Les datagrids fournissent des mécanismes de recherche de données adaptés à leur caractère distribué. Chaque requête est envoyée à chaque noeud du cluster qui retourne une partie du résultat, à la manière de Map/Reduce. En parallélisant le traitement, les datagrids tirent parti de toute la puissance de calcul du cluster.
Dans cet article, nous allons voir comment utiliser les filtres Coherence pour effectuer des recherches optimisées.

Nous avons vu au cours de notre article précédent comment intégrer Oracle Coherence dans l'application PetClinic de SpringSource. Cependant, si l'application est à peu près utilisable, il reste de nombreux points à améliorer.
Dans cet article, nous allons présenter les topologies de caches offertes par Coherence et remplacer le cache par défaut par notre propre cache.

Oracle Coherence entre dans la catégorie relativement fermée des In Memory Data Grids. Initialement édité par la société Tangosol, Coherence a ensuite été rachetée par Oracle et se positionne sur le même marché que GigaSpaces (GigaSpaces), GemFire (VMWare/SpringSource) ou Websphere eXtreme Scale (IBM).

Le parti pris par les solutions d'In Memory Data Grid (IMDG) consiste à déporter le stockage primaire des données du disque vers la mémoire dans le but principal de gagner en performances.

Cependant, la mémoire étant volatile et en quantité plus limitée que le disque, les gains de performances s'accompagnent de contraintes nouvelles dès lors que l'on souhaite prévenir toute perte en cas de défaillance du système. La solution consiste généralement à mettre en place un système distribué où un cluster de machines se répartissent l'ensemble des données. Mais cela introduit d'autres contraintes: que se passe-t-il si une partie des machines tombe ou se retrouve isolée suite à un problème réseau ? Comment synchroniser les données au sein du cluster ?

Dans cet article nous verrons comment utiliser Oracle Coherence pour retrouver les mots de passe ayant servi à générer des hash.

Deux approches naïves sont envisageables pour cracker un hash : la force brute et la base de données. La première consiste à essayer toutes les combinaisons possibles de mots de passe, mais le problème est le temps de calcul nécessaire, car les fonctions de hashage sont généralement très lentes. La seconde consiste à calculer en amont les hashs de toutes les mots de passe possible, et à les stocker dans une base de données ; mais cette attaque nécessite un espace de stockage énorme.

Les Rainbow tables sont conçues pour optimiser l'équilibre entre puissance de calcul et la consommation mémoire, à mi-chemin entre les deux approches précédentes.

Rick Evans sera sur Paris le 29 au 30 avril pour la formation Oracle Coherence, la technologie de cache clusterisé et de data grid basé sur Java, .NET, et C++.

Rick Evans profitera de l'occasion pour animer jeudi 29 avril la conférence "Dans la tête de Rick Evans: Extreme Transaction Processing avec Oracle Coherence" dans les locaux de Zenika.

Pour ceux qui ne le connaissent pas encore, Rick Evans est un expert Java EE et Spring disposant d'une grande expérience dans les secteurs publics et financiers. C'est aussi un expert Coherence et Data Grids.