefonía móvil.

Con la intención de actualizar la empresa a los nuevos tiempos, se ha contratado un nuevo Director General que nada más llegar ha comenzado a pedir una serie de informes de situación para poder hacerse una idea lo más clara posible de con qué se va a encontrar.

Por otro lado, el cliente necesita desarrollar un sistema que sea capaz de alertar de si un cliente está a punto de darse de baja.

SISTEMAS DE BIG DATA

El departamento financiero nos han facilitado una excel con los datos administrativos, lo cual, resulta bastante engorroso a la hora de querer hacer consultas y analítica.

Las tareas a realizar son las siguientes:

– Crear una base de datos en MongoDB con sus colecciones y documentos.

– Un informe ejecutivo en Power BI para el gerente con todos los datos relevantes.

BIG DATA APLICADO

El cliente dispone de gran volumen de datos por los que deciden usar un entorno hadoop.

Las tareas a realizar son las siguientes:

– Los datos estarán guardados en Hive. Crear una base de datos y guardar todos los datos que se encuentran en el fichero.

– Desde spark se va a acceder a los datos de hive para realizar una serie de cálculos:

Para poder acceder desde spark a hive se debe buscar el archivo hive-site.xml en el directorio spark y reemplazarlo por el archivo hive-site.xml que se encuentra en el directorio hive.

Realizar los siguientes cálculos desde spark y guardarlos en Hive.

– Calcular mediante un map reduce el número de llamadas por zona (sumar dia y noche)

– Calcular el número de carga por plan de voz (Voice mail plan)

SISTEMAS DE APRENDIZAJE AUTOMÁTICO

Usad bigML para hacer la predicción: determinar qué algoritmo es más adecuado para solucionar el problema (supervisado o no supervisado). Usar más de un algoritmo supervisado y utilizar la mayor cantidad de funcionalidades de bigML.

Hay que explorar y analizar los datos con bigML. Finalmente, hay que argumentar el uso de cada algoritmo.

PROGRAMACIÓN DE INTELIGENCIA ARTIFICIAL

Haced el limpiado y adecuación de la BD en Python. Usar la plataforma de Kaggle de apoyo y utilizar ejemplos realizados en las actividades de clase.

Elegir el algoritmo que mejores resultados haya dado en bigML y realizar la predicción en Python. Para ello utilizar la librería scikit-learn, numpy, pandas, matplotlib y utilizar la programación estructurada.

DOCUMENTACIÓN A ENTREGAR

Documentación a entregar:

Portada con el nombre del estudiante y el título de la actividad-reto, el número de la evaluación y la fecha de entrega.
Índice principal.
Referencias bibliográficas.
Anexos: estos son apartados opcionales que contienen elementos que complementan o amplían la información del trabajo.
La documentación deberá estar escrita en tamaño de página A4 con los siguientes márgenes:

Izquierdo: 3,0 cm.

Derecho: 2,0 cm.

Superior e inferior: 2,5 cm.

Texto principal:

Arial 12, justificado, interlineado 1,5.

Notas al pie:

Arial 10, justificado.

Tablas, figuras, imágenes:

Título en la parte inferior: Arial 12, negrita, centrado.

Encabezado y pie de página:

Todas las páginas llevarán un encabezado con el nombre completo del estudiante y el título de la actividad-reto.

Todas las páginas llevarán también un pie de página con el número de página.

Presentación del reto: usar transparencias por ejemplo para ello.

Ejercicios de Spark RDD

Importar librerías para trabajar con RDD

1. Crear un RDD a partir de array de números y contar los elementos del RDD.

2. Crear un RDD a partir de array de caracteres y devolver el primer elemento.

3. Crear un RDD a partir de un fichero y mirar si contiene la palabra “BigData”.

4. Cuanta el número de elementos de un RDD agrupados por clave.

5. Cuanta en número de elementos de un RDD agrupados por valor.

6. Cuenta personas agrupándolos por nombre y ordénalos ascendentemente.

7. Crea un array de números busca el mayor, el menor, suma todos los valores y saca la media.

8. Cuentas las palabras que hay en el archivo LoremIpsum.txt, muestra por pantallas las 10 palabras con más apariciones.

9. Con el RDD de LoremIpsum nos tenemos que quedar con aquellas palabras que de tamaño sean 6 o superior.

10. Transformar el RDD anterior en mayusculas y visualiza únicamente el 25% de las palabras (la acción que se usa es sample(remplazo, porcentaje, semilla))

11. Dado un array de números visualiza el array ordenado ascendentemente p.e Array (5,4,6,10,7,3,1,9)

12. Dado un array de números comprendidos entre 0 y 20 devolver dos listas; el primero con los números mayores de 10 y otro con los números menores de 10.

13. Dado un array p.e Array(“a b c”, “d f e”, “h i”) pintar por pantalla las letras ordenadas alfabéticamente

14. Dado dos arrays de números crear un solo array ordenado y visualizarlo por pantalla.

15. Crear una función que dado un string devuelva la frase: la palabra escrita es “string”. Crear un rdd con palabras y por cada una de las palabras sacar por pantalla la frase que escribe la funcion

16. Crear dos rdd con los siguientes datos (“garazi”, 6), (“oihan”, 3), (“ane”, 6) y otro con (“oihan”, 5), (“mikel”, 3). El primer campo es la persona y el segundo el numero de apariciones. Visualizar por pantalla el número de apariciones de cada una de las personas por orden descendente.

17. Dado un array de la forma Array((2,3), (1,2), (5,6), (4,5), (8,9), (7,8)). Visualizar que números están repetido y cuales no.

18. Guardar en un acumulador el número de elementos del array anterior con persistecia en disco. Visualizar el valor en pantalla.

Instalar en un servidor Zookeper
Instalar en 3 servidores diferentes Kafka
Configurar server.propertis de cada servidor Kafka para que accedan al servidor de Zookeeper.
1. zookeeper.connect=zookeeper_ip:2181
Configurar cada uno de los kafka para cada uno de ellos tenga un id diferente.
1. broker.id=1
2. broker.id=2
3. broker.id=3
Configurar el listener con el protocolo: PLAINTEXT y que escuche desde todas las ip
1. listener=PLAINTEXT://0.0.0.0:9092
Configurar para que tenga id automáticos reservando los primeros 1000 como estáticos.
1. broker.id.generation.enable=true
2. reserved.broker.max.id=1000
Comprobar que en zookeeper se han registrado automáticamente los brokers
1. bin/zkCli.sh -server zookeper_ip:2181
2. ls /brokers/ids
Comprobar que contiene el primer bróker
1. get /brokers/ids/1
Comprobar los topics que tiene, si no tiene crea uno
1. ls /brokers/topics
Comprobar las particiones de ese topic
1. ls /brokers/topics/new_topic/partition
Entrar en el state de la primera partición.
1. ls /brokers/topics/new_topic/partition/0/state
Crear un topic que tenga 2 particiones y un factor de replicación de 1
1. bin/kafka–topics.sh ––zookeeper zookeeper_id:2181 ––create ––topic mi_topic ––partitions 2 ––replication–factor 1
Visualízalo con –describe y explica los datos que devuelve
1. bin/kafka–topics.sh ––zookeeper zookeeper_id:2181 –-describe ––topic mi_topic
2. Se habrá creado un leader por cada broker. Como no tenemos réplicas nos dice que la réplica está en el broker donde esta el leader y que está en sincronía con sigo mismo.
Crear un topic con tu nombre_replica que tenga 3 particiones y factor de replicación de 3.
1. bin/kafka–topics.sh ––zookeeper zookeeper_id:2181 ––create ––topic mi_topic_3 ––partitions 2 ––replication–factor 3
Visualiza con –describe y explica los datos que devuelve
1. bin/kafka–topics.sh ––zookeeper zookeeper_id:2181 –-describe ––topic mi_topic_2
2. Se habra creado un leader en cada broker. Y en replicas nos aparece los id donde hay una réplica. Y todas ellas están en sincronía porque aun no se han producido mensajes.
Para uno de los servidores de Kafka y vuelve visualizar resultado. Explica los datos que devuelve.
1. bin/kafka-server-stop.sh
2. bin/kafka–topics.sh ––zookeeper zookeeper_id:2181 –-describe ––topic mi_topic_2
3. Cambian los leader porque hay un broker que no está disponible. La sincronía también cambia con los dos broker disponible.
Levanta el servidores de Kafka y vuelve a visualizar los resultados. Explica los datos que devuelve.
1. Se han recuperado las réplicas pero los leaders no se han balanceado. Kafka balancea los leaders cada x tiempo aunque también se puede forzar. Como lo leaders no están balanceados perdemos la alta disponibilidad.

Creación de Tópicos, Productores y Consumidores

1. Conectarse a Zoopeker:
2. Para comprobar la conexión: bin/zkCli.sh -server localhost:2181
3. Conectarse a kafka en segundo plano con daemon:
4. Creación de nuevo topics:
5. Visualización de los topics existentes:
6. Para producir (pantalla de la izquieda) y consumir (pantalla de la derecha) mensajes desde shell (TEST).
  Existen dos maneras de producir mensajes:
  Esto quedará reflejado en el consumidor con un null o la clave.
7. Para producir mensajes desde Spark Streaming (Scala):
8. Para consumir mensajes desde Spark Streaming (Scala):

¿Qué es ZooKeper?

ZooKeeper es el servicio de coordinación centralizada para aplicaciones distribuidas.

Soluciona problemas como:

Almacenamiento de configuración.
Bloqueos distribuidos.
Elección de líder.

Proporciona una estructura similar a la que se encuentra en un sistema de ficheros.

Cada elemento de la estructura es conocido como Znode y puede contener información en su interior como por ejemplo un JSON.

1.1. ¿Características de ZooKeper?

El servicio esta formado por distintos nodos cada uno con un servidor.
Uno de los servidores actúa como leader. Encargado de la coordinación interna.
Siempre tiene que existir Quórum, para validar las escrituras.

¿Qué es Kafka?

Kafka es una plataforma de streaming de mensajes diseñada para ser altamente escalable y tolerante a fallos. Es muy utilizada para procesar grandes cantidades de datos en tiempo real y puede ser utilizada en una amplia gama de aplicaciones consumidores.

2.1. Productores y consumidores

Los productores de Apache Kafka puede ser cualquier aplicación que necesite enviar datos a un sistema distribuido. Son aplicaciones que envían mensajes a uno o varios tópicos de Kafka.

Los consumidores de Kafka son aplicaciones que se suscriben a tópicos de Kafka y procesan los mensajes que se envían a esos tópicos.

En Kafka, las colas se llaman “tópicos” (topics). Los tópicos son similares a las colas tradicionales, pero con algunas diferencias clave. En lugar de tener un único consumidor por mensaje, como ocurre en una cola tradicional, los tópicos de Kafka pueden tener múltiples consumidores que pueden leer los mensajes publicados en el tópico de forma simultánea. Esto permite a Kafka escalar de forma más eficiente y procesar grandes volúmenes de datos de forma rápida.

Además, los tópicos de Kafka tienen un historial de mensajes, lo que significa que se guardan durante un período de tiempo determinado (configurable por el usuario) y pueden ser leídos por cualquier consumidor que se conecte al tópico en cualquier momento durante ese período de tiempo.

2.2. Modelo publicador-suscriptor

El modelo publicador-suscriptor es un patrón de diseño comúnmente utilizado en sistemas de mensajería y se aplica a Kafka en el contexto de tópicos y mensajes.

Kafka utiliza un modelo publicador-suscriptor en el cual existen tres actores principales:

Publicadores: son los que envían mensajes a un tópico.
Tópicos: son los que almacenan y distribuyen los mensajes a los suscriptores.
Suscriptores: son los que reciben los mensajes publicados en un tópico.

Cuando un publicador envía un mensaje a un tópico, el tópico lo almacena y lo distribuye a todos los suscriptores que estén suscritos al tópico. Los suscriptores pueden leer los mensajes en tiempo real mientras se publican o pueden leer los mensajes en un momento posterior.

El modelo publicador-suscriptor permite a los publicadores y suscriptores interactuar de manera asíncrona, lo que significa que no necesitan estar conectados al mismo tiempo para enviar o recibir mensajes. Esto hace que Kafka sea adecuado para aplicaciones que necesitan procesar grandes volúmenes de datos en tiempo real y que pueden tener picos de actividad.

2.3. Brokers

Los brokers de Kafka son los servidores que almacenan y transmiten los mensajes a través de la red. En un cluster de Kafka, puede haber varios brokers para permitir la escalabilidad y la tolerancia a fallos.

Cuando un publicador envía un mensaje a un tópico, el mensaje se almacena en uno o más brokers, dependiendo de la configuración del tópico. Cuando un suscriptor se suscribe a un tópico, los brokers envían los mensajes al suscriptor en tiempo real.

Los brokers también tienen la responsabilidad de replicar los mensajes a través del cluster para garantizar la tolerancia a fallos. Si un broker falla, otro broker puede tomar el control y seguir enviando mensajes a los suscriptores sin interrupción.

Los brokers se sincronizan utilizando Apache ZooKeper.

2.4. Tópicos

Los tópicos de Kafka son los elementos centrales de la plataforma. Son los que almacenan y distribuyen los mensajes publicados por los publicadores a los suscriptores.

Cada tópico tiene un nombre único y puede tener múltiples consumidores que se suscriben a él.

Los mensajes publicados en un tópico se almacenan en el cluster de Kafka y se distribuyen a todos los consumidores suscritos al tópico. Los consumidores pueden leer los mensajes en tiempo real mientras se publican o pueden leer los mensajes en un momento posterior.

Los tópicos también tienen una historia de mensajes, lo que significa que se guardan durante un período de tiempo determinado (configurable por el usuario) y pueden ser leídos por cualquier consumidor que se conecte al tópico en cualquier momento durante ese período de tiempo. Esto hace que Kafka sea útil para el procesamiento de datos en tiempo real y la replicación de datos entre sistemas.

2.4.1. Las particiones

Las particiones de los tópicos de Kafka son una característica clave de la plataforma que permite aumentar la capacidad y la escalabilidad del sistema.

Cada tópico de Kafka se divide en un número configurable de particiones. Cada partición contiene una secuencia ordenada de mensajes y puede almacenar y distribuir mensajes de forma independiente de las otras particiones del mismo tópico. Esto permite a Kafka procesar grandes volúmenes de mensajes de manera eficiente.

En Kafka, la carga se balancea a través de las particiones de los tópicos. Cada tópico se divide en un número configurable de particiones y cada partición puede ser almacenada y replicada en diferentes brokers del cluster.

Cuando un publicador envía un mensaje a un tópico, Kafka distribuye el mensaje a una partición específica del tópico basándose en la clave de partición del mensaje. Esto permite a Kafka distribuir los mensajes de forma equilibrada entre las particiones y aumentar la capacidad del sistema.

Cuando un consumidor se suscribe a un tópico, puede leer los mensajes de cualquiera de las particiones del tópico. Esto permite a los consumidores procesar los mensajes de forma paralela y aumentar la velocidad de procesamiento.

Cada partición es un fichero que se encuentra en el disco.

Los ficheros son denominados logs.
Internamente cada mensaje dentro de log es identificado por un offset.

2.4.2. Las replicas

En Kafka, las réplicas son copias de seguridad de las particiones de los tópicos. Cada partición de un tópico puede tener un número configurable de replicas, que se almacenan en diferentes brokers del cluster.

Las replicas tienen dos funciones principales:

Proporcionar tolerancia a fallos: Si un broker falla, otra replica de la partición puede tomar el control y seguir proporcionando acceso a los mensajes de la partición. Esto permite a Kafka garantizar la disponibilidad de los mensajes incluso en caso de fallos.

Mejorar la rendimiento: Las replicas permiten a los consumidores leer los mensajes de forma paralela de diferentes brokers, lo que aumenta la velocidad de procesamiento y el rendimiento del sistema.

Kafka gestiona las replicas de forma automática y puede replicar las particiones a través de diferentes brokers del cluster para garantizar la tolerancia a fallos y el rendimiento. El usuario puede configurar el número de replicas de cada partición y Kafka se encargará de mantenerlas sincronizadas y actualizadas.

Un tópico con 3 particiones, que cada una de ellas va a un broker, y no hay réplicas:

Un tópico con 3 particiones, que cada una de ellas va a un broker, y 2 réplicas:

Un tópico con 3 particiones, que cada una de ellas va a un broker, y 3 réplicas:

Máximas replicas == Numero de brokers.

❖ Al incrementar las replicas hacemos el sistema mas robusto ante caídas.

❖ Las replicas implican un incremento del uso del ancho de banda entre los brokers.

❖ Las réplicas provocan la disminución de la tasa de producción de mensajes por segundos a un topic, si se activa el asentimiento por replica.

Apache Spark es un marco informático de clúster de código abierto para el procesamiento en tiempo real. Tiene una próspera comunidad de código abierto y es el proyecto Apache más activo en este momento. Spark proporciona una interfaz para programar clústeres completos con paralelismo de datos implícito y tolerancia a fallas.

Fue construido sobre Hadoop MapReduce y extiende el modelo MapReduce para usarlo de manera más eficiente y con más tipos de cálculos.

Las característica de Spark son las siguientes:

Políglota:
- Spark proporciona un API de alto nivel en Java, Scala, Python y R. El código de Spark se puede escribir en cualquiera de estos cuatro lenguajes.
- Proporciona un shell en Scala y en Python.
- Desde el directorio instalado se puede acceder al shell de Scala y al shell de Python a través de ./bin/spark-shell y de ./bin/pyspark respectivamente.
Velocidad:
- Para el procesamiento de datos a gran escala, Spark se ejecuta hasta 100 veces más rápido que Hadoop MapReduce.
- Spark puede lograr esta velocidad a través de la partición controlada.
- Administra los datos mediante particiones que ayudan a paralelizar el procesamiento de datos distribuidos con un tráfico de red mínimo.
Evaluación perezosa :
- Apache Spark retrasa su evaluación hasta que sea absolutamente necesario. Este es uno de los factores clave que contribuyen a su velocidad.
- Spark agrega las transformaciones a un DAG (Gráfico acíclico dirigido) de cálculo y solo cuando el controlador solicita algún dato se ejecuta el DAG.
Integración Hadoop :
- Apache Spark proporciona una compatibilidad fluida con Hadoop.
- Spark es un reemplazo potencial para las funciones de MapReduce de Hadoop.
- Para la programación de recursos, Spark tiene la capacidad de ejecutarse sobre un clúster de Hadoop existente usando YARN.
Aprendizaje automático :
- MLlib de Spark es el componente de aprendizaje automático, útil cuando se trata de procesamiento de Big Data.
- Erradica la necesidad de usar múltiples herramientas; una para procesamiento y otra para aprendizaje automático.
- Spark proporciona a los ingenieros y científicos de datos un motor potente y unificado rápido y fácil de usar.

Clúster Big Data

Conoce y accede a toda la información sobre el proyecto de despliegue de un clúster Hadoop en el CPD de Tartanga

Author Archives: azugadiz

¡¡Hasta el infinito y más allá!!

Análisis de relación entre la red de sonómetros de Bilbao y el nivel de ruido en la ciudad

Meflis: Mejorando la Experiencia del Usuario

IA&BD Consulting

Ejercicios Spark RDD con Zeppelin Notebook

Apache Kafka Configuración de Brokers

Apache Kafka y Spark Streaming

Apache Kafka y ZooKeeper

Apache Spark