Die In-Memory-Computing-Plattform von GridGain® wird von Unternehmen auf der ganzen Welt für Streaming-Analysen verwendet, mit denen man Streaming-Daten für große, missionskritische unternehmerische Anwendungen aufnehmen, verarbeiten, speichern und veröffentlichen kann. Einige der größten Banken der Welt nutzen sie für die Abwicklung von Handelsgeschäften, Zahlungen und Compliance; Telekommunikationsunternehmen liefern damit ihre Telefoniedienste über Telefonnetze und das Internet; Einzelhändler und E-Commerce-Anbieter liefern ein verbessertes Echtzeit-Erlebnis und führende Cloud-Infrastruktur- und SaaS-Anbieter nutzen sie als In-Memory-Computing-Grundlage für ihr Angebot. Unternehmen können Streams mit Millionen von Ereignissen pro Sekunde auf einem mittelgroßen Cluster aufnehmen und verarbeiten.

GridGain ist integriert in und wird verwendet mit wichtigen Streaming-Technologien wie Apache Camel™, Apache Kafka, Apache Spark® und Apache Storm™, Java Message Service (JMS) und MQTT zur Aufnahme, Verarbeitung und Veröffentlichung von Streaming-Daten. Einmal in den Cluster geladen, können Unternehmen GridGains integrierte, massiv parallele Verarbeitungsverzeichnisse für parallele Datenverarbeitung nutzen, einschließlich gleichzeitiger SQL-Abfragen sowie Machine Learning und Deep Learning. Kunden können dann kontinuierliche Abfragen abonnieren, die bei der Verarbeitung von Streams wichtige Ereignisse ausführen und identifizieren. 

Streaming Analytics

GridGain bietet auch die umfassendste In-Memory-Computing-Integration mit Apache Spark. Die Integration umfasst native Unterstützung für Spark DataFrames, eine GridGain RDD-API zum Lesen und Schreiben von Daten in GridGain als veränderliche Spark RDDs, optimierte SQL und speicherinterne Implementierung von HDFS mit dem GridGain-Dateisystem (GGFS). Wenn sie zusammen eingesetzt werden, kann Spark: 

  • Auf alle In-Memory-Daten in GridGain zugreifen, nicht nur auf Datenströme
  • Daten und Status über alle Spark-Jobs hinweg teilen
  • Alle In-Memory-Lade- und -Verarbeitungsfähigkeiten von GridGain nutzen, einschließlich Machine Learning und Deep Learning, um Modelle in Echtzeit zu trainieren und dadurch die Ergebnisse für prozessinterne HTAP-Anwendungen zu verbessern.