La plateforme d’in-memory computing de GridGain® est utilisée pour les analyses de flux par de nombreuses sociétés dans le monde entier pour ingérer, traiter, stocker et publier des données de flux pour les applications commerciales cruciales de grande ampleur. Elle est utilisée par certaines des principales banques du monde pour traiter des transactions, le règlement et la conformité, par des entreprises de télécommunications pour fournir des services d’appels sur les réseaux téléphoniques et Internet, par des détaillants et des e-commerçants pour fournir une expérience en temps réel améliorée, et par des infrastructures du cloud et des fournisseurs de SaaS, comme la fondation informatique in-memory de leurs offres. Les entreprises ont été capables d’ingérer et de traiter des flux avec des millions d’événements par seconde sur une grappe de taille modérée. 

GridGain est intégré à, et utilisé avec, les principales technologies de flux, dont Apache Camel™, Apache Kafka, Apache Spark® et Apache Storm™, Java Message Service (JMS) et MQTT pour ingérer, traiter et publier des données de flux. Une fois chargé sur la grappe, les entreprises peuvent bénéficier des bibliothèques style MPP intégrées de GridGain pour un traitement de données et des requêtes SQL concomitants, ainsi que le machine learning et le deep learning. Les clients peuvent s’abonner aux requêtes continues qui exécutent et identifient les événements importants alors que les flux sont en cours de traitement.

Streaming Analytics

GridGain apporte également la plus importante intégration d’in-memory computing à Apache Spark. Cette intégration comprend un support natif de Spark DataFrames, une API RDD de GridGain pour la lecture et l’écriture des données sur GridGain et des RDD Spark mutables, un SQL optimisé et une intégration in-memory de HDFS avec le GridGain File System (GGFS). Déployé avec Spark, il peut 

  • Accéder à toutes les données in-memory dans GridGain, pas uniquement aux flux de données
  • Partager des données avec toutes les tâches Spark.
  • Les développeurs de Spark peuvent tirer parti de toutes les capacités de stockage et de traitement d’in-memory de GridGain, notamment le machine learning et le deep learning pour former des modèles presque en temps réel et améliorer les résultats des applications HTAP en cours de processus.