BIG DATA FÜR IT-ENTSCHEIDER RIESIGE DATENMENGEN UND MODERNE TECHNOLOGIEN GEWINNBRINGEND NUTZEN. EXTRA: Mit kostenlosem E-Book

Größe: px
Ab Seite anzeigen:

Download "BIG DATA FÜR IT-ENTSCHEIDER RIESIGE DATENMENGEN UND MODERNE TECHNOLOGIEN GEWINNBRINGEND NUTZEN. EXTRA: Mit kostenlosem E-Book"

Transkript

1 BIG DATA FÜR IT-ENTSCHEIDER pavlo BARON RIESIGE DATENMENGEN UND MODERNE TECHNOLOGIEN GEWINNBRINGEND NUTZEN EXTRA: Mit kostenlosem E-Book

2 Inhalt Vorwort... XI 1 Management Summary Was? Meinklassisches Business istkonkurrenzlos, nichtwahr? Derheimliche Markteroberer: Amazon Derklare Fall:Google DerzunehmendeLebensinhalt:Facebook NachrichtenquelleNr.1:Twitter Diewilden Kleinen Dasunscheinbare Orakel: Prismatic Derstille Mitlauscher:Boundary BigData istdasneueöl, nichtwahr? Technologie stehtimvordergrund, nichtwahr? DieEssenzvonDatenistangewendete Information Die BigData -Schmerzenund-Symptome Die3V s ganzeinfach,oder? Velocity Volume Variety Daslokale Denken:Business-Verbesserung Bessere Angebotedurch mehrwissen Menschenzusammenbringen... 27

3 VI Inhalt Das kostenbewusstedenken:kostenreduktion Geld mit günstiger Maschinerie und geeigneten Technologien sparen Kostendurch Analysedrücken Die Wachsamkeit: Die Gefahren aus dem bösen Internet Enterprise-LevelStalking Fraud Detection Das globale Denken:Weltverbesserung Öffentlichen Verkehr endlich funktionsfähigmachen Precogs implementieren Wie? TypischefalscheHoffnungen Große Datensind wiealleanderen Daten,nichtwahr? Tools machenes fürmich,nichtwahr? MeineProzesse müssensich nichtändern,nichtwahr? AngewandteWissenschaftistderentscheidendeMarktvorteil Mathepauken IhrStaff dieeinzig sinnvolleinvestition Ich kann Big Data mit normalen Entwicklern, nicht wahr? Also, alleentwicklerzurückindieschuleschicken? Dieneuen Berufsgruppen Polyglott,aufjederEbene Big Data -Schmerzenlassen sicherzeugen Alles protokollieren, wasnutzertun Nutzersolangewiemöglich beimonline-angebot halten Nutzeranregen, mehrzutununddaten zuhinterlassen Soziale Netzwerkeanzapfen Crowdsourcing Wissen,wer woist IT-Strategieim BigData -Licht Daten bzw. Informationen sind gemeinsame Sprache von Business undit Datensind IhrGold... 63

4 Inhalt VII Wiewerden Datenklassischerweise behandelt? Wiewerden große, chaotischedatenbehandelt? Wie leitet man Informationen aus vielen und chaotischen Datenab? WiehältmanUnmengenchaotischerDatensauber? Wiekombiniert manmehrere Datenquellen? Wasbedeutet es,datenzentriert zuarbeiten? Statistikenlügennicht Der entscheidende Unterschied zwischen schnell und gleich DieMachtderSuche DieMachtderEmpfehlung DieMachtdesBildes IT-Instrumente richtig nutzen oder richtige Instrumente nutzen Commodity Hardware nutzen Alles ausdertechnikherauspressen Dortinden Wolken DieOpen SourceWelthatklardieNasevorn BigData -Perspektiven Wiespeichertman große Datenmengen? DerschwierigeWegderRDBMS Tipps undtricks DerPreis derverteilung Undnochein paarrandthemen Wiebereitet mangroße Datenmengen auf? Wiestellt mangroße Datenmengen bereit? Wieanalysiert mangroße DateninEchtzeit? Wievisualisiert man große Datenmengen? Von derhandin denmund SegenfürEuropa, FluchfürBig Data:Datenschutz Womit? Willkommen imzooder BigData -Technologien Einigetheoretische Grundlagen Verteilte Systemebzw.verteilteDataStores

5 VIII Inhalt Hashing unddelta-tracking Replikation undredundanz Objekteversionieren Sharding HerrderRinge Anti-EntropyundGarbageCollection Infrastrukturinformationenaktuell halten CAP nichtdiekappe EventualConsistency Cachingbzw.In-Memory-Datenhaltung Graphen ein Sonderfall Analytics sinddas AundO.Aberwomit machen? Was istnosql? Key/Value Stores DocumentStores In-Memory Stores Graphen,malwieder einsonderfall undnochweitere HundertStores Undwasistmit dercloud? Was istnewsql? Wokommen klassische RDBMSinsSpiel Was istmapreduce? Und welche Programmiersprache ist nun die beste für Big Data? Kann/mussich alles mit Javamachen? IstJavaScriptnichtetwanurfürScript-Kiddies? AnalysevonLogs Time-Series-Daten UmgangmitCommodity Hardware Wiekannich esrichtigflottmachen? Wasist (Fast-)Echtzeit? Diesuperschnelle Technik Suche,IndexundSecondary Index Die AntwortderDinosaurier: dieappliances Kannichdas alles miteinemeinzigen Tool machen?

6 Inhalt IX 4.16 Visualisierung Wohinmit meinen aktuellen Errungenschaften? Wohinmitmeiner Enterprise-Architektur? Wohinmitmeinem Enterprise-Datenmodell? Wohinmitmeinem MDM? Wohinmitmeinem Enterprise-Technologie-Stack? Wohinmitmeiner SOA? Wohinmitmeiner BI-Lösung? WohinmitderCloud? Ist Big Data alsohadoop mit einemschussmongodb? Way Forward Aktuelle Trends NoSQLundderRest derwelt Hadoop undderrest derwelt Hauptspeicher und Plattenspeicher werden immer billiger DieMonsterwachenauf Wiestarteichmit BigData? IchhabeschonBig Data.Wiemacheichweiter? ROI,TCOunddergleichen undworauf es ankommt Woundwiekannichmich weiterinformieren? Persönlicher Blick indiefernezukunft Stichwortverzeichnis...211

7 3 Wie? Jetzt habe ich des Langen und Breiten darüber referiert, was Sie alles mit Big Data machen können und sollten. Doch ich bin noch gar nicht darauf eingegangen, wie Sie es anstellen können, was die limitierenden Faktoren sind, was Sie bzw. Ihre Mitarbeiter auf der wissenschaftlichen und der technischen Seiten wissen sollten bzw. wie Sie Ihr Team darauf ein- und aufstellen sollen. Wenn Sie aus beliebigen Daten Informationen extrahieren wollen, müssen Sie sich darauf einstellen, wissenschaftliche Arbeit zu leisten. Es geht nicht um akademische Arbeit. Aber es hat damit viel mehr zu tun als ein paar Tabellen im RDBMS Ihrer Wahl zu befüllen und darauf ein paar SQL-Abfragen zu fahren. Sie arbeiten mit Text, und dieser ist generell unstrukturiert. Sie arbeiten mit Menschen, und diese sind noch unstrukturierter. Sie arbeiten mit Ursachen, Zeitfenstern, Abhängigkeitsgraphen, Beziehungsgraphen etc. pp. Bei der Technik sieht es auch nicht viel einfacher aus. Es gibt keine Kiste, die Ihnen das von mir in diesem Buch Beschriebene abnehmen kann, damit Sie es einfach haben. Und wenn Sie weiter auf die Kostenbremse drücken wollen bzw. müssen, müssen Sie mehr in die Umsetzung investieren. Ich weiß, hier steht OpEx vs. CapEx im Raum, doch nach meiner absolut harten Meinung ist die beste Investition Menschen, ihre Köpfe und Fähigkeiten, und nicht vermeintlich wasserdichte Verträge mit Generalisten und den Herstellern vermeintlich goldener Hämmer und Allzweckwaffen. Big Data bedeutet Investition in Köpfe und eigens gebaute Lösungen, basierend auf wissenschaftlichen Aspekten, Ansätzen und entsprechender Technik. Es bedeutet Verlagerung von CapEx ins OpEx, jedoch wenn Sie es raffiniert anstellen, gleichen sich die beiden aus. Denn ich behaupte an dieser Stelle einfach mal, dass es das Ziel eines jeden Unternehmens ist, Geld zu erwirtschaften, und nicht Geld zu sparen. Beides tut sich in den Büchern natürlich ähnlich, doch ich habe in meiner Laufbahn auch das eine oder andere Unternehmen er-

8 36 3 Wie? lebt, welches das Sparen zum Selbstzweck und dem Mittelpunkt der Tätigkeit erklärt hat. Big Data kann Ihnen aus einer solchen Situation heraushelfen und Ihnen einmalige Marktvorteile und -chancen verschaffen. Und in diesem Kapitel versuche ich, Ihnen die dafür notwendigen Mittel aufzuzeigen. 3.1 Typische falsche Hoffnungen Oh ja, das ist fast schon mein Lieblingsthema. Wenn ich richtig sarkastisch werde, kommt dabei ein sehr böser Talk heraus, in dem die Leute nicht wirklich wissen, ob sie lachen oder weinen sollen 1. Mir ist es dabei wichtig, dass sie lernen und umdenken. Der Rest ist Brutto. Es ist erstaunlich, mit welcher Hartnäckigkeit sich ITs dieser Welt daran halten, nichts zu verändern. Das Prinzip Never touch a running system ist so dermaßen fehlinterpretiert worden, dass jedwede Veränderung mit schierer Angst empfangen und mit Dingen wie Wir sollten unsere Mitarbeiter nicht mit Neuem überlasten wegargumentiert wird. Dabei gewinnen immer die Unternehmen, die etwas wagen. Der Wille, den eigenen Staff permanent dumm zu halten oder für dumm zu verkaufen, ist unmenschlich und führt nur dazu, dass die Guten wegziehen und nur das Mittelmaß übrigbleibt. Meiner Meinung nach eine sehr enttäuschende Situation. So auch bei Big Data. Die sofortige Hoffnung ist, etwas Einfaches zu bekommen, was man nicht lernen, wofür man aber die Mitarbeiter zertifizieren kann. Und dass man alles mit den herkömmlichen Produkten herkömmlicher Anbieter lösen kann, damit man keine neuen Verträge verhandeln muss. Dabei leben diese gerade davon, dass die ITs Angst vor Veränderung haben. Und davon, dass dort immer noch die alte Garde regiert, die nichts anderes kennt und auch nicht kennen will, die nach Möglichkeit einen Cobol-ESB kaufen würde. Weil es ist ja Cobol, es läuft schon seit Jahrzehnten. Wenn ESB, dann halt in bewährter Technologie. Ok, ich schweife ab. Lassen Sie mich ein paar typische Hoffnungen beschreiben, die nicht nur falsch, sondern auch trügerisch sind. 1

9 3.1 Typische falsche Hoffnungen Große Daten sind wie alle anderen Daten, nicht wahr? Ich werde oft mit der Frage bzw. der Diskussion konfrontiert: Was ist der Unterschied zwischen Big Data, Medium Data und Small Data? Mittlerweile lache ich nicht mehr laut darüber, weil diese Frage zu oft aufgeworfen wird. Mittlerweile habe ich eine Standardantwort parat, um die Diskussion frühzeitig abzubrechen bzw. in eine konstruktive Richtung zu lenken. Hier ist sie. Daten lassen sich, im Gegensatz zu manchen Gliedmaßen, nicht größentechnisch vergleichen oder in Schubladen stecken. Es sind nicht die Daten, deren Größe Sie vergleichen müssen, sondern der Aufwand, den Sie betreiben müssen, um Informationen zu gewinnen, Daten aufzubereiten und bereitzustellen. Ich hatte z.b. einen Fall, bei dem es um lächerliche Datenmengen ging, die problemlos auf einen alten USB-Stick gepasst hätten. Man erwartete allerdings simultane Zugriffszahlen im zweifachen Millionenbereich pro Sekunde. Und unzählige unterschiedliche Datenformate und Strukturen. Ist das Medium? Oder Small? Nein, das ist definitiv Big, nur nicht aus der Mengenperspektive betrachtet. Die Arbeit mit Big Data erfordert sehr viel Wissen und Wachsamkeit dem Neuen gegenüber. Die Silos-Denke muss verschwinden, da man datenzentriert arbeitet. Daten umspannen das gesamte Unternehmen, hier gibt es keine künstlichen Grenzen. Es zählt nur die Geschwindigkeit und die Qualität, mit der man aus Daten wertvolle Informationen gewinnt und mit der man diese Informationen gewinnbringend verwendet. Wenn man das Technologische betrachtet, so bringt Big Data ganz klar eines mit sich: moderne, anwendungsfallspezifische und dafür optimierte Technologien. Im Kapitel Womit? gehe ich tiefer auf dieses Thema ein. Ganz wichtig ist an dieser Stelle die Denkweise. Wenn Ihre Wohnung für Ihre Familie zu klein wird, mieten oder kaufen Sie eine Neue, nicht wahr? Oder versuchen Sie, die Wände zu den Nachbarn zu durchbrechen, um sich Platz zu schaffen? Nein, das tunsienicht.selbst,wennsieanihrenbalkonnocheinenanbauklatschen,hat dieser extrem limitierte Kapazität, sollte er je durchs Genehmigungsverfahren kommen. Genauso funktioniert es auch mit der Technik. Ihre aktuelle Technik wurde zu einer Zeit gebaut, in der Speicher Platte, Hauptspeicher etc. extrem limitierende, teure Ressourcen waren. Da hatnoch jedes Byte gezählt, was den Erfolg von Cobol und ISAM erklärt. Aber heutzutage sieht die Welt ganz anders aus. Ihr iphone könnte theoretisch eine komplette Mission zum Mars abwickeln, und Sie könnten parallel noch Spiele darauf spielen. Moderne Technologien haben das erkannt und nutzen diese Tatsache aus. Sie nutzen die Maschine aus. Sie skalieren mit der Technologie, nicht (nur) per

10 38 3 Wie? Vertrag. Oder haben Sie nicht etwa das Problem, dass Ihr aktueller Datenbank- Cluster nur noch um einen Bruchteil des Möglichen besser skaliert, wenn Sie eine weitere, extrem teure Kiste anmieten oder kaufen und darauf die Dinosaurier-Anbieter-Software laufen lassen? Allerdings haben moderne Technologien ihren Preis: Sie arbeiten sehr nah an der Maschine und am Netz, und sie verlangen von Ihren Ingenieuren dasselbe. Und viel Wissen. Und eine gute theoretische Basis. Diese ist sehr selten geworden in der abstrakten Welt der O/RM-Frameworks und Enterprise- Architekturen Tools machen es für mich, nicht wahr? Ja, es ist in der Tat sehr populär geworden, blind auf Tools und die damit verbundenen Verträge und Zertifikate zu vertrauen. Zertifizierung zu einem Tool- Meister scheint die IT eines Unternehmens vor allen Eventualitäten zu schützen, und wenn da alle Stricke reißen, kann man sich auf den Vertrag mit dem Anbieter beziehen und gleich über Pönalen sprechen. Open Source Tools scheinen in großen Unternehmen vor allem aus dem Grunde seltener zu punkten, weil dahinter keine Zertifizierungsprogramme, Trainings und Vertragspartner stehen. Seinerzeit waren Vertragsdächer für Open Source Software sehr populär die Firmen, die im Ernstfall dafür geradestanden. Und in der neuen bunten Welt der modernen Technologien kommen gerade die Firmen in die klassischen Unternehmen, die dieses Modell mit ihren Open Source Produkten unterstützen. Nur: Open Source oder nicht ein Tool ist nur so klug wie derjenige, der es bedient. Computer können nicht für Menschen denken und Tools somit auch nicht. Im Falle von Big Data ist das Denken vor allem analytischer Natur, und egal welche Tools man nutzt, die analytischen Verfahren müssen von Menschen beschrieben, trainiert und dem Rechner bzw. dem Tool beigebracht werden. In den Kapiteln Wie? und Womit? werden Sie darüber noch einiges lesen. Im Prinzip unterscheiden sich die modernen Tools im Kontext von Big Data wenig von den alten Tools, wenn es um die analytische Seite geht. Die Technik ist eine andere, klar. Aber es dreht sich nach wie vor alles um Statistik, Machine Learning und Wahrscheinlichkeit. Aus der Sicht der Technik verhält es sich allerdings auch nicht sonderlich anders: Man muss sich mit der Technik auskennen. Ein richtig guter Autofahrer (und der bin ich z.b. nicht) kennt sich mit den Details seines Fahrzeugs aus, unabhängig davon, ob er einen uralten Cadillac oder einen topmodernen Benz

11 3.1 Typische falsche Hoffnungen 39 fährt. Die Prinzipien sind ähnlich, und im Falle von Problemen sind die Indikatoren auch ähnlich. Tools alleine machen Ihr Data nicht zum Big Data, und sie lösen auch nicht automatisch Ihre Probleme. Sie müssen sich weiterhin mit ihnen beschäftigen, und das so tief wie möglich, um aus ihnen das Maximum herauszuholen. Selbst wenn die glänzenden Marketing-Folien etwas anderes versprechen Meine Prozesse müssen sich nicht ändern, nicht wahr? Ach, Prozesse. Das altbewährte Schild, hinter dem man sich lange und erfolgreich verstecken kann, ohne wirklich innovativ sein zu müssen und überhaupt an dem eigentlichen Geschäftsziel zu arbeiten. Wenn irgendwas schlecht läuft, sind als Erstes die Prozesse dran sie müssen ja falsch sein, sondern würde alles richtig funktionieren. Was gäbe ich nicht alles dafür, auch nur einmal in meinem IT-Leben einen Papierprozess zu sehen, der auch in Wirklichkeit funktioniert! Nein, nicht per Selbstsuggestion und Verdrängung von Tatsachen. In Wirklichkeit heißt in Wirklichkeit. Getragen und stark vertreten von allen Akteuren. Habe ich noch nie gesehen. Warum? Weil Prozesse unnatürlich sind. Menschen sind Chaoten, und was sie im Privatleben sind, können sie in ihrem Berufsleben nicht ganz bzw. gar nicht ablegen. Der beste Prozess ist immer der, den sich eine Gruppe von Menschen selbst zurechtlegt. Für einen Manager sieht es nach Anarchie aus, doch wenn es festgelegte, minimale Handlungsregeln gibt, ist das keine Anarchie, sondern eine natürliche Ordnung. Klar, das passt einem Mikromanager dann nicht mehr ganz, wenn er nicht bei jeder auf CC steht, sodass er die anderen immer daran erinnert. Ich habe mir bei solchen Managern gerne den Spaß gemacht, jede aus meinem Spam-Ordner per CC an sie weiterzuleiten. Ich habe die Policy erfüllt, nicht wahr? Wird der Prozess von oben aufgezwungen, ist er zum Papierprozessdasein verurteilt und wird stets erfolgreich umgangen. Und Big Data -Prozess ist überhaupt ein Oxymoron. Es geht um teils chaotische Daten, die bekämpft werden müssen, und das mit allen Mitteln. Der einzige Prozess, der dem standhält, ist das natürliche, geordnete Chaos. Wie das, was ich auf meinem Tisch habe. Meiner Gattin gefällt es gar nicht, doch ich weiß ganz genau, wo was ist. Werden die Sachen geordnet, weiß ich nichts mehr. Ihr Prozess ändert sich mit Ihrer Denkweise, mit Ihrer Sicht auf die Daten. Sie werden eins mit Ihnen ich meine Ihre IT natürlich. Sie werden nur die al-

12 Stichwortverzeichnis A Abstraktion 43 Schicht 43 Service43, 99, 104, 133, 185 Analyse 9, 31 33, 40, 57, 70, 72, 75, 76, 86, 102, 111, 166, 178, 189, 194, 196, 198, 206 Aggregate 101 Aggregation 168, 199 Algorithmus 40, 50, 69, 94, 101, 115, 178, 199, 203 Effizienz94, 135 FalseNegative119 False Positive 119 Feature73 Machine Learning 6, 38, 41, 45, 69, 149, 179, 200, 206 Accuracy 48, 70 Error Rate 48 Klassifizierung 41, 113 Supervised Machine Learning 41 Unsupervised Machine Learning 41 Mathematik 40 42, 48, 67, 73, 149 Natural Language Processing 6, 41, 45, 69, 112, 151, 178, 185 Document Classification 42 Sentiment Analysis 42, 114 Trigramm112 Prognose 40, 41, 57, 70 Sample103, 150 Statistik 38, 40, 64, 69, 149, 199, 206 Wahrscheinlichkeit 38, 40, 70 Anbieter 8, 196, gen 155 Akamai32 Basho153 BITKOM207 Cloudera164 Coursera 46, 206 DataSift 57 DataStax 153 EMC160 Gnip57 HortonWorks 164 Loggly 167 MapR164 NeoTechnology158 Oracle197, 199 Postgres 199 Splunk167 VMware157 Anwendungsfall 29, 93, 109, 115, 158, 196, 200 Überwachung33 CERN101 Filterung71 FraudDetection31 Klick-Zähler 52 Library of Congress 105 Logs 45, 50, 54, 158, 168, 169, 179, 200 Meinungsbildung 57 Routen-Optimierung 33 Spracherkennung 70, 112 Time-Series 157, 158, 168, 169 Tracking61, 120, 199, 200

13 212 Stichwortverzeichnis Videostrom33 Zahlungsverkehr95 B Best Practices 72, 164 Betriebssystem 43, 45, 146, 174 Business Intelligence 2, 29, 59, 74, 186, 196, 198, 202 DWH187 ETL198 Mining 187 OLAP187 C Caching 68 Cache-Miss 144 Kohärenz 145 Write-Behind-Cache 92, 144 Write-Through-Cache 92, 144 CAP 93, 138, 140 APSystem141 CPSystem139 Partition Tolerance 139 Cloud 8, 28, 86, 94, 96, 154, 159, 170, 176, 188, 196, 205 AWS100 CloudFront 99 EC286, 100, 103 Riak-CS154, 196 S386, 96, 154, 196 CRM 26, 158, 183 D Datenbank 38, 49, 64, 66, 72, 77, 78, 92, 104, 130, 139, 150, 152, 156, 161, 165, 166, 168, 178, 194, 195, 198, 202 Backup96, 121 Chunk164 Column 154 Graphendatenbank195 HDFS115 Infrastruktur178 Konsistenz 121, 139, 140 NewSQL160, 194, 198 NoSQL66, 72, 88, 123, 151, 159, 160, 168, 178, 184, 194, 198, 204, 207 DocumentStore72, 155, 159, 198 Graphendatenbank158, 179, 198 In-Memory Store 68, 146, 156, 197, 198 Key/Value Store 72, 152, 175, 184, 199 Partitioning 91, 130 RDBMS67, 72, 89, 123, 126, 131, 147, 151, 155, 158, 161, 178, 194, 195, 198 Read44 Relation198 Schlüssel 130, 152, 155 Auto-Increment 122 Hashwert78, 94, 119, 122, 136, 199 ID78, 94 UUID 119, 122 Stored Procedure 90 Version126 MVCC130 Siblings137, 153 Tombstone137 Write44, 122, 137, 139, 153, 164 E Enterprise-Architektur 91, 181 F Framework 38, 43, 48, 70, 90, 195 O/RM38, 90 G Graph 148, 157 Knoten148 Pfad148 Traversieren 148 H Hardware 28, 83, 85, 86, 170, 197 Ausfall94, 96 Cluster38, 83, 87, 93, 96, 118, 134, 138, 149, 163 Commodity Hardware 28, 67, 83, 84, 170, 209 CPU85, 146, 171 Firewall107 FPGA175 GPU175

14 Stichwortverzeichnis 213 Hauptspeicher 37, 71, 197, 198 HDD172 I/O171 Infrastruktur92, 134 DMZ107 Kapazität 37 Knoten93, 122, 124, 129, 137, 153 Maschinerie 28 Netzwerk 43, 85, 103, 158, 171, 173 Backpressure 118 Physik84 Platte 37, 67, 71, 85, 119, 146, 171, 198 RAID170 Rechnerarchitektur 43 SSD 171 Virtualisierung 86 I Industrie 194 Öffentlicher Verkehr 32 Ad-Tech22 Bank8, 13, 31, 54, 95 Gambling32 High Frequency Trading 22, 76 Immobilien 12 Krankenhaus75 Online-Spiele 31 Partnervermittlung 31 Telekommunikation 15, 79, 169 CDR59, 169 Traveling76 Versicherung 8, 10, 13, 31, 58, 60 K Kosten 28, 35, 83, 85, 198, 204 CapEx35, 204 Investition 35, 162, 203 OpEx35, 204 ROI203 TCO203 L Location 57, 59, 60, 112, 199 IP-Adresse 56, 59, 87 Locking 127 Optimistic Locking 127, 143 Pessimistic Locking 127 M MapReduce 6, 162, 187, 196 In-Database-MapReduce 154, 162 Split196 Marketing 42, 73, 200 Cross-Selling 55 Werbung26, 59 Modell 64, 89, 92, 152 Relation67, 68, 89 Join 68 Schema68 N New Economy 43 Amazon8, 22, 86, 99, 189 Boundary 18 Facebook 2, 13, 22, 26, 54, 66, 108 Foursquare 60 Google 11, 22, 66, 73, 77, 83, 88, 94, 106, 112, 154, 207 Instagram14 LinkedIn47, 207 Netflix100, 190 Prismatic17, 207 Qype60 Simple 54 Square16 Startup14, 16, 33, 88, 103, 194 Twitter 6, 15, 22, 30, 55, 66, 88, 95, 110, 112, 206 Vimeo 99 Yahoo88 YouTube99 P Prozess 39, 44, 181 Configuration Management 87 Continuous Delivery 43, 87 DevOps43, 185 Manipulationssicherheit 43 Qualitätssicherung 43

15 214 Stichwortverzeichnis Rollentrennung 43 Vieraugenprinzip 43 Q Query 160, 195 CQL195 CRUD64, 88 Cypher195 SQL35, 195 Queue 102, 104, 111, 118, 175 JMS111 Publish/Subscribe 102 S Schmerzen 11, 12, 22, 50, 57, 83, 89 Alarm101 Anomalie101, 103 Aufbereitung 97 Batch102, 168, 169, 179, 189, 196, 197, 200, 202 Bottleneck 104, 128, 133 Datenmenge37, 80, 91, 97, 176, 196 Datensicherheit 105, 107 Anonymous 107 Lulzssec 107 Datenverlust126 Echtzeit100, 169, 173, 194 Fast-Echtzeit 71, 72, 102, 166, 168, 172, 174, 179, 187, 197, 202 Latenz95, 139, 161 Performance45, 85, 90, 103, 150 Single Point of Error 128 Single Point of Failure 119, 133, 164 SocialHacking107 Symptome 50 Transformation103 Variety23, 25 Velocity 23 Verfügbarkeit95, 99, 139, 161 Volume 23, 24 Schnittstelle 196 JDBC195 Protocol Buffers 154, 184, 195 REST104, 154, 158, 184, 195 Service62 SpringData195 Thrift 184, 195 SOA 62, 185 Soziale Netzwerke 12, 25, 26, 31, 55, 70, 88, 110, 200, 207 Staff DataScientist45, 48, 202 DBA93, 130, 162, 177 Team35 Strategie 2, 21, 47, 61, 87, 196 Business25 Business-IT-Alignment 205 Buy204, 209 Closed Source 88 Community 27, 88, 204 Crowdsourcing58, 60, 104 Datenschutz56, 59, 105, 108 Datenzentriertheit 2, 10, 14 Empfehlungssysteme 2, 9, 79, 208 Entscheidungsunterstützungssysteme 2, 34, 193, 208 Expertise41 Forschung46, 59 Full-Stack 45, 205 Gamification 14, 53, 108, 201 Human Business 203 Information 1, 21, 31, 35, 37, 41, 50, 57, 59, 62, 69, 70, 74, 198, 200, 202, 203 Innovation 2, 11, 105, 199, 204 Make204, 209 Marktvorteil36, 40, 84 Master Data Management 64, 182 MechanicalSympathy44 Open Source 38, 47, 87, 112, 153, 175, 204 Perspektive 27, 89, 207 Policy 39, 96, 203 Polyglott49, 151, 167, 190 Qualitätssteigerung 46 Scale-Up161 Technologie 20, 28, 37, 43, 44, 49, 68, 72, 94, 110, 117, 166, 176, 181, 185, 197, 198 Transparenz 54 Trial-And-Error 40 UserExperience53

16 Stichwortverzeichnis 215 Visualisierung 80, 151, 167, 180, 188, 191, 206 Dashboard102, 183 Wissenschaft 12, 40, 41, 47, 69, 150, 206 Suchfunktion 77, 90 Secondary Index 154, 175 Trefferliste 77 T Tool 38, 109, 117, 150, 177 Akka 174 Appliance 43, 176, 197, 201, 205 Bash49 BerkleyDB 159 C10K-Server 174 Cascalog206 Cassandra 153, 195 Clojure48, 166 Corpora70, 112 Couchbase156 CouchDB155, 184 D3180 Disco6, 115, 162 DiscoDB164 ElasticSearch176 Erlang49, 115, 155, 166, 169, 174, 185 ESB36, 43, 98, 104 F#48 Funktionale Programmierung 48 Greenplum 160 Hadoop 2, 6, 49, 88, 102, 115, 116, 151, 162, 164, 168, 184, 191, 196, 201 HBase164 HDFS164, 184, 196 Hive165, 168 IPython178, 180 Java48, 49, 111, 150, 158, 166, 175 JavaScript 49, 81, 104, 111, 166, 167 JSON104, 111, 115 Julia150 jvectormap 81 JVM49, 115, 155, 158, 174, 196, 197 LingPipe 151 Lucene175 Mahout 151 MATLAB150 memcached 174 MongoDB2, 6, 49, 155, 165, 184, 191, 198, 201 MySQL49, 178 Neo4j6, 158, 169, 195 Nginx6, 174 NLTK112, 151 Node.js167, 174 NuoDB160 Octave150 OpenNLP151 Oracle Loader for Hadoop 88, 196 OrientDB159 Perl49 Pig165, 168 Python48, 49, 110, 150, 166, 180, 185 R48, 49, 150, 166, 178 RabbitMQ 6, 155, 185 Redis6, 157, 169, 174 Riak6, 153, 159, 184, 196 Ruby166 SAPHANA159, 197 Scala48, 49, 166 Sensor75 Solr 176 Storm168, 174, 206 Tool-Chain 109 Tweepy 110 VoltDB 160 XML174 ZeroMQ 175 Transaktion 91, 118, 140 ACID91, 140, 160, 161 BASE140 Zweiphasen-Commit 91 Trend 102, 106, 194 U Uhrzeit 94, 118, 153 Atomuhr 128 NTP128 Zeitstempel 48, 91, 94, 127, 168 V Version 155

17 216 Stichwortverzeichnis Verteilte Systeme 6, 44, 48, 49, 95, 102, 117, 122, 198 Anti-Entropy 137 Asynchrone Kommunikation 118 Callback 95 Clock128 Complex Event Processing 101, 167, 168, 174 Consens119 Consistent Hashing 134, 136, 147 Content Delivery Network 99, 175 Data Locality 86, 115, 196 Dynamo153 Event95, 101, 168 Eventual Consistency 95, 141, 154 Fault-Tolerance 44 Garbage Collection 137 Gossip 138, 153 Heartbeat119 HintedHandoff139 HintedHandoff124, 140, 153 Kompensation 95, 118 Konsistenz 9, 95 Merkle-Tree 120, 153 Message 95 Parallelität 44, 49, 145 Polling 95 Prozessor 97, 115, 163 Quorum119, 125 SloppyQuorum125, 136 Redundanz147 Rehashing 133 Replikation96, 121, 122, 147, 202 LazyReplication122 Master/Master148, 161 Master/Slave 122, 148, 157, 158, 161 OperationTransfer121 State Transfer 121 Ring134, 153 Session 142 Sharding 91, 130, 136, 147, 149, 156 Snapshot96, 187 Split-Brain-Effekt 119 Timeout 118 VectorClock129, 136, 153 Voting 119 Worker 163

Stichwortverzeichnis. Pavlo Baron. Big Data für IT-Entscheider. Riesige Datenmengen und moderne Technologien gewinnbringend nutzen

Stichwortverzeichnis. Pavlo Baron. Big Data für IT-Entscheider. Riesige Datenmengen und moderne Technologien gewinnbringend nutzen Stichwortverzeichnis Pavlo Baron Big Data für IT-Entscheider Riesige Datenmengen und moderne Technologien gewinnbringend nutzen ISBN (Buch): 978-3-446-43339-7 ISBN (E-Book): 978-3-446-43392-2 Weitere Informationen

Mehr

Inhaltsverzeichnis. Pavlo Baron. Big Data für IT-Entscheider. Riesige Datenmengen und moderne Technologien gewinnbringend nutzen

Inhaltsverzeichnis. Pavlo Baron. Big Data für IT-Entscheider. Riesige Datenmengen und moderne Technologien gewinnbringend nutzen Inhaltsverzeichnis Pavlo Baron Big Data für IT-Entscheider Riesige Datenmengen und moderne Technologien gewinnbringend nutzen ISBN (Buch): 978-3-446-43339-7 ISBN (E-Book): 978-3-446-43392-2 Weitere Informationen

Mehr

Pavlo Baron. Big Data. für IT-Entscheider. Riesige Datenmengen. und moderne Technologien. gewinnbringend nutzen HANSER

Pavlo Baron. Big Data. für IT-Entscheider. Riesige Datenmengen. und moderne Technologien. gewinnbringend nutzen HANSER Pavlo Baron Big Data für IT-Entscheider Riesige Datenmengen und moderne Technologien gewinnbringend nutzen HANSER Inhalt Vorwort XI 1 Management Summary 1 2 Was? 7 2.1 Mein klassisches Business ist konkurrenzlos,

Mehr

Vorwort. Pavlo Baron. Big Data für IT-Entscheider. Riesige Datenmengen und moderne Technologien gewinnbringend nutzen. ISBN (Buch): 978-3-446-43339-7

Vorwort. Pavlo Baron. Big Data für IT-Entscheider. Riesige Datenmengen und moderne Technologien gewinnbringend nutzen. ISBN (Buch): 978-3-446-43339-7 Vorwort Pavlo Baron Big Data für IT-Entscheider Riesige Datenmengen und moderne Technologien gewinnbringend nutzen ISBN (Buch): 978-3-446-43339-7 ISBN (E-Book): 978-3-446-43392-2 Weitere Informationen

Mehr

BIG DATA FÜR IT-ENTSCHEIDER RIESIGE DATENMENGEN UND MODERNE TECHNOLOGIEN GEWINNBRINGEND NUTZEN. EXTRA: Mit kostenlosem E-Book

BIG DATA FÜR IT-ENTSCHEIDER RIESIGE DATENMENGEN UND MODERNE TECHNOLOGIEN GEWINNBRINGEND NUTZEN. EXTRA: Mit kostenlosem E-Book BIG DATA FÜR IT-ENTSCHEIDER pavlo BARON RIESIGE DATENMENGEN UND MODERNE TECHNOLOGIEN GEWINNBRINGEND NUTZEN EXTRA: Mit kostenlosem E-Book Baron Big Data für IT-Entscheider CHV Newsletterhinweis Computer

Mehr

Algorithmen. Consistent Hashing Bloom Filter MapReduce. Distributed Hash Tables. Einführung 1

Algorithmen. Consistent Hashing Bloom Filter MapReduce. Distributed Hash Tables. Einführung 1 Algorithmen Consistent Hashing Bloom Filter MapReduce Distributed Hash Tables Einführung 1 Consistent Hashing Problem: Wie finde ich den Speicherort für ein Objekt in einem verteilten System mit n Knoten?

Mehr

Dokumentenorientierte Datenbanken - MongoDB

Dokumentenorientierte Datenbanken - MongoDB Dokumentenorientierte Datenbanken - MongoDB Jan Hentschel Ultra Tendency UG Übersicht Dokumente sind unabhängige Einheiten Bessere Performance (zusammengehörige Daten werden gemeinsam gelesen) Objektmodell

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

Storage-Trends am LRZ. Dr. Christoph Biardzki

Storage-Trends am LRZ. Dr. Christoph Biardzki Storage-Trends am LRZ Dr. Christoph Biardzki 1 Über das Leibniz-Rechenzentrum (LRZ) Seit 50 Jahren Rechenzentrum der Bayerischen Akademie der Wissenschaften IT-Dienstleister für Münchner Universitäten

Mehr

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2

Seminar Cloud Data Management WS09/10. Tabelle1 Tabelle2 Seminar Cloud Data Management WS09/10 Tabelle1 Tabelle2 1 Einführung DBMS in der Cloud Vergleich verschiedener DBMS Beispiele Microsoft Azure Amazon RDS Amazon EC2 Relational Databases AMIs Was gibt es

Mehr

Big Data Informationen neu gelebt

Big Data Informationen neu gelebt Seminarunterlage Version: 1.01 Copyright Version 1.01 vom 21. Mai 2015 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

Mehr

NoSQL. Was Architekten beachten sollten. Dr. Halil-Cem Gürsoy adesso AG. Architekturtag @ SEACON 2012 Hamburg

NoSQL. Was Architekten beachten sollten. Dr. Halil-Cem Gürsoy adesso AG. Architekturtag @ SEACON 2012 Hamburg NoSQL Was Architekten beachten sollten Dr. Halil-Cem Gürsoy adesso AG Architekturtag @ SEACON 2012 Hamburg 06.06.2012 Agenda Ein Blick in die Welt der RDBMS Klassifizierung von NoSQL-Datenbanken Gemeinsamkeiten

Mehr

NoSQL-Databases. Präsentation für Advanced Seminar "Computer Engineering", Matthias Hauck, matthias.hauck@stud.uni-heidelberg.de

NoSQL-Databases. Präsentation für Advanced Seminar Computer Engineering, Matthias Hauck, matthias.hauck@stud.uni-heidelberg.de NoSQL-Databases Präsentation für Advanced Seminar "Computer Engineering", Matthias Hauck, matthias.hauck@stud.uni-heidelberg.de Klassische SQL-Datenbanken Anwendungsgebiet: Geschäftsanwendungen Behördenanwendungen

Mehr

BIG DATA HYPE ODER CHANCE

BIG DATA HYPE ODER CHANCE BIG DATA HYPE ODER CHANCE 1 Fuchs Dominik 16.05.2014 Fahrplan 2 Begriff Big Data Die 3 V s Fallbeispiel Google Was? Wie? Womit? Fazit & Ausblick in die Zukunft Der Begriff Big Data 3 Datenmengen, die zu

Mehr

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP

Seminar WS 2012/13. S. Chaudhuri et al, CACM, Aug. 2011. Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP Seminar WS 2012/13 S. Chaudhuri et al, CACM, Aug. 2011 Parallel DBS vs. Open Platforms for Big Data, e.g. HaDoop Near-Realtime OLAP 2 Vorkonfigurierte, komplette Data Warehouse-Installation Mehrere Server,

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Oracle Big Data Technologien Ein Überblick

Oracle Big Data Technologien Ein Überblick Oracle Big Data Technologien Ein Überblick Ralf Lange Global ISV & OEM Sales NoSQL: Eine kurze Geschichte Internet-Boom: Erste Ansätze selbstgebauter "Datenbanken" Google stellt "MapReduce"

Mehr

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar!

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar! Clouds Wolkig bis Heiter Erwartungen der Nutzer Er ist verwöhnt! Verfügbarkeit Viele Anwendungen Intuitive Interfaces Hohe Leistung Er ist nicht dankbar! Mehr! Mehr! Mehr! Moore 1 Erwartungen der Entwickler

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

SimpleVOC-Yetanother. Bausteine für eine Key/Value- Datenbank

SimpleVOC-Yetanother. Bausteine für eine Key/Value- Datenbank SimpleVOC-Yetanother Memcached? Bausteine für eine Key/Value- Datenbank SimpleVOC Yet another memcached? Bausteine für eine Key/Value Datenbank. Theorie (Martin Schönert) Praxis (Frank Celler) Eine Weisheit

Mehr

NoSQL. Einblick in die Welt nicht-relationaler Datenbanken. Christoph Föhrdes. UnFUG, SS10 17.06.2010

NoSQL. Einblick in die Welt nicht-relationaler Datenbanken. Christoph Föhrdes. UnFUG, SS10 17.06.2010 NoSQL Einblick in die Welt nicht-relationaler Datenbanken Christoph Föhrdes UnFUG, SS10 17.06.2010 About me Christoph Föhrdes AIB Semester 7 IRC: cfo #unfug@irc.ghb.fh-furtwangen.de netblox GbR (http://netblox.de)

Mehr

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen

Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen DATA WAREHOUSE Oracle Data Warehouse Mit Big Data neue Horizonte für das Data Warehouse ermöglichen Alfred Schlaucher, Detlef Schroeder DATA WAREHOUSE Themen Big Data Buzz Word oder eine neue Dimension

Mehr

Persönlichkeiten bei bluehands

Persönlichkeiten bei bluehands Persönlichkeiten bei Technologien bei Skalierbare Anwendungen mit Windows Azure GmbH & co.mmunication KG am@.de; posts..de/am 1 2 3 4 5 6 7 8 9 Immer mehr Mehr Performance Mehr Menge Mehr Verfügbarkeit

Mehr

NoSQL & Big Data. NoSQL Databases and Big Data. NoSQL vs SQL DBs. NoSQL DBs - Überblick. Datenorientierte Systemanalyse. Gerhard Wohlgenannt

NoSQL & Big Data. NoSQL Databases and Big Data. NoSQL vs SQL DBs. NoSQL DBs - Überblick. Datenorientierte Systemanalyse. Gerhard Wohlgenannt NoSQL & Big Data Datenorientierte Systemanalyse NoSQL Databases and Big Data Gerhard Wohlgenannt Die besprochenen Systeme haben nicht den Anspruch und das Ziel DBS zu ersetzen, sondern für gewisse Anwendungsfälle

Mehr

Java Forum Stuttgart 2013 Kai.Spichale@adesso.de twitter.com/kspichale spichale.blogspot.de

Java Forum Stuttgart 2013 Kai.Spichale@adesso.de twitter.com/kspichale spichale.blogspot.de NoSQL für Java-Entwickler Java Forum Stuttgart 2013 Kai.Spichale@adesso.de twitter.com/kspichale spichale.blogspot.de 23.06.2013 Agenda Datengröße Key-value Stores 1. Wide Column 2. Cassandra Document

Mehr

Cloud-Provider im Vergleich. Markus Knittig @mknittig

Cloud-Provider im Vergleich. Markus Knittig @mknittig Cloud-Provider im Vergleich Markus Knittig @mknittig As Amazon accumulated more and more services, the productivity levels in producing innovation and value were dropping primarily because the engineers

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

vfabric-daten Big Data Schnell und flexibel

vfabric-daten Big Data Schnell und flexibel vfabric-daten Big Data Schnell und flexibel September 2012 2012 VMware Inc. All rights reserved Im Mittelpunkt: Daten Jeden Morgen wache ich auf und frage mich: Wie kann ich den Datenfluss optimieren,

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Einführung in Hadoop

Einführung in Hadoop Einführung in Hadoop Inhalt / Lern-Ziele Übersicht: Basis-Architektur von Hadoop Einführung in HDFS Einführung in MapReduce Ausblick: Hadoop Ökosystem Optimierungen Versionen 10.02.2012 Prof. Dr. Christian

Mehr

SQL on Hadoop für praktikables BI auf Big Data.! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh

SQL on Hadoop für praktikables BI auf Big Data.! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh SQL on Hadoop für praktikables BI auf Big Data! Hans-Peter Zorn und Dr. Dominik Benz, Inovex Gmbh War nicht BigData das gleiche NoSQL? 2 Wie viele SQL Lösungen für Hadoop gibt es mittlerweile? 3 ! No SQL!?

Mehr

NoSQL für Anwendungen

NoSQL für Anwendungen NoSQL für Anwendungen Hochschule Mannheim Fakultät für Informatik Cluster Grid Computing Seminar SS 2012 Lemmy Tauer (729400) lemmy.coldlemonade.tauer@gmail.com NoSQL CAP / ACID / Kompromisse Key-Value

Mehr

Spark, Impala und Hadoop in der Kreditrisikoberechnung

Spark, Impala und Hadoop in der Kreditrisikoberechnung Spark, Impala und Hadoop in der Kreditrisikoberechnung Big Data In-Memory-Technologien für mittelgroße Datenmengen TDWI München, 22. Juni 2015 Joschka Kupilas, Data Scientist, Adastra GmbH 2 Inhalt Vorwort

Mehr

ETL in den Zeiten von Big Data

ETL in den Zeiten von Big Data ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Wide Column Stores. Felix Bruckner Mannheim, 15.06.2012

Wide Column Stores. Felix Bruckner Mannheim, 15.06.2012 Wide Column Stores Felix Bruckner Mannheim, 15.06.2012 Agenda Einführung Motivation Grundlagen NoSQL Grundlagen Wide Column Stores Anwendungsfälle Datenmodell Technik Wide Column Stores & Cloud Computing

Mehr

Eine Einführung in Apache CouchDB. Java-Forum Stuttgart 2011

Eine Einführung in Apache CouchDB. Java-Forum Stuttgart 2011 Eine Einführung in Apache CouchDB Java-Forum Stuttgart 2011 Johannes Schneider, cedarsoft GmbH js@cedarsoft.com http://blog.cedarsoft.com http://cedarsoft.com Vielen Dank CouchDB The VERY Basics Vorerfahrung?

Mehr

Big Data. Hype oder Chance? Sebastian Kraubs

Big Data. Hype oder Chance? Sebastian Kraubs Big Data Hype oder Chance? Sebastian Kraubs Heute reden alle über Big Data Quellen: http://blogs.sybase.com/sybaseiq/2011/09/big-data-big-opportunity/ und McKinsey Studie 2011 Anwendungen Daten Technologien

Mehr

HA Architekturen mit MySQL

HA Architekturen mit MySQL HA Architekturen mit MySQL DOAG SIG Database MySQL, Hannover, 19. May 2011 Oli Sennhauser Senior MySQL Consultant, FromDual GmbH oli.sennhauser@fromdual.com http://www.fromdual.com www.fromdual.com 1 FromDual

Mehr

NoSQL-Datenbanken. Kapitel 1: Einführung. Lars Kolb Sommersemester 2014. Universität Leipzig http://dbs.uni-leipzig.de 1-1

NoSQL-Datenbanken. Kapitel 1: Einführung. Lars Kolb Sommersemester 2014. Universität Leipzig http://dbs.uni-leipzig.de 1-1 NoSQL-Datenbanken Kapitel 1: Einführung Lars Kolb Sommersemester 2014 Universität Leipzig http://dbs.uni-leipzig.de 1-1 Inhaltsverzeichnis NoSQL-Datenbanken Motivation und Definition Kategorisierung, Eigenschaften

Mehr

Institut für Verteilte Systeme

Institut für Verteilte Systeme Institut für Verteilte Systeme Prof. Dr. Franz Hauck Seminar: Multimedia- und Internetsysteme, Wintersemester 2010/11 Betreuer: Jörg Domaschka Bericht zur Seminarssitzung am 2011-01-31 Bearbeitet von :

Mehr

Apache Lucene. Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org

Apache Lucene. Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org Apache Lucene Mach s wie Google! Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org 1 Apache Apache Software Foundation Software free of charge Apache Software

Mehr

Textanalyse mit UIMA und Hadoop.!! Hans-Peter Zorn data2day, Karlsruhe, 27.11.2014

Textanalyse mit UIMA und Hadoop.!! Hans-Peter Zorn data2day, Karlsruhe, 27.11.2014 Textanalyse mit UIMA und Hadoop Hans-Peter Zorn data2day, Karlsruhe, 27.11.2014 Über mich seit 2014: Big Data Scientist @ Inovex 2011-2013: TU Darmstadt, UKP Lab Etablierung der Hadoop-Infrastruktur Unterstützung

Mehr

HS München Fakultät 07. Studienarbeit. Big Data. Hype oder Chance?

HS München Fakultät 07. Studienarbeit. Big Data. Hype oder Chance? HS München Fakultät 07 Studienarbeit Big Data Hype oder Chance? Verfasser: Sebastian Kraubs Matrikelnummer: 03315808 Erstprüfer/-in / Betreuer/-in: Michael Theis Ich, Sebastian Kraubs, versichere, dass

Mehr

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2.

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2. Cloud Computing Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar, Sommersemester 2013 1. Definition

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

on Azure mit HDInsight & Script Ac2ons

on Azure mit HDInsight & Script Ac2ons Willkommen beim #GAB 2015! on Azure mit HDInsight & Script Ac2ons Lokale Sponsoren: HansPeter Grahsl Netconomy Entwickler & Berater FH CAMPUS 02 Twi9er: @hpgrahsl Überblick Inhalte Was ist HDInsight? Wozu

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Hybride Cloud Datacenter

Hybride Cloud Datacenter Hybride Cloud Datacenter Enterprise und KMU Kunden Daniel Jossen Geschäftsführer (CEO) dipl. Ing. Informatik FH, MAS IT Network Amanox Solutions Dynamisches IT-Startup Unternehmen mit Sitz in Bern Mittlerweile

Mehr

Prozess- und Datenmanagement Kein Prozess ohne Daten

Prozess- und Datenmanagement Kein Prozess ohne Daten Prozess- und Datenmanagement Kein Prozess ohne Daten Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Prozess- und Datenmanagement Erfolgreiche Unternehmen sind Prozessorientiert.

Mehr

Wird BIG DATA die Welt verändern?

Wird BIG DATA die Welt verändern? Wird BIG DATA die Welt verändern? Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data Entmythisierung von Big Data. Was man über Big Data wissen sollte. Wie

Mehr

Mobile Backend in der

Mobile Backend in der Mobile Backend in der Cloud Azure Mobile Services / Websites / Active Directory / Kontext Auth Back-Office Mobile Users Push Data Website DevOps Social Networks Logic Others TFS online Windows Azure Mobile

Mehr

Step 0: Bestehende Analyse-Plattform

Step 0: Bestehende Analyse-Plattform Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien

Mehr

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Brownbag am Freitag, den 26.07.2013 Daniel Bäurer inovex GmbH Systems Engineer Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und

Mehr

EMC. Data Lake Foundation

EMC. Data Lake Foundation EMC Data Lake Foundation 180 Wachstum unstrukturierter Daten 75% 78% 80% 71 EB 106 EB 133 EB Weltweit gelieferte Gesamtkapazität Unstrukturierte Daten Quelle März 2014, IDC Structured vs. Unstructured

Mehr

25.09.2014. Zeit bedeutet eine Abwägung von Skalierbarkeit und Konsistenz

25.09.2014. Zeit bedeutet eine Abwägung von Skalierbarkeit und Konsistenz 1 2 Dies ist ein Vortrag über Zeit in verteilten Anwendungen Wir betrachten die diskrete "Anwendungszeit" in der nebenläufige Aktivitäten auftreten Aktivitäten in einer hochgradig skalierbaren (verteilten)

Mehr

Web Technologien NoSQL Datenbanken

Web Technologien NoSQL Datenbanken Web Technologien NoSQL Datenbanken Univ.-Prof. Dr.-Ing. Wolfgang Maass Chair in Information and Service Systems Department of Law and Economics WS 2011/2012 Wednesdays, 8:00 10:00 a.m. Room HS 021, B4

Mehr

MySQL Replikationstechnologien

MySQL Replikationstechnologien MySQL Replikationstechnologien Lenz Grimmer MySQL Community Relations Specialist $ whoami 1998 2002 2008 2010 Agenda Replikation: Definition und Klassifizierung Anwendungsgebiete

Mehr

Big Data. Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover

Big Data. Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover Big Data Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover Agenda Was ist Big Data? Parallele Programmierung Map/Reduce Der Big Data Zoo 2 3Vs oder: Was ist Big Data? Deutsche Telekom:

Mehr

Caching. Hintergründe, Patterns &" Best Practices" für Business Anwendungen

Caching. Hintergründe, Patterns & Best Practices für Business Anwendungen Caching Hintergründe, Patterns &" Best Practices" für Business Anwendungen Michael Plöd" Senacor Technologies AG @bitboss Business-Anwendung!= Twitter / Facebook & co. " / kæʃ /" bezeichnet in der EDV

Mehr

Hadoop Projekte Besonderheiten & Vorgehensweise. Oracle/metafinanz Roadshow Februar 2014

Hadoop Projekte Besonderheiten & Vorgehensweise. Oracle/metafinanz Roadshow Februar 2014 Hadoop Projekte Besonderheiten & Vorgehensweise Oracle/metafinanz Roadshow Februar 2014 Head of Data Warehousing DWH Principal Consultant DWH Senior Consultant Wir fokussieren mit unseren Services die

Mehr

Apache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.

Apache Hadoop. Distribute your data and your application. Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache. Apache Hadoop Distribute your data and your application Bernd Fondermann freier Software Architekt bernd.fondermann@brainlounge.de berndf@apache.org Apache The Apache Software Foundation Community und

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Inhaltsverzeichnis. Teil 1 Node.js... 1

Inhaltsverzeichnis. Teil 1 Node.js... 1 xiii Teil 1 Node.js... 1 1 Was ist Node.js? 3 1.1 Die Zeitalter des Webs................................... 3 1.1.1 1990 bis 2000: Das Web 1.0....................... 3 1.1.2 2000 bis 2010: Das Web 2.0.......................

Mehr

Think Big. Skalierbare Anwendungen mit Azure. Aydin Mir Mohammadi Bluehands GmbH & co.mmunication KG

Think Big. Skalierbare Anwendungen mit Azure. Aydin Mir Mohammadi Bluehands GmbH & co.mmunication KG Skalierbare Anwendungen mit Azure Bluehands GmbH & co.mmunication KG 1 2 3 4 5 6 7 8 9 Immer mehr Mehr Performance Mehr Menge Mehr Verfügbarkeit Skalierung http://www.flickr.com/photos/39901968@n04/4864698533/

Mehr

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014 Mit In-Memory Technologie zu neuen Business Innovationen Stephan Brand, VP HANA P&D, SAP AG May, 2014 SAP Medical Research Insights : Forschung und Analyse in der Onkologie SAP Sentinel : Entscheidungsunterstützung

Mehr

MapReduce in der Praxis

MapReduce in der Praxis MapReduce in der Praxis Rolf Daniel Seminar Multicore Programmierung 09.12.2010 1 / 53 Agenda Einleitung 1 Einleitung 2 3 Disco Hadoop BOOM 4 2 / 53 1 Einleitung 2 3 Disco Hadoop BOOM 4 3 / 53 Motivation

Mehr

Performance Tuning & Scale-Out mit MySQL

Performance Tuning & Scale-Out mit MySQL Performance Tuning & Scale-Out mit MySQL Erfa-Gruppe Internet Briefing 2. März 2010 Oli Sennhauser Senior MySQL Consultant, FromDual oli.sennhauser@fromdual.com www.fromdual.com 1 Inhalt Allgemeines zu

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Oracle Big Data Technologien Ein Überblick

Oracle Big Data Technologien Ein Überblick Oracle Big Data Technologien Ein Überblick Carsten Czarski Oracle Deutschland B.V. & Co KG Big Data Betrachten von Daten die bislang nicht betrachtet wurden Neue Beziehungen finden...

Mehr

Albert HAYR Linux, IT and Open Source Expert and Solution Architect. Open Source professionell einsetzen

Albert HAYR Linux, IT and Open Source Expert and Solution Architect. Open Source professionell einsetzen Open Source professionell einsetzen 1 Mein Background Ich bin überzeugt von Open Source. Ich verwende fast nur Open Source privat und beruflich. Ich arbeite seit mehr als 10 Jahren mit Linux und Open Source.

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

Living Lab Big Data Konzeption einer Experimentierplattform

Living Lab Big Data Konzeption einer Experimentierplattform Living Lab Big Data Konzeption einer Experimentierplattform Dr. Michael May Berlin, 10.12.2012 Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS www.iais.fraunhofer.de Agenda n Ziele

Mehr

Business Analytics in der Big Data-Welt

Business Analytics in der Big Data-Welt Business Analytics in der Big Data-Welt Frankfurt, Juni 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data-Analytik "The way I look at big data analytics is it's not a technology,

Mehr

MySQL High Availability. DOAG 2013 Datenbank. 14. Mai 2013, Düsseldorf. Oli Sennhauser

MySQL High Availability. DOAG 2013 Datenbank. 14. Mai 2013, Düsseldorf. Oli Sennhauser MySQL High Availability DOAG 2013 Datenbank 14. Mai 2013, Düsseldorf Oli Sennhauser Senior MySQL Berater, FromDual GmbH oli.sennhauser@fromdual.com 1 / 23 Über FromDual GmbH FromDual bietet neutral und

Mehr

Thementisch Anwendungsgebiete und

Thementisch Anwendungsgebiete und Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven

Mehr

DduP - Towards a Deduplication Framework utilising Apache Spark

DduP - Towards a Deduplication Framework utilising Apache Spark - Towards a Deduplication Framework utilising Apache Spark utilising Apache Spark Universität Hamburg, Fachbereich Informatik Gliederung 1 Duplikaterkennung 2 Apache Spark 3 - Interactive Big Data Deduplication

Mehr

PROFI UND NUTANIX. Portfolioerweiterung im Software Defined Data Center

PROFI UND NUTANIX. Portfolioerweiterung im Software Defined Data Center PROFI UND NUTANIX Portfolioerweiterung im Software Defined Data Center IDC geht davon aus, dass Software-basierter Speicher letztendlich eine wichtige Rolle in jedem Data Center spielen wird entweder als

Mehr

Charakteristika und Vergleich von SQL- und NoSQL- Datenbanken

Charakteristika und Vergleich von SQL- und NoSQL- Datenbanken Universität Leipzig Fakultät für Mathematik und Informatik Abteilung Datenbanken Dozent: Prof. Dr. Erhard Rahm Betreuer: Stefan Endrullis Problemseminar NoSQL-Datenbanken Semester: WS 11/12 Charakteristika

Mehr

Umsetzung von BI-Lösungen mit Unterstützung einer Suchmaschine. TDWI Stuttgart 15.04.2015 Tobias Kraft, exensio GmbH

Umsetzung von BI-Lösungen mit Unterstützung einer Suchmaschine. TDWI Stuttgart 15.04.2015 Tobias Kraft, exensio GmbH Umsetzung von BI-Lösungen mit Unterstützung einer Suchmaschine TDWI Stuttgart 15.04.2015 Tobias Kraft, exensio GmbH Suchmaschinen Elasticsearch BI-Stack mit Elasticsearch Use Cases Pharmabranche 2 Funktionen

Mehr

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen Nahezu 70% aller Data Warehouse Anwendungen leiden unter Leistungseinschränkungen der unterschiedlichsten Art. - Gartner

Mehr

Prof. Dr.-Ing. Rainer Schmidt 1

Prof. Dr.-Ing. Rainer Schmidt 1 Prof. Dr.-Ing. Rainer Schmidt 1 Business Analytics und Big Data sind Thema vieler Veröffentlichungen. Big Data wird immer häufiger bei Google als Suchbegriff verwendet. Prof. Dr.-Ing. Rainer Schmidt 2

Mehr

BigTable. 11.12.2012 Else

BigTable. 11.12.2012 Else BigTable 11.12.2012 Else Einführung Distributed Storage System im Einsatz bei Google (2006) speichert strukturierte Daten petabyte-scale, > 1000 Nodes nicht relational, NoSQL setzt auf GFS auf 11.12.2012

Mehr

IT-Monitoring braucht Sicherheit Sicherheit braucht Monitoring. Günther Klix op5 GmbH - Area Manager D/A/CH

IT-Monitoring braucht Sicherheit Sicherheit braucht Monitoring. Günther Klix op5 GmbH - Area Manager D/A/CH IT-Monitoring braucht Sicherheit Sicherheit braucht Monitoring Günther Klix op5 GmbH - Area Manager D/A/CH Technische Anforderungen an IT Immer komplexere & verteiltere Umgebungen zunehmend heterogene

Mehr

Einführung in Hauptspeicherdatenbanken

Einführung in Hauptspeicherdatenbanken Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation

Mehr

NoSQL Datenbanken. Seminar:Software as a Service, Cloud-Computing und aktuelle Entwicklungen Dozent: Dipl. Inf. Andreas Göbel

NoSQL Datenbanken. Seminar:Software as a Service, Cloud-Computing und aktuelle Entwicklungen Dozent: Dipl. Inf. Andreas Göbel NoSQL Datenbanken Seminar:Software as a Service, Cloud-Computing und aktuelle Entwicklungen Dozent: Dipl. Inf. Andreas Göbel 17. Juni 2010 Gliederung Der Begriff NoSQL Wichtige Konzepte NoSQL-Arten Cassandra

Mehr

Hadoop. Simon Prewo. Simon Prewo

Hadoop. Simon Prewo. Simon Prewo Hadoop Simon Prewo Simon Prewo 1 Warum Hadoop? SQL: DB2, Oracle Hadoop? Innerhalb der letzten zwei Jahre hat sich die Datenmenge ca. verzehnfacht Die Klassiker wie DB2, Oracle usw. sind anders konzeptioniert

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Datenbearbeitung in der Cloud anhand von Apache Hadoop Hochschule Mannheim

Datenbearbeitung in der Cloud anhand von Apache Hadoop Hochschule Mannheim Tobias Neef Cloud-Computing Seminar Hochschule Mannheim WS0910 1/23 Datenbearbeitung in der Cloud anhand von Apache Hadoop Hochschule Mannheim Tobias Neef Fakultät für Informatik Hochschule Mannheim tobnee@gmail.com

Mehr

Oracle 10g revolutioniert Business Intelligence & Warehouse

Oracle 10g revolutioniert Business Intelligence & Warehouse 10g revolutioniert Business Intelligence & Warehouse Marcus Bender Strategisch Technische Unterstützung (STU) Hamburg 1-1 BI&W Market Trends DWH werden zu VLDW Weniger Systeme, mehr Daten DWH werden konsolidiert

Mehr

Mobile Backend in. Cloud. Azure Mobile Services / Websites / Active Directory /

Mobile Backend in. Cloud. Azure Mobile Services / Websites / Active Directory / Mobile Backend in Cloud Azure Mobile Services / Websites / Active Directory / Einführung Wachstum / Marktanalyse Quelle: Gartner 2012 2500 Mobile Internet Benutzer Desktop Internet Benutzer Internet Benutzer

Mehr

Configuration Management mit Verbosy 17.04.2013 OSDC 2013. Eric Lippmann www.netways.de

Configuration Management mit Verbosy 17.04.2013 OSDC 2013. Eric Lippmann www.netways.de Configuration Management mit Verbosy 17.04.2013 OSDC 2013 Eric Lippmann Kurzvorstellung NETWAYS Expertise OPEN SOURCE SYSTEMS MANAGEMENT OPEN SOURCE DATA CENTER Monitoring & Reporting Configuration Management

Mehr

NoSQL in transaktionalen Enterprisesystemen

NoSQL in transaktionalen Enterprisesystemen NoSQL in transaktionalen Enterprisesystemen Version: 1.1 Orientation in Objects GmbH Weinheimer Str. 68 68309 Mannheim www.oio.de info@oio.de Wir haben hier nur ein paar Java Clients vor einem Host, wir

Mehr

Hadoop-as-a-Service (HDaaS)

Hadoop-as-a-Service (HDaaS) Hadoop-as-a-Service (HDaaS) Flexible und skalierbare Referenzarchitektur Arnold Müller freier IT Mitarbeiter und Geschäftsführer Lena Frank Systems Engineer @ EMC Marius Lohr Systems Engineer @ EMC Fallbeispiel:

Mehr

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI

TRACK II Datenmanagement Strategien & Big Data Speicherkonzepte. TRACK I Big Data Analytics & Self Service BI 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Fakultät für Informatik & Wirtschaftsinformatik DB & IS II SS 2015. NoSQL. http://www.w3resource.com/mongodb/nosql.php. Dr. Christian Senger.

Fakultät für Informatik & Wirtschaftsinformatik DB & IS II SS 2015. NoSQL. http://www.w3resource.com/mongodb/nosql.php. Dr. Christian Senger. NoSQL http://www.w3resource.com/mongodb/nosql.php NoSQL 1 Short History of Databases 1960s - Navigational DBs CODEASYL (COBOL) IMS (IBM) 1980s to 1990s - Object Oriented DBs Object DB's Object-Relational-

Mehr

Session Storage im Zend Server Cluster Manager

Session Storage im Zend Server Cluster Manager Session Storage im Zend Server Cluster Manager Jan Burkl System Engineer, Zend Technologies Agenda Einführung in Zend Server und ZSCM Überblick über PHP Sessions Zend Session Clustering Session Hochverfügbarkeit

Mehr