Nel contesto della moderna infrastruttura IT, l’uso di Elastic Stack, particolarmente nell’ambito della ricerca avanzata e dell'analisi dei dati, ha acquisito una rilevanza fondamentale. Elastic Stack 8 si è evoluto per supportare non solo l’analisi tradizionale dei dati, ma anche applicazioni avanzate di AI generativa, tecniche di ricerca semantica, e gestione complessa delle informazioni attraverso nuovi algoritmi e modelli predittivi. Esploriamo come ottimizzare questi strumenti e tecniche.

Elastic Stack 8 si basa su una serie di componenti potenti, tra cui Elasticsearch, Kibana, Logstash, e Elastic Agent, che lavorano sinergicamente per raccogliere, archiviare e visualizzare i dati in tempo reale. Uno degli aspetti chiave di questa evoluzione è l'uso delle embeddings o vettori densi, che permettono di migliorare la precisione e l'efficacia delle query, facilitando la ricerca semantica e il recupero di informazioni rilevanti attraverso tecniche di machine learning. Con l’introduzione di algoritmi come l'HNSW (Hierarchical Navigable Small World), la ricerca basata su vettori densi diventa un pilastro fondamentale per applicazioni di search generativa e question answering.

La capacità di eseguire ricerche avanzate tramite KQL (Kibana Query Language) e DSL (Domain-Specific Language) è un altro punto di forza che rende Elastic Stack ideale per casi d'uso complessi. Implementando role-based access control (RBAC) e field-level security, le organizzazioni possono garantire una gestione fine delle autorizzazioni per utenti e gruppi, permettendo l'accesso sicuro e controllato ai dati sensibili.

Un altro aspetto centrale nell’ottimizzazione di Elastic Stack è la gestione del ciclo di vita degli indici (ILM). Con le fasi di gestione degli indici come la fase calda e la fase fredda, è possibile gestire in modo efficiente l'archiviazione e l'eliminazione dei dati, migliorando la performance senza compromettere la qualità della ricerca. Allo stesso tempo, l’uso di Terraform per la configurazione automatizzata e l'implementazione del Kubernetes aiuta a mantenere l’infrastruttura scalabile e resiliente.

Le integrations con Google Cloud Platform e Kubernetes semplificano l'adozione della piattaforma in ambienti cloud e containerizzati. L'uso di Elastic Maps Service (EMS) e la possibilità di creare visualizzazioni avanzate con Kibana Lens rappresentano strumenti essenziali per l'analisi visiva dei dati, favorendo una comprensione immediata delle metriche critiche.

Un altro passo importante nella gestione dei dati è l'alerting. Utilizzando le funzionalità di alerting integrate, è possibile monitorare eventi critici in tempo reale e rispondere prontamente a incidenti. Elastic Stack 8 integra anche avanzate capacità di machine learning per rilevare anomalie e fare previsioni, migliorando significativamente l'accuratezza delle operazioni di analisi predittiva.

La costruzione di applicazioni avanzate per la ricerca generativa, utilizzando tecniche come retrieval-augmented generation (RAG), ha permesso una trasformazione nelle modalità con cui gli utenti interagiscono con i dati. Queste applicazioni utilizzano modelli di large language models (LLMs), come Mistral 7B, per generare risposte a domande in modo contestualizzato, migliorando così l’esperienza dell'utente finale.

Infine, la gestione dell'infraestructura as code (IaC), che può essere configurata tramite Elastic Agent e Logstash pipeline, consente di automatizzare e ottimizzare la raccolta, l'analisi e la visualizzazione dei dati, creando un flusso continuo e dinamico di informazioni che risponde alle necessità aziendali in tempo reale.

Per il lettore che desidera integrare queste tecniche nel proprio ambiente, è essenziale comprendere non solo l'implementazione pratica, ma anche i principi alla base delle architetture a vettori densi e la loro applicazione nelle strategie di ricerca semantica. È cruciale acquisire familiarità con le tecniche di modellizzazione dei dati e analisi predittiva, in quanto queste sono la chiave per estrarre valore da un volume crescente di informazioni non strutturate.

Come creare una pipeline Logstash per la trasformazione dei dati: concetti e implementazione

Il processo di trasformazione dei dati in Logstash si articola in vari stadi e componenti che consentono di ottenere un flusso di dati personalizzato, partendo dalla raccolta delle informazioni fino alla loro elaborazione finale per l'analisi o l'archiviazione. In questa guida, esploreremo come creare una pipeline Logstash, utilizzando il plugin CSV per analizzare i dati di traffico provenienti dall'API pubblica di Rennes.

Ogni istanza di Logstash è in grado di ospitare più pipeline, ognuna delle quali ha una serie di componenti ben definiti: plugin di input, di filtro e di output. I plugin di input sono configurati per interfacciarsi con diverse fonti di dati. Nel nostro esempio, utilizziamo il plugin CSV per leggere i dati di traffico. In Logstash, la coda rappresenta il meccanismo di buffer tra i vari stadi della pipeline, come gli input e i lavoratori della pipeline stessa. Nella nostra configurazione, non abbiamo definito esplicitamente le code, poiché Logstash utilizza di default delle code in memoria limitate. Tuttavia, è possibile utilizzare code persistenti per evitare la perdita di dati durante uno spegnimento o per gestire i picchi di eventi. Inoltre, esiste una coda speciale chiamata "dead-letter queue" (DLQ), che funge da area di sosta temporanea per quegli eventi che non possono essere elaborati immediatamente.

I plugin di filtro sono responsabili dell'elaborazione dei dati, consentendo operazioni come il parsing dei dati, l'uso di dichiarazioni condizionali e trasformazioni sui dati. Per esempio, nel nostro caso, utilizziamo un plugin di parsing per il formato CSV, insieme a dichiarazioni condizionali per gestire il campo "oneway" e plugin di trasformazione per formattare le date.

Infine, i plugin di output inviano i dati elaborati a destinazioni diverse. Alcuni esempi di plugin di output sono quelli per Elasticsearch, per la visualizzazione su STDOUT (utilizzata per il debug), e per destinazioni come Amazon S3, Kafka e altri.

Un aspetto cruciale di Logstash è la possibilità di creare pipeline di trasformazione dei dati. La differenza principale tra le pipeline di ingestione e quelle di Logstash sta nel fatto che le pipeline di ingestione sono generalmente più veloci e offrono un’interfaccia utente che semplifica la costruzione dei flussi, mentre Logstash consente di esprimere logiche più complesse e può essere utilizzato per gestire più input e output contemporaneamente. Tuttavia, Logstash può risultare più complesso da configurare e da scalare, soprattutto in ambienti di produzione.

Le trasformazioni in Elasticsearch, tramite il "pivot data transform", consentono di aggregare e rielaborare i dati provenienti da un indice per crearne uno nuovo. Questo tipo di trasformazione è particolarmente utile quando si desidera visualizzare i dati in modo più significativo o per preparare i dati a scopi analitici o di reporting. Nel nostro esempio, partendo dai dati di traffico di Rennes, possiamo applicare una trasformazione "pivot" per creare una vista dei dati che riassuma lo stato del traffico per ogni strada o rotta.

Per configurare una trasformazione "pivot", iniziamo selezionando i dati di traffico da utilizzare, quindi definiamo l’entità di raggruppamento attraverso i campi di caratterizzazione come "denomination", "hierarchie", "location_reference" e altri. Successivamente, definiremo le aggregazioni, come la durata media di viaggio, la velocità media dei veicoli e la percentuale di velocità massima rispetto alla velocità media, utilizzando funzioni di aggregazione come "avg" e "max".

Una volta definite le aggregazioni necessarie, possiamo anche utilizzare uno script personalizzato per calcolare la percentuale di velocità autorizzata, ad esempio confrontando la velocità media con la velocità massima. L'aggregazione finale verrà configurata utilizzando il linguaggio di scripting di Elasticsearch.

Dopo aver definito e testato la trasformazione, è possibile configurare l’indice di destinazione e impostare il job di trasformazione in modalità continua, così da garantire che i dati siano aggiornati regolarmente. Inoltre, possiamo configurare una policy di conservazione per gestire la rimozione dei documenti obsoleti nell'indice di destinazione.

Una volta creato il job, possiamo esportare il relativo script di configurazione e utilizzarlo in ambienti di test prima di applicarlo in produzione. Questo approccio consente di avere un controllo preciso su come vengono elaborati i dati e di garantire che la pipeline di trasformazione funzioni come previsto senza interruzioni.

Oltre agli aspetti tecnici descritti, è fondamentale comprendere l'importanza di una progettazione accurata delle pipeline di Logstash. Sebbene Logstash offra una flessibilità straordinaria nella gestione dei flussi di dati, una configurazione mal progettata può portare a problemi di performance, difficoltà di manutenzione e, in casi estremi, a perdita di dati. È pertanto essenziale adottare una buona pratica di monitoraggio delle pipeline e testare regolarmente le configurazioni in ambienti controllati prima di implementarle in produzione.

Come funziona Kibana Lens nella creazione di visualizzazioni avanzate per i dati

Kibana Lens è uno strumento intuitivo e potente che consente la creazione di visualizzazioni complesse senza richiedere una profonda conoscenza dell'analisi dei dati. Un aspetto che lo rende particolarmente interessante è la sua capacità di semplificare il processo di visualizzazione, consentendo agli utenti di lavorare direttamente con i dati in modo visivo, senza dover scrivere query complicate o gestire manualmente aggregazioni complesse. All'inizio del processo, Lens presenta una vista predefinita, in cui l'utente può selezionare la vista dei dati, rappresentata da uno o più indici in Elasticsearch, e lavorare esclusivamente sui dati contenuti in questi indici.

Il pannello laterale sinistro fornisce un elenco dei campi presenti nel dataset selezionato, permettendo di cercare e raggruppare i campi per tipo. Solo i campi che contengono dati vengono mostrati, facilitando la navigazione. È possibile visualizzare rapidamente i valori principali o la distribuzione dei dati per ciascun campo. In alto al centro si trova una barra delle query, che consente di scrivere query e applicare filtri sui dati, mentre in alto a destra è presente un filtro temporale, utile per definire l'intervallo di tempo da visualizzare. Il centro della schermata ospita l'area di lavoro, dove la visualizzazione prende forma, e sulla destra si trova il pannello di configurazione, che permette di personalizzare la visualizzazione stessa.

Una delle caratteristiche più pratiche di Kibana Lens è la possibilità di modificare il tipo di grafico in modo rapido, direttamente durante la costruzione della visualizzazione, utilizzando semplicemente il drag and drop. Inoltre, vengono proposte alternative di visualizzazione in base ai dati selezionati, rendendo il processo di esplorazione dei dati ancora più dinamico e interattivo.

Kibana Lens è stato recentemente arricchito con nuove funzionalità nella versione 8 di Elastic Stack, che migliorano notevolmente l'analisi dei dati. Tra queste spicca la funzione Formula, che consente di combinare aggregazioni e funzioni matematiche, ampliando le possibilità di analisi. Ad esempio, è possibile creare una visualizzazione a linea che confronta la velocità media dei veicoli settimana dopo settimana, suddivisa per stato del traffico, utilizzando una formula con la funzione percentile e un parametro di spostamento.

Inoltre, la funzione di Sampling consente di migliorare i tempi di caricamento delle visualizzazioni riducendo il numero di documenti utilizzati per l'aggregazione. Questo approccio si basa su un’aggregazione di campionamento casuale, introdotto in Elastic Stack 8.2, che consente di lavorare su un campione dei dati, accelerando notevolmente il processo di rendering della visualizzazione.

Un’altra funzione utile è l’Annotation, che permette di aggiungere annotazioni ai punti dati visualizzati. Queste annotazioni possono evidenziare modifiche significative nei dati, come un cambio improvviso nei valori, e possono essere applicate a date statiche o a query personalizzate. Ad esempio, è possibile aggiungere un'annotazione che segnala quando un'autostrada è congestionata, mostrando questa informazione come una linea numerata nella visualizzazione.

Con l'evoluzione di Kibana Lens, è diventato il metodo predefinito per la creazione di visualizzazioni, soppiantando progressivamente altre opzioni come il Time Series Visual Builder (TSVB). È possibile, infatti, convertire le visualizzazioni create con TSVB in visualizzazioni Lens, un aspetto che permette una transizione fluida verso un ambiente più versatile e intuitivo.

Kibana offre anche la possibilità di creare visualizzazioni utilizzando runtime fields, ossia campi derivati dai valori di altri campi. Questi campi non alterano i dati sorgente ma arricchiscono lo schema dell'indice durante l'esecuzione, permettendo di definire campi dinamici che possono essere utilizzati per visualizzare nuovi insights senza modificare il dataset originale. Ad esempio, utilizzando un campo runtime che rappresenta l’ora del giorno, è possibile confrontare gli stati del traffico tra le ore di punta e la notte, aggiungendo un ulteriore livello di dettaglio nell'analisi.

La creazione di campi runtime può essere fatta in modo semplice e veloce in Kibana, attraverso un'interfaccia grafica che guida l'utente nel processo. I campi runtime sono particolarmente utili quando si lavora con dataset che non hanno una struttura predefinita o quando si vogliono aggiungere dettagli specifici ai dati in base a esigenze temporanee di analisi.

Infine, Kibana Lens offre la possibilità di migliorare l'analisi e la visualizzazione dei dati attraverso funzionalità avanzate come la possibilità di creare aggregazioni personalizzate, l'uso di funzioni matematiche complesse e la creazione di campi dinamici per arricchire i dati esistenti. Questi strumenti rendono Kibana Lens uno strumento potente per analizzare i dati in modo visivo e interattivo, facilitando la comprensione delle relazioni tra i vari dati.

La comprensione completa delle potenzialità di Kibana Lens implica non solo l'uso delle funzioni di base, ma anche una buona conoscenza delle tecniche avanzate di manipolazione e visualizzazione dei dati. È essenziale, ad esempio, sapere come utilizzare correttamente le funzioni Formula e Sampling, nonché come sfruttare i runtime fields per arricchire e personalizzare le visualizzazioni. Inoltre, è importante tenere in considerazione che, pur essendo un tool potente, Kibana Lens ha una curva di apprendimento, e la sua piena potenzialità emerge solo con una pratica costante e una comprensione approfondita delle funzionalità avanzate.

Come configurare e gestire il tiering dei dati in Elasticsearch e l'aggiunta di nodi dedicati

In Elasticsearch, la definizione della topologia di un cluster è essenziale per una gestione efficiente delle risorse e delle operazioni. Questo processo avviene tramite l'uso di un concetto chiamato nodeSets, che consente di definire diversi gruppi di nodi che condividono configurazioni simili in Kubernetes e Elasticsearch. Ogni nodeSets rappresenta una categoria di nodi, come ad esempio i nodi master, i nodi per la tier calda (hot) e quelli per la tier fredda (cold). La gestione dei dati e la suddivisione in tier sono fondamentali per ottimizzare l’archiviazione e il recupero delle informazioni, specialmente quando si tratta di dati temporali.

Un esempio di configurazione per la gestione dei dati in Elasticsearch potrebbe essere il seguente, in cui i nodi sono suddivisi in tre categorie: hot, cold e frozen. Ogni gruppo è configurato con ruoli specifici, come nel caso della configurazione dei nodi per la tier calda, fredda e congelata. Nella configurazione YAML, questi gruppi vengono definiti con l’attributo nodeSets, ciascuno con il proprio ruolo e numero di nodi. In un caso di produzione, per una maggiore disponibilità e resilienza, si dovrebbero distribuire i nodi su macchine separate, seguendo altre configurazioni avanzate, come l’affinità dei nodi Kubernetes e l’allocazione degli shard basata sulla consapevolezza degli shard di Elasticsearch.

Quando si implementano i tier dei dati, è importante comprendere che questi sono principalmente pensati per dati temporali, dove ogni tier ha caratteristiche e risorse dedicate che riflettono l'uso dei dati. I tier caldi e freddi, ad esempio, possono fare affidamento su dischi rigidi piuttosto che su SSD, e utilizzare una maggiore proporzione di memoria rispetto al disco, il che consente di immagazzinare più dati, riducendo il costo di archiviazione. I dati nella tier calda sono generalmente letti e scritti frequentemente, mentre quelli nella tier fredda possono essere utilizzati per accedere ai dati in modo meno frequente, ma comunque fruibili in caso di necessità.

La tier congelata, invece, è particolarmente indicata per la conservazione a lungo termine dei dati, dove l'accesso è molto meno frequente e le ricerche sono raramente eseguite. Qui, i dati vengono gestiti tramite snapshot ricercabili, riducendo l'onere delle operazioni di scrittura e ottimizzando l’uso delle risorse per la sola lettura. A questo punto, l’aggiunta di più tier ai cluster richiede una gestione più avanzata, come l'introduzione della gestione del ciclo di vita degli indici (ILM), che permette di automatizzare il movimento dei dati tra i vari tier, migliorando l’efficienza e la performance del cluster Elasticsearch.

Oltre a ciò, l’introduzione di nuovi nodi dedicati nel cluster Elasticsearch comporta una gestione accurata dei vari ruoli, come master, machine learning e ingest. Questi ruoli devono essere assegnati a nodi separati per garantire che il sistema operi in modo ottimale, specialmente in ambienti di produzione. L’aggiunta di nodi dedicati, come nel caso dei nodi di machine learning o di nodi master, comporta la creazione di directory specifiche per ciascun nodo e la configurazione dei ruoli tramite il file elasticsearch.yaml. Questo approccio aiuta a distribuire il carico di lavoro in modo più equo e a migliorare la scalabilità del cluster.

La creazione di nodi aggiuntivi in un ambiente autogestito richiede anche la configurazione di un token di registrazione, che permette di aggiungere i nodi al cluster in modo sicuro e senza interrompere le operazioni correnti. Le stesse operazioni si possono effettuare anche su Elastic Cloud, dove i nodi master vengono automaticamente creati quando il numero di nodi Elasticsearch supera un certo limite. Inoltre, Elastic Cloud fornisce strumenti per aggiungere nodi di machine learning e altri tipi di nodi, rendendo la gestione dei cluster ancora più agile e centralizzata.

In ogni scenario, è cruciale non solo configurare correttamente i ruoli dei nodi, ma anche garantire che ogni tipo di nodo sia allocato su hardware dedicato per evitare conflitti di risorse. Un’opzione comune in scenari complessi è l’uso di nodi di solo voto, che partecipano all’elezione del nodo master senza essere effettivamente assunti come master, migliorando così la disponibilità e la resilienza del cluster.

Per una gestione avanzata e una configurazione ottimale del ciclo di vita dei dati, è importante anche esplorare la documentazione ufficiale di Elasticsearch, in particolare per quanto riguarda l’uso delle snapshot ricercabili e la gestione del ciclo di vita degli indici. Utilizzare una configurazione completa che comprende nodi master, nodi di machine learning e altre risorse distribuite è un approccio vincente per garantire che il sistema Elasticsearch funzioni in modo affidabile e scalabile, anche in contesti ad alta disponibilità.

Come Abilitare i Log di Audit in Elasticsearch e Kibana per il Monitoraggio e la Conformità

L'abilitazione dei log di audit è un passo fondamentale per garantire la tracciabilità delle azioni effettuate dagli utenti in una piattaforma, aspetto che riveste un'importanza cruciale soprattutto in contesti che richiedono la conformità a regolamenti e normative. Questi log offrono una panoramica completa e dettagliata di tutte le operazioni eseguite, consentendo agli amministratori di monitorare ogni attività del sistema. La gestione dei log di audit in Elasticsearch e Kibana non solo aumenta la visibilità, ma contribuisce a un monitoraggio efficace, garantendo che ogni azione sia registrata e possa essere successivamente analizzata.

Per configurare correttamente i log di audit, è necessario attivare il monitoraggio sia in Elasticsearch che in Kibana, dato che la raccolta dei dati da entrambe le piattaforme fornisce una visione complessiva e correlata delle azioni intraprese. Questo approccio è fondamentale, poiché consente di analizzare eventi a livello di Kibana, per poi risalire a quelli di Elasticsearch, migliorando così la capacità di correlare e comprendere meglio i flussi operativi.

Per abilitare i log di audit su Elasticsearch, segui i seguenti passaggi. Accedi alla console di gestione della tua istanza Elastic Cloud, seleziona il deployment principale e vai nella sezione "Manage" accanto al nome della tua distribuzione. Una volta dentro, accedi alle impostazioni degli utenti e delle estensioni per Elasticsearch, quindi inserisci le seguenti configurazioni:

yaml
xpack.security.audit.enabled: true
xpack.security.audit.logfile.events.emit_request_body: false

Queste configurazioni consentiranno di abilitare i log di audit per gli eventi di sicurezza. Dopo aver effettuato le modifiche, salva le impostazioni e torna indietro.

Per quanto riguarda Kibana, l'attivazione dei log di audit avviene in modo simile. Accedi alla sezione delle impostazioni utente di Kibana e aggiungi la configurazione fornita nel file di impostazioni:

yaml
xpack.security.audit.enabled: true

Dopo aver applicato queste configurazioni, è necessario attendere il riavvio sia di Elasticsearch che di Kibana per applicare le modifiche. Una volta riavviato, accedi a Kibana e vai alla sezione "Discover" per esplorare i log di audit. Creando una nuova "Data View" e filtrando per eventi di audit, sarai in grado di visualizzare facilmente tutte le azioni registrate, come i tentativi di login e gli accessi concessi o negati.

Per effettuare ricerche avanzate nei log, puoi utilizzare la Linguaggio di Query Elasticsearch (ES|QL). Ad esempio, per sapere quante volte gli utenti hanno tentato di accedere, in quale spazio, e quale è stato l'esito, puoi eseguire una query simile alla seguente:

sql
from elastic-cloud-logs-8
| where event.type == "access"


| stats attempts = count(event.type) by user.name, kibana.space_id, event.outcome


| limit 20

Questa query ti restituirà un grafico e una tabella con i risultati delle ricerche. In modo simile, per scoprire chi ha recentemente ricevuto l'accesso al sistema, puoi usare una query che mostri gli eventi di accesso con esito positivo:

sql
from elastic-cloud-logs-8
| where event.action == "access_granted"


| stats attempts = count(event.action) by user.name, elasticsearch.audit.user.roles


| sort attempts desc
| limit 50

Questi esempi illustrano come l'uso delle query avanzate permetta di ottenere informazioni approfondite sui comportamenti degli utenti, facilitando così il monitoraggio delle attività e la gestione dei permessi. Inoltre, i log di audit, archiviati come indici regolari, possono essere utilizzati per creare dashboard che consentano di monitorare costantemente l'attività sulla piattaforma.

Gli eventi di audit sono estremamente utili per il monitoraggio della sicurezza e per la gestione della conformità in ambienti regolamentati. I log di audit possono includere una varietà di eventi, come i tentativi di autenticazione riusciti e falliti, le richieste di accesso, la creazione e la cancellazione degli indici e la gestione delle chiavi API. Tali eventi sono fondamentali per prevenire accessi non autorizzati e monitorare i cambiamenti amministrativi.

Gli eventi di audit di Elasticsearch si concentrano principalmente su:

  • Successo o fallimento dell'autenticazione

  • Concessione e rifiuto dell'accesso

  • Creazione e cancellazione degli indici

  • Gestione delle chiavi API

In Kibana, gli eventi di audit sono altrettanto cruciali:

  • Eventi di login e logout

  • Lettura e scrittura di oggetti salvati (ad esempio, dashboard)

  • Creazione e cancellazione degli spazi in Kibana

  • Gestione di utenti e ruoli

L'abilitazione dei log di audit non è priva di sfide, principalmente legate alla verbosità di tali log. Poiché ogni azione viene registrata, è importante gestire correttamente il volume di dati generato, per evitare un sovraccarico di informazioni che potrebbero compromettere la performance del sistema.

L'utilizzo efficace dei log di audit non solo aiuta a garantire la conformità alle normative di sicurezza, ma fornisce anche uno strumento potente per analizzare e risolvere eventuali problemi di sicurezza. Avere visibilità su tutte le azioni eseguite sulla piattaforma è fondamentale per mantenere il controllo sulla sicurezza e sull'integrità dell'ambiente Elastic Stack.

Comment la Formation des Jets Cumulatifs Influence le Comportement du Métal dans les Processus de Chargement Dynamique
Comment réagir face à l’inhalation de fumée et aux brûlures graves ?
Comment assouplir et apaiser le dos avec des exercices de mobilisation et de renforcement
Comment la procédure de destitution de Donald Trump a-t-elle révélé les enjeux constitutionnels et politiques autour de l’exécutif américain ?
Quelle est l'importance des occupations et des métiers dans le contexte professionnel et académique en espagnol ?
Comment intégrer des expressions trigonométriques complexes avec la substitution et les identités ?
Comment les paiements clandestins ont violé les lois sur le financement de campagne lors de l’élection présidentielle de 2016 ?
Quelles découvertes scientifiques ont façonné l'Antiquité et comment ont-elles influencé la pensée moderne ?
Henrietta Swan Leavitt : L'astronome oubliée qui a mesuré l'univers