MapR on UCS Hadoopはこう売ろう。 難しくないHadoop ·...
Transcript of MapR on UCS Hadoopはこう売ろう。 難しくないHadoop ·...
![Page 1: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/1.jpg)
© 2015 MapR Technologies © 2015 MapR Technologies
マップアール・テクノロジーズ株式会社
アライアンス&プロダクトマーケティング
三原 茂
「MapR on UCS:Hadoopはこう売ろう。難しくないHadoopの提案」
![Page 2: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/2.jpg)
© 2015 MapR Technologies
MapR企業概要 ビッグデータ のコアに
お客様の成長 と共に
2X Revenue ‘13 – ‘14
80% of accounts expand 3X
90% software licenses
< 1% lifetime churn
> $1B in incremental revenue generated by 1 customer
700+ Customers
Apache Open Source
+ Innovation
日本のパートナー様
MapR Technologies Inc.
【Founder】 John Schroeder & M.C. Srivas
【設立】2009年 【本社】カリフォルニア州 サンノゼ
【従業員】約 300 人
【拠点】 13カ所(日本含)
![Page 3: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/3.jpg)
© 2015 MapR Technologies
• ビッグデータ時代のデータストア
– ファイル、データに関係なくあらゆるデータを蓄積可能
– ただし、単に溜めるだけではなく、データを加工するフレームワークや分析や検索するアプリが含まれる
– もちろん、分散処理、スケールアウト可能
• OSS
Hadoop(ハドゥープ)とは(1)?
![Page 4: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/4.jpg)
© 2015 MapR Technologies
HDFS (Hadoop Distributed File System)
分散ファイルシステム MapReduce
大規模分散処理フレームワーク
大きく2つのコンポーネントで構成:
データをブロックに分割して複数のサーバに分散配置/3つのレプリカを作成
Map/Reduceというシンプルな処理の組み合わせで、HDFS上にあるデータの分散処理を行う汎用的なフレームワーク
データをためる データを加工する
Hadoopとは(2)?
処理の近くにデータを置く:データ(保管)と処理能力(加工・分析)をデータのある場所で!
設計当初から大規模、大容量、増加し続けるデータに対応(分散処理&スケールアウト)
![Page 5: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/5.jpg)
© 2015 MapR Technologies
Hadoopの概要図
HDFS
MapReduce
Java API
Hadoop Ecosystem
管理システム
データ/ファイルを溜める
データ/ファイルを加工する
データ/ファイルを活用する
![Page 6: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/6.jpg)
© 2015 MapR Technologies
Hadoop(MapR)のパッケージ全体図 ~エコシステムも含めて提供~
MapR Data Platform (ランダム Read/Write)
MapR-FS (POSIX)
MapR-DB (Hbase互換高運用性 NoSQL)
セキュリティ
YARN
Pig
Cascading
Spark
バッチ
Spark Streaming
Storm*
ストリーミング
HBase
Solr
NoSQL ・検索
Juju
プロビジョニ ング・コーディ ネーション
Savannah*
Mahout
MLLib
機械学習 ・グラフ
GraphX
MapReduce v1 & v2
APACHE HADOOP および OSS エコシステム
実行エンジン データガバナンス・オペレーション
ワークフロー ・データ ガバナンス
Tez*
Accumulo*
Hive
Impala
Spark SQL
Drill*
SQL
Sentry* Oozie ZooKeep
er Sqoop
Knox* Whirr Falcon* Flume
データ 統合・ アクセス
HttpFS
Hue
NFS HDFS API
HBase API
JSON API
Map
R C
on
trol Syste
m
(運用
管理
・監
視)
* ディストリビューションに統合/認証予定
CLI
GU
I R
EST
API
商用ソフトウェア
分析アプリ(OSSベース)
分析アプリ
(商用製品)
データストアとデータ処理
(HDFS/MapReduce)
管理ツール
![Page 7: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/7.jpg)
© 2015 MapR Technologies
MapR 製品
管理ツール NFS アクセス パフォーマンス HA スナップショット ミラーリング 24 X 7 サポート サブスクリプション
Hadoop (M5) & NoSQL (M7)
管理ツール NFS アクセス パフォーマンス ノード数の制限なし 無料
Compute Engine
Also Available through:
Hbase互換のNoSQL DB M5の機能+ HBaseの運用を簡素化 HBaseの高速化 安定したレスポンスタイム ファイル/テーブルの統合ス
ナップショット
M3 COMMUNITY EDITION
M5 ENTERPRISE EDITION
M7 (MapR-DB)
ENTERPRISE DATABASE EDITION
![Page 8: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/8.jpg)
© 2015 MapR Technologies
Data
• Gartner, "Forecast Analysis: Enterprise IT Spending by Vertical Industry Market, Worldwide, 2010-2016, 3Q12 Update.“
• Wall Street Journal, “Financial Services Companies Firms See Results from Big Data Push”, Jan. 27, 2014
$9,000
$40,000
<$1,000
2013 2014 2015 2016 2017
IT予算の伸び率
2.5%
データの増加率
40%
テラバイトあたりの
コスト
登場の背景:データの増大とコスト削減の ギャップ
ストレージ DWH
ギャップ
![Page 9: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/9.jpg)
© 2015 MapR Technologies
HadoopとNoSQLのプレイヤー
Forrester Wave™Big Data Hadoop Solutions, Q1‘14
NoSQL: M7 (MapR-DB) Hadoop
Forrester Wave™ NoSQL Key-Value Databases, Q3 2014
![Page 10: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/10.jpg)
© 2015 MapR Technologies
Hadoop/NoSQLの主な用途
セールス/マーケティング
(売上/収益向上/顧客動向)
情報系IT
(ストレージとDWH最適化)
リスク回避
(予防保守/不正検知/余剰在庫)
基幹系IT
(バッチ高速化)
5
IoT/M2M
(リアルタイム、ストリーミング対応)
基本はデータレイク(エンタープライズデータハブ)によるデータのサイロの解消
![Page 11: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/11.jpg)
© 2015 MapR Technologies
MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい
– POSIX準拠のNFSを利用し、他システムとデータ連係が容易
– ソフトウェアデファインドストレージ(スケールアウトNAS)として利用
• データ保護機能が充実
– バックアップ / スナップショット機能
– DR
– データアクセスの制御(セキュリティ)
• 高パフォーマンス
– ネームノードの分散化
– ファイルシステムのネイティブ化
• より容易な運用
– マルチテナント
– 高パフォーマンスと管理ノードが無いことによる台数削減
– 単一障害点の排除
• NoSQLがある
– Hbase互換(高運用性、高信頼性)
– ライセンスキーの入れ替えで利用可能
Webサーバー
ログ
データ
最新データ
リアルタイム
ダイレクト
ローカル
![Page 12: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/12.jpg)
© 2015 MapR Technologies
ビッグデータストレージ(分析ready) としてのMapR
DWH
ETL + Long Term Storage
DWH データ
ファイル
or
NAS
SAN
MapR
+
IA Server
• 膨大、かつ増え続けるログデータ等 をどこに保管?
• スケールアウト型のNASは種類が少なく 高価
• 分析のためには、分析環境にデータ移行が必要で、 想定以上に高コスト
• MapR上に置くことで、 コスト効率良く保管
• 分析や活用のために他にデータ移動することなく、いつでもHadoopを使ってデータ処理
• バックアップやスナップショットが取れるのはMapRだけ
<従来>
<これから>
x86サーバ
ログ
ログ
Big Data Storage
Enterprise Storage
![Page 13: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/13.jpg)
© 2015 MapR Technologies
Zions Bank: ビッグデータストレージと不正検知
データプラットフォームを統合することでコスト効果高く、セキュリティ分析と不正検知を行う
不正を発見するチームとセキュリティ分析のチームが共同で利用するデータストアのプラットフォームを構築し、その上に統計モデリングを載せ、不正や不正につながる怪しい行動を発見する
“Zions Bankでは初めてセキュリティ分析のために全データを中央集権的に集め、利用したが、不正検知にもそのデータが使えることが分かっただけではなく、不正検知に非常に役に立つことがわかった
Michael Fowkes - SVP Fraud Operations and Security Analytics
• 既存のインフラはスケールしない
• この数年レポート作成に時間がより掛かるようになっていた
• データストレージコストを50%削減
• 1.2PBのデータからのクエリが24時間から30分に削減
• 限界の無いスケーラビリティにより、より多くのデータを使え、より正確なモデルと洞察を得られた
目的
チャレンジ
MapR利用のメリット
Business Impact
![Page 14: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/14.jpg)
© 2015 MapR Technologies
13
ソースシステム 基幹系、業務系
ETL
DM
BI(ビジネス・インテリジェンス) DWH/DMのデータを分析ニーズに合った表、グラフ、レポートとして
表示 通常Webベース(ブラウザ)
マイニング 大量データから未来を予測
推測統計、パターン発見、検定などの数理を活用
ソースシステム 基幹系、多数の業務系システム
様々な見るべき情報を保有 配置やデータ品質はバラバラ
(従来はこれを一つづつ見ていた)
ETL
ETL
DWH
Mining
ETL(データ統合) 複数のソースシステムから、一箇所
(DWH)にデータを集める 抽出、変換、クレンジングを行う
DMの切り出しにもETLを活用
DWH(データウェアハウス) 各種データを一元的に格納
大量の明細や長期間の履歴を保有 多数のソースデータを高速で格納し、
日々更新するために最適化
DM(データマート) 特定のユーザーや特定用途のため
に抽出した一部のデータ 多数のユーザーが必要なデータを高速に検索・分析するために最適
化
既存分析(DWH)環境のどこに位置付くか?
Hadoop 大量データを溜め、処理、分析が
1カ所でできる新技術
BI
![Page 15: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/15.jpg)
© 2014 MapR Technologies 14
既存DWHビジネスにクロスセル!
Hadoop
(NoSQL)
データ
統合
(ESB)
BI
DWH
• より多いデータを限られたコストで蓄積 • 非/準構造化データの取扱い • 機械学習やデータマイニングの基盤 • DWHからETL処理をオフロードし並列処理 • キューブに依存しないセルフサービス化
• IoTやストリーミングデータ の活用
• データストリームの最適化 • データの前処理 • リアルタイムへの対応 • Drill経由でHadoopにアクセス
• セルフサービス化(アジャイルBI)
![Page 16: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/16.jpg)
© MapR Technologies © MapR Technologies
DWH環境のニーズと現状のまとめ
1. コストを下げたい
2. データ量は増やしたい
3. データ種(構造化データ以外)も増やし、 様々なニーズを拾いたい(ログデータに代表される)
4. 既存SQLをそのまま活かしたい
– BI等の既存ツールを継続利用したい
新テクノロジー「Hadoop」を活用し、ビッグデータ時代に合ったDWH環境に
![Page 17: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/17.jpg)
マーケティング
在庫管理者
ストア マネージャ
分析官
経営層
アプリ
ユーザ
マイニング(機械学習)エンジン
データウェアハウス
データ プラットフォーム
NFS
ビッグデータ時代の新DWH基盤概念図
活用 分析 収集・蓄積・加工
売上
画像・映像
位置情報
POSデータ
SNSや 口コミ
Webログ
データ ソース
SQL on Hadoop / Hive NFS
在庫
全データを格納
(データのサイロを解消)
ETL処理を並列実行
(DWHからETLを オフロード)
Hadoop上のデータはスーパーセットとしてエコシス
テムから活用
Hadoopで抽出された
DWHで処理すべき構造化データを活用しレポート
(例:直近3ヶ月分)
Hadoop上の全データを用い、 傾向分析等
(例:レコメンデーション、 顧客動向)
NFS
BI
ビジネスニーズ
• 在庫把握と機会損失防止
• 配送状況把握&ルート最適化
• 売上と利益向上
• 顧客動向把握
• 適正生産と在庫のコスト削減
• 企業運営、計画
![Page 18: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/18.jpg)
© 2015 MapR Technologies
Hadoop(MapR)導入のメリット:
DWHに入れるべきデータを選別でき、 データ量とコストのバランスを取れる
DWH単独増設より圧倒的に低コストなため、現実解となる(1/2に削減)
どこまでもスケールするパフォーマンス (ETLが3倍)
あらゆるデータを格納・処理・活用
ソースから分析までの一環した データフローを実現
機械学習等のHadoopアプリの利用により、傾向をつかみ、解約率の削減対策
お客様のDWHの課題:
増大するデータにDWHのみでは対応できない
コスト
パフォーマンス
非構造化データ(ログ等)への対応
VerizonのDWHモダン化事例
アクセス ログ
顧客データ
Extract Clean Conform Transform
構造化データ
Data Warehouse and Analytics
構造化 &
非構造化 データ
N1 N1 N1 N1 N1 …
Hadoop: データレイク
NFS
NFS
データソース
ETL処理
1. ベライゾンのユーザが日々どういう使い方をしているか、 ユーザプロファイルや営業/請求についての詳細を知る
2. サービス品質とサービス向上への修理や増設の元データが欲しい
1. 解約率を下げる
2. DWH(ETL)関連コスト削減
機械学習 BI
![Page 19: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/19.jpg)
© 2015 MapR Technologies
Hadoopを既存DWHに使うメリット
1. 既存DWHには手を入れる必要が無い
2. BIやSQLといった資産をそのまま有効活用でき、ユーザビリティも変わらない
3. より多くのデータを活用可能
4. 構造化データ以外のログ等の多構造化データを活用可能
5. データ量に対してのコストが従来より非常に低い
6. 本格的なデータ活用時代における新テクノロジーにも対応可能な柔軟性(IoTやM2M等)
![Page 20: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/20.jpg)
© 2015 MapR Technologies リアルタイム
検索・分析
テキスト/画像データ
解析処理機能
利用状況データ 集計処理機能
データ蓄積機能
IoT
デバイス 視聴データ
モニタリング
リアルタイムな データストリーミング処理
利用データ 集計機能
利用 予測機能
業務系情報提供
(レポートや業務系)
データ収集 データ蓄積・分析 データ活用
MapR-DB
フィードバック
(レコメンデーション)
サンプル画像/動画
表示
ESB
BI
Tableau
Erastic Search
リアルタイムでビッグデータを収集・分析 IoT時代のあらゆるデータをリアルタイムで分析・検索
従来からのDB、ERP、
CRM等の基幹系からの
DWHやデータマート
ユーザーへ
リアルタイムで
フィードバック
(営業・マーケティング)
Apache Drill
Mahout
Spark
傾向分析
(予防保守、不正検知)
DWH
フィナンシャル
レポート
モダン化されたDWH
SNS等ネットのデータ
![Page 21: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/21.jpg)
© 2015 MapR Technologies
エンタープライズ用Hadoopのために! Apache Hadoopをエンタープライズで利用する際に問題となる点を1つ1つ解消
Apache Hadoop
HDFS
MapReduce
MapR FS
MapReduce
Java API Java API 100%互換
強化・改善 (ネイティブ化)
ランダムR/W NFSアクセス 分散NameNode ミラーリング スナップショット ボリューム
JobTracker HA Direct Shuffle
様々な機能強化
パフォーマンスや運用性を上げるための アーキテクチャ設計・再実装
• ロックの排除による並列処理の最適化
• ビルトイン圧縮によるI/O削減
• 分散NameNode
• RPC経由のShuffle転送
• Java GCの影響の排除
• オープンスタンダードなAPI
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
0 1000 2000 3000 4000 5000 6000
File
cre
ate
s/s
Files (M)
0 100 200 400 600 800 1000
MapR
Benchmark: File creates (100B)
Hardware: 10 nodes, 2 x 4 cores, 24
GB RAM, 12 x 1 TB 7200 RPM
ベンチマーク例
0
100
200
300
400
0 0.5 1 1.5
File
cre
ate
s/s
Files (M)
他のディストリビューション
![Page 22: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/22.jpg)
© 2015 MapR Technologies
MapRの最小構成(推奨)
2U
2p/12c
12本のデータディスク
2本のOSディスク
最小サーバ数:4
他ディストリビューションの最小構成(推奨)
1U(管理)& 2U(スレーブ)
2p/8c(管理) & 2p/12c(スレーブ)
OSディスク
4本のディスク(管理)
12本のディスク(スレーブ)
最小サーバ数:7
![Page 23: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/23.jpg)
© 2015 MapR Technologies
まとめ
• Hadoopは技術用語が先行したため、難しく思えるが、分析用DB(RDBではない)と理解して構いません
• ポストRDBの時代にトランザクションDB以外のDWH(オペレーショナル)や分析DB、さらにはIoTデータの受け皿としてビジネスチャンスが大きい
• まずは、ストレージコストの削減やDWHのコスト削減がターゲット
• Hadoopにもいくつかディストリビューションがあるが、全てが同じではなく、MapRが最もエンタープライズ向き
• スケールアウト可能なシステムは、プロビジョニングの仕組みが必要なため、UCSとの組合せはさらに運用性を向上させる
• 是非ご覧ください!https://www.youtube.com/watch?v=SMTzoa8LUwQ
![Page 24: MapR on UCS Hadoopはこう売ろう。 難しくないHadoop · MapRと他のHadoopとの違い(要約) • データの出し入れがしやすい – POSIX準拠のNFSを利用し、他システムとデータ連係が容易](https://reader031.fdocument.pub/reader031/viewer/2022011811/5e10f3b9b5e41725ea67b062/html5/thumbnails/24.jpg)
© 2015 MapR Technologies