Um die andere Antwort hinzuzufügen, ist die Protokollierung neben der Suche immer noch ein wichtiger Anwendungsfall, aber jetzt werden Metriken und Analysen immer wichtiger.
Ich glaube, dass dieser Beitrag die Veränderungen auf dem Markt zusammenfasst, die neue Anwendungsfälle für Big Data vorantreiben. Alles, was Sie wirklich über Open Source-Datenbanken wissen müssen
Mit dem Aufkommen von Web 2.0 sind statische Webseiten dynamisch geworden und soziale Medien sind überall um uns herum. Jeder twittert, postet, bloggt, vloggt, teilt Fotos, chattet und kommentiert. Das Internet der Dinge (Internet of Things, IoT) entsteht - ein schnell wachsendes Netzwerk verbundener Geräte, die Daten wie Sensoren und intelligente Geräte sammeln und austauschen. Hier gibt es einige gute Beispiele.
Insgesamt werden dadurch riesige Mengen neuer Daten generiert, die Unternehmen aufnehmen und nutzen möchten, um die Nase vorn zu haben und Funktionen wie Produktempfehlungen und ein besseres Kundenerlebnis bereitzustellen. Die Daten können auf der Suche nach Mustern für Anwendungen wie Betrugserkennung und Verhaltensanalyse analysiert werden. Ein Großteil der neuen Daten ist unstrukturiert, was bedeutet, dass sie nicht sauber in einer tabellarischen Datenbank gespeichert werden können.
Stellen Sie sich vor, Sie möchten eine Datenbank erstellen, in der Daten zu Ihrem Lebensmitteleinkauf gespeichert sind - was Ihnen gefällt, wie oft Sie es kaufen, ob Sie Milch oder Sahne zu Ihrem Kaffee bevorzugen. Zum Speichern der neuen Daten sind neue Datenbanktypen erforderlich. Sie müssen nicht relational und im Idealfall kostengünstig sein. Glocken läuten? Nicht relational wie in NoSQL und kostengünstig wie in Open Source.
Einer der Elasticsearch-Architekten, mit denen ich gesprochen habe, sagte, dass 80% der Daten, mit denen Elasticsearch in Unternehmen arbeitet, unstrukturiert sind, während 20% strukturiert sind. Es sind die unstrukturierten Daten, nach denen Unternehmen suchen, um seltene oder ungewöhnliche Datenmuster zu entdecken. Sie verwenden Elasticsearch auch zur Überwachung von Datenmustern. Zum Beispiel führt ein großer Einzelhändler mit Elasticsearch eine Echtzeit-Nachverfolgung durch, um sicherzustellen, dass in den Geschäften ausreichend Geld vorhanden ist, damit die Leute an Zahltagen Schecks einlösen können.
Nach meiner eigenen Erfahrung mit unserem Suchanwendungsfall verwenden wir nicht nur Fuzzy-Suchen, sondern es hat sich auch zu einer automatischen und schnellen Suche entwickelt. Nach dem, was ich gesehen habe, entwickeln Sie sich, sobald Sie mit Elasticsearch arbeiten, zu anderen Anwendungsfällen, die das ergänzen, was Sie bereits eingerichtet haben. Nachdem wir Elasticsearch in unserem Unternehmen als Fuzzy-Suchmaschine etabliert haben, haben wir jetzt andere Teams, die sich mit Analysen und Metriken für die Protokollierung befassen.
Im Folgenden finden Sie einige zusätzliche Ressourcen, die sich eingehender mit diesem Thema befassen: