Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.
17 sur 48

Plus De Contenu Connexe

Vous Pourriez Aussi Aimer

Architectures lambda - Microsoft

  1. 1. AMBIENT INTELLIGENCE #mstechdays techdays.microsoft.fr tech days• 2015camps
  2. 2. Architectures Lambda Michel Hubert / Georges Damien @michelhubert @georges_damien
  3. 3. tech.days 2015#mstechdaysArchitecture Lambda Directeur Technique chez Cellenza MVP Azure Microsoft P-Seller
  4. 4. tech.days 2015#mstechdaysArchitecture Lambda Consultant chez Cellenza
  5. 5. tech.days 2015#mstechdaysArchitecture Lambda  Architectures Lambda
  6. 6. tech.days 2015#mstechdaysArchitecture Lambda « La meilleure façon de prédire le futur est de regarder le passé et le présent ! » Pourquoi les architectures lambda ?
  7. 7. tech.days 2015#mstechdaysArchitecture 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 ?
  8. 8. tech.days 2015#mstechdaysArchitecture Lambda Architecture lambda ?
  9. 9. tech.days 2015#mstechdaysArchitecture Lambda La base de données classique : Architecture basée sur des données immuables UPDATE
  10. 10. tech.days 2015#mstechdaysArchitecture Lambda Stockage immuable : Architecture basée sur des données immuables
  11. 11. tech.days 2015#mstechdaysArchitecture Lambda Quels cas d’usage ?
  12. 12. tech.days 2015#mstechdaysArchitecture Lambda
  13. 13. tech.days 2015#mstechdaysArchitecture Lambda 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
  14. 14. tech.days 2015#mstechdaysArchitecture Lambda La Master Data
  15. 15. tech.days 2015#mstechdaysArchitecture Lambda 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
  16. 16. tech.days 2015#mstechdaysArchitecture Lambda  Event Hub vs Topics / Queues Bus de messages Topics / Queues Event Hub
  17. 17. tech.days 2015#mstechdaysArchitecture Lambda 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
  18. 18. tech.days 2015#mstechdaysArchitecture Lambda Envoi des données Partition 1 Partition 2 Partition “n” Event 1 PartitionKey=A Event 1 PartitionKey=B
  19. 19. tech.days 2015#mstechdays Publication de message .Net / AMQP Architecture Lambda
  20. 20. tech.days 2015#mstechdays Publication de message via HTTP Architecture Lambda <protocol>://<namespace>.servicebus.windows.net/<eventhubname>/publisher/<partitionkey>/messages
  21. 21. tech.days 2015#mstechdaysArchitecture Lambda 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
  22. 22. tech.days 2015#mstechdaysArchitecture Lambda Consommation multiple Partition 1 Partition 2 Partition “n” Consumer Group C Callback for prtn. 6 Callback for prtn. 2 Worker “n” Callback for prtn. 1 Callback “n” Worker 1Consumer Group B Callback for prtn. 6 Callback for prtn. 2 Worker “n” Callback for prtn. 1 Callback “n” Worker 1Consumer Group A Worker “n” Callback for prtn. 6 Callback for prtn. 2 Callback for prtn. 1 Callback “n” Worker 1
  23. 23. tech.days 2015#mstechdays IEventProcessor Architecture Lambda
  24. 24. tech.days 2015#mstechdays IEventProcessor Architecture Lambda
  25. 25. Architecture Lambda
  26. 26. tech.days 2015#mstechdaysArchitecture Lambda Données en mouvement « Complex Event Processing »
  27. 27. tech.days 2015#mstechdaysArchitecture Lambda 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
  28. 28. tech.days 2015#mstechdaysArchitecture Lambda 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…
  29. 29. tech.days 2015#mstechdaysArchitecture Lambda 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?”
  30. 30. tech.days 2015#mstechdaysArchitecture Lambda TumblingWindow(minute,5) HoppingWindow(minute, 10 , 5) SlidingWindow(minute, 3)
  31. 31. Architecture Lambda
  32. 32. tech.days 2015#mstechdaysArchitecture Lambda Une usine à données
  33. 33. 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 … ….
  34. 34. 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
  35. 35. tech.days 2015#mstechdays 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
  36. 36. tech.days 2015#mstechdays Pipeline (Active Period: July 2015 to July 2016) Architecture Lambda
  37. 37. tech.days 2015#mstechdaysArchitecture Lambda
  38. 38. Architecture Lambda
  39. 39. tech.days 2015#mstechdaysArchitecture Lambda Pour aller plus loin…
  40. 40. tech.days 2015#mstechdaysArchitecture Lambda
  41. 41. tech.days 2015#mstechdaysArchitecture Lambda
  42. 42. tech.days 2015#mstechdaysArchitecture Lambda
  43. 43. tech.days 2015#mstechdaysArchitecture Lambda Machine Learning
  44. 44. tech.days 2015#mstechdaysArchitecture Lambda Machine Learning
  45. 45. Architecture Lambda
  46. 46. tech.days 2015#mstechdaysArchitecture Lambda michel.hubert@cellenza.com @michelhubert Georges.damien@Cellenza.com
  47. 47. © 2015 Microsoft Corporation. All rights reserved. #mstechdays techdays.microsoft.fr/camp tech days• 2015camps Architecture Lambda

×