 |
Applications distribuées et Web |
|
Applications distribuées
- Tendances : mobilité, Big Data, connectivité et IoT.
- Réseaux sociaux, communautés professionnelles, crowdsourcing et collaboration à grande échelle.
- Applications mobiles : smartphones et tablettes.
- Hébergement de services, Data centers et Cloud.
- Les besoins : interopérabilité (anyhow), accès à partir de mobiles (anywhere), haute disponibilité (anytime).
Le Web
- Protocoles et architectures.
- Les formats d’échange de données : XML vs JSON.
- Langages de programmation interprétés : JavaScript, Python, Grovy, Ruby, etc.
- Web services : architecture, services standards, WSDL, le protocole SOAP, composition de services avec BPEL.
- Du client léger au client riche avec HTML5, CSS3, JavaScript et AJAX.
- Les problème de sécurité avec AJAX.
- Intégration de services avec les mashups.
- Web sémantique : RDF et SPARQL, l’exemple de Google Knowledge Graph, les Triplestores.
|
 |
Architectures distribuées |
|
Architectures multitiers
- Modèles d’architecture : 1-tier, 2-tiers, 3-tiers, n-tiers.
- Les différents niveaux : présentation, sécurité, application, intégration, ressources.
- La distribution des clients : léger, lourd ou riche.
- La distribution des serveurs : présentation, Web, pare-feu, applications, données.
- Mise en œuvre du patron d’architecture MVC (modèle-vue-contrôleur) dans le 3-tiers.
- Architectures orientées services : SOA, WOA.
- Architectures distribuées et parallèles : Peer-to-Peer (P2P), cluster, Cloud.
- Sécurité des applications distribuées : confidentialité, intégrité, disponibilité.
- Le chiffrement : clés privées, clés publiques, certificats.
- Principaux modèles d’authentification.
- Techniques de protection des données : serveurs de données chiffrées, contrôle d’accès DAC, RBAC et MAC.
- L’anonymisation : enjeux, randomisation versus généralisation, étude de cas, les bonnes pratiques.
- Protection des données personnelles et législation: impact du RGPD sur le SI.
|
 |
Architectures de données distribuées |
|
Intégration des données
- Intégration réelle avec le Data Warehouse : ETL et SGBD parallèle.
- Intégration virtuelle avec fédérateur de données : les adaptateurs.
- Intégration de schémas : les conflits sémantiques, le problème de la résolution d’entité.
- Qualité des données et Master Data Management.
- L’offre produits et services.
Transactions distribuées et réplication de données
- Transactions distribuées : les propriétés ACID, le protocole 2PC, tolérance aux pannes et scalabilité.
- Transactions de compensation : les sagas.
- Réplication de données : cohérence et rafraichissement des copies.
- Produits principaux : Oracle, IBM DB2, SQL Server, SAP Sybase, PostgreSQL, MySQL.
Le Peer-to-Peer
- Autonomie des pairs, contrôle décentralisé, auto-adaptation, très grande échelle.
- Topologie des réseaux P2P : non structurés, structurés (DHT), superpeers.
- Applications principales : partage de contenus, communication, calcul distribué.
- Tolérance aux fautes et consensus distribué : les algorithmes Paxos et PBFT.
La Blockchain
- Confiance dans un monde numérique : problèmes avec une autorité centrale.
- Blockchain publique ou privée, le Bitcoin.
- Concepts : P2P, réplication, consensus (mining), transactions, chiffrement à clé publique.
- L’attaque Goldfinger des 51%.
- Blockchain 2.0 : la Blockchain programmable, les Smart Contracts, le projet Hyperledger.
- Les top use cases : services financiers, micropaiements, droits numériques, identité numérique, logistique, IoT.
- Opportunités et risques.
|
 |
Architectures de services |
|
Service Oriented Architecture (SOA)
- Éléments essentiels : messages descriptifs, format d’échange standard, extensibilité, découverte de service.
- ESB : interopérabilité des Web Services, gestion de messages distribués, équilibrage de charge.
- L’offre du marché.
- Succès et échecs du SOA ; écueils à éviter.
Web Oriented Architecture (WOA)
- Le modèle d’architecture REST.
- SOAP vs REST.
- Les frameworks de services RESTful.
- Principes de conception WOA.
- Étude de cas Textile.com.
Architecture microservice
- Le modèle d’architecture monolithique : avantages et inconvénients.
- Principes d’une architecture microservice : conception dirigée par le domaine, KISS.
- Passage à l’échelle dans un cluster shared-nothing, monitoring.
- Les frameworks de microservices : Kubernetes, Cloud Spring.
- Déploiement dans les conteneurs d’application : Docker, sécurité des conteneurs.
- Patterns et antipatterns : migration, intégration, gestion globale, sagas.
- Impact sur l’organisation du SI et des équipes.
Event-Driven Architecture (EDA)
- SI dirigés par les événements : Event-Driven BPM, Event-Driven SOA.
- Business activity monitoring (BAM).
- Gestion d’événements complexes avec Complex Event Processing (CEP).
- Gestion de flux d’événements avec Event Stream Processing (ESP).
- Les principaux CEP : Tibco Streambase, Microsoft StreamInsight, Parstream, etc.
- Étude de cas : détection de fraude en ligne.
|
 |
Architectures Big Data |
|
La pile logicielle Big Data
- Les niveaux fonctionnels : persistance polyglotte, organisation, traitement, intégration, indexation et analyse.
- L’architecture Hadoop, comparaison avec les SGBD relationnels.
- Le stockage en fichiers distribués dans un cluster avec HDFS.
- Editeurs : Cloudera-Hortonworks, Datameer, Datastax, Greenplum HD, Talend, VMware.
Les frameworks de traitement Big Data
- Hadoop MapReduce : les fonctions Map et Reduce, tolérance aux fautes et équilibrage de charge.
- Spark: le langage Scala, transformations et actions, stockage in-memory, Spark SQL, Spark Streaming.
- Le calcul de graphes avec Google Pregel.
- Étude de cas Facebook : 1000 milliards de liens avec Apache Giraph.
Le Data Lake
- Problèmes avec les entrepôts de données : développement avec ETL, schéma en écriture.
- Principes : schéma en lecture, traitement de données multiworkload.
- Enterprise Hadoop : intégration, sécurité et gouvernance avec Hadoop.
- Étude de cas dans le commerce de détail : performance du marketing ciblé.
Intégration de Big Data dans un Data Warehouse
- Besoins : acquisition, organisation, analyse.
- Place de Hadoop : les ETL comme Splunk, accès HDFS avec tables externes SQL.
- Exemples : HadoopDB, Microsoft HDInsight et Polybase, IBM Analytics Engine, Oracle Big Data Appliance.
- Le Data Lake opérationnel : traitement HTAP sur Big Data.
Méthodologie pour un projet Big Data
- Stratégie : objectifs métiers, besoins en données, qualité des données.
- Equipe : rôles et compétences, cadre pour la gouvernance des données.
- Outils : le choix de développer du code ou utiliser.
- Processus : évolutivité et réutilisation.
- Architecture : de la sandbox à l’architecture idéale.
- Meilleures pratiques.
|
 |
Architectures Cloud, Edge et Fog |
|
Le Cloud Computing
- Objectifs.
- Modèles de services : SaaS, IaaS, PaaS, XaaS.
- Différents types de Clouds : public, privé, communautaire, hybride.
- Fonctions d’un Cloud : administration, sécurité, annuaire, virtualisation des serveurs, gestion des SLA.
- Les acteurs majeurs : Amazon, Google, IBM, HP, Microsoft, Oracle-Sun, SalesForces, VMware.
- Le Cloud en France : Atos-Bull, Dassault Systèmes, Orange, Thales.
- Les applications Cloud ready : principes de construction.
- Le Cloud hybride : Cloud privé virtuel, le projet OpenStack.
Architectures de gestion de données dans le Cloud
- La fin de l’approche « taille unique » du relationnel.
- Architecture scalable dans le Cloud.
- Le théorème CAP : analyse et impact.
- SGBD NoSQL : clé-valeur, grande table, document, graphe.
- SGBD NewSQL : scalabilité NoSQL et cohérence relationnelle.
- Data as a Service : confidentialité, sécurité, migration et gouvernance des données.
- Big Data as a Service : panorama des offres (Amazon, Google, Oracle, Microsoft, Snowflake).
Edge et Fog Computing
- Objectifs, différences, complémentarité avec le Cloud.
- Intégration dans une plateforme IoT.
- Standardisation avec le consortium OpenFog.
- Les acteurs majeurs : Cisco, Amazon, Dell, Intel, Microsoft.
- Les problèmes de sécurité.
- Etude de cas : les smart cities.
|
