Visoka škola elektrotehnike i računarstva strukovnih studija

Društvene mreže

Big Data

Beograd, 2018
 Analiza društvenih mreža

Sadržaj

10. Big Data ....................................................................................................................................... 3

10.1 Izvori podataka ........................................................................................................................ 4
10.2 Definicija Big Data.................................................................................................................... 6
10.3 Big Data infrastruktura ............................................................................................................ 7
10.4 Big Data analitika .................................................................................................................... 9

2
 Analiza društvenih mreža

10. Big Data

Kada se priča o Big Data da li se zaista zna o kojoj količini podataka se priča? Čitav niz
godina je trebao da se u računarskom svetu pređe sa megabajta kao merne jedinice za
količinu podataka na gigabajt. A zatim se u vrlo kratkom periodu sa gigabajta prešlo na
petabajt. Danas se već računa u u eksabajtima.
Naziv Oznaka Ekvivalent Red Ekvivalent u kapacitetu (otprilike)
veličine
Bit (bit) b - - 0 ili 1
3
Bajt (byte) B 2b - Zapis jednog slova u memoriji
Kilobajt 210B Pasus teksta u Notepadu sa 1024
KB 103B
(kilobyte) (1024 B) karaktera
Megabajt 220B Jedan selfi slikan starijim
MB 106B
(Megabyte) (1024KB) telefonom
Gigabajt 230B
GB 109B DiVX film Titanik
(Gigabyte) (1024 MB)
Terabajt 240B
TB 1012B Oko 250 DVD filmova
(Terabyte) (1024 GB)
Petabajt 250B
PB 1015B 250 000 DVD filmova
(Petabyte) (1024 TB)
Eksabajt 260B
EB 1018B 45 miliona Blu-Ray diskova
(exabyte) (1024 PB)
Zetabajt 270B
ZB 1021B 45 milijardi Blu-Ray diskova
(zettabyte) (1024 EB)
Jotabajt 280B
(yottabyte)
YB
(1024 ZB)
1024B ℵ
Tabela 10.1: Merne jedinice za količinu memorije

Prema proceni IBM-a, 90% podataka proizvelo se u poslednjih tri godine. Na globalnom
nivou količina podataka 2016. godine iznosila je oko 16 ZB.

Postoje razna predviđanja o količini podataka koja će biti u opticaju u skorijoj budućnosti.
Jedno od predviđanja je da će ukupna količina podataka već 2025. godine biti oko 163 ZB što
je oko 10 puta više nego u aprilu 2017. (izvor: https://www.information-age.com/data-
forecast-grow-10-fold-2025-123465538/).

CISCO, na osnovu merenja protoka saobraćaja na internetu jedao neka svoja

predviđanja. Na osnovu njihove VNI (Visual Network Indeks) metode, prognoza je da će 2022
na mesečnom nivou IP saobraćaj biti 396 EB, slika 10.1. Na osnovu njihovih predviđanja,
saobraćaj 2020. će biti utrostručen u odnosu na 2017. godinu (izvor:
https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-
index-vni/white-paper-c11-741490.html).

3
 Analiza društvenih mreža

Slika 10.1: CISCO prognoza o saobraćaju na Internetu

Upotrebom različitih metoda i sa posmatranjem sa različitih aspekata dolazi se do

različitih predviđanja. Međutim, sva predviđanja se slažu u jednoj stvari, a to je da količina
podataka kako na Internetu tako i globalno, raste eksponencijalno, slika 10.2.

Slika 10.2: Predviđanje vezano za količinu podataka u svetu

10.1 Izvori podataka

Eksponencijalni rast podataka je posledica razvoja različitih tehnologija koje su

sveprisutne. Na primer:
 njujorška berza dnevno generiše oko 1 TB podataka vezanih za trgovinu,
 samo jedan Jet motor tokom 30 minuta leta generiše više od 10 TB podataka; ako
dnevno ima nekoliko hiljada letova to znači da se u toku dana generiše količina
podataka koja se meri PB,

4
 Analiza društvenih mreža

 CERNov Large Hydron Collider (Veliki hadronski sudarač) godišnje generiše 15 PB

podataka,
 The EarthScope – veliki naučni projekat napravljen da prati geološko kretanje
severne Amerike godišnje proizvede više od 100 TB podataka, slika 10.1.1,
 razni werable uređaji: sakupljaju se podaci o krvnom pritisku, radu srca, pulsu,
vežbanju, pređenim kilometrima, šećeru u krvi ...
 Vikipedija –samo na engleskom jeziku je napisano ukupno 5,800,932 članka
(6.2.2019.) a dodatno se u pozadini generišu struktuirani podaci. Samo veličina
teksta je 2015. godine iznosila nešto manje od 12 TB,
 u obrazovanju se takođe generiše velika količina podataka. Podatke generišu i
nastavnici i studenti u okviru online kurseva (masovni ili u okviru institucija), LMS,
aktivnosti u okviru neformalnog učenja, školski informacioni sistemi, školske
biblioteke, naučni radovi...

Slika 10.1.1: Količina podataka koju prikupi EarthScope

(izvor: https://ds.iris.edu/files/earthscope/stats/ES-Terabytes.pdf)
Slika ne bi bila potpuna ukoliko se ne uzmu u obzir podaci koji se generišu na društvenim
medijima. Svaki minut (izvor: https://www.forbes.com/sites/bernardmarr/2018/05/21/how-
much-data-do-we-create-every-day-the-mind-blowing-stats-everyone-should-read/#4144f45b60ba,
maj 2018.):

 Google obradi preko 2 400 000 zahteva za pretragu,

 korisnici na Snapchat-u podele 527 76,
 4 146 600 video klipova se pregleda na YouTube-u.
 456 000 tvitova se postavi,
 46 740 slika se postavi na Instagram-u,
 510 000 komenatara se postavi na Facebook-u,
 293 000 statusa se osveži na Facebook-u,
 15 000 GIFova se pošalje preko Facebook-a,
 generalno, pošalje se oko 16 miliona tekst poruka,
 156 miliona email-ova,

5
 Analiza društvenih mreža

 103 447 520 spam mail-ova se pošalje,

 154 200 poziva preko Skype-a,
 ...
Na dnevnom nivou, 300 miliona slika se postavi na Facebook-u a na Instagram 95
miliona.
Podatke ne generišu samo ljudi već i automatski sistemi i razni uređaji. Generalno, izvori
podataka su, slika 10.1.2:
 slike i razni mediji (video, audio-video ...),
 baze podataka,
 lokacije,
 email,
 senzori,
 HTML,
 društveni mediji,
 klik strimovi.

Slika 10.1.2: Izvori podataka

Ti podaci, bez obzira da li generišu ljudi ili automatski sistemi mogu biti struktuirani (broj,
znak), polustruktuirani (xml, JSON) i nestruktuirani (slika, tvuk, tekst, pdf ...).

10.2 Definicija Big Data

Koliko podataka zapravo pedstavlja Big Data otvoreno je za raspravu ali obično može biti
više PB a za najveće projekte i u opsegu EB.
Big Data se uopšteno odnosi na skupove podataka kojisu toliko veliki po obimu i tako
složeni da tradicionalni softverski sistemi za obradu podataka nisu u mogućnosti da
preuzmu, upravljaju i obrađuju podatke u razumnom vremenskom roku. Sam pojam Big Data
obuhvata i tehnologije i tehnike koje su u stanju da prihvate, čuvaju, distribuiraju, analiziraju
i upravljaju kolekcijom različitih tipova podataka velikih dimenzija. Pri tome termin veliki
(Big) se ne odnosi samo na obim već i na složenost podataka.

6
 Analiza društvenih mreža

Big data tehnologije treba da omoguće upravljanje velikom količinom različitih podataka,
razumnom brzinom, u odgovarajućem vremenskom okviru da bi se omogućila analiza tih
podataka u realnom vremenu.
Definicija: Big Data je bilo koji izvor podataka koji ima sledećih 7 karakteristika (7V
svojstvo): Volume-Variety-Velocity-Veracity-Verification-Value-Visibility.
Obim podataka (Volume) – velika količina podataka koja ne može jednostavno da se
čuva, pretražuje, prenosi, analizira i prikazuje.
Raznovrsnost (Variety) – podaci mogu biti u različitim formatima (različiti tipovi
podataka), struktuirani ili nestruktuirani.
Brzina (Velocity) – odnosi se na veliku brzinu kojom se podaci generišu, odnosno,
uvećavaju. U današnjim uslovima, podaci se uvećavaju eksponencijalnom brzinom.
Tačnost (Veracity) – ova karakteristika se odnosi na tačnost generisanih podataka. Velika
brzina generisanja utiče na to da među podacima ima i netačnih. Ova karakteristika se
odnosi i na poverenje i neizvesnost generisanja.
Verifikacija (Verification) – odnosi se na verifikaciju i sigurnost podataka. Proverljivost
podataka je veoma bitna, utiče na poverenje. Sigurnost podataka je trenutno vrlo aktuelna
tema i treba je obezbediti.
Korisnost ili upotrebljivost (Value) – odnosi se na to da li generisani podaci mogu da se
iskoriste za dobijanje upotrebljivih informacija, odnosno za dobijanje informacija pomoću
kojih mogu da se unaprede poslovni procesi. Prikupljanje podataka i čuvanje bez ideje za šta
mogu korisno da se upotrebe nije mnogo svrsishodno.
Vidljivost (Visibility) – ova karakteristika se odnosi na to da se podaci uočavaju. Podaci
mogu da budu dostupni ali da ne budu visljivi svim procesima. Podaci iz različitih izvora treba
da se spolje tamo gde su vidljivi. Sa druge strane, neovlašćena vidljivost može da predstavlja
rizik.

10.3 Big Data infrastruktura

Koncept Big Data sadrži skup povezanih komponenti koje omogućavaju organizacijama
da koriste podatke za praktične protrebe, rešavanje niza poslovnih problema ili unapređenje
poslovanja. Ovaj koncept uključuje:
 IT infrastrukturu za podršku Big Data
 analitiku koja se primenjuje na podatke,
 tehnologiju potrebnu za projekte Big Data,
 stvarne slučajeve za koje je potrebno da se koristi Big Data.
Big Data infrastruktura obuhvata:
 izvore podataka,
 alate i agente (sisteme) za prikupljanje podataka,

7
 Analiza društvenih mreža

 fizički medijum gde će se smeštati podaci, prateći softverski sistem, i rezultati

obrade,
 mrežu pomoću koje se prenose/dele podaci,
 softverske alate za analizu podataka,
 radno okruženje za softverske alate za analizu,
 infrastruktura potrebna za rezervne kopije podataka,
 rezultate obrade.
Treba trešiti mnoge probleme vezane za Big Data infrastrukturu kao što su: skladištenje
velike količine podataka koja se uvećava velikom brzinom i koji su vrlo raznovrsni po tipu;
pretraga podataka koja treba da bude u razumnom vremenu i da bude stabilna bez obzira na
povećani broj zahteva; deljenje resursa predstavlja izazov jer podaci stižu sa različitih izvora i
treba ih iskombinovati i to za svakog korisnika drugačije; prenos velike količine podataka koja
se uvećava velikom brzinom zahteva stabilnu mrežnu infrastrukturu ili razvoj mehanizama za
brzi oporavak u slučaju pada nekog dela sistema; analiza podataka koji su heterogeni, rasuti,
neizvesni a na osnovu kojih treba da se izgradi prediktivni model ili sistem za podršku u
odlučivanju predstavlja veoma veliki problem.
Što se tiče Big Data infrastrukture u njenom razvoju najdalje su otišli Google, Facebook i
Amazon jer su upravo oni svojim servisima su omogućili da se generišu velike količine
podataka. Nije trebalo mnogo vremena da prođe da bi shvatili da analizom tih podataka
mogu značajno da unaprede svoje poslovne procese. Mnogi sistemi koji su kasnije nastali i
koji se danas koriste nastali su na idejama i rešenjima koje su predložile i implementirale
upravo ove firme.
Neki od tih ideja su NoSQL baze podataka (način modelovanja podataka, odnosno,
logička organizacija podataka), zatim različiti algoritmi za paralelnu obradu podataka,
mehanizmi za efikasno deljenje podataka, način čuvanja podataka (data warehouse, data
lake, cloud ... ). Data warehouse (skladište podataka)- podaci se prvo obrade, struktuiraju na
neki način pa se onda čuvaju u tom obrađenom obliku. Data lake (jezero podataka), podaci
se čuvaju u izvornom, sirovom obliku.
NoSQL baze podataka su baze koje nemaju rigidnu strukturu i šemu kao što imaju
relacione baze podataka. Postoji mnogo različitih rešenja ali svima je zajedničko to da
omogućavaju čuvanje različitih kolekcija podataka. Najčešće se sreće definicija: Termin
NoSQL se odnosi na nerelacione, distribuirane, otvorene i horizontalno skalabilne baze
podataka
Najpoznatiji otvoreni alat za čuvanje i obradu Big Data je Apache Hadoop. Hadoop je
open source framework Apache fondacije. Hadoop je nastao 2005. godine i baziran je na
radovima koje je objavio Google. Napisan je na programskom jeziku Java ali Hadoop
programeri ne moraju nužno da budu Java orijentisani već mogu da koriste bilo koji
programski jezik (Pyton, R, Scala ...). Dizajniran je tako da ne traži skupe i zahtevne resurse
(hardver) za rad. Hadoop omogućava da se veliki problemi razbiju na manje tako da analiza

8
 Analiza društvenih mreža

može da se izvrši brzo i jeftino. Ti manji delovi se zatim obrađuju paralelno čime se
umnogome povećava brzina rada. Zatim se rezulati obrade tih manjih delova ponovo
prikupljaju i grupišu zarad dobijanja konačnog rezulata. Taj princip rada je ustvari
implementiran Google-ov softverski model za Big Data procesiranje – MapReduce. Hadoop
sa svojim ekosistemom, slika 10.3.1 čini kompletan okvir za rad sa velikom količinom
podataka.

Slika 10.3.1: Hadoop i njegov ekosistem

10.4 Big Data analitika

Kao što je već rečeno, prikupljanje podataka, samo po sebi ne može da bude cilj.
Prikupljeni podaci treba da se obrade i analiziraju.
Big Data analitika može da se odnosi na osnovne aplikacije poslovne inteligencije ili
naprednije, prediktivne analitike. Krajnji cilj Big Data analitike je da se napravi model
pomoću koga će se vršiti predikcija nekih događaja/procesa ili da se napravi sistem koji će
biti podrška u odlučivanju.
Big data analitika je proces koji obuhvata tri osnovne faze:
 prikupljanje podataka
 analiza podataka,
 vizuelizacija podataka.
HACE (Heterogenous, Autonomus, Complex, Evolving) teorema: Big Data počinje od
heterogenih, autonomnih izvora koji produkuju veliku količinu podataka, distribuirane,
decentralizovane kontrole i teži da istraži odnose između podataka koji su kopleksni i koji se
razvijaju.
Prikupljanje podataka obuhvata identifikaciju i filtriranje svrsishodnih podataka. Podaci
kada se preuzimaju sa izvora (Interneta) su: nesređeni, sa greškama, nekonzistentni, nisu u
potpunosti raspoloživi. Zbog toga posle preuzimanja sledi filtriranje (čišćenje). Sledeći korak

9
 Analiza društvenih mreža

je prevođenje podataka u upotrebljiv format. Filtriranje i prevođenje u upotrebljiv format

predstavljaju predprocesiranje podataka.
Predprocesiranje, koje može biti manuelno ili automatsko, je izuzetno kompleksno i
važno. Obično je vremenski najzahtevniji deo analize podataka.
Analiza podataka dolazi posle toga. Analiza podataka uključuje pronalaženje korelacije
između različitih grupa podataka i njihovo povezivanje. Od interesa je da se nađu neke
zakonitosti u podacima koje nisu lako uočljive (data Mining). Postoje razne metode koje se
koriste u analizi podataka da bi se postigao krajnji cilj (prediktivni model ili sistem za podršku
u odlučivanju): klasterovanje, detekcija odstupanja, detekcija relacija, SNA (Social Network
Analysis-Analiza društvenih mreža), procesna analiza, tekst mining, vizuelizacija, sumarizacija
...
Na primer, analiza teksta (text mining) se koristi da bi se iz teksta izvukle korisne
informacije. Analiza teksta uobičajeno obuhvata: kategorizaciju teksta, klasterovanje,
grupisanje teksta, ekstrakciju koncepata/entiteta, analizu sentimenata, sumarizaciju
dokumenata, i izradu relacionog modela.
Vizuelizacija je prikaz podataka i rezultata analize podataka koji omogućava lakše
razumevanje. Vizuelizacijom, podaci i informacije se predstavljaju u formi koja može lakše da
se interpretira, slika 10.4.1.

Slika 10.4.1:Vizuelizacija podataka

Procesni okvir Big Data analitike je predstavljen preko tri nivoa u čijem centru se nalazi
platforma za obradu velikih podataka, slika 10.4.2.
Na prvom nivou je fokus na samim podacima, kako im pristupiti i kako vršiti
izračunavanja nad tim podacima. Na ovom nivou treba razrešiti probleme koji proizilaze iz
činjenice da su podaci smešteni na različitim lokacijama, u različitim su formatima i njihova
količina je u stalnom porastu.
Na drugom nivou je fokus na aplikacijama i načinu kako te aplikacije treba da tumače
podatke. Mehanizmi poštovanja privatnosti onoga ko produkuje podatke i mehanizmi

10
 Analiza društvenih mreža

deljenja podataka onome ko želi da ih koristi su veoma različiti i u direktnoj su vezi sa svrhom
aplikacije. Osim toga, semantika podataka je nešto što treba da se razmatra i bitno utiče na
krajnje rezultate obrade.

Slika 10.4.2: Procesni okvir Big Data analitike

Na trećem nivou se razrešavaju problemi vezani za algoritamsko rešenje aplikacije.

Prilikom konstrukcije algoritma treba voditi računa da podaci koji stižu su sa različitih izvora i
složene dinamike. Aplikacija treba da radi pouzdano i pod velikim opterećenjem (povećana
količina podataka i povećani zahtevi za tim podacima). Podaci koji se prikupljaju su
heterogeni, neizvesni, nepotpuni i moraju da se predprocesiraju. Osim toga, prikupljeni
podaci nose lokalna znanja i semantiku a treba da se obrade tako da dobijene informacije
važe globalno. Zbog toga je izuzetno bitno da se algoritmi testiraju i da se izvrši njihova
verifikacija. Dodatno, mnogo podataka je vezano za vreme u kome se generišu. Otkrivanje
paterna u vremenu takođe može da bude izuzetno korisno za razumevanje procesa i
predikciju događaja.
Još jedna bitna stvari vezana za podatke i Big Data analitiku je promenljivost. Uvek mora
da se razmatra i koliko su podaci podložni promenama. Kao dodatak velikim količinama i
brzinama obrade podataka, tok podataka može postati prilično nepravilan sa vremenom.
Ovakvi izuzeci su veoma teški za obradu.
Problemi vezani za Big Data analitiku:
 iako se sa svakim izvorom podataka može nezavisno upravljati i pretraživati,
trenutno je mnogo veći izazov da se nađe smislen presek svih tih različitih
podataka sa različitih izvora,
 kada postoji toliko podataka u toliko različitih oblika, tradicionalni način
razmišljanja ne daje mnogo rezultata (čvrsta kontrola i rigidna šema),
 neki podaci su struktuirani i sačuvani u relacionim bazama podataka, dok su drugi,
kao što su slike, video zapisi, dokumenta ... nestruktuirani,
 potrebno je uzeti u obzir i nove izvore podataka koje generišu automatski sistemi
kao što su senzori ili komunikacija u okviru IoT,

11
 Analiza društvenih mreža

 drugi izvori informacija su oni koji generišu ljudi kao što su podaci sa društvenih
medija i click stream podaci dobijeni sa raznih sajtova. Osim toga na mreži se
trenutno sve više nalaze mobilni uređaji. Treba reći da ti podaci, između ostalog,
u sebi sublimiraju i karakteristike ljudskog ponašanja.

Big Data infrastruktura

12