top of page

Lo que la computación en memoria significa IoT

CIO

Las empresas que están llevando a cabo una transformación digital o iniciativas de experiencia de cliente omnicanal están implementando cada vez más aplicaciones IoT que admiten la recopilación y el análisis de grandes cantidades de datos provenientes de nuevas fuentes. Desde el seguimiento de activos para la fabricación y logística, hasta la utilización de activos para aviones y camiones comerciales, hasta los sistemas de monitoreo de pacientes, el análisis de los datos debe realizarse en tiempo real. Para lograr esta capacidad, la mayoría de las empresas recurrirán a la computación en memoria.

Hay pocas dudas de que la computación en memoria y la IoT son tecnologías vitales que trabajarán juntas para remodelar las industrias y la forma en que vivimos. Según Gartner, para el año 2019, el 75 por ciento del desarrollo de aplicaciones nativas de la nube utilizará computación en memoria o servicios que utilizan la computación en memoria para permitir a los desarrolladores principales implementar aplicaciones escalables y de alto rendimiento. Mientras tanto, Gartner espera que más de 20,8 millardos de dispositivos se conecten al Internet de las Cosas (IoT) para 2020. Según el “Índice global de la nube de Cisco: Previsión y Metodología, 2015-2020”, la cantidad total de datos creados por los dispositivos, impulsados ,el IoT, alcanzará 600ZB por año en 2020, frente a 145ZB por año en 2015. Analizar todos estos datos requerirá de una tecnología que la mayoría de las empresas carecen hoy en día.

La solución al desafío del análisis de datos es la computación en memoria. La computación en memoria puede ofrecer un aumento de 1000 veces en la velocidad, además de la capacidad de escalar para manejar petabytes de datos en memoria para aplicaciones nuevas y existentes. Las soluciones informáticas en memoria de hoy abarcan un puñado de tecnologías diferentes.

Cuadrículas de datos en memoria para aplicaciones existentes: Una cuadrícula de datos en memoria, implementada en un clúster de servidores locales o en la nube, se puede insertar fácilmente entre las capas de datos y de aplicaciones existentes sin la necesidad de extraer y reemplazar la base de datos original. La cuadrícula de datos en memoria aprovecha toda la memoria disponible y la potencia de CPU de su clúster de servidores y puede ampliarse simplemente agregando un nuevo nodo.

Bases de datos en memoria para nuevas aplicaciones: Una base de datos en memoria es una base de datos totalmente operativa alojada en la memoria. Es la más adecuada para reconstruir la capa de la base de datos de aplicaciones existentes o la construcción de nuevas aplicaciones con una arquitectura moderna y escalable.

Análisis de streaming: Un motor de análisis de streaming aprovecha la velocidad de la computación en memoria para administrar toda la complejidad en torno al flujo de datos y el procesamiento de eventos, lo que permite a los usuarios consultar datos activos sin ningún impacto en el rendimiento.

Arquitectura centrada en la memoria: Se puede construir una arquitectura centrada en la memoria utilizando un disco distribuido compatible con SQL ACID y ANSI-99 que se puede desplegar en discos rotativos, unidades de estado sólido (SSD), 3D XPoint y otras tecnologías de memoria de almacenamiento. Con esta estrategia, el conjunto completo de datos operacionales permanece en el disco y solo un subconjunto de datos definidos por el usuario ingresa en la memoria. Esto permite a las organizaciones lograr una compensación óptima entre los costos de infraestructura y el rendimiento de la aplicación.

Estas tecnologías de computación en la memoria pueden ofrecer incrementos de velocidad y escalabilidad masivos para una variedad de casos. Para aplicaciones IoT, la tecnología permite una estrategia de datos nueva e imprescindible: procesamiento transaccional/analítico híbrido (HTAP). HTAP les permite a los usuarios realizar análisis en tiempo real en su conjunto de datos operacionales. La mayoría de las organizaciones de hoy en día aún confían en un modelo en el cual OLTP y OLAP se realizan en sistemas separados, lo que requiere que los datos en su base de datos operacional sean extraídos, transformados y cargados (ETL, por sus siglas en inglés) en su base de datos analítica. Este modelo generalmente no es viable para las aplicaciones en tiempo real porque el retraso de tiempo requerido para ETL significa que los datos están desactualizados antes de ser analizados.

La computación en memoria proporciona la velocidad, a escala, para implementar HTAP. Gartner está de acuerdo, escribir eso en la computación en memoria es ideal para HTAP porque soporta análisis en tiempo real y conocimiento de la situación en los datos transaccionales en vivo en lugar de confiar en análisis a posteriori de datos obsoletos. La computación en memoria también tiene el potencial de reducir significativamente el costo y la complejidad de la arquitectura de la capa de datos. Esto le permite aplicaciones a escala web en tiempo real a un costo mucho más bajo que los enfoques que dependen de sistemas OLTP y OLAP separados.

Con HTAP, las empresas ahora pueden implementar de forma más económica una variedad de casos de uso de IoT e IoT industrial, como, por ejemplo:

Monitoreo de pacientes: Un sistema de atención médica tiene cientos o miles de pacientes en sus hogares, cada uno monitoreado por múltiples dispositivos de IoT. El sistema debe recopilar los datos de cada paciente y analizarlos en tiempo real para responder de inmediato a los cambios críticos en la condición de cualquier paciente.

Mantenimiento de aeronaves comerciales de gran envergadura: particularmente relevante dado los recientes titulares, una línea aérea despliega una variedad de sensores en sus motores y fuselajes para poder monitorear las condiciones en tiempo real y detectar el mantenimiento requerido y las fallas potenciales antes de que ocurran.

Mantenimiento de dispositivos difíciles de reparar: un fabricante de bombas subacuáticas a gran escala combina datos recopilados de una gran cantidad de sensores de dispositivos, fuentes de otras fuentes de datos relevantes y análisis avanzados para modelar digitalmente el estado actual de sus dispositivos físicos. Estas copias digitales de los modelos pueden monitorear el estado actual de la bomba y determinar los requisitos de mantenimiento y detectar posibles fallas sin el tiempo y los riesgos que involucran una inspección física.

Las empresas ya están utilizando la computación en memoria y HTAP en áreas tales como aplicaciones de banca móvil, que deben admitir una gran cantidad de dispositivos y puntos finales. Por ejemplo, cuando un importante banco con 135 millones de clientes comenzó a ofrecer banca móvil y en línea 24/7, se vio abrumado por la gran cantidad de solicitudes, que aumentaron las transacciones de 30 a 40 por segundo a 3.000 a 4.000 por segundo. La informática en memoria le permite al banco desarrollar una arquitectura de escala web utilizando una cuadrícula de datos en memoria de 2.000 nodos que puede manejar hasta 1.5PB de datos y un alto volumen de transacciones. La cuadrícula de datos también es una solución de computación distribuida de alta disponibilidad que ofrece compatibilidad con transacciones ANSI-99 SQL y ACID para garantizar que las transacciones monetarias se realicen con precisión.

Si bien estamos apenas al comienzo de la revolución del IoT, los ejecutivos deben comenzar de inmediato a formular una estrategia para construir una infraestructura capaz de escalar rápidamente una variedad de nuevas aplicaciones que requieren un uso intensivo de datos .Los encargados de tomar decisiones de TI que actualmente no están buscando cómo pueden aprovechar la computación en memoria pronto encontrarán que sus organizaciones están luchando para avanzar en sus estrategias de la IoT que demandan un alto desempeño y un uso intensivo de datos.

Comments


bottom of page