قیام NoSQL ادامه دارد

این مطلب یکی از مجموعه مقالات پرونده ویژه «آینده برنامه‌نویسی» است. برای دانلود کل پرونده ویژه اینجا کلیک کنید. 

بانک‌های اطلاعاتی در مسیر هوشمندی
مبادله داده‌ها با اعداد غیر هوشمندی که به داخل بانک‌های ‌اطلاعاتی وارد می‌شوند و اجازه می‌دهند فعالیت‌هایی را روی آن‌ها انجام دهند، اغلب راه‌حل هوشمندانه‌‌ای به‌ شمار نمی‌روند. آن‌ چنان‌ که بانک‌های اطلاعاتی به سوی هوشمندی گام برمی‌دارند، داده‌های آن‌ها نیز به همان میزان رشد خواهند کرد. دلیلش است این است که تمرکز بانک‌های اطلاعاتی آینده روی قابلیت‌هایی بیش از ذخیره‌سازی اعداد قرار خواهد داشت. بیش‌تر سیستم‌های بانک‌های‌ اطلاعاتی از مدت‌ها قبل شروع به استفاده از موتورهای گزارشی پیچیده‌ای کرده‌اند که در اصطلاح رایج هوش ‌تجاری نامیده می‌شوند.

مطلب پیشنهادی: برنامه‌نویسی موازی در جاوا اسکریپت با Web Workers

این ویژگی‌ها توانایی بیش‌تری در اختیار آن‌ها قرار خواهد داد، به ‌طوری ‌که بانک‌های ‌اطلاعاتی را قادر می‌سازد تا الگوریتم‌های پیچیده‌ای را روی جداول اجرا و از الگوهای کارآمدتری برای جست‌وجوی داده‌ها استفاده کنند و خیلی از کارهایی را که امروزه «بزرگ داده» نامیده می‌شوند به‌راحتی انجام خواهند داد. استخراج اطلاعات از یک بانک ‌اطلاعاتی و توزیع آن‌ها در قالب بزرگ داده‌ها به‌طور فزاینده‌ای وقت‌گیر و نیازمند برنامه‌نویسی فراوانی است. در آینده استخراج داده‌ها از بانک ‌اطلاعاتی و اجازه دادن به موتورهای آن‌ها برای تجزیه و تحلیل به‌سرعت انجام خواهد شد. همین موضوع باعث کاهش برنامه‌نویسی به‌منظور استخراج مقادیری از داده‌های ذخیره شده خواهد شد. اما این مفاهیم نوین چه هستند و چه مزایایی را برای طراحان ‌همراه می‌آورند؟

هوش تجاری (Business Intelligence) چیست؟
قبل از آن‌که به ابزارهای مرتبط با بانک‌های‌ اطلاعاتی نگاهی داشته باشیم، ابتدا بهتر است با مفاهیم هوش تجاری و بانک‌های ‌اطلاعاتی تحلیلی که سبک زندگی بانک‌های ‌اطلاعاتی را تغییر داده و بسیاری از وظایف برنامه‌نویسان را بر عهده گرفته‌اند، آشنا شویم. هوش ‌تجاری مجموعه‌ای از تکنیک‌ها و ابزارها برای انتقال داده‌های خام به اطلاعات قابل فهم و مفید برای اهدافی در زمینه تجزیه و تحلیل‌های تجاری است. فناوری‌های BI این توانایی را دارند تا به مدیریت حجم زیادی از داده‌های غیرساخت ‌یافته برای کمک به شناسایی، توسعه و ساخت فرصت‌های جدید راهبردی در کسب‌وکار بپردازند. هدف از BI تفسیر حجم زیادی از داده‌‌ها است. شناسایی فرصت‌های جدید و پیاده‌سازی استراتژی‌های مؤثر بر مبنای بینش به دست آمده، به کسب‌وکارها اجازه می‌دهد از مزیت یک بازار رقابتی و بلندمدت پایدار استفاده کنند. هوش تجاری از تعداد زیادی مؤلفه ساخته می‌شود که از آن جمله می‌توان به ارائه گزارش‌های بی‌درنگ همراه با هشدارهای تحلیلی، بهینه‌سازی برچسب‌ها و استانداردها، روش ارتباط با منابع داده‌ای بدون ساختار وغیره اشاره کرد. 

انبار داده (Data Warehouse) چیست؟
انبار داده سازمانی (Enterprise data Warehouse) سیستمی است که برای گزارش‌گیری و تحلیل داده‌ها به کار می‌رود. انباره‌های داده‌ها مخازن مرکزی از داده‌های یک‌پارچه‌ای از یک یا چند منبع متفاوت هستند. آن‌ها داده‌های جاری و قبلی را که برای ایجاد گزارش‌های تحلیلی برای کارمندان سراسر سازمان ارسال می‌شود، ایجاد می‌کنند. از جمله این گزارش‌ها می‌توان به مقایسه سالانه و سه ماهه و روند تحلیلی مربوط به جزییات فروش روزانه اشاره کرد. داده‌های ذخیره شده در انبار داده از طریق سیستم‌های عملیاتی (از قبیل بازارهای فروش به دست می‌آید) (شکل 1). انبار داده از سه لایه Staging ، Integration  و Presentation ساخته شده است. 

 شکل 1: ترکیب سیستم‌های عملیاتی، لایه ادغام شده، انبار داده و داده‌گاه (Data mart) را مشاهده می‌کنید.

اهمیت بزرگ‌داده 
دنیای بانک‌های ‌اطلاعاتی به اندازه‌ای گسترده و پهناور است که با چند جلد کتاب هم نمی‌توان آن ‌را توصیف کرد، اما یک حقیقت وجود دارد. در آینده حجم داده‌هایی که توسط سازمان‌ها تولید می‌شود، بسیار زیاد خواهد بود. به‌ طوری‌ که حجم داده‌های سازمانی هر پنج سال دو برابر می‌شود. حتی دستگاه‌های مختلفی که امروزه مورد استفاده قرار می‌دهید نیز داده‌‌های مختلفی را تولید می‌کنند. کافی است نگاهی به اطراف خود داشته باشید، گوشی‌های هوشمند، تلویزیون‌های هوشمند و جالب آن‌که هنوز دستگا‌ه‌های اینترنت‌ اشیا به ‌طور جدی به میدان وارد نشده‌اند. این حجم از داده‌ها نه تنها به ابزارهای قدرتمندی نیاز دارند، بلکه به کارشناسانی نیاز خواهند داشت تا بتوانند این داده‌ها را مدیریت کنند و درست در این‌جا است که باید دید طراحان با چه ابزارهایی بهتر است حداقل آشنایی اولیه داشته باشند. در آینده کم‌تر شرکتی نیازمند یک برنامه‌نویس خواهد بود تا بانک ‌اطلاعاتی یا جداول مربوط به آن را برای آن‌ها ایجاد کند. روزگاری که عملیات ساده بانک ‌اطلاعاتی در محیط بدون روح انجام می‌شد و نتایج محاوره‌ها در قالب یک نمایش ساده به اپراتور نشان داده می‌شدند، به سر رسیده است. به‌طور مثال، اگر یک معمار بزرگ داده باشید، می‌توانید به درآمد 139 هزار دلاری دست پیدا کنید. معمار بزرگ داده‌ها فردی است که مسئولیت معماری، طراحی و رهبری گروه برای پیاده‌سازی این موارد را در یک مجموعه از پلتفرم‌های تجزیه و تحلیل بی‌درنگ بر عهده داشته باشد (شکل 2).

 شکل 2: میانگین حقوق داده‌های حجیم در مقایسه با دیگر شغل‌ها از رشدی 52 درصدی برخوردار بوده است.                          

در این سیستم هوشمند، برنامه‌نویسی در کجای کار قرار دارد؟
اگر تصور می‌کنید با داشتن اطلاعاتی درباره با تی‌اس‌کیو‌ال (TSQL) توانایی پیدا کردن شغلی خوب با دستمزد بالا را خواهید داشت، بهتر است تجدید نظر کنید. همان ‌گونه که به ‌اختصار گفتیم، تکنیک‌ها و دنیای بانک‌های ‌‌اطلاعاتی به سمت و سوی هوشمندی گام برداشته‌اند، طبیعی است هرچه سیستم‌ها از فرآیندهای هوشمندانه‌ای استفاده کنند، کارهای سنتی و دستی گذشته مکانیزه شده که ابتدا سرعت و دقت انجام کارها را افزایش می‌دهند و دوم نیاز به تکنیک‌های برنامه‌نویسی که در گذشته پرطرف‌دار بودند را کاهش می‌دهد. طراحان مسلط به انبار داده و هوش تجاری به‌ نسبت از درآمد بیش‌تری برخوردار هستند (شکل 3).

 شکل 3: هوش تجاری و انبار داده در آینده از جایگاهی به‌ مراتب بالاتر از زمان فعلی برخوردار خواهند بود.

هرچند بیش‌ترین دستمزد در ارتباط با طراح ارشد بانک ‌اطلاعاتی قرار دارد، اما طراح ارشد بودن نیازمند مهارت‌های بسیار زیادی است، به‌ طوری ‌که برای هر یک از مواردی که یک شرکت‌ به آن نیاز دارد، باید یک سابقه پنج تا دوازده ساله داشته باشد. اما طراح انبار داده لازم است تا از بینش مناسبی برخوردار و تجربه مرتبط با شغل انتخابی خود را داشته باشد. یک نمونه آگهی استخدام در ارتباط با طراح انبار داده را در شکل 4 مشاهده می‌کنید. در مجموع، میانگین دستمزدی که یک طراح بانک ‌اطلاعاتی دریافت می‌کند، 92 هزار دلار در سال است (شکل 5).

 شکل 4: یک نمونه آگهی استخدام «طراح انبار داده». طراح هوش ‌تجاری و انبار داده سازمانی باید توانایی ارائه راه‌حل‌های ویژه را داشته باشد. 

 شکل 5: میانگین دستمزد طراحان بانک اطلاعاتی نسبت به دیگر شغل‌ها شاهد افزایشی 60 درصدی بوده است.

NoSQL قیام خود را از مدت‌ها قبل آغاز کرده 
از آن‌جا ‌که ‌بانک‌های ‌اطلاعاتی همچون اس‌کیو‌ال، اوراکل و MySQL سال‌ها است توسط جامعه حرفه‌ای مورد استفاده قرار می‌گیرد و برای همه خوانندگان شناخته شده است، ما از آن‌ها صرف‌ نظر می‌کنیم و به‌طور مختصر به‌ بررسی NoSQL خواهیم پرداخت. NoSQL را می‌توان راه‌کار مناسبی برای مدیریت داده‌هادانست. مایکل استون بریکر، دانشمند علوم کامپیوتری، نامی آشنا در دنیای بانک‌های ‌اطلاعاتی به ‌شمار می‌رود. او کسی است که در طراحی محبوب‌ترین سیستم‌های بانک ‌اطلاعاتی همچون Postgres، Ingres و Vertica مشارکت داشته است. بریکر بر این باور است که در حال حاضر راه‌های به‌مراتب بهتری برای مدیریت داده‌‌ها نسبت به بانک‌های ‌اطلاعاتی رابطه‌ای وجود دارد. او می‌گوید: «در میان شرکت‌های مختلف در جهان، فیس‌بوک با مشکل شدید مدیریت داده‌ها دست به گریبان است. آن‌ها از سال‌ها پیش در فکر جایگزینی برای MySQL بودند، اما هنوز نتوانسته‌اند ابزاری که بتواند این مقیاس از داده‌ها را سازمان‌دهی کند، پیدا کنند.» اما یک پرسش وجود دارد. اگر من به‌عنوان خواننده این مقاله بخواهم تمرکز خود را روی یادگیری برنامه برنامه‌نویسی بانک‌های اطلاعاتی NoSQL قرار دهم، نمی‌دانم کار خود را از کجا آغاز کنم. چه بانک‌های ‌اطلاعاتی امروزی بر پایه NoSQL کار می‌کنند؟ برای آن‌که یک دانش اولیه در این زمینه داشته باشید، در این بخش شرح مختصری از بانک‌های اطلاعاتی مبتنی بر NoSQL را ارائه می‌دهیم. 

رده‌بندی بانک‌های اطلاعاتی مبتنی بر NoSQL 
پنج طبقه‌بندی‌ مختلف در ارتباط با بانک‌های ‌اطلاعاتی NoSQL وجود دارد. هرکدام از این دسته‌بندی‌ها با زیرگروه‌های مختلفی همراه می‌شوند. به‌ دلیل ماهیت هم‌پوشان این گروه‌ها، ارائه نمونه‌های مختلفی از آن‌ها شبیه به بانک‌های ‌اطلاعاتی رابطه‌ای به‌سختی امکان‌پذیر است، با وجود این، یک طبقه‌بندی عمومی بر مبنای مدل داده‌ای برای این گروه‌ها عرضه شده است که می‌توان آن‌ها را در پنج گروه دسته‌بندی کرد (جدول 1).

جدول 1: طبقه‌بندی بانک‌های‌ اطلاعاتی NoSQL

 شکل 6: به‌طور میانگین دستمزد پرداخت شده برای HBase نسبت به Druid  نزدیک به 64 درصد بیش‌تر بوده است.

در گروه Document، بالاترین دستمزد پرداختی متعلق به MarkLogic است (شکل 7).

 شکل 7: بالاترین دستمزد پرداختی  متعلق به MarkLogic است.

در گروه Key-value، بالاترین دستمزد پرداختی متعلق به C-treeACE است (شکل 8).

 شکل 8: به‌طور میانگین دستمزد پرداخت شده برای c-treeACE نسبت به OrientDB نزدیک به 86 درصد بیش‌تر است.

در گروه Graph، بالاترین دستمزد پرداختی متعلق به Neo4J است (شکل 9).

 شکل 9: به‌طور میانگین دستمزد پرداخت شده برای Neo4J نسبت به OrientDB از رشد 71 درصدی برخوردار بوده است.

در گروه Multi-model، بالاترین دستمزد پرداختی متعلق به FoundationDB است (شکل 10).

 شکل 10: به‌طور میانگین دستمزد پرداخت شده برای FoundationDB نسبت به OrientDB  از رشد 56 درصدی برخوردار بوده است.

کارایی 
بن اسکافیلد گروه‌بندی‌های مختلفی را برای بانک‌های ‌اطلاعاتی در نظر گرفته است. کارایی بانک‌های ‌اطلاعاتی را در جدول 2 مشاهده می‌کنید.

جدول 2: مقیاس‌پذیری و عملکردی که برای بانک‌های ‌اطلاعاتی ارائه می‌شود، در بیش‌تر اوقات با بنچ‌مارک YCSB به دست می‌آید.

سخن آخر
در مجموع، شیوه کارکرد بانک‌های اطلاعاتی در آینده به ‌طرز چشم‌گیری تغییر خواهد کرد. اگر تمایل دارید، کمی از وقت خود را صرف دنیای بانک‌های ‌اطلاعاتی کنید. بهتر است به مفاهیمی همچون بزگ داده، هوش‌ تجاری و مفاهیم نوین دقت بیش‌تری داشته باشیم. بی‌شک شرکت‌ها در آینده به ‌دنبال طراحانی خواهند بود که با این مفاهیم و ابزارهای مرتبط با آن‌ها شگفتی‌ساز باشند.