ש:
כיצד יכולות סביבות מחסני נתונים קיימות להתאים בצורה הטובה ביותר כדי לענות על הצרכים של ניתוח נתונים גדולים?
ת:יש להעריך פרויקטים של מחסני נתונים פרטניים כל מקרה לגופו. באופן כללי, בניסיון למתוח עיצוב מחסן נתונים קיים כדי להתמודד טוב יותר עם ניתוח נתונים גדולים, ישנו תהליך ליבה כדי להבין מה צריך לעשות. אנשי IT יכולים לקרוא לזה "שינוי גודל" או "שינוי גודל".
| וובינר: Big Iron, פגוש Big Data: משחרר נתונים של Mainframe עם Hadoop & Spark הירשם כאן |
שינוי גודל בדרך כלל כולל הסתכלות בכוח עיבוד מספק, קבלת כמות מספקת של זיכרון, והתאמת פעילויות שרת חזקות יותר לטיפול בכל מערכות הנתונים הגדולות שהעסק יעבד. לעומת זאת, שינוי גודל יכול להיות איסוף אשכולות של חומרת שרת ורשתם יחד כדי לתאם נתונים גדולים.
כמה מומחי IT הציעו שהשיטה הנפוצה יותר עם אפאצ'י חאדו ועם כלים ופלטפורמות גדולות אחרות של נתונים גדולים היא להרחיב ולהקבץ חומרה בכדי להשיג את האפקטים הרצויים. עם זאת, אחרים מציינים כי בעזרת הטכנולוגיה של ימינו, מחסן נתונים יכול להתפשט באמצעות אסטרטגיית רכש שמוסיפה משאבים לשרת, כמו למשל להשיג מספר גבוה יותר של ליבות עיבוד יחד עם כמות גדולה יותר של זיכרון RAM.
בין אם הם מתפשטים או מורכבים, מחסני נתונים זקוקים לנכסי חומרה פיזיים נוספים כדי להיות מסוגלים להתמודד עם עומסי העבודה הגדולים יותר. הם זקוקים גם למנהל אנושי נוסף, מה שאומר יותר אימונים לצוותים פנימיים. הרבה תכנון צריך להיכנס לפרויקט כדי לקבוע איזה סוג לחץ ולחץ עומס העבודה הגדול יותר על נתונים במערכת מורשת קיימת על מנת להתאים אותו למערכת אקולוגית גדולה של נתונים גדולים. נושא אחד גדול הוא צווארי בקבוק האחסון, המחייבים שדרוגים למרכזי אחסון, וסוגים אחרים של צווארי בקבוק עם ביצועים העלולים לדבוק במערכת המתהווה אם לא הם לא מטופלים.
