Chapitre 1 — Introduction au Big Data
Comprendre les 5V, les enjeux et les usages.
1.1 Définition du Big Data
Le Big Data est un concept popularisé en 2012. Il désigne : - Des volumes de données considérables, difficiles à traiter avec les outils classiques (SGBDR) - Un ensemble de technologies, architectures, outils et procédures permettant de capter, traiter et analyser de larges quantités de données hétérogènes et changeantes - L'objectif : extraire des informations pertinentes à un coût accessible
💡 Retiens : Big Data ≠ juste "beaucoup de données". C'est tout un écosystème de solutions.
1.2 Les 5V du Big Data (⭐ TRÈS IMPORTANT pour l'examen)
| V | Signification | Description |
|---|---|---|
| Volume | Quantité | Teraoctets, Petaoctets. 2.5 trillions d'octets/jour générés. 90% des données mondiales créées dans les 2 dernières années |
| Variété | Diversité | Données structurées (BDD, tableurs) + non structurées (textes, images, vidéos, capteurs, logs, réseaux sociaux) |
| Vélocité | Vitesse | Traitement en temps réel, streaming. Exemple : 100 capteurs dans chaque voiture moderne |
| Véracité | Fiabilité | Qualité des données, données bruitées, imprécises. Coûte des millions $ par an aux USA |
| Valeur | Utilité | La démarche Big Data n'a de sens que pour créer de la valeur pour l'entreprise et les clients |
📝 Évolution historique : - 2001 (Gartner) → 3V : Volume, Variété, Vélocité - 2012 (IBM) → 4V : + Véracité - 2015 → 5V : + Valeur - 2016-2017 → 7V à 10V (Visualisation, Variabilité, etc.)
1.3 Pourquoi les outils classiques ne suffisent pas ?
Les SGBDR traditionnels ont été construits avec une échelle limitée : - ❌ Problème de scalabilité (taille machine, CPU, RAM) - ❌ Coût exponentiel pour étendre l'infrastructure - ❌ Pas de traitement parallèle natif
1.4 Comment le Big Data résout ces problèmes ?
| Solution | Description |
|---|---|
| Distribution des données | Le dataset est divisé en blocs répartis sur N nœuds via un DFS (Distributed File System) |
| Traitement parallèle | Les N serveurs travaillent en parallèle, puis les résultats sont fusionnés (→ MapReduce) |
| Tolérance aux pannes | Chaque bloc est répliqué sur plusieurs machines. Si un serveur tombe → les données restent disponibles |
| Matériel standard | Pas besoin de matériel spécialisé (pas de RAID coûteux). Matériel commodity |
| Scalabilité | Facile d'ajouter des nœuds au cluster |
Exemple concret :
- 1 machine pour lire 1 TB : > 2h lecture + 1h calcul = > 3 heures
- 100 machines en parallèle : lecture < 2 min + calcul < 1 min = < 3 minutes !
1.5 Cas d'utilisation du Big Data
| Domaine | Application |
|---|---|
| Santé | Prédiction d'épidémies, analyse d'efficacité des traitements, télésurveillance patients |
| Marketing | Analyse prédictive des achats, analyse de sentiments sur réseaux sociaux, géolocalisation clients |
| Politique | Campagne Obama (analyse d'opinions), NSA (yottaoctets), SIGMA conseil Tunisie 2014 |
| Sport | Capteurs biométriques (distance, sprint, rythme cardiaque), analyse tactique par caméras |
| Sécurité | Vidéosurveillance intelligente, reconnaissance faciale (JO Londres 2012), lecture de plaques |
1.6 Historique et Acteurs
| Année | Événement |
|---|---|
| 2003 | Google invente GFS (Google File System) |
| 2004 | Google publie l'article MapReduce (Jeffrey Dean & Sanjay Ghemawat) |
| 2006 | Hadoop (Yahoo) — version Open Source inspirée de GFS + MapReduce |
| 2014 | Spark (UC Berkeley) — framework plus rapide que Hadoop MapReduce |
Technologies Open Source par entreprise :
| Société | Technologie | Type |
|---|---|---|
| BigTable | BDD distribuée (→ a inspiré HBase) | |
| MapReduce | Traitements distribués | |
| Yahoo | Hadoop | Plateforme Java distribuée |
| Cassandra | BDD NoSQL distribuée | |
| Hive | Analyse de données sur Hadoop | |
| Storm | Traitement de données massives | |
| Voldemort | BDD distribuée très gros volumes |
Écosystème Big Data :
- Processing : Hadoop, Hive, Pig, Spark
- NoSQL : HBase, MongoDB, Cassandra, Neo4j
- Analytics : R, Python scikit-learn, Spark MLLib
- Search : Solr/Lucene, ElasticSearch
- Servers : EC2, Google App Engine