Bases de données NoSQL
publicité
Bases de données NoSQL Raja CHIKY [email protected] 2015-2016 Institut Mines-Télécom Bases de données orientées colonne Cassandra, Hbase,Bigtable, … Institut Mines-Télécom BD NoSQL orientée colonnes § Les données sont stockées par colonne, il est facile d’ajouter des colonnes § Ressemble logiquement aux bases de données relationnelles (tables) mais le nombre de colonnes : • • est dynamique peut varier d’un enregistrement à un autre § Utile pour les tâches d’analyses sur des colonnes et dans les traitements massifs (via des opérations de MapReduce) § Utile pour les données éparses § Exemples : • • Hbase (version open source de Big Table de Google) Cassandra Institut Mines-Télécom Modèle de données § Colonne • couple clé/valeur • représente un champ de données • une colonne contenant d’autres colonnes est une super colonne Clé ligne clé : objet Famille de colonnes 1 colonne 1 colonne 2 colonne 3 objet 1 objet 23 objet 31 § Famille de colonnes • regroupe plusieurs colonnes ou super-colonnes • les colonnes sont regroupées en lignes • chaque ligne est identifiée par un identifiant unique § Chaque famille de colonnes peut être partitionnée séparément Institut Mines-Télécom colonne 2 ligne ligne clé : objet clé : objet objet 2 colonne 3 colonne 4 objet 3 objet 4 Principales caractéristiques § Consistance • plusieurs niveaux de consistance possibles avec Cassandra § Transactions • pas de transactions au sens traditionnel du terme, écriture atomique au niveau ligne § Requêtes • • • basiques avec Classandra-cli (get, set, del, create) indexation secondaire possible requêtes SQL-Like avec CQL (Cassandra Query Language) § Scalabilité • • • haute disponibilité mode distribué sans maître disponibilité gérée par la formule du quorum : (R+W)>N (W : nombre de nœuds où l’écriture doit se faire correctement, R : nombre de nœuds qui doivent répondre avec succès à une lecture, N: facteur de réplication Institut Mines-Télécom Forces et Faiblesses § Forces • modèle de données plus riche • scalabilité horizontale et utilisation de MapReduce • résultats des requêtes en temps réel § Faiblesses • difficile à utiliser pour les données interconnectés (distance, trajectoire) • maintenance lors de l’ajout/suppression de colonnes • ne pas utiliser pour les requêtes non temps réel et inconnues Institut Mines-Télécom Cas d’usage § A utiliser pour • • • • la journalisation d’évènements les compteurs (analytique sur le web) applications avec beaucoup d’écritures et peu de lectures, priorité à la disponibilité analyse en temps réel (cerner l’audience) § A ne pas utiliser pour • • applications avec des besoins de transactions ACID Agrégation par requêtes (sera effectuée par l’application client) Institut Mines-Télécom BigTable § Base de données propriétaire gérée en interne chez Google § Accessible au public uniquement via • Google App Engine § Ecrite en C++ § Cohérence forte (strong consistency) • L'ensemble des clients voient la même valeur d'une donnée après les mises à jour § Stockage de données • Basé sur le système de fichiers distribués GFS (Google File Systems) Institut Mines-Télécom http://labs.google.com/papers/bigtable.html Masters C0 C1 C5 C GFS Master Client GFS Master C1 C5 Chunkserver 1 • • • • Replicas Google File System (GFS) C Chunkserver 2 Client Client C0 … C5 C Misc. servers Chunkserver N Master manages metadata Data transfers happen directly between clients/chunkservers Files broken into chunks (typically 64 MB) Chunks triplicated across three machines for safety Institut Mines-Télécom BigTable-Modèle de données § Map multi-dimensionnel § Row key • Clé unique d'une entité (string de 64KB) § Column family • Représente un groupe d'attributs (colonnes) reliés § Column • Comporte différentes versions de la donnée (ordonnées par timestamp décroissant) § L'accès à une donnée se fait par: • (Row key à column family à column à timestamp) Institut Mines-Télécom BigTable-Modèle de données (row, column, timestamp) → cell contents “contents:” Columns Rows “www.cnn.com” “<html>…” t11 t3 t17 Timestamps 11 Institut Mines-Télécom BigTable- Architecture § La tablet est l'unité de distribution de données • Intervalle de ligne triées par ordre lexicographique des clés [start key-end key] § Tablet server • Gère un ensemble de tablets (généralement quelques centaines) § Chubby server • Maintient des connexions avec les Tablet Servers à l'aide de fichiers de verrouillage • Attribution dynamique des Tablets aux Tablet Servers • Responsable de la répartition de charge et de la tolérance aux fautes Institut Mines-Télécom BigTable - Architecture Institut Mines-Télécom Ecriture/lecture de données § Opérations d'écriture sont stockées dans une table en mémoire memtable § Quand la taille de la memtable atteint un seuil prédéfini • La memtable est figée et ensuite convertie en SSTable par le GFS • Une nouvelle memtable est créée § Opérations de lecture sont effectuées sur une combinaison de memtables et SSTables Institut Mines-Télécom BigTable-Utilisateurs Google analytics Google finance Orkut (réseau social tenu par Google) Personalized search Writely (éditeur de texte on-line racheté par Google) § Google earth § § § § § Institut Mines-Télécom Hbase § Basé sur BigTable • HDFS (GFS), ZooKeeper (Chubby) • Master Node (Master Server), Region Servers (Tablet Servers) • HStore (tablet), memcache (memtable), HFile (SSTable) § § § § Écrit en Java Utilise HDFS Licence Apache 2.0 Sponsorisé par : • Yahoo!, Microsoft, HP, Facebook, Covalent, IONA, AirPlus International, BlueNog, Intuit, Joost, Matt Mullenweg, Two Sigma Investiments. http://hadoop.apache.org/hbase/ Institut Mines-Télécom Hbase : exemple d’usage § create 'cars', ’features’ table key Column family column value § put 'cars', 'row1', 'features:make', 'bmw’ § put 'cars', 'row1', 'features:model', '5 series’ § put 'cars', 'row1', 'features:year', '2012’ § put 'cars', 'row2', 'features:make', 'mercedes’ § put 'cars', 'row2', 'features:model', 'e class’ § put 'cars', 'row2', 'features:year', '2012' http://akbarahmed.com/2012/08/13/ Institut Mines-Télécom HBase § Hbase propose: • • • • • • Modèle de données similaire à celui de BigTable Des classes natives pour la connexion avec MapReduce Accès REST (JSON, XML, etc.) Hive/Pig pour les analyses Java API Web Usage Interface ─ Tâches administratives, monitoring, ajout/suppression de noeuds, etc. • Interface Thrift avec support pour plus de 10 langages ─ Python, PHP, Perl, Ruby, C++, Erlang, etc. Institut Mines-Télécom Hbase § Clone de BigTable ─ conçu pour être distribué ─ se base sur Hadoop et HDFS pour distribuer son stockage Les tables sont shardées automatiquement et séparées en régions : ─ gérées par le serveur de région (RegionServer) ─ la table est tout d’abord contenue dans une seule région ─ lorsque la taille d’une région dépasse un seuil défini, Hbase la découpe en 2 régions Eléments de Hbase : ─ RegionServer : gère les régions permettant de distribuer les tables ─ ZooKeeper : service centralisé de maintenance de la configuration (maintenir l’état des nœuds, promouvoir un nouveau maître, etc.) ─ HMaster : le moteur de la base de données. Gère plusieurs RegionServers et centralise la gestion d’un cluster Hbase. § Ecritures : ─ dans un buffer mémoire (memstore) ─ lorsqu’il atteint une taille définie, il est écrit sur HDFS dans un Hfile, un ensemble trié de clés-valeurs Les régions assurent la distribution, et HDFS la réplication Institut Mines-Télécom Hbase- architecture maître/esclave § Master • Responsable de l'allocation des régions aux RegionServers § RegionServer • Responsable d'un ensemble de régions • Chaque région est un ensemble de rangées ordonnées § Hbase client • Interroge le master pour savoir sur quel RegionServer se retrouve la région recherchée • Ensuite communique directement avec la RegionServer pour obtenir les données Institut Mines-Télécom Hbase-Architecture Institut Mines-Télécom Hbase - modèle de données § Une table est composée des éléments suivants : • • • • la clé est le point d’entrée. Elles sont triées en ordre lexicographique Une famille de colonnes permet de regrouper un certain nombre de colonnes. Toutes les colonnes de la famille sont stockées dans un Hfile Une colonne contient une donnée versionnée (accompagnée d’un timestamp) Le timestamp sert à gérer la cohérence finale et les versions au niveau de la logique cliente Table Famille Clé HFile Colonne Colonne Famille HFile Colonne Institut Mines-Télécom Colonne ZooKeeper § basé sur Chubby Server de Google) est utilisé pour gérer différents serveurs (afin de résoudre le problème de Single Point of Failure). Institut Mines-Télécom Hbase-Utilisateurs § § § § § § § § § § § § § § § § § § § § http://www.yahoo.com/ http://www.adobe.com/ http://www.stumbleupon.com/ http://www.bedrock.com/ http://www.filmweb.pl/ http://www.flurry.com/ http://www.drawntoscaleconsulting.com/ http://www.kalooga.com/ http://www.mahalo.com/ http://www.meetup.com/ http://ning.com/ http://www.openplaces.org/ http://www.powerset.com/ http://www.readpath.com/ http://www.runa.com/ http://www.socialmedia.com/ http://www.streamy.com/ http://www.stumbleupon.com/ http://www.subrecord.org/ etc. Institut Mines-Télécom Cassandra § Initiateur • Facebook en 2007 (solution pour le problème « inbox search ») § Licence Apache 2.0 § Ecrit en Java § Modèle de données • Basé sur BigTable (modèle de données) et Dynamo (partitionnement et cohérence) § Interface Thrift • Ruby, Perl, Python, Scala et Java, … • CQL (Cassandra Query Langage) : ressemble au SQL au niveau des commandes. Institut Mines-Télécom http://cassandra.apache.org Cassandra § Décentralisation • Pas d'architecture maître/esclave • Chaque nœud dans le cluster est identique § Tolérance aux fautes • Les données sont répliquées sur N (facteur de réplication) nœuds • 'Always writable': accepte l'écriture de données même en cas de défaillance § Extensibilité • Ajout de nouveaux nœuds à l'aide d'un protocole 'gossip' • Le débit de lecture/écriture augmente de manière linéaire avec l'augmentation du nombre de machines § Cohérence « tunable » • Les écritures et les lectures offrent un niveau de cohérence configurable Haute performance, peut être utilisée pour le temps-réel Institut Mines-Télécom Fonctionnalités • Conçu pour traiter un grand nombre de données sur plusieurs serveurs • Facile à déployer • Imite les bases de données relationnelles Institut Mines-Télécom Distribué e Open source Orientée colonne Conhére nce « tunable » décentral isée Cassandra Elasticité Hauteme nt scalabale Tolérante aux pannes 29 Caractéristiques Institut Mines-Télécom 30 Adapté pour des données éparses Institut Mines-Télécom 31 Performance § Sa conception lui permet de surpasser les BDs concurrentes § Très bons débits en lecture/écriture: s’améliore linéairement avec l’ajout de nouveaux nœuds § “In terms of scalability, there is a clear winner throughout our experiments. Cassandra achieves the highest throughput for the maximum number of nodes…” - University of Toronto Institut Mines-Télécom 32 Architecture de cassandra 33 Institut Mines-Télécom Cassandra Aperçu • Cassandra a été conçue en considérant que des défaillances systèmes peuvent se produire • Système P2P, distribué • Tous les nœuds jouent le même rôle • Les données sont partitionnées sur les nœuds • Les données sont répliquées (selon la demande de l’utilisateur) • Google Big Table – Modèle de données • Basé colonne • MemTables • SSTables • Amazon Dynamo – Architecture décentralisée • Hachage cohérent • Partitionnement • Réplication Institut Mines-Télécom 34 Cassandra- Utilisateurs (2011 vs. 2012) 2012 Institut Mines-Télécom Scalabilité horizontale et haute disponibilité 1 12 2 1 11 6 3 2 Performance Débit=N 5 Performance Débit=Nx2 10 4 3 4 5 9 6 8 7 Cass andra Institut Mines-Télécom 36 Opérations d’écriture Institut Mines-Télécom 37 Opérations d’écriture • Commit log • 1er endroit où l’écriture est enregistrée • Mécanisme de récupération en cas de crash • MemTable • Structure de donnée en mémoire • Données sont enregistrées dans Memtable une fois enregistrée dans commitlog • Si memTable atteint un seuil, les données sont ajoutées à SSTable • Lectures se font en priorité à partir de MemTable • SSTable • Stocké sur disque • Immuable une fois écriture faite • Compacté périodiquement pour raison de performance § Institut Mines-Télécom 38 partitionnement et réplication dans cassandra • Partitionnement à travers les nœuds du cluster • Chaque nœud est responsable d’une partie de la base de données • les données sont insérées par l’utilisateur dans une famille de colonnes • elles sont ensuite placées sur un nœud selon la clé de la colonne • l’utilisateur choisit le facteur de réplication lors de la création du keyspace • les données insérées par l’i-utilisateur dans une famille de colonnes sont répliquées dans les nœuds du cluster selon le facteur de réplication keyspace twitter twitter_id nom followers facteur de réplication = 2 1 5 2 4 Institut Mines-Télécom 3 donnée copie de la donnée stratégies de réplication dans cassandra stratégie simple • le premier réplica est placé sur un nœud déterminée par le partitionneur • Les réplicas suivants sont placés sur les nœuds suivants dans l’anneau sans considérer la topologie (racks et data centers) • A utiliser pour un unique data center • stratégie sur la topologie du réseau • plusieurs data centers : on spécifie le nombre de réplicas sur chaque data center • les réplicas sur un même data center sont placés en parcourant l’anneau jusqu’à trouver un nœud dans un autre rack • la réplication asymétrique est possible (3 réplicas sur un DC pour les requêtes temps-réel, et 1 sur un autre Dc pour l’analytique) 1 • donnée 5 2 4 copie de la donnée Rack 1 donnée 1 5 2 4 3 1 5 2 4 copie de la donnée Rack 2 Institut Mines-Télécom 3 3 copie de la donnée Cohérence dans cassandra • Architecture « Read and Write Everywhere » • L’utilisateur peut se connecter à n’importe quel nœud, dans n’importe quel data center, et lire/écrire les données qu’il veut • Cassandra est la base de données NoSQL la plus rapide en écriture • Extension de la notion de consistance éventuelle à une cohérence ajustable • Le choix de la consistance est faite par requête : clause USING CONSISTENCY (le niveau ONE est celui par défaut) Institut Mines-Télécom Niveaux de cohérence (Consistency) § Pour une écriture • Le niveau ONE ─ Assure que l'écriture a été effectuée dans au moins un nœud • Le niveau ALL ─ Assure que l'écriture a été effectuée vers tous les N nœuds (avec N=ReplicationFactor) • Le niveau QUORUM ─ Assure que l'écriture a été effectuée sur les M nœuds (avec M=ReplicationFactor/ 2+1) § Pour une lecture • Le niveau ONE ─ Envoie l'enregistrement retourné par le premier nœud qui a répondu • Le niveau ALL ─ Requête tous les nœuds et retourne l'enregistrement avec le timestamp le plus récent ─ Si un nœud ne répond pas, l'opération échoue • Le niveau QUORUM ─ Requête tous les nœuds et retourne l'enregistrement avec le timestamp le plus récent retourné par la majorité des noeuds Institut Mines-Télécom Écriture – cohérence ONE 0 Node 6 Node 5 Node 1 R1 Node 2 replication_factor = 3 Node 4 Client Node 3 INSERT INTO table (column1, …) VALUES (value1, …) USING CONSISTENCY ONE Cass andra Institut Mines-Télécom 43 R3 R2 Écriture – cohérence Quorum 0 Node 6 Node 5 Node 1 R1 Node 2 replication_factor = 3 Node 4 Client Node 3 INSERT INTO table (column1, …) VALUES (value1, …) USING CONSISTENCY QUORUM Cass andra Institut Mines-Télécom 44 R3 R2 Généralités • Conçu comme un système de gestion de base de données distribuée • l'utiliser si beaucoup de données réparties sur plusieurs serveurs • Les performances d'écriture est toujours excellente, mais les performances de lecture dépend des modèles de données • concevoir le schéma approprié en fonction de la requête Institut Mines-Télécom 45 Avantages et inconvénients • Adapté pour des séries temporelles • Haute performance • Décentralisation • Evolutivité linéaire • Support de réplication • Pas de SPOF • Possibilité de MapReduce Institut Mines-Télécom • • • • • Pas d'intégrité référentielle Interrogation des données pour la récupération limitée Le tri des données fait partie de la conception pas GROUP BY Modèle de données en fonction de chaque requête 46 Modèle de données 47 Institut Mines-Télécom Cassandra Modèle clé-colonne(s) • Un enregistrement est une collection de colonnes labellisés (avec un nom) • Famille de colonnes = Table (Par analogie avec RDBMS) • Un enregistrement doit contenir au moins une colonne Institut Mines-Télécom 48 Exemple Institut Mines-Télécom 49 Keyspace § Ensemble de familles de colonnes (~Base de données) Institut Mines-Télécom 50 Méthodologie – E/R model § Diagramme ER (Chen): entités, associations, cardinalités, etc. Institut Mines-Télécom 51 Modèle de données pour cassandra Institut Mines-Télécom 52 Cassandra query language CQL 53 Institut Mines-Télécom Cassandra Keyspace • Création CREATEKEYSPACEdemo WITHreplicaCon={‘class’:’SimpleStrategy’, replicaCon_factor’:3}; • Utilisation USE demo; • Suppression DROP KEYSPACE demo; Institut Mines-Télécom 54 Creation d’une table (famille de colonnes) CREATETABLEusers( emailvarchar, biovarchar, birthday;mestamp, ac;veboolean, PRIMARYKEY(email)); Institut Mines-Télécom CREATE TABLE tweets( email varchar PRIMARY KEY, time_posted timestamp, tweet varchar); 55 Insertion INSERTINTOusers(email,bio,birthday,ac;ve) VALUES(‘[email protected]’,‘Associateprofessor’, 516513600000,true); Importeràpar;rd’unfichierCSV COPY table1 (column1, column2, column3, column4) FROM ’data.csv'; Avec entête COPY table1 (column1, column2, column3, column4) FROM ’data.csv’ WITH HEADER=true; Institut Mines-Télécom 56 Interrogation SELECT*FROMusers; SELECTcount(*)fromusers; SELECT*FROMusersLIMIT10; SELECTemailFROMusersWHEREac;ve=true; Institut Mines-Télécom 57 Place à la pratique Exercices adaptés de la formation Datastax 58 Institut Mines-Télécom Cassandra Création de la keyspace CREATE KEYSPACE demoVideo WITH REPLICATION = { 'class': 'SimpleStrategy', 'replication_factor' : 1 }; USE demoVideo; Remarque: SOURCE './myscript.cql'; Institut Mines-Télécom 60 Exemple introductif-creation de la table CREATE TABLE videos ( id int, name text, runtime int, year int, PRIMARY KEY (id) ); Institut Mines-Télécom 61 insertion - Insérer ces données dans une table videos - Soit directement avec la clause INSERT ou en utilisant un fichier CSV et la clause COPY Institut Mines-Télécom 62 requêtage - Combien de lignes ont été insérées - Afficher tous les enregistrements - Afficher les informations concernant la vidéo « insurgent » - Afficher les vidéos dont l’année est supérieure à 2014 - Qu’obtenez vous? Pourquoi? Institut Mines-Télécom 63 Stockage physique Institut Mines-Télécom 64 Stockage partitionné Institut Mines-Télécom 65 une solution aux requêtes précédentes? § Créer la table suivante: CREATE TABLE videos_by_name_year ( name text, runtime int, year int, PRIMARY KEY ((name, year)) ); Institut Mines-Télécom Requêtes § Trouver le film « Insurgent » réalisé en 2015 § Trouver les informations du film « Interstellar » § Quels sont les films réalisés en 2014 Cass andra Institut Mines-Télécom 67 Cassandra-UPSERTS INSERT INTO videos_by_name_year (name , year , runtime) VALUES ('Insurgent',2015, 127) ; SELECT count(*) from videos_by_name_year § Que se passe-t-il? Cass andra Institut Mines-Télécom 68 Clustering columns CREATE TABLE videos_by_year ( id int, name text, runtime int, year int, PRIMARY KEY ((year), name ); Institut Mines-Télécom 69 Clustering column avec ordre § Par défaut ordre ascendant § SI on veut spécifier un ordre descendant: CREATE TABLE videos_by_year ( id int, name text, runtime int, year int, PRIMARY KEY ((year), name) ) WITH CLUSTERING ORDER BY (name DESC); Cass andra Institut Mines-Télécom 70 Requêtage sur les clustering Columns SELECT * FROM videos_by_year WHERE year = 2014 AND name = 'Mockingjay'; § Ou (opérations de comparaison) SELECT * FROM videos_by_year WHERE year = 2014 AND name >= 'Interstellar'; Institut Mines-Télécom 71 Alter table § Ajout d’une colonne ALTER TABLE table1 ADD another_column text; § Suppression d’une colonne ALTER TABLE table1 DROP another_column; § La colonne PRIMARY KEY ne peut être modifiée § Suppression de toutes les données TRUNCATE table1; Institut Mines-Télécom 72 Colonne multi-valuée § Une colonne peut contenir plusieurs valeurs (contrairement à RDBMS) • SET<TEXT> collection de valeurs typées et ordonnées (selon la valeur) • LIST<TEXT> ordonnée par position • MAP<TEXT,INT> collection de clé-valeur ordonnée par clé Institut Mines-Télécom 73 UDT (User defined type) CREATE TYPE address ( street text, city text, zip_code int, phones set<text> ); CREATE TYPE full_name ( first_name text, last_name text ); Institut Mines-Télécom 74 Modifier la table videos - Ajouter une colonne tags (pouvant contenir plusieurs valeurs de tags) - Ajouter quelques tags aux vidéos de votre fichier csv - Insérer les tags dans la table videos - Méthode TRUNCATE puis réinsertion - Méthode UPSERT Institut Mines-Télécom 75 UDT § Créer un UDT video_encoding suivant l’exemple suivant {encoding: '1080p', height: 1080, width: 1920, bit_rates: {'3000 Kbps', '4500 Kbps', '6000 Kbps'} § § § Field Name Data Type encoding text height int width int bit_rates set<text> Créer un fichier videos_encoding.csv contenant video_id et les informations d’encodage Exemple: 1,"{encoding: '1080p', height: 1080, width: 1920, bit_rates: {'3000 Kbps', '4500 Kbps', '6000 Kbps'}}" Institut Mines-Télécom Alter table et ajout des infos - Ajouter une nouvelle colonne encoding à la table videos - Insérer les nouvelles informations à partir du fichier videos_encoding.csv créé précédemment - Afficher le contenu de videos Institut Mines-Télécom 77 counter § Créer une nouvelle table avec un compteur permettant de mettre à jour le nombre de vidéos pour chaque tag et année CREATE TABLE videos_count_by_tag ( tag TEXT, added_year INT, video_count counter, PRIMARY KEY (tag, added_year) ); Cass andra Institut Mines-Télécom 78 Counter (suite) § Pour mettre à jour le compteur: (lancez quelques updates sur la table) UPDATE videos_count_by_tag SET video_count = video_count + 1 WHERE tag=‘MyTag’ AND added_year=2015; § Afficher le résultat § Essayer un update du compteur avec un tag et une année qui n’existe pas dans votre table. Qu’obtenez vous? Cass andra Institut Mines-Télécom 79 Dénormalisation 80 Institut Mines-Télécom Cassandra Rappels - exemple 81 Institut Mines-Télécom Commentaires pour chaque vidéo § SELECT comment § FROM videos JOIN comments ON videos.id = comments.video_id Institut Mines-Télécom 82 Commentaires pour chaque login utilisateur 83 Institut Mines-Télécom Dénormalisation dans cassandra Institut Mines-Télécom 84 Tables § Créer les tables et insérer des enregistrements § Ecrire les requêtes permettant de trouver les commentaires pour un film particulier/ d’un utilisateur particulier § On veut classer les vidéos commentés par un utilisateur du plus récent au plus ancien. Que doit-on faire? Institut Mines-Télécom 85 MCD: Modèle conceptuel de données 86 Institut Mines-Télécom Cassandra Clés des associations 87 Institut Mines-Télécom One-to-one § Trouver la clé de cette relation Institut Mines-Télécom 88 One-To-many Institut Mines-Télécom 89 ManY-tO-many Institut Mines-Télécom 90 Association avec attributs Institut Mines-Télécom 91 Vers le modèle Logique de données Institut Mines-Télécom 92 Modèle Logique: Diagramme de Chebotko § Diagramme des tables et des requêtes (patterns d’accès) Institut Mines-Télécom 93 Diagramme de Chebotko: Notation Institut Mines-Télécom Plus d’informations § Dev: http://www.datastax.com/dev § Docs:http://docs.datastax.com/en/index.html § Planet Cassandra: http://planetcassandra.org/ § blogs: http://tobert.github.io/ § http://patrickmcfadin.com/ § http://rustyrazorblade.com/ § https://ahappyknockoutmouse.wordpress.com/author/ anukeus/ § http://thelastpickle.com/blog/ § Livre : http://www.amazon.com/Cassandra-HighAvailability-Robbie-Strickland/dp/1783989122 § DataStax Academy: https://academy.datastax.com/ § Formation: http://www.datastax.com/what-weoffer/ products-services/training Institut Mines-Télécom 95 Merci pour votre attention [email protected] Institut Mines-Télécom
