Plataformas tecnológicas de Big Data

Transcripción

1 Plataformas tecnológicas de Big Data Guillermo Flavio Escobedo Briones, Norma Elena Jácome Grajales y Gustavo Arroyo Figueroa Abstract This paper presents the main characteristics of most outstanding Big Data s tool for its the identification and evaluation them in order to select those that best meet the needs of a project that involves the handling of large volumes of information. The tool analysis was used as a framework for the design and implementation of a Big Data technology infrastructure for real-time decision making of the information generated by photovoltaic and wind systems. 14

2 tendencia tecnológica Resumen Este trabajo presenta la identificación y evaluación de las características principales de las herramientas más destacadas de Big Data, a fin de seleccionar las que mejor convengan a las necesidades de un proyecto que involucre el manejo de grandes volúmenes de información. El análisis de las herramientas se utilizó como un marco de referencia para el diseño e implementación de una infraestructura tecnológica de Big Data para la toma de decisiones en tiempo real de la información generada por los sistemas fotovoltaicos y eólicos. Introducción Las tecnologías tradicionales para el almacenamiento y procesamiento masivo de datos pueden no ser la mejor opción para el manejo de grandes volúmenes de información, debido a que podrían estar limitadas para el procesamiento y análisis en tiempo real. Por otra parte, implementar una arquitectura tradicional de Business Intelligence (BI) puede ser un proceso complejo, con altos costos de instalación y de mantenimiento de hardware y software. Para el manejo de grandes volúmenes de información se requiere la adopción de nuevas tecnologías y herramientas como Big Data & Analytics. Estos nuevos paradigmas de tecnología incluyen la ingesta, procesamiento, almacenamiento, análisis y visualización de grandes cantidades de información, generada rápidamente y a gran escala (Escobedo Briones, 2016). Una problemática asociada con Big Data es la gran diversidad de herramientas y productos para apoyar el manejo y explotación de la información. De esta manera, el proceso de selección de herramientas se vuelve un factor clave para la viabilidad y éxito de una solución de este tipo. Este trabajo presenta la identificación y evaluación de las características principales de las herramientas más destacadas de Big Data, a fin de seleccionar las que mejor convengan a las necesidades de un proyecto que involucre el manejo de grandes volúmenes de información. El análisis de las herramientas se utilizó como un marco de referencia para el diseño e implementación de una infraestructura tecnológica de Big Data para la toma de decisiones en tiempo real de la información generada por los sistemas fotovoltaicos y eólicos. 15

3 Electricidad y Energías Limpias enero-marzo Big Data nde tecn En la sociedad digital crear datos en todo momento y en cualquier lugar se ha convertido en una tarea cotidiana y desapercibida. La era de la digitalización ha originado una explosión de datos, como ejemplo: se estima que desde el origen de la humanidad hasta el año 2003, se generaron 5 millones de gigabytes de datos. En 2011, la misma cantidad de datos fue creada casi cada dos días. Para 2013, la misma cantidad de datos fue creada cada 10 minutos (Liu, 2014). Para enfrentar la explosión de datos, Big Data surge como una plataforma para la toma de decisiones a través de la transformación de los datos en conocimiento. Se considera que el concepto de Big Data es una evolución de la tecnología de Business Intelligence, ya que incluye nuevos tipos de datos que antes eran demasiado complejos de manejar con procesos analíticos tradicionales, además de una mejor capacidad de procesamiento, almacenamiento y nuevos modelos analíticos. Esto representa un contexto más detallado para Big Data y evita una incorrecta interpretación al relacionarlo sólo con grandes volúmenes de datos. Si bien no existe una definición general aceptada para lo que es Big Data, existe un consenso para describirlo mediante palabras que inician con la letra v : volumen, velocidad y variedad. Andersson y Elf describen que el Big Data llega en grandes cantidades de datos (volumen), es actualizado, creado y recuperado a alta velocidad (velocidad) y se origina a partir de múltiples fuentes y en diferentes formatos (variedad) (Andersson y Elf, 2015). La importancia de entender qué es Big Data es comprender acerca de cómo se puede utilizar para crear valor. Algunos profesionales de las Tecnologías de la Información consideran que es una palabra de moda, esta falta de conocimiento causa confusión entre las empresas e inhibe el desarrollo de esta tecnología. Tomando en consideración las diferentes acepciones, y con el fin de unificar un criterio para los fines de este trabajo, se considera que la siguiente es una buena definición de partida: Big Data representa los activos de información caracterizados por un alto volumen, velocidad y variedad que requieren tecnología específica y métodos analíticos para su transformación en valor (De Mauro, Greco y Grimaldi, 2015). Diversos autores señalan que una solución típica de Big Data no puede ser analizada con métodos tradicionales; por lo tanto, es necesario un desarrollo de métodos y tecnologías eficientes (Chen, Mao y Liu, 2014). Esta definición se queda con la observación de que las Definición Big Data se ha convertido en un término muy popular a pesar de estar relativamente indefinido (De Mauro, Greco y Grimaldi, 2015). En la mayoría de la literatura técnica, otros autores incluyen una cuarta característica que también inicia con la letra v : veracidad (IBM, 2015), en referencia a la incertidumbre de los datos adquiridos. 16

4 ncia ológ Fig. 1 El mapa de Big Data (MammothDB, 2016). necesidades de grandes volúmenes de datos se fijarán en relación con la capacidad de una organización para generar, gestionar y hacer sentido de la información (Tableau, 2015). Ecosistema Big Data Con el surgimiento del concepto de Big Data se ha desarrollado una gran diversidad de herramientas y productos para apoyar el manejo y explotación de la información, por lo tanto, el proceso de selección de herramientas se vuelve un factor clave para la viabilidad y el éxito de una solución de Big Data (Escobedo Briones, 2016). En la figura 1 se muestra un ejemplo del mapa de herramientas de Big Data elaborado en el sitio MammothDB, en este mapa se incluyen herramientas open source. Derivado del número de herramientas existentes en el mercado, en este trabajo se analizan las plataformas más importantes, las cuales contienen una diversidad de tecnologías para las distintas necesidades que involucra Big Data. Plataformas de Big Data Hadoop Es una plataforma open source basada en estándares que soporta trabajar con miles de nodos y grandes cantidades de información. Hadoop fue construido sobre la base de los documentos de Google para MapReduce y Google File System (Schneider, 2012). Apache Software Foundation se ha encargado del mantenimiento de Hadoop. Sin embargo, Hadoop es un proyecto de alto nivel que tendencia tecnológica se construye y usa por una comunidad global de contribuyentes mediante el lenguaje de programación Java, del cual Yahoo es uno de los mayores contribuyentes. La biblioteca de software de Hadoop es un marco que permite el procesamiento distribuido de grandes conjuntos de datos a través de grupos de servidores que utilizan modelos sencillos de programación. Esta plataforma está diseñada para escalar de un servidor individual a miles de máquinas, cada una con procesamiento y almacenamiento local. En lugar de depender del hardware para ofrecer alta disponibilidad, Hadoop está diseñado para detectar y manejar las fallas en la capa de aplicación (The Apache Software Foundation, 2015). Ecosistema de Hadoop La figura 2 muestra algunas de las tecnologías que integran el ecosistema de la plataforma Hadoop. La plataforma incluye los siguientes módulos: Hadoop Common: son las utilidades comunes entre módulos. Hadoop Distributed File System (HDFS): es un sistema de archivos distribuidos que permite la replicación y el acceso a los datos de la aplicación. Hadoop YARN: es un plataforma para la planificación de tareas y gestión de recursos del cluster 1, donde se pueden implementar múltiples aplicaciones de procesamiento de datos para realizar una tarea. Hadoop MapReduce: se utiliza para el procesamiento distribuido de los datos. Permite una forma simple de paralelizar el trabajo sobre los grandes volúmenes de datos. Otros proyectos relacionados con Apache Hadoop incluyen: Flume: es un sistema distribuido para capturar de forma eficiente, agregar y mover grandes cantidades de bitácoras (logs) de diferentes orígenes a un repositorio central, con el fin de almacenarlos y analizarlos en Hadoop. 1 Es un conjunto de computadoras unidas entre sí normalmente por una red de alta velocidad, que se comportan como si fueran una única computadora. 17

5 Electricidad y Energías Limpias enero-marzo nde tecn Sqoop: es un motor de transporte de datos para la integración de Hadoop con bases de datos relacionales. ZooKeeper: proporciona una infraestructura centralizada y de servicios que permiten la sincronización del cluster. Oozie: es un sistema planificador de flujos de trabajo para administrar las tareas de Hadoop. Pig: es una plataforma que abstrae y simplifica el desarrollo de algoritmos MapReduce mediante una sintaxis parecida a SQL. Mahout: es un proyecto para crear aprendizaje automático y minería de datos. Tiene algoritmos de recomendación y clasificación. Hive: es un sistema de Data Warehouse para facilitar el uso de la agregación de los datos y análisis a través de consultas. HBase: se trata de la base de datos de Hadoop. Es una base columnar. Ambari: ofrece una interfaz gráfica de usuario basada en Web para el aprovisionamiento, administración y monitoreo de los cluster de Hadoop. Spark Es una plataforma open source para análisis y procesamiento de datos en memoria, lo que representa algunas ventajas sobre Hadoop. Spark fue diseñado para soportar en memoria algoritmos iterativos que se pudiesen desarrollar sin escribir un conjunto de resultados cada vez que se procesaba un dato. Esta habilidad para mantener todo en memoria es una técnica de computación de alto rendimiento aplicado al análisis avanzado, lo que permite que Spark tenga velocidades de procesamiento superiores a las conseguidas utilizando MapReduce (Emmett O Ryan, 2014). Fig. 2 Ecosistema Apache Hadoop (msmksocialmedia, 2015). Fig. 3 Ecosistema Apache Spark (databricks, 2015). Spark tiene una plataforma para implementar análisis avanzados y permite desarrollar aplicaciones en Java, Scala, Python y R (Apache Spark, 2016). La figura 3 muestra las tecnologías que integran el ecosistema de la plataforma Spark. 18

6 ncia ológ Ecosistema Spark Las librerías del ecosistema Spark son: Spark Streaming: se utiliza para el procesamiento de datos en tiempo real, es escalable, de alto rendimiento y tolerante a fallos. Los datos pueden enviarse a sistemas de archivos, bases de datos y tableros de control. Spark SQL: es un módulo para el procesamiento de datos estructurados. Spark MLlib: es la biblioteca de aprendizaje automático de Spark que consiste en algoritmos y utilidades de aprendizaje, incluida la clasificación, regresión, clustering 2, filtrado colaborativo y la reducción de dimensionalidad. Spark GraphX: es un sistema distribuido de procesamiento gráfico. Proporciona una API para expresar computación gráfica. Proveedores de Big Data Cloudera Cloudera es una empresa comercial que proporciona software open source basado en Apache Hadoop, así como el soporte y servicios de sus aplicaciones. Aunque el núcleo de la distribución se basa en Apache Hadoop, también proporciona una licencia (Management Suite) para automatizar el proceso de instalación y proporcionar otros servicios, por ejemplo, reducir el tiempo de implementación (Cloudera, 2015). tendencia tecnológica La descarga de la distribución de Cloudera es gratuita. No obstante, también cuenta con una versión empresarial. La distribución de Cloudera con Hadoop incluye los siguientes proyectos clave: Apache Hadoop (Core): incluye el HDFS, MapReduce y YARN. Cloudera Impala: es un motor de consultas SQL para el procesamiento en paralelo de los datos almacenados en un cluster Hadoop. Cloudera Search: desarrollado por Solr 3 para la búsqueda integrada de texto y navegación por facetas 4. Permite analizar datos en tiempo real. HUE: es una interfaz de usuario Web para la gestión de Hadoop. HortonWorks La Plataforma de HortonWorks permite el despliegue de Hadoop e incluye los proyectos de Apache y otros componentes adicionales: gestión de datos, acceso a datos, gobierno de datos, integración, seguridad y gestión de operaciones (HortonWorks, 2015). A continuación, se describen brevemente las áreas funcionales integradas en HortonWorks: Gestión de datos: utiliza YARN para procesar los datos. Acceso a datos: los casos de uso para la ciencia de datos, búsqueda y transmisión también son compatibles con Spark Apache, Solr y Storm. Seguridad: Knox es la pieza central del sistema de autenticación, autorización y protección de datos. Microsoft Microsoft utiliza la plataforma de HortonWorks para implementar soluciones de Big Data basadas en Hadoop (Microsoft, 2015). Microsoft y HortonWorks ofrecen tres soluciones distintas: 3 Solr es un motor de búsqueda open source basado en la biblioteca Java del proyecto Lucene (proyecto utilizado para la implementación de motores de búsquedas). 2 También conocido como agrupamiento, es una de las técnicas de minería de datos, el proceso consiste en la división de los datos en grupos de objetos similares. 4 Es una técnica para acceder a la información organizada de acuerdo con un sistema de clasificación, que permite explorar una colección de información mediante la aplicación de varios filtros. 19

7 Electricidad y Energías Limpias enero-marzo 20 nde tecn HDInsight: se trata de un servicio en la nube para los suscriptores de Azure. HortonWorks para Windows: es un paquete completo que se puede instalar en Windows Server para crear grupos de Big Data basados en Hadoop. Analytics Platform Microsoft System (APS): es una aplicación que ofrece una serie de herramientas para el análisis de Big Data: el procesamiento paralelo masivo (MPP) de Microsoft, el almacenamiento de datos paralelos (PDW) de SQL Server y la tecnología PolyBase, la cual sirve para la integración de almacenes de datos y fuentes diversas de información. IBM BigInsights es una plataforma con un conjunto de herramientas o componentes tecnológicos para descubrir, analizar y visualizar datos de diferentes orígenes mediante el procesamiento de los datos. Es una plataforma flexible construida sobre Apache Hadoop (IBM Knowledge Center, 2015). BigInsights ofrece algunos de los siguientes componentes y tecnologías: Tecnologías open source: se incluye IBM Open Platform con Apache Hadoop. Text Analytics: extrae información desde datos no estructurados y semiestructurados. IBM Big SQL: es un motor SQL de procesamiento en paralelo que se despliega directamente en el cluster HDFS. Interacción con InfoSphere Streams: se utiliza para el manejo de datos en tiempo real. Oracle Big Data Appliance Big Data Appliance es un sistema abierto, pero con el soporte empresarial de Oracle, orientado al procesamiento de datos con Hadoop y al almacenamiento en bases de datos NoSQL. Utiliza los componentes típicos de Hadoop e integra consultas interactivas con Oracle Big Data SQL (Oracle, 2013). Big Data Appliance utiliza: Cloudera Enterprise Data Hub y Cloudera Manager, Oracle R y Oracle NoSQL Database Community. Opcionalmente es posible obtener la licencia de los siguientes componentes adicionales: Oracle Big Data SQL: integra los datos almacenados en Hadoop (no estructurados) con los datos de las bases de datos Oracle (estructurados). Oracle Data Integrator: utiliza la herramienta ETL (Extracción, Transformación y Carga) con los Big Data Connectors (Oracle Exadata y BD Oracle) para integrar la información obtenida en el Big Data Appliance con la información estructurada de la organización. In Database Analytics: son herramientas para el análisis, descubrimiento y visualización de información. SAP HANA SAP HANA es una plataforma para procesar y analizar grandes volúmenes de datos en tiempo real, ya sea en un dispositivo local o en la nube. Esta plataforma utiliza la tecnología de procesamiento in memory 5 y su 5 Permite el procesamiento masivo de grandes volúmenes de datos en la memoria principal del servidor.

8 ncia ológ nombre proviene de High Performance Analytic Appliance. SAP HANA es un producto que integra hardware y software para el procesamiento en un servidor especializado. La arquitectura de esta plataforma se integra principalmente de los siguientes componentes (CVOSOFT, 2015): SAP HANA APPLIANCE: es el componente de hardware de SAP HANA. SAP HANA DB: es la tecnología que se encarga de manejar todo lo referente a base de datos. Utiliza el almacenamiento de tablas por columna o también llamado columnar 6, compresión hasta del 30%. SAP HANA CLOUD PLATFORM: es el componente que permite ejecutar aplicaciones desarrolladas de SAP HANA para internet. SAP Business Suite: brinda soporte a las aplicaciones de gestión de recursos empresariales (ERP). Big Data en energías renovables El análisis de las herramientas se utilizó como un marco de referencia para el diseño e implementación de una infraestructura tecnológica de Big Data del INEEL para la toma de decisiones en tiempo real de la información generada por los sistemas fotovoltaicos y eólicos. Esta infraestructura tiene la capacidad de adquirir, procesar, almacenar, analizar (analíticas descriptivas y de diagnóstico) y monitorear la información estadística en tiempo real a través de tableros de control. tendencia tecnológica Los resultados obtenidos de aplicar Big Data en la integración de las energías renovables son: Tomar mejores decisiones con información oportuna y confiable. Mostrar información detallada del proceso de generación de energía eléctrica con energías renovables a través del análisis de información histórica y en tiempo real. Permitir la entrega de datos de una manera dinámica y flexible a través de tableros de control. Tener una mejor comprensión de la integración de las energías renovables en la red eléctrica. Conclusiones Con el surgimiento del concepto de Big Data existe una diversidad de tecnologías, herramientas y productos para apoyar el manejo y explotación de grandes volúmenes de información. Una inadecuada selección de herramientas puede llevar a un eventual fracaso en la implementación de una solución de Big Data, por lo tanto, el proceso de selección se vuelve un factor clave para la viabilidad y éxito de una solución de este tipo. Durante el desarrollo de este trabajo se elaboró una investigación para identificar, clasificar y describir las características principales de las tecnologías de Big Data y presentar un panorama general de las plataformas más importantes en el mercado, así como los proveedores que las ofrecen. Un aspecto importante fue la identificación de Hadoop y Spark de Apache Foundation como tecnologías clave para la implementación de proyectos de Big Data. Estas tecnologías son de tipo open source y se ofrecen en las diferentes plataformas comerciales, lo que significa que se pueden generar proyectos de gran calidad a bajo costo. Como trabajo futuro, se elaborará una evaluación más detallada con pruebas de rendimiento, usabilidad y de integración, para incrementar el conocimiento sobre las distintas plataformas de Big Data. 6 Una base de datos columnar es aquella que permite trasponer las tablas almacenándolas físicamente por columna en lugar de filas. 21

9 Guillermo Flavio Escobedo Briones Maestro en Tecnologías de Información y Administración con Mención Honorífica por el Instituto Tecnológico Autónomo de México (ITAM), Ciudad de México. Ingeniero en Sistemas Computacionales con especialidad en diseño de software por el Instituto Tecnológico de la Laguna. Ingresó al INEEL en 2003 a la Gerencia de Tecnologías de la Información. Su área de especialidad se relaciona con Big Data & Analytics. Su actividad principal es la gestión y diseño de proyectos para la toma de decisiones que involucran grandes volúmenes de información. Ha participado en el desarrollo de proyectos relacionados con los temas de seguridad industrial, capacitación y energías renovables para la CFE y PEMEX. Entre los principales proyectos destaca la implementación de una plataforma tecnológica de Big Data para energías renovables. Actualmente trabaja en el diseño de analíticas en tiempo real para la toma de decisiones en la red eléctrica nacional. Es autor de varios artículos nacionales e internacionales, así como de derechos de autor. Norma Elena Jácome Grajales [nejacome@iie.org.mx] Licenciada en Informática egresada de la Universidad Veracruzana. Es investigadora de la Gerencia de Tecnologías de la Información del INEEL desde 1994, siendo sus principales áreas de interés la implementación de plataformas de inteligencia de negocios y Big Data con un enfoque directivo y estratégico. Ha participado en el desarrollo de proyectos relacionados con los temas de seguridad industrial, capacitación y energías renovables para la CFE, PEMEX y otras industrias. Entre los principales proyectos en los que ha participado destacan la implementación de la plataforma de inteligencia de negocios para la toma de decisiones en materia de seguridad industrial mediante la cual se pueden inferir las causas principales que originan la accidentalidad en la CFE, la implementación de una plataforma de Big Data para el procesamiento y análisis de datos en tiempo real generados por celdas fotovoltaicas y aerogeneradores para el monitoreo y toma de decisiones en materia de energías limpias. Ha publicado artículos nacionales e internacionales, así como de derechos de autor en su área de especialidad. Currículum vítae Gustavo Arroyo Figueroa [garroyo@iie.org.mx] Doctor en Ciencias Computacionales con especialidad en Inteligencia Artificial por el Instituto Tecnológico y de Estudios Superiores de Monterrey; Maestro en Ciencias Químicas e Ingeniero Industrial Químico por el Instituto Tecnológico de Celaya. Ingresó al INEEL en 1991, ha sido investigador y Jefe de Proyectos en el área de automatización integral de procesos industriales. Desde 2000, es Gerente de Tecnologías de la Información. Su experiencia profesional está orientada al desarrollo de sistemas inteligentes para monitoreo, diagnóstico, predicción y control de procesos de generación eléctrica y de gestión de la información para el procesamiento de datos con la finalidad de generar conocimiento para la toma de decisiones estratégicas. Investigador nacional por el SNI Nivel 2 en el área de ingeniería. Miembro de la mesa directiva de la Sociedad Mexicana de Inteligencia Artificial (SMIA); representante nacional del Comité de Estudios D2 Information Systems and Telecommunications del CIGRE; miembro de la IEEE Computer Society; autor de Advanced on Artificial Intelligence 2015 de Springer. Actualmente participa en el grupo de trabajo JWG D2/C2.41 Advanced Utility Data Management and Analytics for Improved Operation Situational Awareness of EPU Operations - EPRI USA. Autor de más de 100 artículos científicos y revisor de revistas indexadas JCR Expert Systems With Application, Engineering applications on Artificial Intelligence, Big Data Journal, entre otras y pertenece al Registro CONACYT de Evaluadores Acreditados. Encabeza el grupo de Gestión Inteligente de Información con la participación de 5 Doctores y 4 Maestros, con resultados en pronóstico de generación eólica y plataforma Big Data para la integración de energías renovables. Bibliografía Andersson, K., y Elf, J. (2015). One Step Towards Creating Value From Big Data - A case study on E.ON Elnät. Lund School of Economics and Management, Lund University, Department of Business Administration, Sweden: Lund Institute of Technology. Apache Spark. (2016). Spark Streaming Programming Guide. Recuperado el 01 de febrero de 2016 de Spark: docs/1.4.1/streaming-programming-guide.html Chen, M., Mao, S., y Liu, Y. (2014). Big Data: A Survey. Mobile Networks and Applications, 19 (2), p Cloudera. (2015). Cloudera. Recuperado el 05 de diciembre de 2015, de Apache Hadoop: products/apache-hadoop.html CVOSOFT. (2015). Curso SAP HANA. Recuperado el 15 de febrero de 2016, de CVOSOFT IT ACADEMY: abap/recursos_tecnicos_abap/que-es-sap-hana.php databricks. (2015). Spark. Recuperado el 05 de diciembre de 2015, de databricks: De Mauro, A., Greco, M., y Grimaldi, M. (2015). What is big data? A consensual definition and a review of key research topic. AIP Conference Proceedings(1644), p Emmett O Ryan, R. (2014). Is Apache Spark the Next Big Thing in Big Data? Recuperado el 10 de febrero de 2016, de Dice: com/2014/03/12/apache-spark-next-big-thing-big-data/ Escobedo Briones, G. (2016). Infraestructura de Big Data para el procesamiento y análisis de la información de fuentes de generación distribuida con energía solar (tesis de maestría). ITAM, Ciudad de México. Hortonworks. (2015). Hortonworks Data Platform. Recuperado el 05 de diciembre de 2015, de Hortonworks: IBM Knowledge Center. (2015). Documentación Big Insights. Recuperado el 10 de Febrero de 2016, de IBM Knowledge Center: www-01.ibm.com/support/knowledgecenter/sspt3x_4.1.0/com.ibm. swg.im.infosphere.biginsights.welcome.doc/doc/welcome.html?lang=es Liu, Y. (2014). Big Data and Predictive Business Analytics. Journal of Business Forecasting, 33 (4), p. 40. MammothDB. (2016). Lanscape Big Data. Recuperado el 10 de Febrero de 2016, de MammothDB: the-big-data-landscape-by-mammothdb/ Microsoft. (2015). Understanding Microsoft big data solutions. Recuperado el 05 de Diciembre de 2015, de Microsoft: microsoft.com/en-us/library/dn aspx msmksocialmedia. (2015). Businees Analytics Data. Recuperado el 05 de diciembre de 2015, de HADOOP FOR DUMMIES: businessanalyticsdata.wordpress.com/2015/07/21/hadoop-for-dummies/ Oracle. (2013). Big Data for the Enterprise. Recuperado el 10 de febrero de 2016, de Oracle: big-data-for-enterprise pdf Schneider, R. (2012). Hadoop For Dummies. USA: John Wiley & Sons Canada, Ltd. Tableau. (2015). What s the Big Deal About Big Data? Recuperado el 15 de enero de 2016, de Tableau: whitepapers/big-deal-about-big-data#main- The Apache Software Foundation. (2015). Hadoop. Recuperado el 05 de diciembre de 2015, de Apache: