JBoss
Data Grid
Tech Lab
Ugo Landini
Solution Architect, Red Hat
versione 1.7
29 Jan 2014

Agenda
• NoSQL: introduzione
• Consistent Hashing e CAP Theorem
• Cos’è un Data Grid
• Infinispan/JDG features

Big Data
new generation of technologies ...
designed to economically extract
value from very large volumes of
a wide variety of data, by enabling
high velocity capture, discovery
and/or analysis IDC, 2012

NoSQL
Not Only SQL.
Definizione A: un sistema di storage
alternativo ad un RDBMS
Definizione B: un qualsiasi sistema
utilizzato in alternativa ad un RDBMS

Eventi chiave
• Google BigTable (2005, sviluppi iniziati nel
2004)
• Amazon rilascia il paper con il design di
Dynamo (2007)

NoSQL
• K/V Store
• Document Store
• Column based DB
• Graph DB
• ma anche XML, Object DB,
Multidimensional, Grid/Cloud, …

“Classic” NoSQL
MongoDB CouchDB Redis Riak Infinispan LevelDB Voldemort Neo4J BigTable HBase Cassandra
Elastic
Search
Document
K/V
Column
Oriented
Graph

Grid & Cloud NoSQL
Infinispan/
JDG
Coherence Gemfire HazelCast Gigaspaces
Grid & Cloud

NoSQL
• Impossibile categorizzare in maniera
sistematica
• Moltissime sfumature
• Molti casi di “Convergenza Evolutiva”

CAP Theorem

CAP Theorem
• Tre caratteristiche di un Sistema Distribuito
• Consistency
• Availability
• Partition Tolerance

Consistency
• Tutti i nodi di un sistema distribuito vedono
gli stessi dati allo stesso momento

Availability
• La garanzia che ogni richiesta riceverà una
risposta (positiva o negativa)

Partition Tolerance
• Il sistema è in grado di continuare ad
operare in caso di perdita di connettività
fra i nodi (es: split brain)

CAP Theorem

CAP Theorem: la
versione popolare
• CAP è stato formulato nel 2000
• La spiegazione semplice: C,A, P: scegline due
è stata abusata in questi anni da diversi
vendor ed è considerata una tautologia
• Nella realtà la questione è più complessa, e
dipende dai vincoli e dai tradeoff del sistema

CAP Theorem: modern
version
• In altre parole, è vero che è impossibile
avere una Availability PERFETTA ed anche
la consistenza dei dati in presenza di un
partizionamento, che è però un evento raro

CAP Theorem: modern
version
• I sistemi moderni possono prendere
decisioni diverse rispetto a C ed A:
• per operazioni diverse
• per dati diversi
• in momenti diversi

CAP Theorem: modern
version
• Inoltre, C,A e P non sono binarie:
• A è ovviamente continua
• C ha diversi livelli
• Anche P ha delle sfumature, per esempio
ci può essere un disaccordo se in un
sistema ci sia effettivamente un
partizionamento o meno

CAP Theorem: modern
version
• Più informazioni nell’articolo di Eric Brewer
“CAP 12 anni dopo”
• http://www.infoq.com/articles/cap-twelve-
years-later-how-the-rules-have-changed

Storia di
un’applicazione

Architettura con DB
tradizionale

Limiti architetturali
• I Database non scalano e sono un SPF
• Tecnologia datata e tipicamente
“conservativa”
• Non cloud-friendly e virtualization-
friendly
• Di solito vuole hardware “speciale”

Come i programmatori risolvono
il problema: local caching
Node
RDBMS
1. read A
A
client 1
VM1
cache
2. write A to cache3. reads A

Local caching
• Non scala al “livello successivo”
• poca memoria
• no HA

Local caching distribuito

Local caching distribuito
• Local caching distribuito su più nodi
• Gestione dei Dirty reads? (multiple writes,
invalidation, ecc.)
• Gestione del Write behind?

“Clustering” della cache

“Clustering” della cache
• Cache topology influisce sui client
• Startup time che aumentano
• start della cache, transfer state
• JVM tunings incompatibili
• GC
• Non JVM clients

Cache servers
RDBMS
cache
VM
client 1
VM
client 2
VM
client 3
VM
cache
VM
1. Write
2. Update Cache
3. Read
cluster

Cache servers
• Protocolli
• open o proprietari
• Transazionalità
• Topologie: replica totale o dati distribuiti
• Smart routing

Consistent Hashing

Consistent Hashing
• Hashing Wheel: una “ruota” matematica sulla
quale vengono effettuati gli hash delle K (chiavi)
• Ma anche gli hash dei nodi che partecipano al
cluster
• La posizione della chiave sulla ruota, rispetto a
quella dei nodi, determina chi è il nodo master
per quella chiave (e quali nodi contengono le
eventuali repliche)

Cos’è un Data Grid?

Cos’è un Data Grid?
• Motore per gestione di storage in memoria
• “Networked memory”
• Storage distribuito
• Una distributed cache “on steroids”
• Un NoSQL Transazionale

Perchè un Datagrid?
• Scalabilità superiore
• Minore latenza
• Ma…
• ... tecnologia nuova da imparare
• ... migrazione applicazioni

Caratteristiche di un
Data Grid
• Un semplice key/value storage
• Motore di search per Document storage
• Scalabilità lineare, elasticità e fault
tolerance grazie al Consistent Hashing
• Memory-based, quindi low-latency
• ma possibile anche gestione persistenza

Data Grid > Distributed
Cache
• Diverse Topologie
• Querying
• Task Execution e Map/Reduce
• Partition Handling
• Controllo sulla colocation dei dati per
ottenere il massimo delle performance

Cos’è Infinispan/JDG?
• Open Source (Apache) data grid platform
• Basato su alcune delle idee di JBoss Cache
• Basato su alcune delle idee di Amazon
Dynamo
• Progetto partito nel 2009

Topologie (Cluster modes)
• LOCAL
• come una semplice cache locale (EHCache)
• INVALIDATION
• no sharing
• REPLICATED
• Tutti i nodi sono identici, la capacità totale è quella del singolo
nodo. Ex: 2 nodi da 8Gb = 8Gb totali
• DISTRIBUTED
• La capacità totale è la somma dei singoli nodi meno le repliche.
Ex: 10 nodi da 8Gb con 1 replica = 40 Gb totali

Esempi di topologie

Distributed senza replica

Distributed con una replica
sync

Distributed con una replica
async

Replicated

Come scegliere
• Replicated:
• “Piccoli” set di dati con alte % di letture e
pochi cambiamenti (Ex: Comuni, CAP)
• Distributed:
• Molti dati: scalare linearmente con il
numero dei nodi
• effettuare M/R o Distexec

Come scegliere
• Importante: la modalità di clustering si
applica per Cache e non per Grid
(CacheManager)
• In uno stesso cluster è dunque possibile
avere diverse Cache, ognuna con la sua
configurazione

Consistent Hashing in
Infinispan
• Self healing
• No single point of failure
• Highly concurrent
• MVCC locking

Consistent Hashing
• Algoritmo di hashing di default per il
Distributed mode: MurmurHash3.
• Può essere modificato o sostituito: ha
senso se la K è un valore che già di per se
individua un criterio di partizionamento.
• Può essere “ottimizzato” tramite Server
Hinting,Virtual Servers, Grouping e Key
Affinity

Hashing: Server Hinting
• Server Hinting
• una tripla di valori (site, rack, server)
• E’ un “Aiuto” al consistent hashing per
aumentare l’Availability complessiva del
sistema
• Utile per esempio per evitare che le repliche
di un dato risiedano nello stesso rack

Hashing:Virtual Servers
• Numero di “segmenti” in cui si partiziona
logicamente un cluster
• Migliora la distribuzione dei nodi sull’hashing
wheel e dunque la ripartizione delle chiavi
stesse
• Default: 60
• Nota: nessuna relazione con la virtualizzazione :)

Hashing: Grouping
• Colocation dei dati: lo stesso nodo contiene
il dato X ma anche i dati afferenti ad X (es:
anagrafica cliente e suoi movimenti sul conto)
• Si definisce un “gruppo” per il quale il Data
Grid garantisce che gli oggetti appartenenti
saranno presenti sullo stesso nodo
• Si lavora sui pattern di accesso ai dati più
frequenti

Hashing: Key Affinity
• Scopo simile alle Grouping API: il Key
Affinity Service è un servizio attraverso il
quale possiamo richiedere un ID di cui
siamo certi che verrà gestito da un
particolare nodo
• Grouping e/o Key Affinity sono
fondamentali se si vuole raggiungere il
Nirvana del Data Grid

Nirvana del Data Grid
• Tutti i dati che servono ad una applicazione
sono disponibili in locale, e dunque alla
distanza di una singola chiamata Java

DEMO Time:
Consistent Hashing

• Abilitando il Partition Handling, quando il JDG “sospetta”
uno split brain, le partizioni possono entrare in
“Degraded mode”
• Una partizione in Degraded mode può leggere/scrivere
solo le chiavi che sono “fully owned”,
• Le richieste per chiavi che non sono “fully owned”
risulteranno in una Availability Exception
• Il Partition Handling è disponibile sia in Library mode che
in Client/Server mode
Partition Handling

• Cache Store
• Non solo in memoria!
• Write through e write behind (ACK sincrono o
asincrono)
• Pluggable “drivers” per diversi store
• File System, JPA, LevelDB (supported)
• MongoDB, Cassandra, BerkeleyDB, ecc. (community)
Persistenza dei dati

Eviction dei dati
• Evita al sistema degli Out Of Memory
• Le entry possono anche essere “passivate” su
disco (in diverse modalità, vedi CacheStore)

Eviction dei dati
• Evita al sistema degli Out Of Memory
• Le entry possono anche essere “passivate” su
disco (in diverse modalità, vedi CacheStore)

Expiry dei dati
• Si assegna una “vita” al dato stesso (lifespan) o un
tempo massimo di “non utilizzo” (max idle time)
• Dopodiché superati questi valori il dato verrà
invalidato e rimosso dal Data Grid (senza
passivazione)
• Evita di doversi scrivere job “spazzini”
• Evita degli Out Of Memory

Expiry dei dati

Eviction/Expiry:
differenze
• Tutte e due le tecniche evitano gli Out Of Memory
• I dati “Evicted” a differenza di quelli “Expired” possono
essere mantenuti nel Grid per usi futuri con la
Passivazione
• Eviction è una configurazione per “cache”, Expiration
per dato (e dunque globale)
• Expiration è una caratteristica di business, Eviction una
di sistema

Transactions
• A differenza della maggior parte dei Database
“NoSQL”, Infinispan ha un full support per le
transazioni
• Local Transactions
• Global Transactions (XA): individua il TX
Manager dell’AS che lo ospita e lo usa
• Batching API

Listeners / Notifications
• Capacità di ricevere eventi
• A livello di Cache o di CacheManager
• Cambio di topologia
• Aggiunta/Rimozione/Modifica di oggetti
(cluster wide ed anche su Hotrod)

Querying the Grid
• Modulo Infinispan-query
• utilizza Hibernate Search e Lucene
• Querying via DSL
• Gli indici di Lucene possono essere in
memoria, su disco o anche essi nella
griglia

Map / Reduce
• Map/Reduce è un algoritmo reso famoso da
Google per l’implementazione del suo famoso
algoritmo di ricerca distribuito
• M/R permette di effettuare delle operazioni
“globali” sulla griglia
• Ogni nodo lavora sui dati di sua competenza (Map)
• I risultati vengono poi aggregati (Reduce)

Map / Reduce

Map / Reduce

Map / Reduce
• Prossimamente Infinispan/JDG sarà
utilizzabile come Hadoop store
• Implementerà le api HDFS
• Coming soon… in JDG 7

Distexec: Distributed
Execution
• Distexec permette di sottomettere dei
“task” alla griglia
• Il task può essere eseguito su tutti i nodi o
su un sottoinsieme dei nodi
• Il task può modificare i dati stessi del Grid

Cross Site Replication

Cross Site Replication
• Architetture Follow the Sun
• Permette di avere più Cluster che si
sincronizzano fra loro
• In sync o async

Standardizzazione API
• JSR-107
• Java Temporary Caching API
• Confermato a Gennaio 2015
• In roadmap per JDG 6.5
• JSR-347
• Data Grids for the Java Platform
• JSR Ritirato a Gennaio 2015

Management Tooling
• Infinispan Command Line Console
• JMX
• RHQ/JON Plugin
• Hawt.io plugin (si, la stessa console di
Fuse :) )

• Side Cache
• Inline Cache
• Compute Grid
Data Grid Usage
Patterns

• In una side cache, è l’applicazione che
gestisce direttamente la cache e lo store
principale
• Esempio: accesso alla cache, se K non è
presente l’applicazione effettua una
richiesta al DB e poi inserisce K
Side cache

• In una inline cache, l’applicazione dialoga
solo con la cache
• La cache ha uno store configurato via
Cache Store
• Esempio: accesso alla cache, se K non è
presente la cache stessa chiede al DB ed
inserisce K
Inline cache

• Cache distribuita
• Utilizzo della griglia per sottomettere
Distributed Task e/o Map/Reduce
• Possibilità di processare terabyte di dati
molto velocemente
• multiple nodes, multiple cores,“piccoli”
set di dati per ogni nodo
Compute Grid

Modi di utilizzo
• Embedded mode / Library mode
• Direttamente dalla JVM
• Client/Server mode
• REST
• Memcached
• Hot Rod

Library Mode

Il Library mode da accesso a tutte le API e
le feature
• Map-like key/value store
• Transazioni Locali e Globali, Batching
• Map/Reduce e Distexec
Library Mode

Client/Server mode
Protocolli
supportati
• REST
• Memcached
• Hot Rod

• Non tutte le API sono a
disposizione su protocolli remoti
• Ci sono differenze di feature per le
diverse API
• Il grid può però scalare
indipendentemente ed essere
accessibile a diversi sistemi
Client/Server Mode

REST
• Utile per client non Java per i quali non
esista un protocollo
• HTTP Transport: Firewall friendly
• E’ ovviamente più lento delle alternative

Memcached protocol
• Protocollo text based molto diffuso
• Clustering
• State sharing
• Non ha configurazione dinamica: se un nodo
cade va riconfigurata la lista dei server
• Utile per swap-in di Memcached, CouchDB
o CouchBase

Hot Rod
• Wire protocol per
comunicazioni client server
• Open Source
• Language independent
• Built-in failover e load
balancing
• Smart routing

Confronto protocolli
Protocol
Client
Libs
Smart
Routing
Load
Balancing/
Failover
TX Listeners M/R Dist Querying
Cluster
separato
Library
mode
inVM N/A Yes Dinamico Yes Yes Yes Yes Yes No
REST Text HTTP No
Qualsiasi
HTTP load
balancer
No No No No No Yes
Memcached Text Molte No
Solo con
predefined
server list
No No No No No Yes
Hot Rod Binary
Java/
Python/
C++
Yes Dinamico
Locali con
MVCC
Yes (6.4) No No Yes (6.3) Yes

Confronto protocolli
Protocol
Client
Libs
Smart
Routing
Load
Balancing/
Failover
TX Listeners M/R Dist Querying
Cluster
separato
Library
mode
inVM N/A Yes Dinamico Yes Yes Yes Yes Yes No
REST Text HTTP No
Qualsiasi
HTTP load
balancer
No No No No No Yes
Memcached Text Molte No
Solo con
predefined
server list
No No No No No Yes
Hot Rod Binary
Java/
Python/
C++
Yes Dinamico
Locali con
MVCC
Yes (6.4) No No Yes (6.3) Yes
Esempio di ciclo virtuoso OSS

DEMO Time:
Advanced features

Data Security
• User Authentication
• SASL
• Role Based Access Control (RBAC)
• Utenti, Ruoli e mapping fra ruoli ed operazioni su Cache e
Cache-Manager
• Node authentication & Authorisation
• Evitare che nodi “malevoli” possano fare join del cluster
• Encrypted communication fra i nodi del cluster

Supporto Enterprise
per JDG 6.4

Supported JDK
• Oracle,OpenJDK ed IBM JDK
• 1.6, 1.7 ed 1.8
• Azul ZVM
• 14.09

Container supportati
(Library Mode)

Container supportati
(Client/Server)

More details…
• Molti Database relazionali (Oracle, DB2, ecc.)
• Modulo camel-jbossdatagrid per Fuse 6.1
• Modulo infinispan-spring3 (Spring 3.2.9)
• Modulo infinispan-spring4 (Spring 4.1.0)
https://access.redhat.com/articles/115883

Chi usa
?

Chi usa i Data Grids?
• Chiunque abbia bisogno di:
• massive data volumes
• high transactional throughput
• strict performance characteristics
• uptime elevati
• offloading DB (anche per risparmi su
licensing)

Chi usa i Data Grids?
• Telco
• Real-time, Global routing, tracking information:
geolocation, user data, user authorization, ecc.
• Retail
• Cataloghi Online per milioni di utenti
concorrenti (user tracking, user
personalization, listini, sconti, promozioni, ecc.)

Chi usa i Data Grids?
• Transportation and logistics
• Real-time, Global routing, tracking
information: geolocation, delivery priority,
routing, ecc.
• Financial Services
• Stock Trading simulations

Chi usa i Data Grids?
• Media and entertainment
• Gaming online, On-demand streaming
video, user data
• Generic offloading
• Diminuire workload dei Database (e costi
di licenza)

Chi usa i Data Grids?
• Telco: caso d’uso di Softbank in Giappone
• Inline cache
• circa 300 nodi di JDG con 64GB ciascuno
• 500 diverse cache
• 50% heap, circa 10 TB di dati online
• prossimo upgrade a 500 nodi (16 TB)

Corso di formazione
JB453
• Corso specifico per sviluppatori JBoss Data
Grid (Gennaio 2015)
• ILT (Instructor Led Training)
• https://www.redhat.com/it/services/training/
jb453-red-hat-jboss-data-grid-development

Link e risorse
JDG JBoss Data Grid
• Product page:
http://www.redhat.com/products/jbossenterprisemiddleware/data-grid/
• JDG JB 453
https://www.redhat.com/it/services/training/jb453-red-hat-jboss-data-grid-development
Infinispan
• Project page: http://www.infinispan.org
• Blog: http://blog.infinispan.org
•Twitter: http://twitter.com/infinispan
• Community wiki e docs: http://community.jboss.org/wiki/Infinispan