-
Notifications
You must be signed in to change notification settings - Fork 0
/
talks.json
11353 lines (11353 loc) · 817 KB
/
talks.json
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
[
{
"talkRating": {
"talkId": "YTV-5483",
"sum": 56,
"count": 12,
"avg": 4.6666666667
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>SQL is the winning language of Big Data. Whether you’re running a classic relational database, a column store (“NewSQL”), or a non-relational storage system (“NoSQL”), a powerful, declarative, SQL-based query language makes the difference. The SQL standard has evolved drastically in the past decades, and so have its commercial and open source implementations. In this fast-paced talk, we’re going to look at very peculiar and interesting data problems and how we can solve them with SQL. We’ll explore common table expressions, hierarchical SQL, table-valued functions, lateral joins, row value expressions, window functions, and advanced data types, such as XML and JSON. And we’ll look at Oracle’s mysterious MODEL and MATCH_RECOGNIZE clauses, devices whose mystery is only exceeded by their power. Most importantly, however, we’re going to learn that everyone can write advanced SQL. Once you learn the basics in these tricks, you’re going to love SQL even more.</p>\n",
"id": "YTV-5483",
"speakers": [
{
"links": [],
"name": "Lukas Eder",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/24b4f4b8a4f9cdadce0b26d40b610b532e0391cf",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Lukas Eder"
}
}
],
"title": "Ten SQL Tricks that You Didn’t Think Were Possible",
"lang": "en",
"summary": "SQL is the winning language of Big Data. Whether you’re running a classic relational database, a column store (“NewSQL”), or a non-relational storage system (“NoSQL”), a powerful, declarative, SQL-based query language makes the difference. The SQL standard has evolved drastically in the past decades, and so have its commercial and open source implementations. In this fast-paced talk, we’re going to look at very peculiar and interesting data problems and how we can solve them with SQL. We’ll explore common table expressions, hierarchical SQL, table-valued functions, lateral joins, row value expressions, window functions, and advanced data types, such as XML and JSON. And we’ll look at Oracle’s mysterious MODEL and MATCH_RECOGNIZE clauses, devices whose mystery is only exceeded by their power. Most importantly, however, we’re going to learn that everyone can write advanced SQL. Once you learn the basics in these tricks, you’re going to love SQL even more."
},
"count": 12,
"id": "YTV-5483",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Lukas Eder",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/24b4f4b8a4f9cdadce0b26d40b610b532e0391cf",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Lukas Eder"
}
}
],
"title": "Ten SQL Tricks that You Didn’t Think Were Possible",
"lang": "en",
"summary": "SQL is the winning language of Big Data. Whether you’re running a classic relational database, a column store (“NewSQL”), or a non-relational storage system (“NoSQL”), a powerful, declarative, SQL-based query language makes the difference. The SQL standard has evolved drastically in the past decades, and so have its commercial and open source implementations. In this fast-paced talk, we’re going to look at very peculiar and interesting data problems and how we can solve them with SQL. We’ll explore common table expressions, hierarchical SQL, table-valued functions, lateral joins, row value expressions, window functions, and advanced data types, such as XML and JSON. And we’ll look at Oracle’s mysterious MODEL and MATCH_RECOGNIZE clauses, devices whose mystery is only exceeded by their power. Most importantly, however, we’re going to learn that everyone can write advanced SQL. Once you learn the basics in these tricks, you’re going to love SQL even more.",
"trackId": "bigd",
"avg": 4.6666666667,
"talkId": "YTV-5483",
"sum": 56,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>SQL is the winning language of Big Data. Whether you’re running a classic relational database, a column store (“NewSQL”), or a non-relational storage system (“NoSQL”), a powerful, declarative, SQL-based query language makes the difference. The SQL standard has evolved drastically in the past decades, and so have its commercial and open source implementations. In this fast-paced talk, we’re going to look at very peculiar and interesting data problems and how we can solve them with SQL. We’ll explore common table expressions, hierarchical SQL, table-valued functions, lateral joins, row value expressions, window functions, and advanced data types, such as XML and JSON. And we’ll look at Oracle’s mysterious MODEL and MATCH_RECOGNIZE clauses, devices whose mystery is only exceeded by their power. Most importantly, however, we’re going to learn that everyone can write advanced SQL. Once you learn the basics in these tricks, you’re going to love SQL even more.</p>\n"
},
{
"talkRating": {
"talkId": "QGG-0236",
"sum": 88,
"count": 19,
"avg": 4.6315789474
},
"talk": {
"trackId": "bigd",
"talkType": "Hands-on Labs",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>De plus en plus d'applications capturent et analysent les données temporelles en temps réel; par exemple les applications qui traitent les données provenant de vos objets connectés.</p>\n<p>Ce Hands-On vous permettra de découvrir par la pratique les défis et architectures des application time series. Durant cet atelier vous développerez une application utilisant des données temporelles, en passant par les étapes suivantes</p>\n<ul>\n<li>Découverte de Apache Spark et de son Shell</li>\n<li>Capture du <em>stream</em> de données avec l'API Kafka et intégration avec Spark Streaming</li>\n<li>Analyse et traitement les données avec Spark (Core, SQL)</li>\n<li>Création d'une application Spark en Java et/ou Scala</li>\n<li>Intégration Spark & Hbase</li>\n<li>Utilisation de Spark ML pour créer un modèle d'analyse automatique des données.</li>\n</ul>\n<p>Cet atelier vous permettra donc de comprendre comment les backends d'applications que vous utilisez tous les jours sont développés (analyse de log en temps reel, Web Profiling, IoT, Healthcare, Télémétrie,....)</p>\n<p>Cet atelier ne nécessite pas d'experience avec Spark, Hbase ou Kafka, puisque vous découvrirez ces technologies durant les exercices.</p>\n",
"id": "QGG-0236",
"speakers": [
{
"links": [],
"name": "Tugdual Grall",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/08cb871e113de90665a8b134986af5ad031f4475",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Tugdual Grall"
}
},
{
"links": [],
"name": "Chris Woodrow",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/c7161bbb4136867cd2db30cabd9472a3533260a1",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Chris Woodrow"
}
}
],
"title": "Développez une application \"Time Series\" avec Apache Spark, HBase et l'API Kakfa",
"lang": "fr",
"summary": "De plus en plus d'applications capturent et analysent les données temporelles en temps réel; par exemple les applications qui traitent les données provenant de vos objets connectés.\r\n\r\nCe Hands-On vous permettra de découvrir par la pratique les défis et architectures des application time series. Durant cet atelier vous développerez une application utilisant des données temporelles, en passant par les étapes suivantes\r\n\r\n* Découverte de Apache Spark et de son Shell\r\n* Capture du _stream_ de données avec l'API Kafka et intégration avec Spark Streaming\r\n* Analyse et traitement les données avec Spark (Core, SQL)\r\n* Création d'une application Spark en Java et/ou Scala\r\n* Intégration Spark & Hbase\r\n* Utilisation de Spark ML pour créer un modèle d'analyse automatique des données.\r\n\r\nCet atelier vous permettra donc de comprendre comment les backends d'applications que vous utilisez tous les jours sont développés (analyse de log en temps reel, Web Profiling, IoT, Healthcare, Télémétrie,....)\r\n \r\nCet atelier ne nécessite pas d'experience avec Spark, Hbase ou Kafka, puisque vous découvrirez ces technologies durant les exercices.\r\n"
},
"count": 19,
"id": "QGG-0236",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Tugdual Grall",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/08cb871e113de90665a8b134986af5ad031f4475",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Tugdual Grall"
}
},
{
"links": [],
"name": "Chris Woodrow",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/c7161bbb4136867cd2db30cabd9472a3533260a1",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Chris Woodrow"
}
}
],
"title": "Développez une application \"Time Series\" avec Apache Spark, HBase et l'API Kakfa",
"lang": "fr",
"summary": "De plus en plus d'applications capturent et analysent les données temporelles en temps réel; par exemple les applications qui traitent les données provenant de vos objets connectés.\r\n\r\nCe Hands-On vous permettra de découvrir par la pratique les défis et architectures des application time series. Durant cet atelier vous développerez une application utilisant des données temporelles, en passant par les étapes suivantes\r\n\r\n* Découverte de Apache Spark et de son Shell\r\n* Capture du _stream_ de données avec l'API Kafka et intégration avec Spark Streaming\r\n* Analyse et traitement les données avec Spark (Core, SQL)\r\n* Création d'une application Spark en Java et/ou Scala\r\n* Intégration Spark & Hbase\r\n* Utilisation de Spark ML pour créer un modèle d'analyse automatique des données.\r\n\r\nCet atelier vous permettra donc de comprendre comment les backends d'applications que vous utilisez tous les jours sont développés (analyse de log en temps reel, Web Profiling, IoT, Healthcare, Télémétrie,....)\r\n \r\nCet atelier ne nécessite pas d'experience avec Spark, Hbase ou Kafka, puisque vous découvrirez ces technologies durant les exercices.\r\n",
"trackId": "bigd",
"avg": 4.6315789474,
"talkId": "QGG-0236",
"sum": 88,
"talkType": "Hands-on Labs",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>De plus en plus d'applications capturent et analysent les données temporelles en temps réel; par exemple les applications qui traitent les données provenant de vos objets connectés.</p>\n<p>Ce Hands-On vous permettra de découvrir par la pratique les défis et architectures des application time series. Durant cet atelier vous développerez une application utilisant des données temporelles, en passant par les étapes suivantes</p>\n<ul>\n<li>Découverte de Apache Spark et de son Shell</li>\n<li>Capture du <em>stream</em> de données avec l'API Kafka et intégration avec Spark Streaming</li>\n<li>Analyse et traitement les données avec Spark (Core, SQL)</li>\n<li>Création d'une application Spark en Java et/ou Scala</li>\n<li>Intégration Spark & Hbase</li>\n<li>Utilisation de Spark ML pour créer un modèle d'analyse automatique des données.</li>\n</ul>\n<p>Cet atelier vous permettra donc de comprendre comment les backends d'applications que vous utilisez tous les jours sont développés (analyse de log en temps reel, Web Profiling, IoT, Healthcare, Télémétrie,....)</p>\n<p>Cet atelier ne nécessite pas d'experience avec Spark, Hbase ou Kafka, puisque vous découvrirez ces technologies durant les exercices.</p>\n"
},
{
"talkRating": {
"talkId": "RWX-9026",
"sum": 59,
"count": 13,
"avg": 4.5384615385
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Quelle est la taille maximale d'une machine virtuelle Java? Les utilisateurs de la JVM hotspot s'aventurent rarement au delà des 100Go de heap. Pourtant l'éditeur Quartet FS dévelope ActivePivot, une solution de In-Memory Computing écrite en pur Java, régulièrement utilisée sur plus d'un téraoctet de mémoire.</p>\n<p>Ce n'est que le début: en partenariat avec Oracle, Quartet FS a récemment déployé une application de risque de crédit sur un serveur SPARC avec 384 coeurs et ... 16 To de mémoire. Oui c'est possible, si on met en place une gestion de la mémoire proche du hardware, qu'on aborde la programmation multi-coeur sous un nouvel angle, et qu'on configure le garbage collector avec ceux qui l'écrivent. Cette session dévoile les secrets derrière chacune de ces étapes.</p>\n",
"id": "RWX-9026",
"speakers": [
{
"links": [],
"name": "Antoine Chambille",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/20e7e142ae2a22724a17eb06f1d8220f629f8e5c",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Antoine Chambille"
}
},
{
"links": [],
"name": "Romain Colle",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/58ce8058ffaca5a6b1f5683ff62e47a988692009",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Romain Colle"
}
}
],
"title": "Comment faire tourner une JVM de 16 To, par ceux qui l'ont fait",
"lang": "fr",
"summary": "Quelle est la taille maximale d'une machine virtuelle Java? Les utilisateurs de la JVM hotspot s'aventurent rarement au delà des 100Go de heap. Pourtant l'éditeur Quartet FS dévelope ActivePivot, une solution de In-Memory Computing écrite en pur Java, régulièrement utilisée sur plus d'un téraoctet de mémoire.\r\n\r\nCe n'est que le début: en partenariat avec Oracle, Quartet FS a récemment déployé une application de risque de crédit sur un serveur SPARC avec 384 coeurs et ... 16 To de mémoire. Oui c'est possible, si on met en place une gestion de la mémoire proche du hardware, qu'on aborde la programmation multi-coeur sous un nouvel angle, et qu'on configure le garbage collector avec ceux qui l'écrivent. Cette session dévoile les secrets derrière chacune de ces étapes."
},
"count": 13,
"id": "RWX-9026",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Antoine Chambille",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/20e7e142ae2a22724a17eb06f1d8220f629f8e5c",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Antoine Chambille"
}
},
{
"links": [],
"name": "Romain Colle",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/58ce8058ffaca5a6b1f5683ff62e47a988692009",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Romain Colle"
}
}
],
"title": "Comment faire tourner une JVM de 16 To, par ceux qui l'ont fait",
"lang": "fr",
"summary": "Quelle est la taille maximale d'une machine virtuelle Java? Les utilisateurs de la JVM hotspot s'aventurent rarement au delà des 100Go de heap. Pourtant l'éditeur Quartet FS dévelope ActivePivot, une solution de In-Memory Computing écrite en pur Java, régulièrement utilisée sur plus d'un téraoctet de mémoire.\r\n\r\nCe n'est que le début: en partenariat avec Oracle, Quartet FS a récemment déployé une application de risque de crédit sur un serveur SPARC avec 384 coeurs et ... 16 To de mémoire. Oui c'est possible, si on met en place une gestion de la mémoire proche du hardware, qu'on aborde la programmation multi-coeur sous un nouvel angle, et qu'on configure le garbage collector avec ceux qui l'écrivent. Cette session dévoile les secrets derrière chacune de ces étapes.",
"trackId": "bigd",
"avg": 4.5384615385,
"talkId": "RWX-9026",
"sum": 59,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Quelle est la taille maximale d'une machine virtuelle Java? Les utilisateurs de la JVM hotspot s'aventurent rarement au delà des 100Go de heap. Pourtant l'éditeur Quartet FS dévelope ActivePivot, une solution de In-Memory Computing écrite en pur Java, régulièrement utilisée sur plus d'un téraoctet de mémoire.</p>\n<p>Ce n'est que le début: en partenariat avec Oracle, Quartet FS a récemment déployé une application de risque de crédit sur un serveur SPARC avec 384 coeurs et ... 16 To de mémoire. Oui c'est possible, si on met en place une gestion de la mémoire proche du hardware, qu'on aborde la programmation multi-coeur sous un nouvel angle, et qu'on configure le garbage collector avec ceux qui l'écrivent. Cette session dévoile les secrets derrière chacune de ces étapes.</p>\n"
},
{
"talkRating": {
"talkId": "ZGV-0818",
"sum": 106,
"count": 24,
"avg": 4.4166666667
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>En cinq ans, a Criteo, le volume d'événements métier – transmis, traités et importés dans un dépôt central – est passé de “un peu” à “hein, quoi, tout ça ?” (6 millions de messages/seconde dans 7 datacenters, le tout déversé dans l’un des plus gros clusters Hadoop d’Europe).</p>\n<p>C’est pour nous l’occasion de décrire les choix successifs et l’évolution organique d’un système d’import de logs métier, allant d’une instance de MySQL à une tripotée de clusters Kafka et un peu de Mesos, en passant par du rsyslog et beaucoup de Bash.</p>\n<p>S’occuper d’un système distribué un tantinet sollicité, c’est aussi mille raisons d'être appelé en pleine nuit, de se heurter à des limitations théoriques ou physiques, et de développer un pessimisme serein.</p>\n<p>Toutes choses qui seront narrées à deux voix par l’architecte/codeur/barbu des origines et l’un des membres de l’équipe qui a pris la suite.</p>\n",
"id": "ZGV-0818",
"speakers": [
{
"links": [],
"name": "Yann Schwartz",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/fb0a785559afc2630be9868976910c57c35241fa",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Yann Schwartz"
}
},
{
"links": [],
"name": "Serge Danzanvilliers",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/7e3135f735843322ae99fb6acc41096aff9c6adc",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Serge Danzanvilliers"
}
}
],
"title": "Systèmes distribués, scotch, bouts de ficelle et doigts croisés : une histoire du Streaming à Criteo",
"lang": "fr",
"summary": "En cinq ans, a Criteo, le volume d'événements métier – transmis, traités et importés dans un dépôt central – est passé de “un peu” à “hein, quoi, tout ça ?” (6 millions de messages/seconde dans 7 datacenters, le tout déversé dans l’un des plus gros clusters Hadoop d’Europe).\r\n\r\nC’est pour nous l’occasion de décrire les choix successifs et l’évolution organique d’un système d’import de logs métier, allant d’une instance de MySQL à une tripotée de clusters Kafka et un peu de Mesos, en passant par du rsyslog et beaucoup de Bash.\r\n\r\nS’occuper d’un système distribué un tantinet sollicité, c’est aussi mille raisons d'être appelé en pleine nuit, de se heurter à des limitations théoriques ou physiques, et de développer un pessimisme serein.\r\n\r\nToutes choses qui seront narrées à deux voix par l’architecte/codeur/barbu des origines et l’un des membres de l’équipe qui a pris la suite.\r\n"
},
"count": 24,
"id": "ZGV-0818",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Yann Schwartz",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/fb0a785559afc2630be9868976910c57c35241fa",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Yann Schwartz"
}
},
{
"links": [],
"name": "Serge Danzanvilliers",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/7e3135f735843322ae99fb6acc41096aff9c6adc",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Serge Danzanvilliers"
}
}
],
"title": "Systèmes distribués, scotch, bouts de ficelle et doigts croisés : une histoire du Streaming à Criteo",
"lang": "fr",
"summary": "En cinq ans, a Criteo, le volume d'événements métier – transmis, traités et importés dans un dépôt central – est passé de “un peu” à “hein, quoi, tout ça ?” (6 millions de messages/seconde dans 7 datacenters, le tout déversé dans l’un des plus gros clusters Hadoop d’Europe).\r\n\r\nC’est pour nous l’occasion de décrire les choix successifs et l’évolution organique d’un système d’import de logs métier, allant d’une instance de MySQL à une tripotée de clusters Kafka et un peu de Mesos, en passant par du rsyslog et beaucoup de Bash.\r\n\r\nS’occuper d’un système distribué un tantinet sollicité, c’est aussi mille raisons d'être appelé en pleine nuit, de se heurter à des limitations théoriques ou physiques, et de développer un pessimisme serein.\r\n\r\nToutes choses qui seront narrées à deux voix par l’architecte/codeur/barbu des origines et l’un des membres de l’équipe qui a pris la suite.\r\n",
"trackId": "bigd",
"avg": 4.4166666667,
"talkId": "ZGV-0818",
"sum": 106,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>En cinq ans, a Criteo, le volume d'événements métier – transmis, traités et importés dans un dépôt central – est passé de “un peu” à “hein, quoi, tout ça ?” (6 millions de messages/seconde dans 7 datacenters, le tout déversé dans l’un des plus gros clusters Hadoop d’Europe).</p>\n<p>C’est pour nous l’occasion de décrire les choix successifs et l’évolution organique d’un système d’import de logs métier, allant d’une instance de MySQL à une tripotée de clusters Kafka et un peu de Mesos, en passant par du rsyslog et beaucoup de Bash.</p>\n<p>S’occuper d’un système distribué un tantinet sollicité, c’est aussi mille raisons d'être appelé en pleine nuit, de se heurter à des limitations théoriques ou physiques, et de développer un pessimisme serein.</p>\n<p>Toutes choses qui seront narrées à deux voix par l’architecte/codeur/barbu des origines et l’un des membres de l’équipe qui a pris la suite.</p>\n"
},
{
"talkRating": {
"talkId": "QVW-3514",
"sum": 279,
"count": 64,
"avg": 4.359375
},
"talk": {
"trackId": "bigd",
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p><strong>Elasticsearch</strong> est le moteur de recherche, hautement scalable et simple à déployer.</p>\n<p>Un des défis est de garder la source de données (RDBMS) et l'index Elasticsearch toujours <strong>synchronisés</strong>.</p>\n<p><strong>Hibernate ORM</strong> est l'outil par excellence pour persister dans les bases de données.</p>\n<p>Ça serait bien si Hiberrnate ORM pouvait automatiquement pousser tous les changements vers Elasticsearch.\nÇa serait bien si les requêtes Elasticsearch ramenaient des objects du modèle métier comme une requête HQL le fait.</p>\n<p>Entre la dernière évolution <strong>d'Hibernate Search</strong>, venez découvrir par la pratique comment les univers Elasticsearch et Hibernate se rejoignent.</p>\n",
"id": "QVW-3514",
"speakers": [
{
"links": [],
"name": "Emmanuel Bernard",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/419d72a808d490afdf5721dc44e29c64fa02524c",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Emmanuel Bernard"
}
},
{
"links": [],
"name": "David Pilato",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/4a822ea73a5cb708b3eb656ce77b48748c5cc7c7",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "David Pilato"
}
}
],
"title": "Elasticsearch et Hibernate sont sur un bateau...",
"lang": "fr",
"summary": "**Elasticsearch** est le moteur de recherche, hautement scalable et simple à déployer.\r\n\r\nUn des défis est de garder la source de données (RDBMS) et l'index Elasticsearch toujours **synchronisés**.\r\n\r\n**Hibernate ORM** est l'outil par excellence pour persister dans les bases de données.\r\n\r\nÇa serait bien si Hiberrnate ORM pouvait automatiquement pousser tous les changements vers Elasticsearch. \r\nÇa serait bien si les requêtes Elasticsearch ramenaient des objects du modèle métier comme une requête HQL le fait. \r\n\r\nEntre la dernière évolution **d'Hibernate Search**, venez découvrir par la pratique comment les univers Elasticsearch et Hibernate se rejoignent."
},
"count": 64,
"id": "QVW-3514",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Emmanuel Bernard",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/419d72a808d490afdf5721dc44e29c64fa02524c",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Emmanuel Bernard"
}
},
{
"links": [],
"name": "David Pilato",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/4a822ea73a5cb708b3eb656ce77b48748c5cc7c7",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "David Pilato"
}
}
],
"title": "Elasticsearch et Hibernate sont sur un bateau...",
"lang": "fr",
"summary": "**Elasticsearch** est le moteur de recherche, hautement scalable et simple à déployer.\r\n\r\nUn des défis est de garder la source de données (RDBMS) et l'index Elasticsearch toujours **synchronisés**.\r\n\r\n**Hibernate ORM** est l'outil par excellence pour persister dans les bases de données.\r\n\r\nÇa serait bien si Hiberrnate ORM pouvait automatiquement pousser tous les changements vers Elasticsearch. \r\nÇa serait bien si les requêtes Elasticsearch ramenaient des objects du modèle métier comme une requête HQL le fait. \r\n\r\nEntre la dernière évolution **d'Hibernate Search**, venez découvrir par la pratique comment les univers Elasticsearch et Hibernate se rejoignent.",
"trackId": "bigd",
"avg": 4.359375,
"talkId": "QVW-3514",
"sum": 279,
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p><strong>Elasticsearch</strong> est le moteur de recherche, hautement scalable et simple à déployer.</p>\n<p>Un des défis est de garder la source de données (RDBMS) et l'index Elasticsearch toujours <strong>synchronisés</strong>.</p>\n<p><strong>Hibernate ORM</strong> est l'outil par excellence pour persister dans les bases de données.</p>\n<p>Ça serait bien si Hiberrnate ORM pouvait automatiquement pousser tous les changements vers Elasticsearch.\nÇa serait bien si les requêtes Elasticsearch ramenaient des objects du modèle métier comme une requête HQL le fait.</p>\n<p>Entre la dernière évolution <strong>d'Hibernate Search</strong>, venez découvrir par la pratique comment les univers Elasticsearch et Hibernate se rejoignent.</p>\n"
},
{
"talkRating": {
"talkId": "LVY-5510",
"sum": 55,
"count": 13,
"avg": 4.2307692308
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Elasticsearch. Graphite. Public data APIs. Some garbage someone invented to torture you. There's interfaces to unify them, but they require you learn each and every backend's special language. And you have to hope they all have the same functions which, tip, they do not. Who's got time for that? Timelion operates at a higher level. Not only can it display time series from multiple data source types, it can perform computations across them. Timelion expressions are chainable, groupable, reusable and source agnostic, and every function and feature works with every data source.</p>\n",
"id": "LVY-5510",
"speakers": [
{
"links": [],
"name": "Rashid Khan",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/1f0bd9bc7f3fc4af42d691c1980e7b1600d866ae",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Rashid Khan"
}
}
],
"title": "Rawr. Unified time series expressions with Timelion",
"lang": "en",
"summary": "Elasticsearch. Graphite. Public data APIs. Some garbage someone invented to torture you. There's interfaces to unify them, but they require you learn each and every backend's special language. And you have to hope they all have the same functions which, tip, they do not. Who's got time for that? Timelion operates at a higher level. Not only can it display time series from multiple data source types, it can perform computations across them. Timelion expressions are chainable, groupable, reusable and source agnostic, and every function and feature works with every data source. "
},
"count": 13,
"id": "LVY-5510",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Rashid Khan",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/1f0bd9bc7f3fc4af42d691c1980e7b1600d866ae",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Rashid Khan"
}
}
],
"title": "Rawr. Unified time series expressions with Timelion",
"lang": "en",
"summary": "Elasticsearch. Graphite. Public data APIs. Some garbage someone invented to torture you. There's interfaces to unify them, but they require you learn each and every backend's special language. And you have to hope they all have the same functions which, tip, they do not. Who's got time for that? Timelion operates at a higher level. Not only can it display time series from multiple data source types, it can perform computations across them. Timelion expressions are chainable, groupable, reusable and source agnostic, and every function and feature works with every data source. ",
"trackId": "bigd",
"avg": 4.2307692308,
"talkId": "LVY-5510",
"sum": 55,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Elasticsearch. Graphite. Public data APIs. Some garbage someone invented to torture you. There's interfaces to unify them, but they require you learn each and every backend's special language. And you have to hope they all have the same functions which, tip, they do not. Who's got time for that? Timelion operates at a higher level. Not only can it display time series from multiple data source types, it can perform computations across them. Timelion expressions are chainable, groupable, reusable and source agnostic, and every function and feature works with every data source.</p>\n"
},
{
"talkRating": {
"talkId": "ETV-5363",
"sum": 24,
"count": 6,
"avg": 4
},
"talk": {
"trackId": "bigd",
"talkType": "Hands-on Labs",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Kafka est un système de messagerie distribué, en mode publish-subscribe, persistant les données qu'il reçoit, conçu pour facilement monter en charge et supporter des débits de données très importants.</p>\n<p>Originellement développé chez LinkedIn, et maintenu au sein de la fondation Apache depuis 2012, son adoption n'a cessé de croitre pour en faire un quasi de-facto standard dans les pipelines de traitement de données.</p>\n<p>Venez découvrir cet outil durant ce Hand's on de 3h où vous installerez un mini cluster Kafka et explorerez ses différentes API. En bonus, vous aurez la possibilité d'analyser vos données en temps réel avec Spark Streaming.</p>\n<p>Matériel nécessaire : un ordinateur sur lequel vous aurez préalablement installé votre IDE préféré (IntelliJ / Eclipse) ainsi que Maven ou SBT. Le développement sera en Scala ou Java.</p>\n",
"id": "ETV-5363",
"speakers": [
{
"links": [],
"name": "Sylvain Lequeux",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/8c3ddc945b1a38c0e9f8f86e60f214d4fb8b56f2",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Sylvain Lequeux"
}
},
{
"links": [],
"name": "Matthieu Blanc",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/f6ba6dffe86684b2d80d2533e8d9201a71d56a69",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Matthieu Blanc"
}
}
],
"title": "Apache Kafka - Stream Data Platform",
"lang": "fr",
"summary": "Kafka est un système de messagerie distribué, en mode publish-subscribe, persistant les données qu'il reçoit, conçu pour facilement monter en charge et supporter des débits de données très importants.\r\n\r\nOriginellement développé chez LinkedIn, et maintenu au sein de la fondation Apache depuis 2012, son adoption n'a cessé de croitre pour en faire un quasi de-facto standard dans les pipelines de traitement de données.\r\n\r\nVenez découvrir cet outil durant ce Hand's on de 3h où vous installerez un mini cluster Kafka et explorerez ses différentes API. En bonus, vous aurez la possibilité d'analyser vos données en temps réel avec Spark Streaming.\r\n\r\nMatériel nécessaire : un ordinateur sur lequel vous aurez préalablement installé votre IDE préféré (IntelliJ / Eclipse) ainsi que Maven ou SBT. Le développement sera en Scala ou Java."
},
"count": 6,
"id": "ETV-5363",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Sylvain Lequeux",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/8c3ddc945b1a38c0e9f8f86e60f214d4fb8b56f2",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Sylvain Lequeux"
}
},
{
"links": [],
"name": "Matthieu Blanc",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/f6ba6dffe86684b2d80d2533e8d9201a71d56a69",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Matthieu Blanc"
}
}
],
"title": "Apache Kafka - Stream Data Platform",
"lang": "fr",
"summary": "Kafka est un système de messagerie distribué, en mode publish-subscribe, persistant les données qu'il reçoit, conçu pour facilement monter en charge et supporter des débits de données très importants.\r\n\r\nOriginellement développé chez LinkedIn, et maintenu au sein de la fondation Apache depuis 2012, son adoption n'a cessé de croitre pour en faire un quasi de-facto standard dans les pipelines de traitement de données.\r\n\r\nVenez découvrir cet outil durant ce Hand's on de 3h où vous installerez un mini cluster Kafka et explorerez ses différentes API. En bonus, vous aurez la possibilité d'analyser vos données en temps réel avec Spark Streaming.\r\n\r\nMatériel nécessaire : un ordinateur sur lequel vous aurez préalablement installé votre IDE préféré (IntelliJ / Eclipse) ainsi que Maven ou SBT. Le développement sera en Scala ou Java.",
"trackId": "bigd",
"avg": 4,
"talkId": "ETV-5363",
"sum": 24,
"talkType": "Hands-on Labs",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Kafka est un système de messagerie distribué, en mode publish-subscribe, persistant les données qu'il reçoit, conçu pour facilement monter en charge et supporter des débits de données très importants.</p>\n<p>Originellement développé chez LinkedIn, et maintenu au sein de la fondation Apache depuis 2012, son adoption n'a cessé de croitre pour en faire un quasi de-facto standard dans les pipelines de traitement de données.</p>\n<p>Venez découvrir cet outil durant ce Hand's on de 3h où vous installerez un mini cluster Kafka et explorerez ses différentes API. En bonus, vous aurez la possibilité d'analyser vos données en temps réel avec Spark Streaming.</p>\n<p>Matériel nécessaire : un ordinateur sur lequel vous aurez préalablement installé votre IDE préféré (IntelliJ / Eclipse) ainsi que Maven ou SBT. Le développement sera en Scala ou Java.</p>\n"
},
{
"talkRating": {
"talkId": "IPM-5917",
"sum": 48,
"count": 12,
"avg": 4
},
"talk": {
"trackId": "bigd",
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p><strong>Spark</strong> et <strong>Cassandra</strong> sont des projets très populaires, mais avez vous entendu parler d'<strong>Apache Zeppelin</strong> ? <strong>Zeppelin</strong> propose un système de notebook pour pouvoir manipuler les données de manière interactive. <strong>Zeppelin</strong> repose sur un système de plugins qui permet de traiter des tâches <strong>Spark</strong>, des requêtes <strong>Spark SQL</strong> mais aussi des requêtes <strong>CQL</strong> de <strong>Cassandra</strong>.</p>\n<p>Je montrerai comment construire un pipeline de transformation BigData en mélangeant du Spark, du Cassandra, du Shell, du Markdown, du <em>ce-que-vous-voulez</em> etc.</p>\n<p><strong>Votre framework préféré n'a pas encore de plugin pour Zeppelin ? Ecrivez-en un et partager le avec la communauté!</strong></p>\n",
"id": "IPM-5917",
"speakers": [
{
"links": [],
"name": "DuyHai DOAN",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/a2f4fd41487740cc59641e279efe1c8be1641ed7",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "DuyHai DOAN"
}
}
],
"title": "Apache Zeppelin, un notebook d'avenir pour l'éco-système Big Data",
"lang": "fr",
"summary": "**Spark** et **Cassandra** sont des projets très populaires, mais avez vous entendu parler d'**Apache Zeppelin** ? **Zeppelin** propose un système de notebook pour pouvoir manipuler les données de manière interactive. **Zeppelin** repose sur un système de plugins qui permet de traiter des tâches **Spark**, des requêtes **Spark SQL** mais aussi des requêtes **CQL** de **Cassandra**. \r\n\r\n Je montrerai comment construire un pipeline de transformation BigData en mélangeant du Spark, du Cassandra, du Shell, du Markdown, du _ce-que-vous-voulez_ etc.\r\n\r\n**Votre framework préféré n'a pas encore de plugin pour Zeppelin ? Ecrivez-en un et partager le avec la communauté!**"
},
"count": 12,
"id": "IPM-5917",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "DuyHai DOAN",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/a2f4fd41487740cc59641e279efe1c8be1641ed7",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "DuyHai DOAN"
}
}
],
"title": "Apache Zeppelin, un notebook d'avenir pour l'éco-système Big Data",
"lang": "fr",
"summary": "**Spark** et **Cassandra** sont des projets très populaires, mais avez vous entendu parler d'**Apache Zeppelin** ? **Zeppelin** propose un système de notebook pour pouvoir manipuler les données de manière interactive. **Zeppelin** repose sur un système de plugins qui permet de traiter des tâches **Spark**, des requêtes **Spark SQL** mais aussi des requêtes **CQL** de **Cassandra**. \r\n\r\n Je montrerai comment construire un pipeline de transformation BigData en mélangeant du Spark, du Cassandra, du Shell, du Markdown, du _ce-que-vous-voulez_ etc.\r\n\r\n**Votre framework préféré n'a pas encore de plugin pour Zeppelin ? Ecrivez-en un et partager le avec la communauté!**",
"trackId": "bigd",
"avg": 4,
"talkId": "IPM-5917",
"sum": 48,
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p><strong>Spark</strong> et <strong>Cassandra</strong> sont des projets très populaires, mais avez vous entendu parler d'<strong>Apache Zeppelin</strong> ? <strong>Zeppelin</strong> propose un système de notebook pour pouvoir manipuler les données de manière interactive. <strong>Zeppelin</strong> repose sur un système de plugins qui permet de traiter des tâches <strong>Spark</strong>, des requêtes <strong>Spark SQL</strong> mais aussi des requêtes <strong>CQL</strong> de <strong>Cassandra</strong>.</p>\n<p>Je montrerai comment construire un pipeline de transformation BigData en mélangeant du Spark, du Cassandra, du Shell, du Markdown, du <em>ce-que-vous-voulez</em> etc.</p>\n<p><strong>Votre framework préféré n'a pas encore de plugin pour Zeppelin ? Ecrivez-en un et partager le avec la communauté!</strong></p>\n"
},
{
"talkRating": {
"talkId": "WQO-2887",
"sum": 44,
"count": 11,
"avg": 4
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous avez aimé la première saison des algorithmes pour le Big Data avec <strong>HyperLogLog</strong> et <strong>Paxos</strong> ? La saison 2 est là et vous propose au menu 1 structure de donnée et un algorithme tout frais sorti des publications universitaires.</p>\n<p>Créer une structure de données qui supporte des opérations distribuées sans coordination relève d'une gageure. Mais <strong>Marc Shapiro</strong> a relevé le défi avec les <strong>CRDT</strong>! Nous allons voir comment, sous réserve de respecter quelques propriétés, on peut obtenir une convergence des données distribuées sans besoin de recourir à un lock global.</p>\n<p>Exécuter des opérations de manière <em>atomique</em> sur des architectures distribuées est théoriquement impossible sans coordination globale (donc quelque part un lock global). Par contre, il est possible d'obtenir une <strong>visibilité atomique</strong> sans coordination avec l'algorithme <strong>RAMP Transaction</strong> présenté par <strong>Peter Bailis</strong> en 2014. Cet algorithme ouvre la porte à des perspectives intéressantes pour des besoins comme des indexes distribués etc..</p>\n<p>Comme toujours, chaque structure/algorithme sera présenté avec une implémentation concrète pour mieux illustrer les cas d'utilisation.</p>\n",
"id": "WQO-2887",
"speakers": [
{
"links": [],
"name": "DuyHai DOAN",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/a2f4fd41487740cc59641e279efe1c8be1641ed7",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "DuyHai DOAN"
}
}
],
"title": "Algorithmes distribués pour le Big Data, saison 2",
"lang": "fr",
"summary": "Vous avez aimé la première saison des algorithmes pour le Big Data avec **HyperLogLog** et **Paxos** ? La saison 2 est là et vous propose au menu 1 structure de donnée et un algorithme tout frais sorti des publications universitaires.\r\n\r\nCréer une structure de données qui supporte des opérations distribuées sans coordination relève d'une gageure. Mais **Marc Shapiro** a relevé le défi avec les **CRDT**! Nous allons voir comment, sous réserve de respecter quelques propriétés, on peut obtenir une convergence des données distribuées sans besoin de recourir à un lock global.\r\n\r\nExécuter des opérations de manière _atomique_ sur des architectures distribuées est théoriquement impossible sans coordination globale (donc quelque part un lock global). Par contre, il est possible d'obtenir une **visibilité atomique** sans coordination avec l'algorithme **RAMP Transaction** présenté par **Peter Bailis** en 2014. Cet algorithme ouvre la porte à des perspectives intéressantes pour des besoins comme des indexes distribués etc..\r\n\r\n Comme toujours, chaque structure/algorithme sera présenté avec une implémentation concrète pour mieux illustrer les cas d'utilisation."
},
"count": 11,
"id": "WQO-2887",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "DuyHai DOAN",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/a2f4fd41487740cc59641e279efe1c8be1641ed7",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "DuyHai DOAN"
}
}
],
"title": "Algorithmes distribués pour le Big Data, saison 2",
"lang": "fr",
"summary": "Vous avez aimé la première saison des algorithmes pour le Big Data avec **HyperLogLog** et **Paxos** ? La saison 2 est là et vous propose au menu 1 structure de donnée et un algorithme tout frais sorti des publications universitaires.\r\n\r\nCréer une structure de données qui supporte des opérations distribuées sans coordination relève d'une gageure. Mais **Marc Shapiro** a relevé le défi avec les **CRDT**! Nous allons voir comment, sous réserve de respecter quelques propriétés, on peut obtenir une convergence des données distribuées sans besoin de recourir à un lock global.\r\n\r\nExécuter des opérations de manière _atomique_ sur des architectures distribuées est théoriquement impossible sans coordination globale (donc quelque part un lock global). Par contre, il est possible d'obtenir une **visibilité atomique** sans coordination avec l'algorithme **RAMP Transaction** présenté par **Peter Bailis** en 2014. Cet algorithme ouvre la porte à des perspectives intéressantes pour des besoins comme des indexes distribués etc..\r\n\r\n Comme toujours, chaque structure/algorithme sera présenté avec une implémentation concrète pour mieux illustrer les cas d'utilisation.",
"trackId": "bigd",
"avg": 4,
"talkId": "WQO-2887",
"sum": 44,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous avez aimé la première saison des algorithmes pour le Big Data avec <strong>HyperLogLog</strong> et <strong>Paxos</strong> ? La saison 2 est là et vous propose au menu 1 structure de donnée et un algorithme tout frais sorti des publications universitaires.</p>\n<p>Créer une structure de données qui supporte des opérations distribuées sans coordination relève d'une gageure. Mais <strong>Marc Shapiro</strong> a relevé le défi avec les <strong>CRDT</strong>! Nous allons voir comment, sous réserve de respecter quelques propriétés, on peut obtenir une convergence des données distribuées sans besoin de recourir à un lock global.</p>\n<p>Exécuter des opérations de manière <em>atomique</em> sur des architectures distribuées est théoriquement impossible sans coordination globale (donc quelque part un lock global). Par contre, il est possible d'obtenir une <strong>visibilité atomique</strong> sans coordination avec l'algorithme <strong>RAMP Transaction</strong> présenté par <strong>Peter Bailis</strong> en 2014. Cet algorithme ouvre la porte à des perspectives intéressantes pour des besoins comme des indexes distribués etc..</p>\n<p>Comme toujours, chaque structure/algorithme sera présenté avec une implémentation concrète pour mieux illustrer les cas d'utilisation.</p>\n"
},
{
"talkRating": {
"talkId": "XAD-6912",
"sum": 67,
"count": 17,
"avg": 3.9411764706
},
"talk": {
"trackId": "bigd",
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous avez rêvé de faire une jointure entre un CSV, une collection MongoDB et une table MySQL tout en faisant des agrégats : Drill est fait pour vous!</p>\n<p>Dans cette présentation vous découvrirez, avec des démonstrations, les fonctionnalités clés et l’architecture d’Apache Drill. Vous verrez qu'il est possible d'accéder à différentes sources de données: JSON, CSV, XML, RDBMS, NoSQL tout en utilisant un langage que nous connaissons tous : le SQL!</p>\n<p>Vous verrez qu'en quelques minutes, il est possible d'installer Drill et commencer à écrire des requêtes SQL sur vos données que ce soit sur votre laptop ou sur plusieurs centaines de noeuds pour traiter vos dizaines tera-octets de données.</p>\n",
"id": "XAD-6912",
"speakers": [
{
"links": [],
"name": "Tugdual Grall",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/08cb871e113de90665a8b134986af5ad031f4475",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Tugdual Grall"
}
}
],
"title": "\"SQL on Everything\" avec Apache Drill",
"lang": "fr",
"summary": "Vous avez rêvé de faire une jointure entre un CSV, une collection MongoDB et une table MySQL tout en faisant des agrégats : Drill est fait pour vous!\r\n\r\nDans cette présentation vous découvrirez, avec des démonstrations, les fonctionnalités clés et l’architecture d’Apache Drill. Vous verrez qu'il est possible d'accéder à différentes sources de données: JSON, CSV, XML, RDBMS, NoSQL tout en utilisant un langage que nous connaissons tous : le SQL!\r\n\r\nVous verrez qu'en quelques minutes, il est possible d'installer Drill et commencer à écrire des requêtes SQL sur vos données que ce soit sur votre laptop ou sur plusieurs centaines de noeuds pour traiter vos dizaines tera-octets de données."
},
"count": 17,
"id": "XAD-6912",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Tugdual Grall",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/08cb871e113de90665a8b134986af5ad031f4475",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Tugdual Grall"
}
}
],
"title": "\"SQL on Everything\" avec Apache Drill",
"lang": "fr",
"summary": "Vous avez rêvé de faire une jointure entre un CSV, une collection MongoDB et une table MySQL tout en faisant des agrégats : Drill est fait pour vous!\r\n\r\nDans cette présentation vous découvrirez, avec des démonstrations, les fonctionnalités clés et l’architecture d’Apache Drill. Vous verrez qu'il est possible d'accéder à différentes sources de données: JSON, CSV, XML, RDBMS, NoSQL tout en utilisant un langage que nous connaissons tous : le SQL!\r\n\r\nVous verrez qu'en quelques minutes, il est possible d'installer Drill et commencer à écrire des requêtes SQL sur vos données que ce soit sur votre laptop ou sur plusieurs centaines de noeuds pour traiter vos dizaines tera-octets de données.",
"trackId": "bigd",
"avg": 3.9411764706,
"talkId": "XAD-6912",
"sum": 67,
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous avez rêvé de faire une jointure entre un CSV, une collection MongoDB et une table MySQL tout en faisant des agrégats : Drill est fait pour vous!</p>\n<p>Dans cette présentation vous découvrirez, avec des démonstrations, les fonctionnalités clés et l’architecture d’Apache Drill. Vous verrez qu'il est possible d'accéder à différentes sources de données: JSON, CSV, XML, RDBMS, NoSQL tout en utilisant un langage que nous connaissons tous : le SQL!</p>\n<p>Vous verrez qu'en quelques minutes, il est possible d'installer Drill et commencer à écrire des requêtes SQL sur vos données que ce soit sur votre laptop ou sur plusieurs centaines de noeuds pour traiter vos dizaines tera-octets de données.</p>\n"
},
{
"talkRating": {
"talkId": "HZH-1944",
"sum": 59,
"count": 15,
"avg": 3.9333333333
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>In 2004 Google published the MapReduce paper, a programming model that kick-started big data as we know it. Ten years later, Google introduced Dataflow - a new paradigm, integrating batch and stream processing in one common abstraction. This time the offer was more than a paper, but also an open source Java SDK and a cloud managed service to run it. In 2016 big data players like Cask, Cloudera, Data Artisans, PayPal, Slack, Talend joined Google to propose Dataflow for incubation at the Apache Software Foundation - Dataflow is here, not only unifying batch and streaming, but also the big data world.</p>\n<p>In this talk we are going to review Dataflow's differentiating elements and why they matter. We’ll demonstrate Dataflow’s capabilities through a real-time demo with practical insights on how to manage and visualize streams of data.</p>\n",
"id": "HZH-1944",
"speakers": [
{
"links": [],
"name": "Sara Robinson",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/382d337e8be319464c83056834c71c6754209af0",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Sara Robinson"
}
},
{
"links": [],
"name": "Felipe Hoffa",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/78bf4b3d4e687ead14985db59be6d3be7f68a635",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Felipe Hoffa"
}
}
],
"title": "Google Dataflow: The new open model for batch and stream processing",
"lang": "en",
"summary": "In 2004 Google published the MapReduce paper, a programming model that kick-started big data as we know it. Ten years later, Google introduced Dataflow - a new paradigm, integrating batch and stream processing in one common abstraction. This time the offer was more than a paper, but also an open source Java SDK and a cloud managed service to run it. In 2016 big data players like Cask, Cloudera, Data Artisans, PayPal, Slack, Talend joined Google to propose Dataflow for incubation at the Apache Software Foundation - Dataflow is here, not only unifying batch and streaming, but also the big data world.\r\n\r\nIn this talk we are going to review Dataflow's differentiating elements and why they matter. We’ll demonstrate Dataflow’s capabilities through a real-time demo with practical insights on how to manage and visualize streams of data."
},
"count": 15,
"id": "HZH-1944",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Sara Robinson",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/382d337e8be319464c83056834c71c6754209af0",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Sara Robinson"
}
},
{
"links": [],
"name": "Felipe Hoffa",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/78bf4b3d4e687ead14985db59be6d3be7f68a635",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Felipe Hoffa"
}
}
],
"title": "Google Dataflow: The new open model for batch and stream processing",
"lang": "en",
"summary": "In 2004 Google published the MapReduce paper, a programming model that kick-started big data as we know it. Ten years later, Google introduced Dataflow - a new paradigm, integrating batch and stream processing in one common abstraction. This time the offer was more than a paper, but also an open source Java SDK and a cloud managed service to run it. In 2016 big data players like Cask, Cloudera, Data Artisans, PayPal, Slack, Talend joined Google to propose Dataflow for incubation at the Apache Software Foundation - Dataflow is here, not only unifying batch and streaming, but also the big data world.\r\n\r\nIn this talk we are going to review Dataflow's differentiating elements and why they matter. We’ll demonstrate Dataflow’s capabilities through a real-time demo with practical insights on how to manage and visualize streams of data.",
"trackId": "bigd",
"avg": 3.9333333333,
"talkId": "HZH-1944",
"sum": 59,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>In 2004 Google published the MapReduce paper, a programming model that kick-started big data as we know it. Ten years later, Google introduced Dataflow - a new paradigm, integrating batch and stream processing in one common abstraction. This time the offer was more than a paper, but also an open source Java SDK and a cloud managed service to run it. In 2016 big data players like Cask, Cloudera, Data Artisans, PayPal, Slack, Talend joined Google to propose Dataflow for incubation at the Apache Software Foundation - Dataflow is here, not only unifying batch and streaming, but also the big data world.</p>\n<p>In this talk we are going to review Dataflow's differentiating elements and why they matter. We’ll demonstrate Dataflow’s capabilities through a real-time demo with practical insights on how to manage and visualize streams of data.</p>\n"
},
{
"talkRating": {
"talkId": "JLB-0354",
"sum": 19,
"count": 5,
"avg": 3.8
},
"talk": {
"trackId": "bigd",
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous utilisez <a href=\"https://www.elastic.co/products/elasticsearch\">Elastic Search</a> et <a href=\"https://docs.mongodb.org/manual/\">MongoDB</a>dans vos projets. A travers un cas pratique, vous verrez dans cette session comment rendre votre code plus robuste en mettant en oeuvre des tests unitaires avec la base embarquée d'Elastic Search et <a href=\"https://github.com/fakemongo/fongo\">Fongo</a> (une implémentation in-memory de Mongodb).</p>\n",
"id": "JLB-0354",
"speakers": [
{
"links": [],
"name": "Zouheir Cadi",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/0031996932b23d92d1e67d556946c0e14cfdf4c9",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Zouheir Cadi"
}
}
],
"title": "Unit test my search",
"lang": "fr",
"summary": "Vous utilisez [Elastic Search] (https://www.elastic.co/products/elasticsearch) et [MongoDB] (https://docs.mongodb.org/manual/)dans vos projets. A travers un cas pratique, vous verrez dans cette session comment rendre votre code plus robuste en mettant en oeuvre des tests unitaires avec la base embarquée d'Elastic Search et [Fongo] (https://github.com/fakemongo/fongo) (une implémentation in-memory de Mongodb)."
},
"count": 5,
"id": "JLB-0354",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Zouheir Cadi",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/0031996932b23d92d1e67d556946c0e14cfdf4c9",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Zouheir Cadi"
}
}
],
"title": "Unit test my search",
"lang": "fr",
"summary": "Vous utilisez [Elastic Search] (https://www.elastic.co/products/elasticsearch) et [MongoDB] (https://docs.mongodb.org/manual/)dans vos projets. A travers un cas pratique, vous verrez dans cette session comment rendre votre code plus robuste en mettant en oeuvre des tests unitaires avec la base embarquée d'Elastic Search et [Fongo] (https://github.com/fakemongo/fongo) (une implémentation in-memory de Mongodb).",
"trackId": "bigd",
"avg": 3.8,
"talkId": "JLB-0354",
"sum": 19,
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous utilisez <a href=\"https://www.elastic.co/products/elasticsearch\">Elastic Search</a> et <a href=\"https://docs.mongodb.org/manual/\">MongoDB</a>dans vos projets. A travers un cas pratique, vous verrez dans cette session comment rendre votre code plus robuste en mettant en oeuvre des tests unitaires avec la base embarquée d'Elastic Search et <a href=\"https://github.com/fakemongo/fongo\">Fongo</a> (une implémentation in-memory de Mongodb).</p>\n"
},
{
"talkRating": {
"talkId": "DCF-5108",
"sum": 131,
"count": 37,
"avg": 3.5405405405
},
"talk": {
"trackId": "bigd",
"talkType": "Quickie",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous indexez des milliard de documents, vous faites des requêtes et vous avez les réponses en millisecondes. Magique ?\nNon, des juste des algorithmes malins et efficaces. Venez en voir quelques uns.</p>\n",
"id": "DCF-5108",
"speakers": [
{
"links": [],
"name": "Florent Ramière",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/eb1223f6cde5906f7ac2fb5efd83375a56880ad8",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Florent Ramière"
}
}
],
"title": "La magie des structures d'Elasticsearch et de Lucene",
"lang": "fr",
"summary": "Vous indexez des milliard de documents, vous faites des requêtes et vous avez les réponses en millisecondes. Magique ?\r\nNon, des juste des algorithmes malins et efficaces. Venez en voir quelques uns."
},
"count": 37,
"id": "DCF-5108",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Florent Ramière",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/eb1223f6cde5906f7ac2fb5efd83375a56880ad8",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Florent Ramière"
}
}
],
"title": "La magie des structures d'Elasticsearch et de Lucene",
"lang": "fr",
"summary": "Vous indexez des milliard de documents, vous faites des requêtes et vous avez les réponses en millisecondes. Magique ?\r\nNon, des juste des algorithmes malins et efficaces. Venez en voir quelques uns.",
"trackId": "bigd",
"avg": 3.5405405405,
"talkId": "DCF-5108",
"sum": 131,
"talkType": "Quickie",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>Vous indexez des milliard de documents, vous faites des requêtes et vous avez les réponses en millisecondes. Magique ?\nNon, des juste des algorithmes malins et efficaces. Venez en voir quelques uns.</p>\n"
},
{
"talkRating": {
"talkId": "RUM-0213",
"sum": 69,
"count": 20,
"avg": 3.45
},
"talk": {
"trackId": "bigd",
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>De plus en plus d'événements, de plus en plus de données... comment exploiter la puissance du Big Data pour réaliser nos Analytics ?\nCette présentation fait un rappel sur les cubes OLAP et vous fait découvrir les solutions de cubes Open Source Big Data: Hive, Spark, Druid, Kylin, Lens, Pulsar...\nUn retour d'expérience agrémenté de codes et d'exemples.</p>\n",
"id": "RUM-0213",
"speakers": [
{
"links": [],
"name": "Mathias kluba",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/1c6ce40eb57e4482b241683e81d7cd6774709dd1",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Mathias kluba"
}
},
{
"links": [],
"name": "Mehdi BEN HAJ ABBES",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/cffdc300bc93c1480cd5242a7249e1e78f203dda",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Mehdi BEN HAJ ABBES"
}
}
],
"title": "Analytics et Big Data, une histoire de cubes...",
"lang": "fr",
"summary": "De plus en plus d'événements, de plus en plus de données... comment exploiter la puissance du Big Data pour réaliser nos Analytics ?\r\nCette présentation fait un rappel sur les cubes OLAP et vous fait découvrir les solutions de cubes Open Source Big Data: Hive, Spark, Druid, Kylin, Lens, Pulsar...\r\nUn retour d'expérience agrémenté de codes et d'exemples."
},
"count": 20,
"id": "RUM-0213",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Mathias kluba",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/1c6ce40eb57e4482b241683e81d7cd6774709dd1",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Mathias kluba"
}
},
{
"links": [],
"name": "Mehdi BEN HAJ ABBES",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/cffdc300bc93c1480cd5242a7249e1e78f203dda",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Mehdi BEN HAJ ABBES"
}
}
],
"title": "Analytics et Big Data, une histoire de cubes...",
"lang": "fr",
"summary": "De plus en plus d'événements, de plus en plus de données... comment exploiter la puissance du Big Data pour réaliser nos Analytics ?\r\nCette présentation fait un rappel sur les cubes OLAP et vous fait découvrir les solutions de cubes Open Source Big Data: Hive, Spark, Druid, Kylin, Lens, Pulsar...\r\nUn retour d'expérience agrémenté de codes et d'exemples.",
"trackId": "bigd",
"avg": 3.45,
"talkId": "RUM-0213",
"sum": 69,
"talkType": "Conference",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>De plus en plus d'événements, de plus en plus de données... comment exploiter la puissance du Big Data pour réaliser nos Analytics ?\nCette présentation fait un rappel sur les cubes OLAP et vous fait découvrir les solutions de cubes Open Source Big Data: Hive, Spark, Druid, Kylin, Lens, Pulsar...\nUn retour d'expérience agrémenté de codes et d'exemples.</p>\n"
},
{
"talkRating": {
"talkId": "SSE-2891",
"sum": 26,
"count": 8,
"avg": 3.25
},
"talk": {
"trackId": "bigd",
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>H2O est un outil d'analyse de données écrit en Java principalement axé sur l'analyse prédictive et le machine learning. Il tourne sur Hadoop et sur des clusters Spark ou natifs. Nous allons utiiser un exemple simple de classification et voir comment utiliser le notebook H2O sans coder. Puis nous utiliserons l'API REST depuis un code classique.</p>\n",
"id": "SSE-2891",
"speakers": [
{
"links": [],
"name": "Claude Falguiere",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/2e875df8188866ee4539f1cc5718017fcfea43cb",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Claude Falguiere"
}
}
],
"title": "H2O, l'analyse prédictive sans coder ... ou presque",
"lang": "fr",
"summary": "H2O est un outil d'analyse de données écrit en Java principalement axé sur l'analyse prédictive et le machine learning. Il tourne sur Hadoop et sur des clusters Spark ou natifs. Nous allons utiiser un exemple simple de classification et voir comment utiliser le notebook H2O sans coder. Puis nous utiliserons l'API REST depuis un code classique."
},
"count": 8,
"id": "SSE-2891",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Claude Falguiere",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/2e875df8188866ee4539f1cc5718017fcfea43cb",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Claude Falguiere"
}
}
],
"title": "H2O, l'analyse prédictive sans coder ... ou presque",
"lang": "fr",
"summary": "H2O est un outil d'analyse de données écrit en Java principalement axé sur l'analyse prédictive et le machine learning. Il tourne sur Hadoop et sur des clusters Spark ou natifs. Nous allons utiiser un exemple simple de classification et voir comment utiliser le notebook H2O sans coder. Puis nous utiliserons l'API REST depuis un code classique.",
"trackId": "bigd",
"avg": 3.25,
"talkId": "SSE-2891",
"sum": 26,
"talkType": "Tools-in-Action",
"track": "Big Data & Analytics",
"summaryAsHtml": "<p>H2O est un outil d'analyse de données écrit en Java principalement axé sur l'analyse prédictive et le machine learning. Il tourne sur Hadoop et sur des clusters Spark ou natifs. Nous allons utiiser un exemple simple de classification et voir comment utiliser le notebook H2O sans coder. Puis nous utiliserons l'API REST depuis un code classique.</p>\n"
},
{
"talkRating": {
"talkId": "QXZ-0728",
"sum": 202,
"count": 42,
"avg": 4.8095238095
},
"talk": {
"trackId": "cldops",
"talkType": "Conference",
"track": "Cloud et Scaling",
"summaryAsHtml": "<p>We get it already! Microservices help you build smaller,\nsingly-focused services, quicker. They scale out. They’re more agile\nbecause individual teams can deliver them at their own pace. They work\nwell in the cloud because they’re smaller, and benefit from elastic,\nhorizontal scaling. But what about the complexity? There’s a cost\nassociated with adding services and coordinating the interactions\nbetween them. In this talk, we’ll look at Spring Cloud, which builds\natop Spring Boot and the Netflix OSS stack, and see how it lets you\neasily integrate service-discovery, security, reliability patterns\nlike the circuit breaker, and centralized and journaled property\nconfiguration (and more) to more quickly build microservices that\nscale.</p>\n<p>Join Spring Developer Advocate Josh Long to find out what Netflix, Alibaba,\nTicketmaster, and countless other organizations already know: Spring Cloud\nhandles the non-functional requirements associated with adopting microservices to\nenable them to progress quickly.</p>\n",
"id": "QXZ-0728",
"speakers": [
{
"links": [],
"name": "Josh Long",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/28d78da3c37996c37f7d02bfc2e7baf189d8f90f",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Josh Long"
}
}
],
"title": "The Bootiful Microservice",
"lang": "en",
"summary": "We get it already! Microservices help you build smaller,\r\nsingly-focused services, quicker. They scale out. They’re more agile\r\nbecause individual teams can deliver them at their own pace. They work\r\nwell in the cloud because they’re smaller, and benefit from elastic,\r\nhorizontal scaling. But what about the complexity? There’s a cost\r\nassociated with adding services and coordinating the interactions\r\nbetween them. In this talk, we’ll look at Spring Cloud, which builds\r\natop Spring Boot and the Netflix OSS stack, and see how it lets you\r\neasily integrate service-discovery, security, reliability patterns\r\nlike the circuit breaker, and centralized and journaled property\r\nconfiguration (and more) to more quickly build microservices that\r\nscale. \r\n\r\nJoin Spring Developer Advocate Josh Long to find out what Netflix, Alibaba, \r\nTicketmaster, and countless other organizations already know: Spring Cloud \r\nhandles the non-functional requirements associated with adopting microservices to\r\nenable them to progress quickly."
},
"count": 42,
"id": "QXZ-0728",
"additionalProperties": {},
"speakers": [
{
"links": [],
"name": "Josh Long",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/28d78da3c37996c37f7d02bfc2e7baf189d8f90f",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Josh Long"
}
}
],
"title": "The Bootiful Microservice",
"lang": "en",
"summary": "We get it already! Microservices help you build smaller,\r\nsingly-focused services, quicker. They scale out. They’re more agile\r\nbecause individual teams can deliver them at their own pace. They work\r\nwell in the cloud because they’re smaller, and benefit from elastic,\r\nhorizontal scaling. But what about the complexity? There’s a cost\r\nassociated with adding services and coordinating the interactions\r\nbetween them. In this talk, we’ll look at Spring Cloud, which builds\r\natop Spring Boot and the Netflix OSS stack, and see how it lets you\r\neasily integrate service-discovery, security, reliability patterns\r\nlike the circuit breaker, and centralized and journaled property\r\nconfiguration (and more) to more quickly build microservices that\r\nscale. \r\n\r\nJoin Spring Developer Advocate Josh Long to find out what Netflix, Alibaba, \r\nTicketmaster, and countless other organizations already know: Spring Cloud \r\nhandles the non-functional requirements associated with adopting microservices to\r\nenable them to progress quickly.",
"trackId": "cldops",
"avg": 4.8095238095,
"talkId": "QXZ-0728",
"sum": 202,
"talkType": "Conference",
"track": "Cloud et Scaling",
"summaryAsHtml": "<p>We get it already! Microservices help you build smaller,\nsingly-focused services, quicker. They scale out. They’re more agile\nbecause individual teams can deliver them at their own pace. They work\nwell in the cloud because they’re smaller, and benefit from elastic,\nhorizontal scaling. But what about the complexity? There’s a cost\nassociated with adding services and coordinating the interactions\nbetween them. In this talk, we’ll look at Spring Cloud, which builds\natop Spring Boot and the Netflix OSS stack, and see how it lets you\neasily integrate service-discovery, security, reliability patterns\nlike the circuit breaker, and centralized and journaled property\nconfiguration (and more) to more quickly build microservices that\nscale.</p>\n<p>Join Spring Developer Advocate Josh Long to find out what Netflix, Alibaba,\nTicketmaster, and countless other organizations already know: Spring Cloud\nhandles the non-functional requirements associated with adopting microservices to\nenable them to progress quickly.</p>\n"
},
{
"talkRating": {
"talkId": "CIQ-9112",
"sum": 129,
"count": 28,
"avg": 4.6071428571
},
"talk": {
"trackId": "cldops",
"talkType": "Conference",
"track": "Cloud et Scaling",
"summaryAsHtml": "<p>Si je vous dis microservices, vous allez surement me répondre: Docker, Mesos, Consul, Etcd... Et l'intégration d'un reverse-proxy / load-balancer dans tout ça? Pas simple... Et si on créait un reverse-proxy "automatique"?\n<a href=\"http://traefik.io\">Traefik</a> est un reverse-proxy, load-balancer dynamique, permettant de construire sa configuration à chaud à partir de différents bakends : Docker, Mesos/Marathon, Etcd, Consul, Zookeeper, BoltDb…</p>\n",
"id": "CIQ-9112",
"speakers": [
{
"links": [],
"name": "Emile VAUGE",
"link": {
"href": "http://cfp.devoxx.fr/api/conferences/DevoxxFR2016/speakers/8401cb9c090b12103d28cde18dd3d969175b82f0",
"rel": "http://cfp.devoxx.fr/api/profile/speaker",
"title": "Emile VAUGE"
}
}
],
"title": "Traefik, a modern reverse-proxy",