Fonctionnalités de Cloudera

base de données (3)

Collecte de données en temps réel: Tel que rapporté dans 10 Cloudera avis. Collecte, stockage et organisation de données massives et non structurées en temps réel
Répartition des données: Basé sur 10 Cloudera avis. Facilite la diffusion des mégadonnées collectées dans les clusters de calcul parallèle
Lac de données: Crée un référentiel pour collecter et stocker des données brutes à partir de capteurs, périphériques, machines, fichiers, etc.

Intégration Hadoop: Basé sur 10 Cloudera avis et vérifié par l'équipe R&D produit de G2. Aligne les workflows de traitement et de distribution sur Apache Hadoop
Intégration de Spark: Aligne les workflows de traitement et de distribution sur Apache Spark
Analyse multi-sources: Intègre des données provenant de plusieurs bases de données externes.
Lac de données: Facilite la diffusion des mégadonnées collectées dans les clusters de calcul parallèles.

Visualisation des données: Traite les données et représente les interprétations dans une variété de formats graphiques.
Flux de travail de données: Enchaîne des fonctions et des jeux de données spécifiques pour automatiser les itérations d’analyse.
Découverte régie: Isole certains jeux de données et facilite la gestion de l’accès aux données.
Cahiers: Utiliser des blocs-notes pour des tâches telles que la création de tableaux de bord avec des requêtes et des visualisations prédéfinies et planifiées

Intégration des données: Consolide, nettoie et normalise les données provenant de plusieurs sources disparates.
Compression des données: Permet d’économiser de la capacité de stockage et d’améliorer les performances des requêtes.
Qualité des données: Élimine les incohérences et les doublons des données, garantissant ainsi leur intégrité.
Analyse de données intégrée: Fonctions d’analyse basées sur SQL telles que les séries chronologiques, la correspondance de modèles, l’analyse géospatiale, etc.
Machine Learning dans la base de données: Fournit des fonctionnalités intégrées telles que des algorithmes d’apprentissage automatique, des fonctions de préparation de données, l’évaluation et la gestion de modèles, etc.
Analyse du lac de données: Permet d’interroger des données sur des formats de données tels que parquet, ORC, JSON, etc. et d’analyser des types de données complexes sur HDFS
Modèle de données: Stocke les données sous forme de paires clé-valeur où clé est un identificateur unique.
Types de données: Prend en charge plusieurs types de données tels que les listes, les ensembles, les hachages (similaires à la carte), les ensembles triés, etc.

Intégration IA / ML: S’intègre aux flux de travail de science des données, au Machine Learning et aux capacités d’intelligence artificielle (IA).
Intégration de l’outil BI: S’intègre aux outils de BI pour transformer les données en informations exploitables.
Intégration du lac de données: Accélère le traitement des données et la capture de données non structurées, semi-structurées et en streaming.

Marquage automatique: Implémente le partitionnement horizontal automatique des données qui permet de stocker des données sur plusieurs nœuds pour les mettre à l’échelle.
Récupération automatique: Restaure une base de données à un état correct (cohérent) en cas de défaillance.
Réplication des données: Copiez des données sur plusieurs serveurs via master-slave, une architecture de réplication peer-to-peer, etc.

Autorisation basée sur les rôles: Fournit des rôles système, des privilèges et des rôles définis par l’utilisateur prédéfinis aux utilisateurs.
Authentification: Permet l’intégration avec des mécanismes de sécurité externes tels que Kerberos, l’authentification LDAP, etc.
Cryptage: Fournit une capacité de chiffrement pour toutes les données au repos à l’aide de clés de chiffrement.
Gouvernance des données: Politiques, procédures et normes de gestion et d’accès aux données.
Sécurité des données: Limite l’accès aux données au niveau de la cellule, masque ou masque des parties de cellules et chiffre les données au repos et en mouvement