-    Tous les deux jours, nous produisons autant d’informations que nous en

avons générées depuis l’aube de la civilisation jusqu’en 2003.

-    Chaque seconde, plus d’une heure de vidéo est mise en ligne sur YouTube, et

plus de 1,5 million d’e-mails sont envoyés.

-    En huit ans (2000-2008), LE SLOAN DIGITAL SKY  SURVEY, un grand

programme d’observation astronomique, a enregistré 140 téraoctets.

-    Mais il ne faudra que cinq jours à son successeur, le LSST (« LARGE

SYNOPTIC SURVEY TELESCOPE »), auquel participent des équipes de

l’IN2P3 du SNRS, pour acquérir ce volume.

-    Le grand collisionneur de hadrons (LHC), lui, amasse chaque année près

de 15 pétaoctets de données, l’équivalent de plus de trois millions de DVD.

-    Finalement, l’humanité produirait aujourd’hui, par an, un volume de l’ordre

du zéttaoctet d’informations : presque autant d’octets qu’il existe d’étoiles dans l’Univers.

Des exemples :

-    La simulation de l’Univers dans le cadre du projet DEUS génère plus de 150 Po de données.

-    L’étude du climat nécessite de manipuler des masses de données colossales

qui devraient atteindre le yettaoctet en 2020.

-    Remarque :

-    C'est le BIPM (Bureau International des Poids et Mesures) qui est la

référence mondiale pour les unités, et en particulier les facteurs (kilo, Méga, Téra,...).

-    La notation kilo (k) est officiellement : 1000 = 10³.

-    Cette définition est indépendante de l'unité à laquelle elle s'accole: que ce

soient des kilogrammes (kg), des kilomètres (km), des kilojoules (kJ), des

kiloampères (kA), des kilohertz (kHz) ou des kilo-octets (ko), la définition du "kilo" ne varie pas: c'est 10³.

-    Cette mauvaise habitude du kilo-octet à 1024 est malheureusement très

fortement ancrée en informatique et elle est la source de nombreuses erreurs d'interprétation.

-    En informatique, les capacités mémoires sont en général des multiples de puissances de 2.

-    Pour cette raison, les informaticiens de la première heure avaient l'habitude

d'utiliser les préfixes kilo, méga, etc,... comme des puissances de 2¹⁰, soit 1 024.

-    Toutefois la Commission électrotechnique internationale préconise, depuis

1998, l'usage de préfixes binaires, afin d'éviter tout malentendu, même entre informaticiens.

-    Il est préférable d'utiliser ces préfixes :

-    kibi : 1 Ki = 2¹⁰ = 1024,

-    mébi : 1 Mi = (2¹⁰)² = 1024² ≈ 1,049 x 10⁶,

-    gibi : 1 Gi = (2¹⁰)³ = 1024³≈ 1,074 x 10⁹,

-    etc…),

-    Et de laisser aux préfixes SI leur sens recommandé (kilo : 1 k = 1000, méga : 1 M = 1000², giga : 1 G = 1000³, etc…).

-    Les fabricants et vendeurs de supports informatiques ne s'y sont pas trompés : ils préfèrent l'usage des préfixes SI,

ce qui leur permet d'afficher des capacités apparemment plus importantes.

-    Ainsi un disque dur d'une capacité de 1 téraoctet = 1 To = 1000 Go correspond, avec les préfixes binaires,

à une capacité de 931 gibioctets, ce qui est moins impressionnant pour le profane.

Calcul haute performance ou HPC

-    Dans le domaine du calcul haute performance ou HPC (« High performance

computing »), les États-Unis restent le leader incontesté.

-    Sur les 500 supercalculateurs les plus puissants existant sur la planète en

2012, ils en concentrent en effet 252, soit en effet près de la moitié de la

puissance réelle disponible qui atteint désormais 120 pétaflops (PFlops).

Remarque :

-    Un superordinateur « pétaflopique » est capable de réaliser un million

de milliards d’opérations en virgule flottante par seconde.

-    Péta : 1 000 000 x 1 000 000 000 = 10¹⁵

-    1 PFlops =  10¹⁵ opérations / seconde

La France et les supercalculateurs :

-    La France regroupe 22 de ces supercalculateurs, pour une puissance totale

de 6,4 PFlops.

-    L’hexagone se classe au 6^e rang mondial en termes de puissance dédiée au calcul intensif.

-    Au sein du CNRS, le centre de calcul de l’IN2P3 est un acteur majeur du

calcul intensif via le développement de grilles informatiques destinées aux

expériences du LHC ainsi qu’à des applications biomédicales et industrielles

-    Le supercalculateur Curie est capable d’effectuer jusqu’à 2 millions de

milliards d’opérations par seconde et de stocker l’équivalent de 7600 ans de fichiers de musique.

-    Les « BIG DATA », littéralement les « grosses données », parfois appelées

« données massives », est une expression anglophone utilisée pour désigner des

ensembles de données qui deviennent tellement volumineux qu'ils en deviennent

difficiles à travailler avec des outils classiques de gestion de base de données ou

de gestion de l'information.

-    Avec le succès de l’économie numérique, la généralisation des appareils

mobiles, le boom des réseaux sociaux, l’ouverture au public de certaines bases

de données (« l’open Data ») ou encore le développement de grands programmes

scientifiques internationaux, le phénomène du « BIG DATA » va en s’amplifiant.

-    Ces grandes masses de données sont devenues un tel enjeu économique,

industriel et scientifique que les gouvernements et les entreprises investissent

massivement dans ce domaine.

-    Aux États-Unis, le président OBAMA a dévoilé en mars un plan « BIG

DATA » allouant 200 millions de dollars à la recherche dans ce domaine (« Big

Data Research and Development Initiative »).

-    De son côté, l’Europe a inscrit la gestion des contenus numériques dans ses

priorités pour la fin du 7^e programme-cadre de recherche et de développement technologique.

-    En France, les Investissements d’avenir se sont aussi emparés du sujet.

-    Un programme de 25 millions d’euros est consacré aux techniques

d’exploitation des très grands volumes de données.

-    L’ère numérique a facilité pour les chercheurs l’accès à l’information, autrefois dispersée dans les bibliothèques.

-    Les grandes masses de données ont révolutionné le travail des spécialistes des sciences humaines et sociales.

-    Grâce aux bases de données en ligne, nous avons aisément accès à une somme de connaissances

qu’il nous fallait trouver dans des bibliothèques souvent dispersées.

-    Les enquêtes sur internet ont facilité le travail des sociologues.

-    Le « BIG DATA » constitue un défi scientifique considérable qui nécessite

des travaux aussi bien en ingénierie que dans les sciences fondamentales.

-    L’idée est de soutenir des projets interdisciplinaires afin d’identifier où sont

les verrous dans la gestion des grandes masses de données scientifiques.

-    Les questions qui se posent :

-    Comment stocker les données et les pérenniser ?

-    Comment les traiter, les analyser, les visualiser, leur donner du sens ?

-    Comment les protéger, empêcher leur usage abusif et aussi les supprimer ?

-    Analyse de Farouk TOURMANI :

-    « Prenez le LSST, ce télescope, qui doit être mis en service en 2020, sera

capable d’enregistrer des images du ciel de 3 milliards de pixels toutes les 17

secondes. À la fin du programme, les astronomes disposeront ainsi d’une base de

données de 140 pétaoctets, avec des centaines de caractéristiques pour chaque objet du ciel. »

-    Or, aujourd’hui, les algorithmes de fouille de données les plus efficaces

mettraient des dizaines d’années pour explorer la base de données et répondre à certaines questions des chercheurs.

-    Les scientifiques engagés dans le programme LSST savent déjà que certaines

de leurs interrogations les plus complexes resteront sans réponse.

-    Cependant, une telle base de données constitue le champ d’application rêvé

pour qui veut faire avancer la recherche fondamentale dans le domaine du « BIG DATA ».

-    Il faut contourner les obstacles rencontrés dans la gestion des grandes masses de données :

-    Il faut améliorer les technologies de stockage et de calcul,

-    Il faut aussi inventer de nouvelles manières de manipuler les données.

-    Personne n’échappe au phénomène du « BIG DATA » et aux problèmes qu’il engendre.

-    Désormais, le volume d’informations produites dans le monde numérique double tous les deux ans et le rythme s’accélère.

-    Les données numériques représentent une matière première à forte valeur ajoutée.

-    Aujourd’hui, si les chiffres correspondant aux informations numériques

disponibles ont de quoi donner le tournis, ils soulèvent aussi une question

essentielle, celle de la difficile analyse de ces masses de données considérables

et en perpétuelle expansion.

-    Un moteur de recherche comme Google, dans lequel nous formulons une

requête, se contente de proposer une liste de milliers de documents

correspondant à cette demande. Il laisse ensuite à l’usager le fastidieux travail

d’investigation destiné à identifier la réponse la plus pertinente à sa requête.

-    Face à l’accroissement vertigineux des documents disponibles sur le Net, de

tels modèles risquent d’être rapidement submergés par le flot d’informations à gérer.

-    Il faut faire évoluer le réseau actuel vers un Web de données.

-    La profusion de données dont disposent les chercheurs n’est pas toujours un

avantage. En effet, plus les données disponibles sont nombreuses, plus il devient

compliqué de les interpréter.

-    Au laboratoire bordelais de recherche informatique (LABRI) David Auber et

son équipe s’efforcent d’améliorer la lisibilité de ces masses de données grâce à

des méthodes de visualisation analytiques.

-    « La démarche consiste à appliquer des outils mathématiques de type

algorithmes sur ces données brutes pour faire ressortir les informations les plus pertinentes. »

-    Les données provenant des cours de la Bourse, de systèmes de

communications, des processus chimiques du métabolisme cellulaire, de réseaux

géographiques ou sociaux peuvent ainsi être traduites sous forme de métaphores visuelles.

-    Ces représentations doivent permettre aux chercheurs d’analyser de manière

rapide et efficace la structure de ces masses d’informations.

-    Si l’évolution exponentielle des capacités de calcul numérique a permis de

générer des quantités de données considérables au cours des dix dernières

années, les facultés d’analyse de notre cerveau n’ont pas suivi la même évolution.

-    Notre mémoire à court terme ne nous permet pas d’analyser simultanément plus de sept éléments distincts.

-    L’évolution du réseau vers un Web de données se fonde sur l’association de

métadonnées aux adresses URL qui identifient les pages Web.

-    Ceci afin de casser la complexité du Web actuel, en structurant l’information

sur internet de manière à pouvoir accéder de manière plus simple à la connaissance.

-    Ce Web plus performant est déjà en marche, c’est le W3C.

-    Le World Wide Web Consortium, abrégé par le sigle W3C, est un

organisme de normalisation à but non lucratif, fondé en octobre 1994 chargé de

promouvoir la compatibilité des technologies du World Wide Web telles que

HTML, XHTML, XML, RDF, SPARQL, CSS, PNG, SVG et SOAP.

-    Fonctionnant comme un consortium international, il regroupe au 26 février

2013, 383 entreprises partenaires.

-    Le leitmotiv du W3C est « un seul web partout et pour tous ».

-    Nos sociétés produisent un déluge de données et il faut bien les stocker quelque part.

-    La solution la plus évidente est bien sûr de multiplier des unités de stockage,

comme les disques durs qui équipent les ordinateurs ou les puces à mémoire

flash de nos appareils mobiles.

-    Mais si ce principe général est valable pour les masses de données, sa

réalisation ne coule pas de sources.

-    Empiler (les spécialistes disent « paralléliser ») les systèmes de stockage ne

suffit pas, il faut aussi optimiser la façon dont ils travaillent ensemble.

-    Cette tâche est d’autant plus épineuse sont non seulement très nombreuses, mais aussi hétérogènes et dynamiques.

-    De nouvelles manières de stocker l’information ont vu le jour, notamment

sous l’impulsion des géants de l’internet comme Google, qui doit conserver la trace de milliards de pages Web.

-    Des solutions spécifiques sont apparues.

-    Elles exploitent le parallélisme massif avec de nouveaux modèles de programmation de cette parallélisation.

-    Ce sont des centres de données où sont installés des systèmes de calcul et de stockage massivement parallèle.

-    Ces Datacenters sont implantés dans les pays du Nord, car toutes les

machines doivent être constamment refroidies et cela coûte moins cher de le faire sous un climat froid.

-    C’est dispositif que l’on désigne sous le nom de « cloud computing » :

ce fameux « nuage » qui permet de louer, de manière temporaire ou durable, un espace de stockage et même de temps de calcul.

-    C’est sur ce modèle que fonctionne le « nuage élastique de calcul »

d’Amazon, service visant surtout les entreprises, ou des services plus grand

public comme les Google Apps et iCloud d’Apple, destinés aux utilisateurs d’ordinateurs, de tablettes et de téléphones.

-    Le disque dur magnétique reste à ce jour le principal support employé

-    C’est un ensemble de plateaux de verre ou de métal qui tournent à vive allure

(120 tr / s le plus souvent), à l’intérieur d’un boîtier étanche.

-    Chaque plateau est recouvert d’une couche magnétique où sont enregistrées les données.

-    Aujourd’hui, les disques durs du commerce stockent environ 15 gigaoctets

par centimètre carré de plateau, un chiffre qui pourrait doubler d’ici 2016.

-    Parallèlement le prix des disques durs a chuté de manière vertigineuse. En

1956, quand IBM a présenté son premier disque dur, stocker 1 Go coûtait 8 millions d’euros.

-    Aujourd’hui, cela ne coûte plus que quelques centimes d’euros.

-    De fait seule la bande magnétique, dix fois moins chère, peut rivaliser en terme de coût.

-    Mais celle-ci a un gros inconvénient, sa lenteur. On la réserve donc à l’archivage

de données peu fréquemment  utilisées.

-    La mémoire flash, qui équipe le plus souvent les appareils mobiles, acquiert

peu à peu ses lettres de noblesse. Elle est plus rapide pour la lecture des données

que le disque dur et de plus elle voit son rapport coût / performance baisser à vue d’œil.

-    Le développement des « nuages » se heurte encore à beaucoup de réticences, ceci pour des raisons de confidentialité.

-    Le plus souvent, les serveurs stockent des données de manière lisible et les gens qui gèrent ces serveurs ont accès aux informations de leurs clients.

-    Pour résoudre ce problème, il suffirait de chiffrer les données chez le client avant  l’envoi dans le « nuage ».

-    Mais cela rend plus complexe l’accès aux données, cela augmente les temps de calcul et donc les coûts.

-    Autre point faible, les « nuages » offrent un point d’entrée centralisé qui les rend vulnérables aux attaques des pirates informatiques.

-    Comme de nombreux sites proposent un contrôle d’accès unique pour tous les services, une attaque réussie peut provoquer de gros dégâts.

-    Pour parer ce genre de menaces, les recherches se concentrent sur la détection des attaques avant qu’elles surviennent et sur le cloisonnement des données.

-    En Europe, la question de la sécurité des données se pose d’autant plus que la plupart des fournisseurs de « nuage », à l’image d’Amazon et de Google, sont sous pavillon américain.

-    Ils sont soumis au PATRIOT ACT.

-    Cette loi adoptée au lendemain des attentats du 11 septembre 2001, donne tout pouvoir au gouvernement fédéral

pour accéder aux données hébergées sur le serveur d’une société de droit américain, quel que soit le pays où ce serveur est installé.

-    Un droit de regard extraterritorial qui inquiète et semble freiner les utilisateurs européens.

-    Mastodons est l’un des défis lancés par la Mission pour l’interdisciplinarité du CNRS.

-    Lancé en 2012, le projet Mastodons en rencontré un franc succès.

-    En à peine trois semaines, 37 projets  ont été présentés :

-    Dix projets fédérateurs,

-    Cinq projets ciblés (sur la préservation des données)

-    Un projet d’animation (sur la présentation des données),

-    Ont été retenus.

-    Leur financement s’élève à 700 000 € en 2012.

-    Chaque projet de Mastodons pourrait durer 4 ans.

-    Le premier colloque a eu lieu le 5 décembre 2012 à Paris.

-    Analyse de masse de données sur l’environnement et l’urbain.

-    Il s’agit ici d’explorer la base de données de l’agglomération lyonnaise pour y

recueillir les informations sur la pollution environnementale et le flux de circulation automobile.

-    Le traitement de ces données doit aider à élaborer une nouvelle politique des transports en centre-ville.

-    À l’aide de simulations mathématiques, l’objectif est de concevoir un modèle dans lequel la voiture n’aurait plus qu’une place limitée.