将HazelcastIMDG与Cassandra集成在一起可以提供更多有效的数据

Hazelcast是每月有数十万个已安装集群和超过3900万台服务器启动的开源内存数据网格(IMDG)，宣布了由FutureGrid设计的新物联网平台的详细信息-FutureGrid是运营情报数据平台的开发者，提供发电实时，简化的物联网(IoT)数据视图。该平台将HazelcastIMDG的独特内存功能与ApacheCassandra结合在一起，可经济高效地处理大量数据。

FutureGrid与多家澳大利亚公用事业公司合作，以自动化处理跨越能源网络的传感器和智能电表数据。他们的客户每天收集大约30亿个数据点。就日常后期处理而言，这相当于200亿条记录，因为每条记录具有多个单独的数据点，这是一个巨大的扩展挑战。为了充分利用这些信息，客户需要一种实时数据聚合和处理解决方案，使他们能够做出复杂的实时决策。

当FutureGrid首次尝试解决此问题时，它使用传统的关系数据库。但是，很快就发现传统数据库无法实时处理大量数据，主要问题是它们无法足够快地对输入数据执行算法。因此，FutureGrid决定结合HazelcastIMDG和ApacheCassandra的持久性数据存储功能来构建自己的解决方案。

FutureGrid的联合创始人兼董事总经理ChrisLaw解释说：“我们在产品内存功能的核心实施了HazelcastIMDG，同时还将其与一系列专门构建的技术集成在一起，以提供客户所需的平台。

例如，HazelcastIMDG与ApacheCassandra集成在一起，后者提供有关参考数据的内部数据存储，同时保持分布式网格体系结构。我们发现将Hazelcast与Cassandra集成是一个非常简单的过程。”

对于FutureGrid，Cassandra的持久性能力至关重要。在将数据存储在计算机系统中的情况下，持久性意味着数据在其创建过程结束后仍可保留。因此，FutureGrid为其能源客户融合了两种开源解决方案的优势。

将HazelcastIMDG与Cassandra集成在一起可以提供更多有效的数据。重要的是，该组合解决方案保持了Cassandra的高可用性和水平可伸缩性，同时由于HazelcastIMDG，其性能比基于磁盘的方法快1000倍。

对于公用事业公司，以下是该解决方案涵盖的用例：

电能质量，时间间隔和事件的推导：清除重复数据删除的五分钟电能质量数据，每天对每个设备进行“汇总”，其中包括预先计算，以使进一步分析变得更快，更准确。

中性检测的丢失：使用机器学习和快速数据处理来监视和预测安全问题，从而大大减少了电击事件。

基于阶段的变电站聚合：使用聚合仪表间隔数据进行变压器建模，以提供每个阶段变电站使用情况的更好可视性。用于长期资产规划，阶段平衡和超出设计额定值的警报。

客户阶段交叉引用：使用机器学习来调查电表到变电站映射的数据正确性，包括响应性的实时可视化解决方案。

法律继续说道：“使用HazelcastIMDG使我们的客户实现了实时数据的梦想，而无需花费传统的关系数据库模型的大量费用。开箱即用的速度和弹性帮助我们的客户交付了运营关键的生产系统。”

Hazelcast首席执行官GregLuck表示：“HazelcastIMDG旨在持续处理大数据量，同时确保低端到端延迟。我们的技术天生就是快速的，并且通过形成存储集群来解决存储问题。它还可以传输响应式访问模式，以在值更改时通知分析师。因此，它可以在处理过程中用作大型数据集的缓存，同时为频繁使用的数据形成内存中的数据湖。重要的是，它也很容易部署。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！