{"id":3388,"date":"2016-09-08T21:33:16","date_gmt":"2016-09-08T21:33:16","guid":{"rendered":"http:\/\/c-bps.com\/?post_type=portfolio&amp;p=3388"},"modified":"2016-09-08T21:33:16","modified_gmt":"2016-09-08T21:33:16","slug":"rt-platform","status":"publish","type":"portfolio","link":"https:\/\/enterprisemindfactory.com\/?portfolio=rt-platform","title":{"rendered":"RT Platform"},"content":{"rendered":"<div class=\"flex_column av_one_full  flex_column_div first  avia-builder-el-0  el_before_av_one_third  avia-builder-el-first  \" ><div   data-size='entry_without_sidebar'  data-lightbox_size='large'  data-animation='fade'  data-conditional_play=''  data-ids='3389'  data-video_counter='0'  data-autoplay='true'  data-bg_slider='false'  data-slide_height=''  data-handle='av_slideshow'  data-interval='5'  data-class=' avia-builder-el-1  avia-builder-el-no-sibling  '  data-el_id=''  data-css_id=''  data-scroll_down=''  data-control_layout=''  data-custom_markup=''  data-perma_caption=''  data-autoplay_stopper=''  data-image_attachment=''  data-min_height='0px'  data-default-height='34.95867768595'  class='avia-slideshow avia-slideshow-1  av-default-height-applied avia-slideshow-entry_without_sidebar av_slideshow  avia-builder-el-1  avia-builder-el-no-sibling   avia-fade-slider '  itemprop=\"image\" itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/ImageObject\" ><ul class='avia-slideshow-inner ' style='padding-bottom: 34.95867768595%;' ><li  class=' av-single-slide slide-1 ' ><div data-rel='slideshow-1' class='avia-slide-wrap '   ><img class=\"wp-image-3389\"  src=\"https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/S-Plattform.jpg\" width='1210' height='423' title='s-plattform' alt=''  itemprop=\"thumbnailUrl\" srcset=\"https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/S-Plattform.jpg 1210w, https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/S-Plattform-300x105.jpg 300w, https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/S-Plattform-1030x360.jpg 1030w, https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/S-Plattform-768x268.jpg 768w, https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/S-Plattform-705x246.jpg 705w\" sizes=\"(max-width: 1210px) 100vw, 1210px\" \/><\/div><\/li><\/ul><\/div><\/div>\n<div class=\"flex_column av_one_third  flex_column_div first  avia-builder-el-2  el_after_av_one_full  el_before_av_two_third  column-top-margin\" ><p><div  style='padding-bottom:10px; color:#67619e;' class='av-special-heading av-special-heading-h3 custom-color-heading   avia-builder-el-3  el_before_av_textblock  avia-builder-el-first  '><h3 class='av-special-heading-tag '  itemprop=\"headline\"  >Real-Time Analytics Plattform<\/h3><div class='special-heading-border'><div class='special-heading-inner-border' style='border-color:#67619e'><\/div><\/div><\/div><br \/>\n<section class=\"av_textblock_section \"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div class='avia_textblock  '   itemprop=\"text\" ><p>Mit unserer ,,Real-Time\u00a0Analytics&#8220; Plattform bieten wir Ihnen eine L\u00f6sung, mit der Sie Ihre Daten in Echtzeit als Streams empfangen, bearbeiten und analysieren k\u00f6nnen. Zusammen mit der IoT-L\u00f6sung von AWS kann\u00a0unsere Plattform eine Mehrzahl an Streams von\u00a0Sensorendaten, \u00a0Services , Social Media usw. abdecken.<\/p>\n<p>In der Plattform haben wir f\u00fchrende Technologien wie Mesos, Kafka, \u00a0Cassandra und Spark-Streaming integriert, die auch aufeinander abgestimmt sind und bauen auf Industriestandards wie Java\u00a0auf.\u00a0Damit haben Sie auch Support und Entwicklungssicherheit und profitieren von den neuen Entwicklungen.<\/p>\n<p>Da wir die Plattform in Ihrer ,,Private Cloud&#8220; implementieren, haben Sie die vollst\u00e4ndige\u00a0Kontrolle \u00fcber Ihre Daten und hohe Flexibilit\u00e4t \u00fcber Ihre Prozesse. Dennoch nutzen Sie die Vorteile einer Cloud basierten L\u00f6sung wie geringe Investitionskosten, hohe Skalierbarkeit, maximale Mobilit\u00e4t und verbrauchsbasierten Geb\u00fchren.<\/p>\n<\/div><\/section><\/p><\/div><div class=\"flex_column av_two_third  flex_column_div av-zero-column-padding   avia-builder-el-5  el_after_av_one_third  el_before_av_hr  column-top-margin\" style='border-radius:0px; '><p><div  style='padding-bottom:10px; ' class='av-special-heading av-special-heading-h3 meta-heading   avia-builder-el-6  el_before_av_tab_container  avia-builder-el-first  '><h3 class='av-special-heading-tag '  itemprop=\"headline\"  >Komponenten<\/h3><div class='special-heading-border'><div class='special-heading-inner-border' ><\/div><\/div><\/div><br \/>\n<div  class=\"tabcontainer   top_tab   avia-builder-el-7  el_after_av_heading  avia-builder-el-last \" role=\"tablist\">\n\n<section class=\"av_tab_section\"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div aria-controls=\"tab-id-1\" role=\"tab\" tabindex=\"0\" data-fake-id=\"#tab-id-1\" class=\"tab active_tab\"  itemprop=\"headline\" >Cassandra<\/div>\n<div id=\"tab-id-1\" class=\"tab_content active_tab_content\" aria-hidden=\"false\">\n<div class=\"tab_inner_content invers-color\"  itemprop=\"text\" >\n<p>Cassandra ist eine der f\u00fchrenden verteilten und hochverf\u00fcgbaren No-SQL Datenbanken, die bei namhaften Unternehmen u.a. Cisco, Credit Suisse, Disney, Ebay, Hp uvm. im Betrieb ist.<\/p>\n<p>Cassandra ist bekannt f\u00fcr Hochverf\u00fcgbarkeit und Hochdurchsatz -Eigenschaften und sie ist in der Lage, enorme Schreiblasten zu handhaben und Cluster-Knoten Ausf\u00e4lle zu \u00fcberstehen. In Bezug auf das CAP-Theorem bietet Cassandra eine konfigurierbare Konsistenz und Verf\u00fcgbarkeit f\u00fcr den Betrieb.<\/p>\n<p>Im Hinblick auf die Datenverarbeitung ist Cassandra linear skalierbar (erh\u00f6hte Belastungen k\u00f6nnen durch Erh\u00f6hung der Anzahl der Knoten eines Clusters abgedeckt werden) und sie ist in der Lage, Cross-Rechenzentrum Replikation (XDCR) durchzuf\u00fchren. XDCR bietet eine Reihe von interessanten Anwendungsf\u00e4lle f\u00fcr:<\/p>\n<ul>\n<li>geo-verteilte Rechenzentren: Daten, die spezifisch f\u00fcr die Region sind oder n\u00e4her an den Kunden liegen.<\/li>\n<li>Datenmigration in Rechenzentren: Wiederherstellung nach Ausf\u00e4llen oder Verschieben von Daten auf einen neuen Datacenter.<\/li>\n<li>getrennte Betriebs- und Analytik-Workloads: Es k\u00f6nnen getrennte Cluster f\u00fcr schreib-intensive und analyse-intensive Anwendungen aufgesetzt werden.<\/li>\n<\/ul>\n<p>Cassandra unterliegt der Apache 2.0 Lizenz.<\/p>\n\n<\/div>\n<\/div>\n<\/section>\n\n<section class=\"av_tab_section\"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div aria-controls=\"tab-id-2\" role=\"tab\" tabindex=\"0\" data-fake-id=\"#tab-id-2\" class=\"tab \"  itemprop=\"headline\" >Spark<\/div>\n<div id=\"tab-id-2\" class=\"tab_content \" aria-hidden=\"true\">\n<div class=\"tab_inner_content invers-color\"  itemprop=\"text\" >\n<p>Spark ist eine sehr schnelle Engine f\u00fcr verteilte, gro\u00df angelegte Datenverarbeitung und wird heute als quasi Standard in den meisten Plattformen (SAP, Microsoft, IBM usw.) f\u00fcr Big-Data Analytics verwendet.<\/p>\n<p>Dabei wird nach dem \u201eMap-Reduce\u201c Prinzip die Datenverarbeitungsaufgabe vom Spark-Master in mehrere Teile zerlegt und an die verteilten Maschinen (sog. Worker) verschickt. Diese arbeiten die Teilaufgaben ab und senden die Ergebnisse an den Master, der die Teilergebnisse zu einem Gesamtergebnis zusammenf\u00fcgt. Ein Spark-Cluster kann dabei aus einer Vielzahl (Je nach Anforderungen) von verteilten Maschinen (sog. Worker) bestehen<\/p>\n<p>Spark hat die f\u00fchrende Technologie der letzten Jahren ,,Hadoop MapReduce\u201c abgel\u00f6st und f\u00fchrt die Programme bis zu 100x schneller als ,Hadoop MapReduce im Speicher (In Memory) oder 10x schneller auf dem Datentr\u00e4ger aus. Dar\u00fcber hinaus ist die Handhabung einfacher, die Programmierung effizienter und die Module f\u00fcr verschiedene Analytics-Aufgaben sind bereits in Spark integriert.<\/p>\n<p><img loading=\"lazy\" class=\"size-medium wp-image-3391 aligncenter\" src=\"http:\/\/c-bps.com\/wp-content\/uploads\/2016\/09\/spark-stack-300x141.png\" alt=\"spark-stack\" width=\"300\" height=\"141\" srcset=\"https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/spark-stack-300x141.png 300w, https:\/\/enterprisemindfactory.com\/wp-content\/uploads\/2016\/09\/spark-stack.png 633w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/p>\n<p>Cassandra unterliegt der Apache 2.0 Lizenz.<\/p>\n\n<\/div>\n<\/div>\n<\/section>\n\n<section class=\"av_tab_section\"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div aria-controls=\"tab-id-3\" role=\"tab\" tabindex=\"0\" data-fake-id=\"#tab-id-3\" class=\"tab \"  itemprop=\"headline\" >Kafka<\/div>\n<div id=\"tab-id-3\" class=\"tab_content \" aria-hidden=\"true\">\n<div class=\"tab_inner_content invers-color\"  itemprop=\"text\" >\n<p>Kafka ist\u00a0ein mit hohem Durchsatz und geringer Latenz verteiltes Messaging-System. Es dient als Buffer f\u00fcr eingehende und ausgehende Streams. \u00a0Apache Kafka wird oft mit\u00a0Spark genutzt, da es auf verschiedene Knoten verteilt werden kann und Schnittstellen auf den Servern bietet. Es zeichnet sich durch folgende Eigenschaften aus:<\/p>\n<ul>\n<li>Schnelligkeit:\u00a0Ein einzelner Kafka Broker kann Hunderte von Megabytes an Lese- und Schreibvorg\u00e4ngen pro Sekunde durchf\u00fchren.<\/li>\n<li>Skalierbarkeit:\u00a0Es kann elastisch und transparent, ohne Ausfallzeiten erweitert werden.<\/li>\n<li>Ausfallsicher:\u00a0Nachrichten werden auf \u00a0Servern beibehalten um\u00a0innerhalb des Clusters replizierten Datenverlust zu verhindern.<\/li>\n<li>Distributed by Design:<strong>\u00a0<\/strong>Kafka hat ein modernes Cluster-zentriertes Design, das starke Haltbarkeit und Fehlertoleranz garantiert.<\/li>\n<\/ul>\n<p>Cassandra unterliegt der Apache 2.0 Lizenz.<\/p>\n\n<\/div>\n<\/div>\n<\/section>\n\n<section class=\"av_tab_section\"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div aria-controls=\"tab-id-4\" role=\"tab\" tabindex=\"0\" data-fake-id=\"#tab-id-4\" class=\"tab \"  itemprop=\"headline\" >Mesos<\/div>\n<div id=\"tab-id-4\" class=\"tab_content \" aria-hidden=\"true\">\n<div class=\"tab_inner_content invers-color\"  itemprop=\"text\" >\n<p>Mesos ist ein Cluster-Ressource-Management-System, das eine effiziente Ressourcen Freigabe und Isolation in verteilten Anwendungen oder Frameworks&#8220; bietet. Da die verteilten Server\u00a0als ein System betrachtet werden, k\u00f6nnen die Ressourcen effizienter genutzt werden, da sie nach Bedarf zugewiesen werden.<\/p>\n<p>Mit der zunehmenden Anzahl von Diensten, Servern und Applikationen wird das Management und Monitoring des Systems komplexer. Mesos reduziert die Komplexit\u00e4t und \u00a0dar\u00fcber hinaus erleichtern eingebauten Dienste wie Marathon die fehlertolerante Ausf\u00fchrung von Applikationen mit langer Laufzeit. Dies ist insbesondere f\u00fcr Streaming-Real-Time Dienste wichtig.<\/p>\n<p>Mesos unterst\u00fctzt nativ Spark, Kafka und Cassandra und zeichnet sich durch hohe Benutzerfreundlichkeit aus. Mesos ist bei namhaften Unternehmen wie Apple, Ebay, Verizon usw. in Betrieb.<\/p>\n<p>Cassandra unterliegt der Apache 2.0 Lizenz.<\/p>\n\n<\/div>\n<\/div>\n<\/section>\n\n<section class=\"av_tab_section\"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div aria-controls=\"tab-id-5\" role=\"tab\" tabindex=\"0\" data-fake-id=\"#tab-id-5\" class=\"tab \"  itemprop=\"headline\" >AWS IoT\/Kinesis<\/div>\n<div id=\"tab-id-5\" class=\"tab_content \" aria-hidden=\"true\">\n<div class=\"tab_inner_content invers-color\"  itemprop=\"text\" >\n<p>AWS IoT bietet eine sichere, bidirektionale Kommunikation zwischen mit dem Internet verbundenen Dingen (wie Sensoren, Aktoren, eingebettete Ger\u00e4te oder intelligente Ger\u00e4te) und der AWS-Cloud. Auf diese Weise k\u00f6nnen Sie Telemetriedaten von mehreren Ger\u00e4ten sammeln, speichern und die Daten analysieren. Sie k\u00f6nnen auch Anwendungen erstellen, die den Benutzern erm\u00f6glichen, diese Ger\u00e4te von ihren Handys oder Tabletts zu steuern.<\/p>\n<p>Unsere Plattform nutzt AWS IoT insbesondere aufgrund von\u00a0Sicherheitsanforderungen.<\/p>\n\n<\/div>\n<\/div>\n<\/section>\n\n<section class=\"av_tab_section\"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div aria-controls=\"tab-id-6\" role=\"tab\" tabindex=\"0\" data-fake-id=\"#tab-id-6\" class=\"tab \"  itemprop=\"headline\" >EM Streaming Server<\/div>\n<div id=\"tab-id-6\" class=\"tab_content \" aria-hidden=\"true\">\n<div class=\"tab_inner_content invers-color\"  itemprop=\"text\" >\n<p>Mit EM-Streaming-Server k\u00f6nnen sie Web-Socket Streams empfangen und an Kafka weiterleiten sowie Messages von Kafka empfangen und als Web-Sockets Streams an Web-Client weiterleiten. \u00a0Unsere L\u00f6sung l\u00e4uft\u00a0auf der ,,Java Virtual Machine&#8220; und zeichnet sich durch Schnelligkeit und Belastbarkeit aus . Dar\u00fcber hinaus bieten wir Real-Time Web L\u00f6sungen an, in denen die Daten in Echtzeit visualisiert werden k\u00f6nnen.<\/p>\n<p>Der EM-Streaming-Server wird individuell, entsprechend Ihren Anforderungen, konfiguriert und die Streaming Schnittstellen sowie die Web-Anwendung programmiert.<\/p>\n\n<\/div>\n<\/div>\n<\/section>\n\n<\/div>\n<\/p><\/div><\/p>\n<div  style='height:30px' class='hr hr-invisible   avia-builder-el-8  el_after_av_two_third  el_before_av_textblock '><span class='hr-inner ' ><span class='hr-inner-style'><\/span><\/span><\/div>\n<section class=\"av_textblock_section \"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div class='avia_textblock  '   itemprop=\"text\" ><h4 style=\"text-align: center;\"><span style=\"color: #67619e;\">Real-Time Processing<\/span><\/h4>\n<\/div><\/section>\n<div   class='hr hr-short hr-center   avia-builder-el-10  el_after_av_textblock  el_before_av_textblock '><span class='hr-inner ' ><span class='hr-inner-style'><\/span><\/span><\/div>\n<section class=\"av_textblock_section \"  itemscope=\"itemscope\" itemtype=\"https:\/\/schema.org\/CreativeWork\" ><div class='avia_textblock  '   itemprop=\"text\" ><p>Streaming-Daten sind Daten, die kontinuierlich und aus einer Vielzahl von Datenquellen generiert werden. Die Datenaufzeichnungen werden im Regelfall simultan und in kleinen Paketen (Kilobyte-Bereich) verschickt. Diese Daten m\u00fcssen sequentiell und inkrementell auf Aufzeichnungsbasis oder in gleitenden Zeitfenstern verarbeitet werden. Beispiele f\u00fcr Streaming-Daten sind<\/p>\n<ul>\n<li>Sensoren von Industrieanlagen und Maschinen senden Daten an eine Real-Time Anwendung zur \u00dcberwachung der Produktion.<\/li>\n<li>Ein Finanzunternehmen \u00fcberwacht die Finanztranskation in Echtzeit auf Anomalit\u00e4ten und Betrugsf\u00e4lle.<\/li>\n<li>Auswertung der B\u00f6rsenentwicklung und Aktienentwicklung anhand\u00a0Extra Echtzeitdaten.<\/li>\n<li>Online-Shop wertet die Besucheraktivit\u00e4t und die Anzahl der Clicks in Echtzeit aus.<\/li>\n<li>Eine Mobilanwendung f\u00fcr Immobilien sendet den Anwendern, basierend auf ihrem Standort, Vorschl\u00e4ge f\u00fcr potentielle Objekte zur Besichtigung in der N\u00e4he zu.<\/li>\n<\/ul>\n<p>Anders als bei Batch-Verarbeitung, liegt die erforderliche Latenz bei Stream-Verarbeitung \u00a0im Bereich von Sekunden oder Millisekunden. \u00a0Diese stellt besondere Anforderung sowohl auf die Verarbeitung als auch auf die Speicherung der Daten. \u00a0Dar\u00fcber hinaus muss das System ausfallsicher und skalierbar\u00a0sein.<\/p>\n<p>Unsere ,,Real-Time Analytics&#8220; Plattform ist auf die Anforderungen ausgelegt und stellt sicher dass die Streaming-Daten in der erforderlichen Latenz bearbeitet werden. \u00a0Mit Kafka, Spark und Cassandra bauen wir auf Technologien, die sich in vielen anspruchsvollen Echtzeit-Anwendungen bereits bew\u00e4hrt haben.<\/p>\n<\/div><\/section>\n","protected":false},"excerpt":{"rendered":"","protected":false},"featured_media":0,"comment_status":"closed","ping_status":"closed","template":"","tags":[],"portfolio_entries":[14],"_links":{"self":[{"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=\/wp\/v2\/portfolio\/3388"}],"collection":[{"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=\/wp\/v2\/portfolio"}],"about":[{"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=\/wp\/v2\/types\/portfolio"}],"replies":[{"embeddable":true,"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3388"}],"version-history":[{"count":1,"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=\/wp\/v2\/portfolio\/3388\/revisions"}],"predecessor-version":[{"id":4105,"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=\/wp\/v2\/portfolio\/3388\/revisions\/4105"}],"wp:attachment":[{"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3388"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3388"},{"taxonomy":"portfolio_entries","embeddable":true,"href":"https:\/\/enterprisemindfactory.com\/index.php?rest_route=%2Fwp%2Fv2%2Fportfolio_entries&post=3388"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}