What’s new 30/09/2019

News 1 : Passer de redshift vers Google BigQuery c’est devenu très simple
Google simplifie la migration des données de Amazon redshift vers Google Bigquery. Cela est
très intéressant pour économiser de l’argent sur des bases de données décisionnelles et gagner en
simplicité sur la gestion des ressources.


Plus d’informations en anglais ici
News 2 : Besoin d’une base de données VRAIMENT disponible 
Le schéma de Google va trop loin mais c’est plus le fond qui nous intéresse et il est vrai qu’une base
de données décisionnelle classique nécessite de l’attention (optimisation et gestion des pics de
charge) et il y a des moments (lors du chargement des nouvelles données) où les données ne sont
pas disponibles. Passer sur des bases de données nouvelles générations comme BigQuery ne
nécessite AUCUNE action d’optimisation et reste accessible même pendant les chargements de
données. C’est un réel gain économique et en confort d’utilisation.  


Plus d’informations en anglais ici
News 3 : Connecter son windows Active Directory avec Google cloud platform
Il y a encore peu pour connecter son datacenter local sous windows avec les VMs de Google il était
indispensable de créer une VM dans Google avec un active directory déporté. Pour faciliter la vie de
tout le monde Google a sorti un service d’hébergement d’Active directory managé, il est encore en
beta. Encore un bel effort de Google qui propose toujours plus de simplicité pour permettre à ses
clients de se concentrer sur l’essentiel et de ne pas perdre de temps avec des tâches rébarbatives. 

Plus d’informations en anglais ici

Commentaires

Enregistrer un commentaire

Posts les plus consultés de ce blog

Datalake comparaison - 10 Conclusion

Franchement nous avions d’énormes à priori avant de commencer ce comparatif et honnêtement le résultat nous surprend nous même. Toutes les solutions analysées présentent des intérêts et aucune ne peut prétendre être la solution ultime, c’est d’ailleurs celle qui veut tout faire à la fois qui pour nous est la moins intéressante. Nous ne pouvons que saluer les efforts d’innovations que les différents éditeurs ont trouvées et nous les remercions de proposer des outils qui permettent de traiter nos chères données. En effet nous parlons toujours comme si LA donnée était une seule entité et devait se traiter de la même manière mais c’est faux il y a plusieurs types de données : les chaudes qui sont consommées immédiatement, les froides qu’on ne va voir qu’une fois de temps en temps, il y a aussi des données qui servent à tirer des tendances, il y a des données qui servent à savoir ce qu’il s’est passé pour trouver une cause au problème, il y a des données confidentielles, il y a d...
Lire la suite

Load Balancer

Image
Le load balancer est un composant majeur dans Google Cloud platform , Il participe comme son nom l’indique à router les utilisateurs sur une ressource disponible. Il participe également à la bonne santé du système complet car son premier rôle est de servir de point d’entrée ce qui simplifie grandement la vie des utilisateurs et des développeurs. C’est un aiguilleur qui dirige les utilisateurs vers la bonne ressource. C’est un organe essentiel  d’une solution cloud. De plus lors d’un changement de logiciel ou de mise à niveau cela évite aux utilisateurs de devoir changer leurs raccourcis et leurs habitudes. Il permet donc de faire des déploiements sans rupture de service. Après le déploiement, les utilisateurs ne changent rien à leurs habitudes et le load balancer envoie toutes leurs demandent à la nouvelle application et un lien direct peut être mis en place pour certains utilisateurs qui ont encore besoin de se connecter à l’ancienne application. ...
Lire la suite

Data loss prevention API

Image
Les entreprises traitent de plus en plus leur données automatiquement. Plusieurs profils peuvent être amenés à “jouer” avec leurs données : data scientists internes, data scientists externes ou entreprises spécialisées dans ce domaine. Par faute de temps ou par manque d’outil les données fournies ne sont pas toujours pré traitées et sont souvent envoyées telles quelles, or cela a deux inconvénients : le premier (que tout le monde avait trouvé) transmettre des informations importantes inutiles et donc augmenter le risque de fuite d’information, Le deuxième c’est qu’une donnée trop riche nuit à son traitement. Je donne un exemple pour un ordinateur un numéro de téléphone est une suite de 4 numéros et s’ils ne sont pas contextualisé il prendra cela pour 4 numéros de 2 chiffres. Dans certains cas il est préférable de remplacer ces 4 séries de chiffres par un libellé comme NumTéléphone pour faire comprendre à l’algorithme que c’est l’information de la présence de numéro...
Lire la suite