SlideShare uma empresa Scribd logo
1 de 17
Event Aggregator Fábio Silva  Luís Ferreira Tiago Sá Departamento de Informática Universidade do Minho
Agenda ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Introdução ,[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Introdução - Objectivos ,[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Introdução - Características ,[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
AMQP ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
AMQP – Produtos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Persistência de dados –  Key-value store ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Persistência de dados –  Key-value store ,[object Object],08/15/10 Event Aggregator <Bucket Name> <key> <value> <key> <value> ... <Bucket Name> <key> <value> <key> <value> ...
Arquitectura do Sistema 08/15/10 Event Aggregator
Arquitectura do Sistema ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Organisação Broker RabbitMQ Broker RabbitMQ Exchange:Clientes Filas de clientes Fila do Sistema 08/15/10 Event Aggregator
Processo de Agregação de eventos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Modelo de dados ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Eventos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Estado actual ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator
Conclusões e trabalho futuro ,[object Object],[object Object],[object Object],[object Object],08/15/10 Event Aggregator

Mais conteúdo relacionado

Semelhante a Event Aggregator

Fisl banco de dados no sql de código aberto
Fisl   banco de dados no sql de código abertoFisl   banco de dados no sql de código aberto
Fisl banco de dados no sql de código aberto
Suissa
 
Arquitetura Microsoft.pptx
Arquitetura Microsoft.pptxArquitetura Microsoft.pptx
Arquitetura Microsoft.pptx
mikasantana2
 

Semelhante a Event Aggregator (20)

[DTC21] Thiago Lima - Do Zero ao 100 no Mundo de Microservices
[DTC21] Thiago Lima - Do Zero ao 100 no Mundo de Microservices[DTC21] Thiago Lima - Do Zero ao 100 no Mundo de Microservices
[DTC21] Thiago Lima - Do Zero ao 100 no Mundo de Microservices
 
Apresentação FTSL 2014 UTFPR Curitiba - Pentaho Multi Tenancy
Apresentação FTSL 2014 UTFPR Curitiba - Pentaho Multi TenancyApresentação FTSL 2014 UTFPR Curitiba - Pentaho Multi Tenancy
Apresentação FTSL 2014 UTFPR Curitiba - Pentaho Multi Tenancy
 
[DTC21] André Marques - Jornada do Engenheiro de Dados
[DTC21] André Marques - Jornada do Engenheiro de Dados[DTC21] André Marques - Jornada do Engenheiro de Dados
[DTC21] André Marques - Jornada do Engenheiro de Dados
 
Transformando Grandes Volumes de Dados em Insight em Tempo Real usando Fast D...
Transformando Grandes Volumes de Dados em Insight em Tempo Real usando Fast D...Transformando Grandes Volumes de Dados em Insight em Tempo Real usando Fast D...
Transformando Grandes Volumes de Dados em Insight em Tempo Real usando Fast D...
 
Processamento e Análise de Dados em Tempo Real com Kafka, ElasticSearch e PyS...
Processamento e Análise de Dados em Tempo Real com Kafka, ElasticSearch e PyS...Processamento e Análise de Dados em Tempo Real com Kafka, ElasticSearch e PyS...
Processamento e Análise de Dados em Tempo Real com Kafka, ElasticSearch e PyS...
 
Stream Processing - ThoughtWorks Architecture Group - 2017
Stream Processing - ThoughtWorks Architecture Group - 2017Stream Processing - ThoughtWorks Architecture Group - 2017
Stream Processing - ThoughtWorks Architecture Group - 2017
 
Stream de dados e Data Lake com Debezium, Delta Lake e EMR
Stream de dados e Data Lake com Debezium, Delta Lake e EMRStream de dados e Data Lake com Debezium, Delta Lake e EMR
Stream de dados e Data Lake com Debezium, Delta Lake e EMR
 
BigData MapReduce
BigData MapReduceBigData MapReduce
BigData MapReduce
 
QConSP 2014 SambaTech Analytics: Arquiteturas e tecnologias por trás da análi...
QConSP 2014 SambaTech Analytics: Arquiteturas e tecnologias por trás da análi...QConSP 2014 SambaTech Analytics: Arquiteturas e tecnologias por trás da análi...
QConSP 2014 SambaTech Analytics: Arquiteturas e tecnologias por trás da análi...
 
Cacti
CactiCacti
Cacti
 
Fisl banco de dados no sql de código aberto
Fisl   banco de dados no sql de código abertoFisl   banco de dados no sql de código aberto
Fisl banco de dados no sql de código aberto
 
Cap12
Cap12Cap12
Cap12
 
Pentaho Day 2015 - Universidade Positivo - Multi Tenancy com Pentaho na Sage
Pentaho Day 2015 - Universidade Positivo - Multi Tenancy com Pentaho na SagePentaho Day 2015 - Universidade Positivo - Multi Tenancy com Pentaho na Sage
Pentaho Day 2015 - Universidade Positivo - Multi Tenancy com Pentaho na Sage
 
Apresentando CEP - TDC2011 / Trilha SOA
Apresentando CEP - TDC2011 / Trilha SOAApresentando CEP - TDC2011 / Trilha SOA
Apresentando CEP - TDC2011 / Trilha SOA
 
Criando Aplicações Serverless - ARC302 - Sao Paulo Summit
Criando Aplicações Serverless -  ARC302 - Sao Paulo SummitCriando Aplicações Serverless -  ARC302 - Sao Paulo Summit
Criando Aplicações Serverless - ARC302 - Sao Paulo Summit
 
Bigadata casese opotunidades
Bigadata casese opotunidadesBigadata casese opotunidades
Bigadata casese opotunidades
 
Hadoop, Big Data e Cloud Computing
Hadoop, Big Data e Cloud ComputingHadoop, Big Data e Cloud Computing
Hadoop, Big Data e Cloud Computing
 
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
AWS Data Immersion Webinar Week - Planeje e entenda como criar um repositório...
 
Arquitetura Microsoft.pptx
Arquitetura Microsoft.pptxArquitetura Microsoft.pptx
Arquitetura Microsoft.pptx
 
Big Data na Nuvem
Big Data na NuvemBig Data na Nuvem
Big Data na Nuvem
 

Event Aggregator

Notas do Editor

  1. Como exemplo, se tivermos transações em bolsa, podemos estar interessados em saber qual o volume numa dada acção ou conjunto de acções num determinado intervalo temporal (e.g. hora, dia, mês). Para evitar a enorme duplicação de esforço caso cada cliente final tenha que fazer os cálculos, é interessante esta informação ser computada de uma forma distribuída e disponibilizada pelo sistema.
  2. Hadoop não tem suporte pra Mac OS  MongoDB - replicação no estilo Master/Slave CouchDB - é necessária uma cópia total ou parcial em cada nó que a use Cassandra - Não tem noção da localização dos nodos, o que traria problemas de latência nos cálculos
  3. clientIdCounter é controlado pelo agregador Além destes há um bucket de controlo para usernames e passes replicado por varios nós (default=3)
  4. ou entao o maximo do dia X ao dia Y tipo -&gt; nenhum, diario, mensal e anual modo -&gt; o tipo de agregação (maximo, minimo, media, …)