Analisa Performansi Trafik Jaringan Pada Hadoop Cluster Menggunakan Docker Berbasis Software Defined Network
Article Sidebar
Main Article Content
Abstract
Pertumbuhan data yang pesat pada saat ini membuat semakin berkembangnya jumlah data yang ada. Hadoop sebagai salah satu processing Big Data telah mengambil peran yang penting dalam proses pemrosesan data. Akhir-akhir ini, telah banyak penelitian yang meneliti tentang performansi trafik data Big Data.Di dalam Hadoop Clustering, perpindahan data akan sering terjadi antara satu node dengan node yang lainnya. Hal ini dikarenakan karena data yang menyebar di dalam datanode saat melakukan proses penyimpanan di dalam HDFS. Ketersediaan bandwidth yang kecil dengan proses pengiriman data yang besar dapat menyebabkan congestion disaat proses pengiriman datanya. Software Defined Network merupakan paradigma baru di dalam dunia jaringan. Dengan memanfaatkan fungsi SDN yang bisa mengontrol manajemen rate sehingga dapat mengatur trafik jaringan yang lewat. Dengan arsitektur SDN pada cluster Hadoop dapat dilakukan manajemen transfer rate. Fitur manajemen transfer rate ini dilakukan dengan API di dalam Floodlight. Nilai pada transfer rate pada trafik aliran data HDFS dipisah dan diberi nilai transfer rate yang lebih tinggi. Uji coba yang dilakukan, didalam proses penyimpanan data ke HDFS tidak terpengaruh walaupun proses lalu lintas data terdapat proses lalu lintas data lain yang menyebabkan congestion.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
L. Liu, “Performance comparison by running benchmarks on hadoop, spark, and hamr,” 2015.
A. Zaslavsky, C. Perera, and D. Georgakopoulos, “Sensing as a Service and Big Data,” Proc. Int. Conf. Adv. Cloud Comput., pp. 21–29, 2012, doi: arXiv:1301.0159.
P. Khusumanegara, “Analisis Performa Kecepatan Mapreduce Pada Hadoop Menggunakan Tcp Packet Flow,” p. 72, 2014.
T. Garcia and T. Wang, “Analysis of big data technologies and method -Query large web public RDF datasets on amazon cloud using hadoop and open source parsers,” Proc. -2013 IEEE 7th Int. Conf. Semant. Comput. ICSC 2013, pp. 244–251, 2013, doi: 10.1109/ICSC.2013.49.
A. Aminudin and A. Cahyono, “Pengukuran Performa Apache Spark Dengan Library H2O Measuring Performance Apache Spark With Library H2O Using,” JTIIK J. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 5, pp. 519–526, 2019, doi: 10.25126/jtiik.201961520.
M. Frampton, Big Data Made Easy. Apress.
P. Chouksey and A. S. Chauhan, “Weather Data Analytics using MapReduce and Spark,” vol. 6, no. 2, pp. 42–47, 2017, doi: 10.17148/IJARCCE.2017.6210.
F. Dongyu, L. Zhu, and Z. Lei, “Review ofhadoop performance optimization,” 2016 2nd IEEE Int. Conf. Comput. Commun. ICCC 2016 -Proc., pp. 65–68, 2017, doi: 10.1109/CompComm.2016.7924666.[9]L. Cui, F. R. Yu, and Q. Yan, “When big data meets software-defined networking: SDN for big data and bigdata for SDN,” IEEE Netw., vol. 30, no. 1, pp. 58–65, 2016, doi: 10.1109/MNET.2016.7389832.
K. Sideris, R. Nejabati, and D. Simeonidou, “Seer: Empowering Software Defined Networking with Data Analytics,” Proc. -2016 15th Int. Conf. Ubiquitous Comput. Commun. 2016 8th Int. Symp. Cybersp. Secur. IUCC-CSS 2016, pp. 181–188, 2017, doi: 10.1109/IUCC-CSS.2016.033.