Es un juego de pelota diferente. El gran volumen de datos aumenta la complejidad de las aplicaciones de big data y la ingeniería de rendimiento no se puede hacer de la manera tradicional. Aunque los parámetros de salida para la ingeniería de rendimiento, que son la tasa de error,
los tiempos de respuesta y el uso de recursos siguen siendo los mismos, la solución de rendimiento de big data debe centrarse en las colas, los ETL, la forma en que se almacenan los datos y cómo se realizan los informes y los análisis de los datos.
Los desafíos en las pruebas de rendimiento de big data son numerosos: diversas tecnologías, falta de disponibilidad de herramientas, soluciones de monitoreo limitadas, creación de scripts de prueba y configuración del entorno de prueba y herramientas de diagnóstico.
Pilas de herramientas
Herramientas de prueba de rendimiento: Sandstorm, JMeter
Monitoreo: herramientas internas de QualityKiosk, Zabbix, Nagios, etc.
Herramientas de diagnóstico: AppDynamics, Compuware.
QualityKiosk se asocia con AppDynamics y Compuware para ofrecer soluciones integradas de ingeniería de rendimiento de big data.
- ¿Cuáles son las principales herramientas para la ciencia de datos?
- ¿Cómo se implementan los algoritmos de aprendizaje automático en un entorno empresarial?
- ¿Qué startups en Bangalore que trabajan en problemas de Machine Learning y Data Science?
- ¿Qué herramientas usan los periodistas de datos para crear visualizaciones de datos? ¿Qué características les gustan más?
- Soy un gran desarrollador de datos con antecedentes de Java, escrito en MR, Hive, Spark, Scala, Sqoop y Tableau. ¿Qué sigue para aprender a ser analista de datos / científico de datos?