Download IoTを⾒据えたデータ活⽤はDataLakeから始める 〜Pivotal＋Isilonで実現するDataLakeの世界〜 2015年10月15日 東京エレクトロンデバイス（株）

IoTを⾒据えたデータ活⽤はDataLakeから始める
〜Pivotal＋Isilonで実現するDataLakeの世界〜
2015年10月15日
東京エレクトロンデバイス（株）
CNカンパニー CN第二営業本部
コーポレートアカウント営業部
住友 義典
当社のあゆみ
約半世紀にわたる歴史と経験を有する専門商社
1965年
東京エレクトロンで電子部品ビジネスを開始
1998年
東京エレクトロンの電⼦部品事業（現：半導体及び電⼦デバイス事業）が分離・独⽴
2003年
東京証券取引所 市場第2部上場
2006年
東京エレクトロン からコンピュータネットワーク事業（現：コンピュータシステム関連事業）を承継
2010年
東京証券取引所 市場第1部上場
東京エレクトロングループから分離・独⽴
半導体製造装置メーカー
東京エレクトロン
半導体及び電子デバイス
（EC）事業
専門商社
東京エレクトロン デバイス
1998年独⽴
コンピュータシステム関連
（CN）事業
2006年事業承継
2
EC事業
CN 事業
EMC社と東京エレクトロンデバイス（株）
 EMC社DataDomain、Isilon、Greenplum製品をEMC社買収前より国内販
売・サポート提供を実施（ノウハウ蓄積歴国内最⻑）
 日本全国のサポート拠点
EMC VNX
 4製品を軸にした複合ソリューションの提供
取扱開始: 2012年4月
導入実績: 10社以上
EMC GREENPLUM
取扱開始: 2008年10月
導入実績: 20社
2010年9月EMC社製品に
EMC DATA DOMAIN
取扱開始: 2004年10月
導入実績: 150社以上
2010年1月EMC社製品に
EMC ISILON
取扱開始: 2004年10月
導入実績: 80社以上
2005
2010年12月EMC社製品に
2008
2009
2010
3
2012
2013
2014
データ活用の変化
1990年代
2000年前半
帳票・レポートを目的としたデータ集計
2000年後半
傾向把握を目的とした集計・分析
2010年〜
予測のためのデータ分析・マイニング
データ活用
基幹システム上のデータの活用
（構造化データ）
基幹系・情報系システム上のデータの活用
（構造化データ）
対象データ
環境
プラットフォーム
CPU
H/W: MEM
HDD
NIC
データ処理
基幹系・情報系システム上＋ログ・SNS・セン
サーなどのデータの活用
（構造化＋非構造化データ）
クラウド
オンプレミス
Single Socket/Core
Multi Socket/Core（2Core････････････････････････････････････････10Core）
xMB
xxMB
xxxMB
xGB
xxGB
xxxGB
xTB
xxGB
xxxGB
x TB
Kbps
Mbps
Gbps
xxGbps
RDBMS
Scale out DB, Hadoop, KVS/NoSQL
4
変化要因
データ活用ニーズ
サービスの多様化
・データ分析を基にしたビジネスチャンスの発掘
（Webサービスを中心とした成功者の登場）
・デジタル化によるデータ種類が豊富に
・第三者による既存ビジネスを利⽤したビジネスの登場
相互
影響
H/W:
データ処理ソフト:
実装環境:
分析手法:
テクノロジー革新
性能・容量の向上、規模を伴わないデータ処理基盤の構築が容易に
RDMBSを中⼼としたデータ処理から新しいテクノロジーの登場により、データ処理の柔軟性が向上
インターネット進化と仮想化技術により、利⽤環境の選択が可能に
学術的な研究が中心となっていたものをベースに、ビジネス活用する取組みが強化
5
テクノロジー革新
H/W:
データ処理ソフト:
実装環境:
分析手法:
テクノロジー革新
性能・容量の向上、規模を伴わないデータ処理基盤の構築が容易に
RDMBSを中⼼としたデータ処理から新しいテクノロジーの登場により、データ処理の柔軟性が向上
インターネット進化と仮想化技術により、利⽤環境の選択が可能に
学術的な研究が中心となっていたものをベースに、ビジネス活用する取組みが強化
Hadoop
パフォーマンス
CPU:
• マルチコア化
• クロック周波数アップ
• 帯域幅の増加
メモリ:
• ⼤容量化
• 帯域幅の増加
スケール
アウト
ストレージ
・⼤容量化
・Flashの登場
1990
1995
2000
2005
並列分散
処理
RDB
2010
クラウド
仮想化
コモディティH/W
6
KVS
データ活用基盤への考え方の変化
 DWHの定義: 履歴データを蓄積し過去データから傾向等を⾒える化するための基盤
<DWH・データ分析Keyword時代＞
・基幹システムに存在するデータだけでは、大規模データ化（TB
超え）するケースは少ない
・DWHシステムへの投資判断が難しく大規模環境の用意を
するケースが少ない
といった点から、DWH本来の定義を持つDWHを利⽤している企
業は少ない
基幹系
情報系
基幹システム上で稼動するアプリケー
ションが利⽤しやすいDB
複数のデータを一元集約し、時間・人・もの
など軸を変えて分析を⾏う
（必ずしも時系列・単⼀TBLではない）
＜ビッグデータ・非構造化・IoTといったKeywordの登場＞
・テクノロジー革新とデータ活用によるビジネス成功ケースの登
場より、履歴データの蓄積への注⽬
・⾮構造化データの利⽤への注⽬
により、データ活用基盤の大規模化がスタート
 クラウドかオンプレミスか
・共通項はSmall Start: 履歴の蓄積や活⽤対象データ選択は、製品選定タイミングだけでは判断が付かないため
・環境選定時の注意ポイント
‐ 環境: クラウド or オンプレミス
>分析基盤サービス料のみならず、通信費⽤＋蓄積（i/o）との課⾦
>想定されるシステム規模（データ容量）
‐ オンプレミス: アプライアンス or IAサーバー＋ソフトウェア
>想定されるシステム規模（データ容量）
>システムの可搬性
‐ クラウド: SaaS or IaaS+ソフトウェア
>分析基盤すべてをクラウド化
>インフラのみをクラウド化
7
＜弊社⾒解＞
クラウド・オンプレミスでも、
・データ量増加、データタイプ増
・処理要件の多様化
・性能要件
・HWテクノロジー革新
といったシステムとしての柔軟性を求められる事が
多いため、柔軟性を意識した製品選定が必要
テクノロジーに対する要求
 ビッグデータの構成要素である非構造化
データへの注目が高まる中で、様々なアプ
ローチのオープンソースベーステクノロ
ジーが登場
 オープンソーステクノロジーを活かしながら枯
れた技術であるSQLインターフェースを持つ、
データの⼀元管理が可能な基盤ソリューション
の登場
SQL
MapReduce,Hive,Pig etc
SQL,
（MapReduce, Hive, Pig etc）
DWH
Hadoop等
Hadoop等
構造化
データ
非構造化
データ
ETL, CEP(SQL)
Flume, Fluentd, Sqoop,
Storm, S4 etc
構造化
データ
非構造化
データ
SQL
Flume, Fluentd, Sqoop, Storm, S4 etc
データ活⽤のニーズが⾼まるに伴い、データ量とユーザー数が増加
最新テクノロジーでの活用のみならず、多くのユーザーが活用できる基盤が求められる
8
「データレイク」という考え方とKeyman
9
DataLake x DWH
DataLake= より⾃由に、柔軟に、迅速にビジネスで利⽤可能なデータ分析基盤
(DWHはDataLakeの一部）
10
Hadoopとは？
2つの分散アーキテクチャーを持つコンポーネントで構成させる
HDFS (Hadoop Distributed File System)
分散ファイルシステム
MapReduce
⼤規模分散処理フレームワーク
データをためる
データを加工する
データをブロックに分割して複数のサーバに分
散配置／3つのレプリカを作成
Map/Reduceというシンプルな処理の組み合
わせで、HDFS上にあるデータの分散処理を⾏
う汎用的なフレームワーク
11
Hadoopはみんなで使えるか？
 Hadoopを全社データ活用基盤とする場合の壁
‐ データ取り込み
・テクノロジー: 様々な技術が存在
（ただし、技術スキルが必要）
・取り込み: 取り込み対象データの選定、取り込みと格納方法の検討
‐ データ活用
・テクノロジー: HDFSへアクセス可能なインターフェースの増加
（ただし、技術スキルが必要）
・汎用アプリケーション: SQLを利⽤する製品が多い
データソース
Hadoop≠DataLake
DataLakeの要素である、非構造化データを含めた
データ蓄積・処理基盤の構築は可能だか、
・インターフェースの汎用性
・あらゆるデータの蓄積
という観点で利便性にかける要素が出てくる
データ蓄積・処理基盤
アプリケーション
非構造化データ
メール
Webコンテンツ
M2M
アクセスログ
SNS
構造化データ
Analytics
Apps
音声
画像・映像
Mobile
Apps
Flume,
Fluentd,
Sqoop,
Storm,
S4 etc
MapReduce,
Hive, Pig
Drill
Map
Reduce
生産情報
売上情報
顧客情報
BI/BA
HDFS
12
File
Access
PivotalとIsilonのDataLake
Data Lake
Data Lake


データ処理基盤の基盤要素となHDFSにデータを蓄積

あらゆるデータ・要件に応じて処理エンジンを使い分ける

インターフェースを多く持ち。データ活用対象となるデータを一元管
理を実現するOneFSにデータ蓄積
集約したデータをHDFS利⽤可能とし分析対象データにすること
が可能
データソース
データ蓄積・処理基盤
アプリケーション
非構造化データ
メール
Webコンテンツ
M2M
アクセスログ
SNS
構造化データ
生産情報
Analytics Apps
Mobile
Apps
音声
画像・映像
Flume,
Fluentd,
Sqoop,
Storm, S4
etc
MapReduce,
Hive, Pig
Drill
BI/BA
Map
Reduce
売上情報
顧客情報
HDFS
13
File Access
Pivotal社（2013年4月1⽇設⽴）
~次世代エンタープライズPaaSの提供~
CEO ポール・マリッツ
従業員数
1,600人
売り上げ規模(計画)
2013年3億ドル
2017年10億ドル
14
出資⽐率
Pivotal HD＋HAWQ
 Pivotal HD
–
Apache Hadoop ベース
– 処理全体のデータスループット効率化:YARN
– 運⽤・管理性: スナップショット/HDFS Federation/NFS v3によるデータアクセス
–
Advanced Database Services(HAWQ)
– 性能：HDFSに対する標準SQLによる⾼速クエリ処理
– 連携：Hive, Hbase, Avro等 Hadoop データとの連携
–
仮想化・エンタープライズストレージ対応
– Hadoop構成の VMWare 上での最適化や Isilonとの連携
HAWQ
アドバンスド
データベースサービス
Pivotal HD
Enterprise
リソース管理
& ワークフロー
ANSI SQL + アナリティクス
Xtension
フレームワーク
HBase
カタログ
サービス
クエリ
オプティマイザ
ダイナミック・パイプライニング
Pig, Hive, Mahout
Map Reduce
Yarn
Zookeeper
Oozie
Center
コンフィグ
デプロイ
HDFS
HVE
Command
モニター
Sqoop
Flume
Apache
Pivotal HD 追加機能
15
管理
HAWQ≒GreenplumDB
HAWQ: Pivotal社が10年にわたり開発をしてきたGreenplumDBをHadoop⽤に改良
GreenplumDBの⼤半の機能が利⽤可能











標準 SQL 対応
堅牢なクエリオプティマイザ
ローストア・カラムストア両方への対応
圧縮
分散格納
マルチレベルパーティショニング
パラレルーロード・アンロード
高速データ再分散
16
SELECT
INSERT
JOIN
統計解析関数(MADlib)
ビュー
外部表
リソースマネジメント
セキュリティ
認証
管理・監視
ODBC/JDBC対応
SQLonHadoop/PivotalHD+HAWQの必要性
SQLonHadoop/PivotalHD+HAWQにより、
アプリケーションやユーザーのスキルセットによりデータ活用に制限が発生しない、
データ分析基盤の構築が可能
BI
Report
Mining
SQL
SQL
SQL
リソース管理
& ワークフ
ロー
Map
Reduce
Hive/
Drill
Map Hive/Drill
Reduce
Hive
BI
Report
Mining
SQL
SQL
SQL
リソース管理
& ワークフ
ロー
Drill
HBase
Hive/
Drill
Map Hive/Drill
Reduce
Hive
HAWQ
Drill
HBase
Map Reduce
Map Reduce
Yarn
Yarn
HDFS
Zookeep
er
Oozie
Map
Reduce
Sqoop
HDFS
Zookeep
er
Oozie
Flume
Apache Hadoop
Sqoop
Pivotal HD+HAWQ
17
Flume
EMC Isilon
 高い拡張性と可用性を持つスケールアウトNAS
全ノードアクティブで稼働するコントローラーと独自FSのOneFSにより複数ノードを
ワンボリュームで管理により、性能・容量双⽅のスケールアウトが可能
コントローラー
コントローラー
コントローラー
コントローラー
・・・
・・・
OneFS
コントローラー
コントローラー
コントローラー
コントローラー
最大20PBまで拡張可能
 最大N+4の保護レベルを実現
1つのファイルを分割配備する機構により、高い性能と保護レベルを提供
最大20PBをもN+4で保護
Down
100% 稼働中
100% 稼働中
Down
100% 稼働中
18
Down
Down
100% 稼働中
100% 稼働中
Isilon スケールアウトNAS機能
SmartConnect
負荷分散＆フェイルオーバ
SnapshotIQ
フレキシブルなスナップショット
ポリシーベースの負荷分散
NFSフェイルオーバ
SmartQuotas
クオータ管理
単一ボリューム内の
ファイル単位で
プールに配置
サブディレクトリ単位で
スナップショット
SyncIQ
高速リプリケーション
ユーザ、グループ、サブ
ディレクトリ単位でクォータ
SmartPools
単一ボリューム内でプール化
InsightIQ
性能監視とファイルシステム分析
N：M ノードで
非同期のファイル複製
SmartDedupe
データの重複排除
SmartLock
WORM(Write Once – Read Many）機能
WORMデータ保護により、
過失やデータ変更や削除を防⽌
データの重複排除による
容量とコストの効果
19
パフォーマンスの監視と
ファイルシステム分析
Isilon DataLake


Data Lake ： データ活⽤対象となるデータを⼀元管理を実現するOneFSにデータを蓄積
豊富なインターフェースを持つことで、多様なデータアクセスに対応
FILE
20
通常のHadoopアーキテクチャー
 多くの処理プロセスと実データが分散配置
 メタデータ（NameNode）は冗⻑化のみ
R(RHIPE)
Job Tracker
Data Node + Compute Node
Pig
Mahout
Hive
Task Tracker
HBase
DataNode
Data Node + Compute Node
NameNode
2 nd NameNode
Data Node + Compute Node
Name Node
Data Node + Compute Node
Data Node + Compute Node
Data Node + Compute Node
21
Isilon+Hadoopアーキテクチャー
 処理プロセス（Compute）とデータ領域（Name+DataNode）を別配置
 Hadoop関連すべてのコンポーネントの冗⻑化
R(RHIPE)
Pig
Hive
Job Tracker
HBase
NameNode
Task Tracker
Compute Node
Compute Node
DataNode
Name
Node
Name
Node
Name
Node
Name
Node
Compute Node
Compute Node
Compute Node
22
Data Node
Compute Node
Mahout
Pivotal HD&HAWQ+Isilon
 ⼤規模且つ性能・容量に最適化された利便性の⾼いHadoop環境を実現
R(RHIPE)
Pig
Mahout
Hive
Job Tracker
HAWQ
Task Tracker
分散処理データベース
DataNode
分散ファイルシステム
HAWQ
HAWQ
Name
Node
Name
Node
Name
Node
Name
Node
HAWQ
HAWQ
HAWQ
23
EMC ISILON
Data Node
HAWQ
NameNode
Pivotal+Isilonはみんなで使える！
 Pivotal+Isilon＝DataLakeで全社データ活用基盤とする場合の壁
‐ データ取り込み
・テクノロジー: 従来から利⽤されているファイルアクセス⽅法の利⽤が可能
・取り込み対象データ: 単純なファイル格納なため、とりあえずの格納が可能
‐ データ活用
・テクノロジー: HDFSアクセス用言語のみならず、SQLインターフェースの利⽤が可能
・汎用アプリケーション: そのまま利⽤可能
データソース
Pivotal+Isilon=DataLake
DataLakeの要素である、非構造化データを含めた
データ蓄積・処理基盤であり、
・インターフェースの汎用性
・あらゆるデータの蓄積
を兼ね備えた環境を実現
データ蓄積・処理基盤
アプリケーション
非構造化データ
メール
Webコンテンツ
M2M
アクセスログ
SNS
構造化データ
生産情報
Analytics
Apps
音声
画像・映像
CIFS
NFS
FTP
HTTP
REST
Object
HDFS
BI/BA
Map
Reduce
売上情報
顧客情報
SQL
MapReduce
Hive
Pig
Drill
Mobile
Apps
HDFS
24
File
Access
Hadoop活用を始める2つアプローチ
SQL on Hadoopスタートのアプローチ
Step1
既存DB/DWHの一部もしくは新規分析要件用にSQL
on Hadoopを構築
ビジネス・アプリケーション
BI
Report
Mining
Map
Reduce
Hive/
Drill
File
Access
Step2
非構造化データの取り込み、活用のTry&Error開始
In-Memory
HBase・Drill
etc
DB/DWH
EMC ISILON
売上情報
Step3
将来予測分析の開始
Step4
非構造化データの効率的なデータ処理フレームワーク
の活用
Step5
データ容量増、性能向上の観点から効率的な拡張
とより多くの種類を用意に取り込みでき、ファイルアク
セスも可能な環境を構築
顧客情報
メール
Webコンテンツ
アクセスログ
生産情報
M2M
SNS
25
音声
Step6
発生したデータをリアルタイムにビジネス活用をできる
基盤の導入
Hadoop活用を始める2つアプローチ
ファイルストレージスタートのアプローチ
Step1
分析活用対象となり得るデータを格納できるファイルサー
バーの導入
構造化データ・非構造化データの投入
ビジネス・アプリケーション
BI
Report
Mining
Map
Reduce
Hive/
Drill
File
Access
Step2
SQL on Hadoopの導入、データ活用の開始
In-Memory
HBase・Drill
etc
DB/DWH
EMC ISILON
Step3
将来予測分析の開始
Step4
非構造化データの効率的なデータ処理フレームワーク
の活用
Step5
発生したデータをリアルタイムにビジネス活用をできる
基盤の導入
売上情報
顧客情報
メール
Webコンテンツ
アクセスログ
生産情報
M2M
SNS
26
音声
何から始めるか？
 データ活⽤は、ビジネス貢献を実現するために⾏う
 情報の共有・⾒えるかだけで不⼗分
 ビジネスにつながるアプリケーションや業務への連携が必要
と、良く聞くけど、いったいどこから始めれば
いいんだろう。。。
データ分析して、業務生かすといわれて
も。。。
27
実はやっているデータ活用
~課題が多く運用に乗せにくい~
セールスプロモーション
マーケティング
⾒るデータ
例えば、
「新ソリューションの展開のため、プロモーションを実施し案件創出を⾏ないたい」
「A業界のB社に採用された製品を同業他社に展開したい」
「新しい製品のプロモーションに最適なイベントを開催したい」
etc
所在
入手データ形式
社内の顧客DB
CRM
1つのExcelにデータを集約し、データの整
形を⾏い、
・傾向把握
・ターゲッティング
を⾏う
取引実績
受発注システム
過去に実施したセミナー
出席者リスト
過去に出展したイベント
集客リスト
過去に実施したWeb
マーケティングリスト
ファイルサーバー
ファイルサーバー
課題点
・データ存在箇所が散在しているため、デー
タ収集時点で負荷が高い
・システムによってはデータ⼊⼿不可
・集約したExcelのアウトプットの共有は簡
単だが、関連データの共有が難しい
・データの最新化、追加が難しい
個人PC
業界企業情報
Web
28
ファイルシステムの利⽤
ファイルサーバー
⾒るデータ
複数システムのデータを集約するのに便利な機構は、ファイルサーバー
ファイルサーバーにデータを集約する仕組みにすることで、
・最新データへの更新
・データの追加
・データの共有
が容易に
所在
入手データ形式
社内の顧客DB
これらのデータを集計・
分析できれば、
運用のしやすい基盤に
CRM
取引実績
受発注システム
過去に実施したセミナー
出席者リスト
過去に出展したイベント
集客リスト
過去に実施したWeb
マーケティングリスト
ファイルサーバー
ファイルサーバー
ファイルサーバー
個人PC
業界企業情報
Web
29
課題点
・データ存在箇所が散在しているため、デー
タ収集時点で負荷が高い
・システムによってはデータ⼊⼿不可
・集約したExcelのアウトプットの共有は簡
単だが、関連データの共有が難しい
・データの最新化、追加が難しい
Isilonを利⽤するとHadoopが使える
Isilon
⾒るデータ
ファイルサーバーとしての利⽤に加えて、HDFS(Hadoop)連携が可能
所在
入手データ形式
BI/レポーティング
ツールからアクセスで
きればさらに利便性
の高い基盤に
社内の顧客DB
CRM
取引実績
受発注システム
過去に実施したセミナー
出席者リスト
過去に実施したWeb
マーケティングリスト
NFS/CIFS/FTP/
HTTP
過去に出展したイベント
集客リスト
HDFS
ファイルサーバー
ファイルサーバー
個人PC
業界企業情報
同じファイルに複数のインターフェースから
アクセス可能
Web
30
PivotalHD/HAWQの導入
PivotalHD/HAWQ+Isilon
⾒るデータ
みんなで使えるDataLake基盤を実現
所在
入手データ形式
社内の顧客DB
CRM
取引実績
受発注システム
過去に実施したセミナー
出席者リスト
過去に実施したWeb
マーケティングリスト
NFS/CIFS/FTP/
HTTP
過去に出展したイベント
集客リスト
HDFS
ファイルサーバー
ファイルサーバー
個人PC
業界企業情報
慣れ親しんだ、汎用性の高い
インターフェースを備えたDataLake
Web
31
Pivotal＋Isilon=DataLakeは
データ活用への近道
データ活用基盤構築までのStep比較
 DWH、Hadoop基盤の構築
要件整理
データ活用基盤の
要件を定義
ビジネスメリット、
採算性の検討
システム化検討
要件に⾒合うシ
ステムの実現方
法検討
方式・運用検討
利⽤・運⽤間tね
からシステム化
の方式を検討
製品調査・検討
要件に⾒合った製
品・サービスの調査
ベンダー・業者
調査・選定
構築・サポート可
能なベンダー・業
者の選定
導入
システム構築、
実運用の監視
運用観点での実現性のレビュー・変更等
 DataLake（Pivotal+Isilon)の構築
要件整理
ファイルサーバー
導入としてスター
ト可能
システム化検討
同時/将来
SQLonHadoop
の実装によりデー
タ活用環境に。
製品調査・検討
導入
ファイルサーバー: EMC Isilon
SQL on Hadoop: PivotalHD+HAWQ
EMC ISILON
32
PivotalHD・HAWQ+EMC Isilon取扱い
 東京エレクトロンデバイス製品取扱い経歴
Pivotal製品
Pivotal GreenplumDB製品で培ったH/Wとセットでご提供しサポート提
供（パッケージ）ノウハウをベースに、PivotalHD製品でも提供。
概歴
・GreenplumDB製品: 2008年10月~
・GreenplumDBパッケージ: 2010年4月~
・PivotaHD製品: 2014年4月~
・PivotalHDパッケージ: 2014年4月~
Pivotal社連携
・共同提案
・サポート連携
Pivotal社のリモートサポートも含めた連携スキームあり
ワンストップサポートスキーム＋ノウハウ
Pivotal社とのサポート連携スキーム
EMC Isilon製品
EMC社買収前のIsilon Systems社製品時より、取扱い
日本全国にオンサイト対応拠点有
概歴
・2004年10月より取扱い開始
・2010年12月EMC社による買収後、EMC社パートナーとして販
売・サポート継続中
・2014年4月~: Hadoop連携ソリューション強化
EMC社連携
・共同提案
・サポート連携
EMC社のリモートサポートを含めた連携スキームあり
10年におよぶ製品・サポートノウハウ
EMC社とのサポート連携スキーム
PivotalHD・HAWQ（ソフトウェア＋HW)＋Isilonのワンストップサポートをご提供致します
33
TED DataLake パッケージ
SQL on Hadoop製品のPivotalHD・HAWQと豊富なインターフェースを持つスケールアウトNASのEMC Isilonを組み合わせた
DataLake基盤を、最適なHWを選定し、容易に導⼊・運⽤が可能なパッケージ
TED Pivotal HAWQパッケージ
性能・ユーザー数の面で拡張性も考慮した
バランスの取れたH/Wを選定
・・・
EMC Isilon
性能・容量の観点からモデルを選択可能
スタンダード
X410
34
スモールスタート
X210
パフォーマンス
S210
35