Сервер для аналитики и вычислений: как рассчитать конфигурацию под ClickHouse® и Spark™

Разбираем, какой сервер для аналитики нужен ClickHouse, MPP-СУБД и Apache Spark, когда хватит управляемого сервиса и как рассчитать конфигурацию от объёма данных до числа узлов.

Краткий пересказ YandexGPT
  • При выборе сервера для обработки данных важно учитывать объём данных после сжатия, число копий, характер запросов и параметры сети между узлами.
  • Существуют три профиля нагрузки для аналитики и вычислений: интерактивная аналитика на колоночной СУБД, MPP-хранилище и распределённая и пакетная обработка. У каждого из них свои показатели производительности и узкие места.
  • Физический сервер обеспечивает полный контроль над ресурсами и программным окружением, предсказуемую производительность, но требует больше усилий для обслуживания.
  • Управляемые сервисы (например, Yandex Managed Service for ClickHouse®, Yandex MPP Analytics Engine for PostgreSQL) берут на себя часть задач по обслуживанию, позволяют легко масштабировать ресурсы без закупки оборудования.
  • При выборе между управляемым сервисом и физическим сервером нужно учитывать наличие команды для обслуживания СУБД, характер нагрузки, необходимость контроля над программным окружением и изоляцией данных.
  • Yandex BareMetal — сервис аренды выделенных физических серверов с различными конфигурациями под разные задачи аналитики.
  • Узлы кластера соединяют через приватную сеть, а серверы для обработки больших данных часто дополняют облачными сервисами (например, Yandex Object Storage).

Хранение и обработка данных — самый частый сценарий использования bare metal, по данным нашего исследования за апрель 2025 года. Его отметили 70% участников.

Сервер для аналитики обычно начинают выбирать, когда текущая инфраструктура перестаёт справляться с нагрузкой. Например, фоновые слияния в ClickHouse на виртуальных машинах (ВМ) занимают всё больше пропускной способности дисков, и дашборды открываются медленнее. Или ночные задачи Apache Spark не успевают завершиться за отведённое время. Или пора обновлять собственный MPP-кластер, а закупка оборудования займёт месяцы.

При выборе сервера для обработки данных учитывают объём данных после сжатия, число копий, характер запросов и параметры сети между узлами. Эта статья — для инженеров данных и руководителей DWH, которым уже не хватает текущей инфраструктуры для обработки больших данных.

Аналитика и вычисления: три профиля нагрузки

У каждого профиля нагрузки свои показатели производительности и узкие места:

Профиль

Типичные системы и задачи

Что измеряют

Узкое место

Интерактивная аналитика на колоночной СУБД

ClickHouse: дашборды, логи, события

Время ответа при пиковой нагрузке

Память и диски при чтении и слиянии данных

MPP-хранилище

Greenplum® и его форки: DWH, витрины, тяжёлые JOIN

Время пересчёта витрин

Память и диски сегментов, сеть между ними

Распределённая и пакетная обработка

Spark, Apache Hadoop® и HDFS: ETL, скоринг

Время выполнения задачи в отведённый срок

Процессорные ядра, локальные диски, сеть

Колоночная СУБД хранит данные по столбцам и читает с диска только те столбцы, которые нужны для запроса. Такой подход помогает быстро рассчитывать агрегаты и хорошо сжимать данные. Подробнее мы рассказывали в нашем обзоре ClickHouse.

MPP-СУБД, например Apache Cloudberry™, распределяет таблицы между сегментами на разных узлах и обрабатывает запросы параллельно. Оба типа аналитических баз данных используют как основу корпоративного хранилища данных — DWH.

При распределённых вычислениях одну задачу выполняют несколько узлов. Они обмениваются промежуточными данными по сети, поэтому при выборе конфигурации нужно учитывать и её характеристики.

При пакетной обработке данные обрабатывают порциями по расписанию. Здесь важно, сколько времени занимает задача целиком и укладывается ли она в отведённый срок. Так работают ETL-пайплайны, скоринг и другие задачи, в которых большие массивы данных обрабатывают за ночь.

Транзакционные СУБД и HPC-расчёты в этой статье не рассматриваем.

Управляемый сервис или физический сервер для аналитики

На физическом сервере кластеру доступны все локальные NVMe-диски и память машины. Ресурсы не приходится делить с другими клиентами, а данные обрабатываются без слоя виртуализации. Это помогает сделать скорость чтения и слияния данных более предсказуемой. Команда также полностью контролирует программное окружение: от ОС и файловой системы до собственного дистрибутива Hadoop или форка Greenplum.

Управляемые сервисы Yandex Cloud берут на себя часть задач по обслуживанию: обновления, резервное копирование и механизмы отказоустойчивости. Вычислительные ресурсы можно добавлять без закупки оборудования.

Для аналитики доступны Yandex Managed Service for ClickHouse® и Yandex MPP Analytics Engine for PostgreSQL с движками Greenplum и Apache Cloudberry. Для Spark — Yandex Managed Service for Apache Spark™ и Yandex Data Processing. Их различия мы разбирали в обзоре Apache Spark. Дашборды по результатам обработки можно строить в Yandex DataLens.

Ситуация

Что выбрать

Некому обновлять СУБД и восстанавливать реплики

Управляемый сервис

Нагрузка растёт скачками

Управляемый сервис или гибрид

Кластер загружен круглосуточно, а производительность ограничена локальными дисками

Сравните Yandex Managed Service for ClickHouse® с локальными SSD и Yandex BareMetal на своей нагрузке. Последний стоит выбрать при подтверждённом ограничении доступных конфигураций, необходимости управлять ОС и оборудованием либо преимуществе по полной стоимости эксплуатации

Нужна сборка или дистрибутив, которых нет в сервисе

Физический сервер

Нужно перенести свой кластер со всем программным окружением

Сначала физический сервер, затем перенос части компонентов в управляемые сервисы

Данные должны оставаться в изолированном контуре

Физический сервер; для платформенных сервисов на нём — Yandex Cloud Stackland в составе Yandex BareMetal Extend

Нужно отделить аналитику от транзакционной системы

Гибрид: витрины в Yandex Managed Service for ClickHouse®, перенос данных через Yandex Data Transfer

Объём архива растёт быстрее потребности в вычислениях

Гибрид: редко используемые данные в объектном хранилище

Стоимость самостоятельного размещения базы и управляемого сервиса за три года мы сравнивали в отдельной статье. Другие варианты размещения разбирали в статье о выборе мощностей.

Что ограничивает ClickHouse, MPP-СУБД и Spark на сервере

Эти системы по-разному используют ресурсы сервера. В таблице ниже собрали, что стоит учитывать при выборе оборудования и где искать причину замедления:

Движок

Процессор

Память

Диски

Сеть

Что проверить первым

ClickHouse

Ядра для параллельного чтения данных

Объём с учётом данных на реплике

NVMe для горячих данных, HDD или S3 для холодных

Передача данных между репликами

Нагрузку на диски при слияниях

MPP-СУБД

Ядра на каждый сегмент

Память на каждый сегмент

Диски для сегментов и их зеркал

Обмен между сегментами

Самый медленный сегмент

Spark и Hadoop

Ядра для выполнения задач

Память для задач и запас для ОС

Локальные диски без RAID

Перераспределение данных между узлами — шафл

Объём шафла

Сервер для ClickHouse: системные требования и кластер

ClickHouse распределяет чтение данных и расчёт агрегатов между ядрами процессора. Поэтому для аналитики число ядер обычно важнее их частоты.

В рекомендациях ClickHouse по выбору оборудования на октябрь 2026 года приводятся такие соотношения оперативной памяти и объёма сжатых данных на реплике:

  • от 1:100 до 1:130 — для длительного хранения истории;
  • от 1:30 до 1:50 — для частого обращения к данным, например из клиентских дашбордов.

На каждое ядро рекомендуют от 2 до 8 ГБ памяти в зависимости от типа машины. Больший объём памяти обычно помогает ускорить запросы.

Для аналитики с нерегламентированными запросами (ad hoc) рекомендуют ориентироваться на среднюю загрузку процессора 10–20%. Оставшийся запас нужен для всплесков нагрузки. Это отправные ориентиры: точную конфигурацию стоит подбирать по результатам профилирования своих запросов.

Фоновые слияния (merge) объединяют части данных и записывают результат на диск. Старые части тоже занимают место, пока система их не удалит. «Горячие» данные хранят на NVMe, а «холодные» переносят на HDD или в S3 с помощью политик хранения MergeTree.

Для кластера на локальных дисках рекомендуется не менее трёх реплик на шард: сначала увеличивать ресурсы существующих реплик, затем добавлять новые. Автоматически перераспределять данные между шардами ClickHouse не умеет.

СУБД Greenplum и другие MPP-СУБД: сегменты, зеркала и сеть

В MPP-хранилище на одном узле работают несколько сегментов. При выборе сервера нужно учитывать, сколько ядер, памяти и дисковых ресурсов получит каждый из них. Зеркала сегментов размещают на других узлах — для хранения данных потребуется вдвое больше места.

Выполнение запроса зависит от самого медленного из участвующих сегментов. Если данные распределены неравномерно, часть сегментов получает больше работы и задерживает весь запрос. Поэтому важно равномерно распределять данные и использовать узлы одинаковой конфигурации.

При JOIN и перераспределении данных сегменты обмениваются ими по внутренней сети кластера. Документация Apache Cloudberry рекомендует сеть от 10 Гбит/с.

Apache Spark, кластер Hadoop и пакетная обработка

Spark выполняет многие вычисления в памяти. Данные, которые в неё не помещаются, и промежуточные результаты между этапами он записывает на локальные диски.

Документация Apache Spark показывает такие ориентиры для одного узла:

  • 4–8 дисков без RAID;
  • не более 75% памяти под Spark — остальное оставляют ОС и буферному кешу;
  • как минимум 8–16 процессорных ядер;
  • сеть от 10 Гбит/с.

Если на узле больше 215 ГБ памяти, можно запустить несколько исполнителей (executors), каждый в отдельной JVM. Это помогает избежать проблем, которые могут возникать у одной JVM при работе с таким объёмом памяти.

Hadoop с HDFS по умолчанию хранит три копии каждого блока. Поэтому для размещения данных нужно втрое больше дискового пространства, чем занимает одна копия, без учёта служебных расходов и запаса свободного места.

Вычисления размещают на тех же узлах, что и HDFS, или на отдельных узлах в той же локальной сети. Spark также может читать данные из S3-совместимого хранилища.

Как рассчитать конфигурацию: от объёма данных до числа узлов

Расчёт для ClickHouse, MPP-СУБД и Spark строится по общей схеме: оценить объём данных, учесть сжатие и копии, затем подобрать диски, память, процессоры и сеть.

Базовая формула для хранения on-premises

Ёмкость дисков = объём данных к концу периода / коэффициент сжатия × число копий / 0,7.

Она предусматривает 30% свободного места. Если часть данных хранится в объектном хранилище, её не включают в расчёт локальных дисков.

  1. Оцените будущий объём данных. К текущему объёму несжатых данных прибавьте ежемесячный прирост за весь период планирования. Вычтите данные, которые за это время удалят по сроку хранения.
  2. Измерьте сжатие на своих данных. Логи и широкие таблицы с идентификаторами сжимаются по-разному. В ClickHouse его покажет запрос ниже.
  3. Учтите все копии. Умножьте объём после сжатия на число копий: реплик ClickHouse, основных и зеркальных копий MPP или копий блоков HDFS.
  4. Распределите данные по типам хранения. «Горячие» данные за последние месяцы и промежуточные результаты разместите на NVMe. Остальное — на SATA HDD или в объектном хранилище, где не нужно заранее выделять дисковую ёмкость.
  5. Оставьте свободное место. Для предварительного расчёта примите заполнение локальных дисков не выше 70% полезной ёмкости — после RAID, если он используется. ClickHouse нужен запас для слияния частей данных, а Spark — для записи шафла. Достаточность запаса проверьте на своей нагрузке.
  6. Подберите память и процессоры. Для ClickHouse и Spark используйте ориентиры из предыдущего раздела, для MPP — документацию выбранного дистрибутива. Учитывайте число одновременно выполняемых запросов или задач.
  7. Определите число узлов и требования к сети. Проверьте, хватает ли дисков, памяти и ядер каждого узла. Для Spark также важно, успеет ли кластер выполнить расчёт за отведённое время. Сеть подбирайте с учётом репликации и шафла: объём передаваемых данных можно посмотреть в мониторинге Spark после пробного запуска.
SELECT
    table,
    formatReadableDecimalSize(sum(data_uncompressed_bytes)) AS uncompressed,
    formatReadableDecimalSize(sum(data_compressed_bytes)) AS compressed,
    formatReadableDecimalSize(sum(bytes_on_disk)) AS on_disk,
    round(sum(data_uncompressed_bytes) / sum(bytes_on_disk), 1) AS ratio
FROM system.parts
WHERE active AND database = currentDatabase()
GROUP BY table
ORDER BY sum(bytes_on_disk) DESC;

Запрос к system.parts показывает объём активных частей таблиц текущей базы на той реплике, где он выполняется: до сжатия, после сжатия и на диске с учётом вспомогательных файлов. Поле ratio показывает, во сколько раз несжатые данные больше занимаемого ими места. Этот коэффициент можно использовать во втором шаге. Неактивные части и временные файлы запрос не учитывает.

Рассмотрим условный пример для ClickHouse: один шард, три реплики, 40 ТБ несжатых данных и прирост 2 ТБ в месяц. Планируем на два года, старые данные не удаляем, коэффициент сжатия принимаем равным пяти. Все данные храним локально:

Шаг

Расчёт

Результат

Объём через два года

40 ТБ + 2 ТБ × 24 мес

88 ТБ

После сжатия

88 ТБ / 5

17,6 ТБ на реплику

Три реплики

17,6 ТБ × 3

52,8 ТБ

Заполнение дисков до 70%

52,8 ТБ / 0,7

С округлением вверх — 75,6 ТБ, по 25,2 ТБ на узел

Память для редких отчётов, 1:100

17,6 ТБ / 100

≈180 ГБ на реплику

Память для частых запросов, 1:30

17,6 ТБ / 30

≈590 ГБ на реплику

В примере диски работают отдельно, без RAID — по схеме JBOD. Способ организации дисков выбирают при установке ОС. ClickHouse поддерживает такую схему, но отказ отдельного диска требует восстановления данных из другой копии, поэтому нужны три реплики или больше.

Для частых запросов можно рассмотреть три узла с 1 ТБ памяти и шестью NVMe по 6,4 ТБ на каждом. Это 38,4 ТБ дисковой ёмкости на узел. Для редких отчётов — три узла с 512 ГБ памяти, «горячими» данными на NVMe и «холодными» на HDD. Оба варианта нужно проверить на своих запросах.

Если объединить те же шесть NVMe в RAID 10, полезная ёмкость составит 19,2 ТБ на узел. Данные займут около 92% этого объёма. Чтобы сохранить запас при той же конфигурации дисков и размещении одной реплики на узле, понадобятся два шарда по три реплики — шесть узлов.

Перед длительной арендой сравните две-три конфигурации на копии своих данных. Воспроизведите нагрузку дашбордов и ночную обработку, отключите один узел и измерьте время восстановления реплики. Запросы и задачи должны укладываться в целевое время на пике нагрузки, а у кластера должен оставаться запас ресурсов. Например, команда «КИТ Финанс» перед выбором сравнила работу SSD на виртуальных машинах и выделенных серверах.

Учтите минимальные сроки аренды. Готовую конфигурацию из наличия можно арендовать на день, сервер в своей конфигурации — минимум на месяц. Даже короткий тест такого сервера потребует оплаты месяца аренды. Для конфигураций по индивидуальному запросу сроки и условия определяются отдельно.

Конфигурации Yandex BareMetal для аналитики

Yandex BareMetal — сервис аренды выделенных физических серверов. Все ресурсы сервера доступны только его арендатору. Для Spark и ClickHouse нужны разные сочетания процессоров, памяти и дисков, поэтому конфигурацию выбирают под нагрузку.

Некоторые серверы в таблице ниже поддерживают MC-LAG. В каждой сети два порта разных сетевых карт подключены к разным коммутаторам. Если одна карта или один коммутатор выйдет из строя, сервер сохранит подключение через второй канал. При установке ОС из собственного образа MC-LAG нужно настроить самостоятельно.

Какую конфигурацию выбрать под свою нагрузку

Собрали в таблице варианты для разных задач и проверки, которые помогут оценить их на тесте:

Профиль

Конфигурация

Почему подходит

Что проверить на тесте

Частые запросы к горячим данным

BA-i523-NH-2X25G: 2 × Intel® Xeon® Gold, 64 ядра, 1 ТБ DDR4; 6 × 6,4 ТБ NVMe и 2 × 4 ТБ HDD; 2 × 25 Гбит/с с MC-LAG

Много памяти и быстрых дисков NVMe

Скорость запросов дашбордов и фоновых слияний

Длительное хранение истории, «горячие» и «холодные» данные

BA-i512-NH-2X25G с MC-LAG или BA-i511-NH-25G с 25 Гбит/с без MC-LAG: 2 × Intel Xeon Gold, 64 ядра, 512 ГБ памяти; 6 × 3,2 ТБ NVMe, 2 × 16 ТБ HDD и 2 × 4 ТБ HDD

«Горячие» и «холодные» данные можно хранить на одном сервере

Скорость запросов к «холодным» данным

Крупный кластер, сложные агрегации и JOIN

BA-a702-6N-4H-2X25G: 2 × AMD, 192 ядра, 2,3 ТБ DDR5; 6 × 6,4 ТБ NVMe, 2 × 20 ТБ HDD и 2 × 4 ТБ HDD; MC-LAG

Много ядер и памяти на узел

Насколько дополнительные ядра ускоряют запросы

Spark, ETL и пакетные расчёты

BA-a704-4N-2X25G: 2 × AMD, 192 ядра, 768 ГБ DDR5; 4 NVMe-диска; MC-LAG

Много ядер и локальные NVMe для шафла

Время выполнения задач и объём шафла

Собственное S3-хранилище на Ceph или MinIO, если данные нельзя размещать в Yandex Object Storage

BA-a612-N-25G: 2 × AMD, 128 ядер, 512 ГБ памяти; 2 × 6,4 ТБ NVMe; 25 Гбит/с без MC-LAG

Быстрые диски NVMe

Восстановление после отказа узла

Как получить сервер и сколько ждать

Готовый сервер в конфигураторе можно получить за несколько минут.

Для своей конфигурации вы выбираете процессоры, память, диски, скорость сетевых подключений и поддержку MC-LAG. Сборка и подготовка занимают до четырёх календарных дней. Если не хватает квот на сборку или количество серверов, запросите увеличение через поддержку.

Если нужны RAID-контроллеры, дисковые полки JBOD или GPU, можно заказать индивидуальную конфигурацию. Её состав, сроки сборки и условия аренды согласуют отдельно.

Перед арендой проверьте характеристики в каталоге, а наличие — в консоли управления.

В аренду входит базовый пакет входящего и исходящего трафика публичной сети: 10 ТБ в сутки при подключении 1 Гбит/с. Трафик между Yandex BareMetal и Yandex Object Storage не тарифицируется в обоих направлениях. Подробнее — в правилах тарификации.

Вычислительный кластер и гибридная инфраструктура: сеть, хранение и облако

Узлы кластера соединяют через приватную сеть. Она поддерживает MTU до 8910 байт — максимальный размер передаваемого пакета. Крупные пакеты помогают снизить накладные расходы при репликации и шафле.

Серверы для обработки больших данных часто дополняют облачными сервисами. Например, исходные и редко используемые данные хранят в Yandex Object Storage.

Yandex Cloud Interconnect позволяет связать приватную сеть серверов, облачные сети и собственную площадку компании. Трафик между приватными адресами Yandex BareMetal и облачных сетей через это подключение не тарифицируется. По умолчанию пропускная способность между BareMetal и Yandex Virtual Private Cloud ограничена 10 Гбит/с на пользователя, независимо от числа серверов. Увеличить её можно, обратившись в поддержку.

Yandex Cloud Backup позволяет делать резервные копии каждого файла или сервера целиком.

Для запуска готовой платформы в изолированном контуре есть линейка Yandex BareMetal Extend:

  • Extend: Managed Service for Kubernetes® размещает рабочие узлы Kubernetes на физических серверах Yandex BareMetal.
  • Extend: Yandex Cloud Stackland разворачивает на серверах платформу с объектным хранилищем и сервисами для работы с ClickHouse, PostgreSQL и Apache Kafka.
  • Extend: Virtualization коммерческая платформа виртуализации для создания виртуальных машин и распределенного хранилища данных на кластере серверов BareMetal.

Линейка находится на стадии Preview. Если создание нужного ресурса недоступно, оставьте заявку на подключение.

Большое количество серверов переносят поэтапно. Например, команда «Наши игры» перенесла игру на 53 сервера Yandex BareMetal за полгода, разделив работу на три этапа.

Частые ошибки при выборе сервера для аналитики

  • Считать диски по размеру исходной базы. Например, 10 ТБ данных из PostgreSQL могут занять в ClickHouse 2 ТБ после сжатия. Но для трёх реплик и 30% свободного места понадобится около 9 ТБ дисковой ёмкости.
  • Полагаться на реплики вместо бэкапов. Ошибочное удаление данных распространится на реплики. Поэтому резервные копии нужно хранить отдельно.
  • Использовать RAID 5 для промежуточных данных Spark. Расчёт и запись чётности создают дополнительную нагрузку. Для временных данных шафла, которые можно пересчитать, RAID 5 обычно не нужен.
  • Не учитывать скорость восстановления по сети. Передача 25 ТБ по каналу 1 Гбит/с займёт минимум около 56 часов, по 25 Гбит/с — около 2 часов 13 минут. Это расчёт без накладных расходов и ограничений дисков: на практике потребуется больше времени.
  • Запускать рабочую аналитику на одном узле без реплик. Отказ диска может остановить отчёты до восстановления данных из бэкапа. Реплики размещают на разных узлах.
  • Выбирать сервер только по синтетическим тестам. Они не показывают, как будут выполняться ваши запросы. Сравнивайте конфигурации на своих данных и нагрузке.

Когда RAID полезен, например для дисков с ОС, мы рассказывали в разборе ошибок при работе с выделенными серверами.

Частые вопросы о сервере для аналитики

Какие системные требования у ClickHouse?

Требования зависят от данных и запросов. Для небольших объёмов документация ClickHouse допускает соотношение памяти и хранилища 1:1, но рекомендует не менее 8 ГБ памяти. Для рабочей системы объём памяти и дисков рассчитывают с учётом сжатия и характера запросов, а число ядер — с учётом сложности запросов и того, сколько их выполняется одновременно.

Что такое MPP-СУБД и какой сервер ей нужен?

MPP-СУБД распределяет данные и обработку запросов между несколькими узлами. Так работают, например, Greenplum и Apache Cloudberry. Для рабочего кластера обычно выбирают узлы одинаковой конфигурации. NVMe ускоряют работу с данными, а резервирование сетевых подключений помогает сохранить связь при отказе оборудования.

Что такое распределённые вычисления и почему для них важна сеть?

При распределённых вычислениях несколько узлов совместно выполняют задачу и обмениваются промежуточными результатами. В Spark такой обмен происходит при шафле, например для группировок и JOIN, в MPP-СУБД — при перераспределении данных между сегментами. Медленная сеть задерживает обработку: узлам приходится ждать данные. Поэтому её пропускную способность учитывают вместе с производительностью процессоров и дисков.

Что выгоднее для аналитики: управляемый сервис или свой кластер на физических серверах?

Сравнивайте полные расходы: аренду ресурсов и время инженеров на обслуживание, обновления, бэкапы и восстановление после сбоев. При круглосуточной загрузке и опытной команде расходы на физические серверы проще планировать. Если нагрузка меняется, управляемый сервис проще масштабировать. Какой вариант дешевле, покажет расчёт для вашей нагрузки.

Сколько узлов нужно для аналитического кластера?

Это зависит от СУБД, объёма данных, нагрузки и требований к отказоустойчивости. Например, для ClickHouse на локальных дисках можно использовать три реплики одного шарда на трёх разных узлах. Если данных слишком много для одного узла, их распределяют между несколькими шардами. При размещении каждой реплики на отдельном узле три шарда по три реплики потребуют девяти узлов.

Что в итоге

Выбор сервера для аналитики начинают с данных. Их объём, сжатие, число копий и запас свободного места определяют ёмкость дисков. Частота обращения к данным помогает выбрать между NVMe, HDD и объектным хранилищем. Характер запросов определяет требования к памяти и процессорам, а обмен между узлами — к сети.

Физические серверы подходят, когда нужны локальные диски, предсказуемая производительность и контроль над программным окружением. При этом круглосуточная нагрузка и требование быстрых дисков сами по себе не исключают управляемые сервисы баз данных. Так, в Yandex Managed Service for ClickHouse® доступны локальные SSD, а для растущего архива есть гибридное хранение с Object Storage. Для нерегулярной нагрузки, особенно без своей команды эксплуатации, удобнее управляемый сервис. Конфигурацию Yandex BareMetal стоит выбирать после проверки на своих данных и запросах.

Подберите сервер для работы с данными в аналитическом проекте

Сравните конфигурации Yandex BareMetal или соберите сервер под задачу из готовых компонентов.

Сервер для аналитики и вычислений: как рассчитать конфигурацию под ClickHouse® и Spark™

Войдите, чтобы сохранить пост