Datenhaltung. Software ubiquitärer Systeme (SuS) Olaf Spinczyk.
|
|
- Erika Otto
- vor 5 Jahren
- Abrufe
Transkript
1 Software ubiquitärer Systeme (SuS) Datenhaltung Olaf Spinczyk AG Eingebettete Systemsoftware Informatik, TU Dortmund
2 Inhalt Datenhaltung in ubiquitären Systemen Stand der Kunst Datenhaltung auf kleinsten Systemen Beispiel Berkeley DB Anwendung/Programmierung Beispiel TinyDB Zusammenfassung Datenhaltung Middleware Betriebssystem Hardware SuS: 5. Datenhaltung
3 Inhalt Datenhaltung in ubiquitären Systemen Stand der Kunst Datenhaltung auf kleinsten Systemen Beispiel Berkeley DB Beispiel TinyDB Zusammenfassung SuS: 5. Datenhaltung
4 Datenhaltung in ubiquitären Systemen Netzwerk SQL-Schnittstelle Prozess DBMS Prozess? Prozess Cache Datenbank Klassischer Datenbankserver Ubiquitäre Datenhaltung SuS: 5. Datenhaltung
5 Anforderungen Anwendungsfälle Mobiltelefone speichern Adressen, Zeiten für Benachrichtigungen, eingegangene Nachrichten MP-Player verwalten Playlists und Metadaten Kontextinformationen werden gesammelt, entsprechend einer Ontologie kategorisiert und Anwendung zur Verfügung gestellt. Netzwerk-Router verwalten ihre Verbindungen Notwendigkeiten Optimierung bzgl. Speicherplatz und Energieverbrauch Lokale Datenhaltung häufig ausreichend Teils Echtzeitfähigkeit oder Fehlertoleranz nötig Unterschiedliche Speichermedien Kaum Festplatten, sondern FLASH/EEPROM/Hauptspeicher-RAM SuS: 5. Datenhaltung 5
6 Typische Unterschiede () [] Speicher Klassisch: On-Disk Storage Datenbanken verwalten persistent Giga-, Tera-, oder Petabytes Aus Performance-Gründen Einsatz großer Caches im Hauptspeicher Ubiquitär: In-Memory-Storage Daten werden im Hauptspeicher verwaltet und nur bei Bedarf auf dem Hintergrundspeicher gesichert. Hohe Performance und geringer Ressourcenverbrauch, aber geringe Speicherkapazität. SuS: 5. Datenhaltung 6
7 Typische Unterschiede () Programmierschnittstelle Klassisch: SQL API Abfrage, Manipulation und Verwaltung erfolgen deklarativ in SQL Sehr mächtig und überall bekannt zügige Anwendungsentwicklung SQL-Engine ist eine Black Box und inzwischen extrem komplex Ubiquitär: Navigational API C/C++-API, um über die Datensätze zu iterieren Mehr Kontrolle Verbesserte Vorhersagbarkeit, bessere Performance SQL-Engine unnötig weniger Speicherplatzverbrauch SuS: 5. Datenhaltung 7
8 Typische Unterschiede () Architektur Klassisch: Client/Server Anwendungen benutzen Interprozess-Kommunikationsmechanismen, um die Datenbank abzufragen Mehrere Klienten können gleichzeitig mit der Datenbank arbeiten Selbst bei lokalen Betrieb wird IPC verwendet Overhead Ubiquitär: Embedded Datenbank und Anwendung bilden eine Einheit. Die Datenbank ist in die Anwendung eingebettet. Einfache Struktur Weniger Kontextwechsel Geringerer Ressourcenverbrauch Bessere Vorhersagbarkeit bessere Performance Achtung Achtung Mehrdeutigkeit: Mehrdeutigkeit: Eingebettete Eingebettete Datenbanken Datenbanken sind sind nicht nicht notwendigerweise notwendigerweise Datenbanken Datenbanken für für eingebettete eingebettete Systeme. Systeme. SuS: 5. Datenhaltung 8
9 Begriff: Eingebettete Datenbanken Definition nach Margo Seltzer, Sleepycat Software: Embedded Database: A Working Definition Embedded in an application. End-user transparency. Instant recovery required. Database administration is managed by application (not DBA). Not necessarily the same as mobile applications SuS: 5. Datenhaltung 9
10 Datenhaltung in ubiquitären Systemen Applikation Netzwerk Funktion Funktion SQL-Schnittstelle Prozess Prozess Navigational API Prozess Funktion DBMS Funktion Funktion Cache DBMS Datenbank Datenbank Klassischer Datenbankserver Ubiquitäre Datenhaltung SuS: 5. Datenhaltung 0
11 Inhalt Datenhaltung in ubiquitären Systemen Stand der Kunst Datenhaltung auf kleinsten Systemen Beispiel Berkeley DB Beispiel TinyDB Zusammenfassung SuS: 5. Datenhaltung
12 Oracle Berkeley DB Most widely deployed open source, embeddable database in the world (Oracle) Eine eingebettete Datenbank im doppelten Sinn Sehr klein und effizient Läuft direkt im Anwendungsadressraum Speichert Anwendungsdaten direkt Keine SQL-Zugriffsschicht Open Source Ray van Tassle, Senior Staff Engineer, Motorola Berkeley DB was 0 times faster than other databases. It has the operational speed of a main memory database, the startup and shut down speed of a disk-resident database, and does not have the overhead of a client-server inter-process communication. Quelle: Oracle SuS: 5. Datenhaltung
13 Oracle Berkeley DB: Eigenschaften Schnelle indexbasierte oder sequentielle Suche BTree, Queue, Recno, Hash Transaktionen und Logging Locking bei mehrfädigen Programmen Single Master Replication Unterstützt verteilte Transaktionen (XA-Standard) Optionale AES-Verschlüsselung von Daten auf Platte Sprachen: C, C++, Java und verschiedene Skriptsprachen Plattformen: UNIX, Linux, MacOS X, Windows, VxWorks, QNX, und andere (POSIX-konform) SuS: 5. Datenhaltung
14 Oracle Berkeley DB: Schnittstelle Tabellen sind einfache Key/Value-Paare Key fruit Value apple sport cricket drink water Ein Datum kann auch Key einer anderen DB sein // Anlegen einer Datenbank in C++ DB *dbp; db_create(&dbp, NULL, 0)); dbp->open(dbp, SuS.db, NULL, DB_BTREE, DB_CREATE, 066)); // Einfuegen eines Tupels DBT key, data; memset(&key, 0, sizeof(key)); memset(&data, 0, sizeof(data)); key.data = "fruit"; key.size = sizeof("fruit"); data.data = "apple"; data.size = sizeof("apple"); dbp->put(dbp, NULL, &key, &data, 0)); Erlaubt mehrere Indizes für Daten und Joins SuS: 5. Datenhaltung
15 Oracle Berkeley DB: Codegröße Das System ist für größere ubiquitäre Systeme durchaus geeignet und grobgranular konfigurierbar. Daten von 999: Object Size in Bytes Text Access Methods (total) Data Lines BSS of Code Locking Logging Transactions/Recovery Include Total Quelle: Margo Seltzer, Sleepycat Software Daten von heute (Oracle): Object Size SuS: 5. Datenhaltung 5
16 Oracle Berkeley DB: Fazit Das Beispiel zeigt was eine eingebettete Datenbank ist typische Eigenschaften von Datenhaltungssystemen für ubiquitäre Systeme: Keine SQL-API Datenhaltung im Hauptspeicher Keine Client/Server-Architektur den Stand der Kunst und dass diese auch für viele eingebettete/ubiquitäre Systeme das Mittel der Wahl sind. Berkeley DB findet sich tatsächlich in vielen Anwendungen wieder wie aus einer universitären Entwicklung ein Produkt werden kann Der Kern von Berkeley DB stammt noch vom. BSD UNIX SuS: 5. Datenhaltung 6
17 Inhalt Datenhaltung in ubiquitären Systemen Stand der Kunst Datenhaltung auf kleinsten Systemen Beispiel Berkeley DB Beispiel TinyDB* Zusammenfassung *Folien teils abgeleitet aus diversen Präsentationen von Samuel Madden et al SuS: 5. Datenhaltung
18 TinyDB: Motivation Die Programmierung von Sensornetzwerken ist schwierig Deklarative Anfragen sind einfach Beispiel: Straßenbeobachtung Handgeschriebener Code - Wochen Entwicklungszeit Hunderte von Zeilen C-Code TinyDB-Anfrage Minuten Entwicklungszeit Vergleichbare Funktionalität SELECT nodeid FROM sensors WHERE mag > thresh EPOCH DURATION 6ms SuS: 5. Datenhaltung 8
19 TinyDB: Idee Hohe Abstraktionsebene Datenzentrierte Programmierung Interaktion mit dem Netzwerk als Ganzes SELECT nodeid FROM sensors WHERE mag > thresh EPOCH DURATION 6ms App Unter der Haube Erweiterbarkeit Anfrageoptimierung Effiziente Ausführung Query, Trigger Data TinyDB Sensor Network SuS: 5. Datenhaltung 9
20 TinyDB: Anfragesprache (TinySQL) Die Die Sprache Sprache orientiert orientiert sich sich an an SQL SQL und und ist ist damit damit leicht leicht zu zu erlernen. erlernen. Komplexe Komplexe Spracheigenschaften Spracheigenschaften wurden wurden weggelassen. weggelassen. SELECT <aggregates>, <attributes> [FROM {sensors <buffer>}] [WHERE <predicates>] [GROUP BY <exprs>] [EPOCH DURATION <const> ONCE] [INTO <buffer>] [TRIGGER ACTION <command>] Neuartig Neuartig ist ist der der Ansatz Ansatz des des Acquisitional Acquisitional Data Data Processing, Processing, der der sich sich im im unteren unteren Teil Teil widerspiegelt widerspiegelt (EPOCH (EPOCH DURATION DURATION ). ) SuS: 5. Datenhaltung 0
21 TinyDB: Datenmodell Das gesamte Sensornetzwerk bildet eine einzige, potentiell beliebig lange Tabelle: sensors Spalten bestehen aus Attributen, die für das Netzwerk statisch definiert werden Typische Attribute sind Sensorwerte Meta-Daten: Knoten-ID, Position, Interne Zustände: Routing-Informationen, Zeitstempel, Wenn ein Attribut auf einem Knoten nicht existiert, wird NULL als Wert geliefert SuS: 5. Datenhaltung
22 TinyDB: Beispiele () Finde Sensoren in hellen Nestern SELECT nodeid, nestno, light FROM sensors WHERE light > 00 EPOCH DURATION s Epoch Sensors nodeid nestno light Die Die Epoch Epoch Duration Duration definiert definiert die die Häufigkeit Häufigkeit der der Abfragen. Abfragen. Daten Daten sind sind nicht nicht per per se se vorhanden, vorhanden, sondern sondern werden werden für für die die jede jede Abfrage Abfrage ermittelt ermittelt ( acquisitional ). ( acquisitional ). Das Das Ergebnis Ergebnis ist ist ein ein Datenstrom. Datenstrom SuS: 5. Datenhaltung...
23 TinyDB: Beispiele () SELECT AVG(sound) FROM sensors EPOCH DURATION 0s Zähle die belegten Nester in jeder lauten Region der Insel AVG(<Attribut>) AVG(<Attribut>) aggregiert aggregiert N N Ergebnisse zu deren Durchschnitt. Ergebnisse zu deren Durchschnitt. Regionen Regionen mit mit AVG(sound) AVG(sound) >> SELECT region, CNT(occupied), AVG(sound) FROM sensors GROUP BY region HAVING AVG(sound) > 00 Epoch region CNT(...) AVG(...) 0 North 60 0 South 50 EPOCH DURATION 0s North 70 South SuS: 5. Datenhaltung
24 TinyDB: Anfragen mit Gedächtnis Storage Points erlauben lokale Speicherung von Sensordaten CREATE STORAGE POINT recentlight SIZE 8 AS (SELECT nodeid, light FROM sensors EPOCH DURATION 0s) Anfragen können Inhalte von Storage Points einbeziehen SELECT COUNT(*) FROM sensors AS s, recentlight AS rl WHERE rl.nodeid = s.nodeid AND s.light < rl.light EPOCH DURATION 0s SuS: 5. Datenhaltung Liefert Liefert die die Anzahl Anzahl der der gespeicherten Helligkeiten, gespeicherten Helligkeiten, die die größer größer als als der der aktuelle aktuelle Wert Wert sind. sind.
25 TinyDB: Ereignisse Idee: Anfrage erfolgt, wenn etwas Interessantes passiert ON EVENT bird-detect(loc): SELECT AVG(light), AVG(temp), event.loc FROM sensors AS s WHERE dist(s.loc, event.loc) < 0m EPOCH DURATION s FOR 0s Sobald Sobald ein ein Vogel Vogel in in einem einem Nest Nest landet, landet,sendet sendet der der entsprechende entsprechende Knoten Knoten die die Anfrage Anfrage an an die die umgebenden umgebenden Knoten Knoten (Abstand (Abstand << 0m), 0m), liest liest die die Ergebnisse Ergebnisse für für 'light' 'light' und und 'temp' 'temp' und und liefert liefert die die Durchschnitte zurück. Durchschnitte zurück. Ereignisse können anwendungsspezifisch definiert werden Das passiert unterhalb der TinySQL-Ebene SuS: 5. Datenhaltung 5
26 TinyDB: Innenleben SELECT SELECT AVG(temp) AVG(temp) WHERE WHERE light>00 light>00 Anfragen Resultate Multihop Netzwerk Epoch AVG(...) Anfrageprozessor Aggavg(temp) Filterlight > 00 Name: temp Time to sample: 50 µs get('temp') Tables Samples got('temp') Cost to sample: 90 µj Calibration Table: Schema Units: Deg. F gettempfunc(...) TinyOS Error: ± 5 Deg F Get f : gettempfunc() TinyDB SuS: 5. Datenhaltung 6
27 TinyDB: Innenleben SELECT SELECT AVG(temp) AVG(temp) WHERE WHERE light>00 light>00 Anfragen Resultate Multihop Netzwerk Epoch AVG(...) ~0.000Anfrageprozessor Zeilen C-Code Aggavg(temp) ~5.000 Zeilen Java (PC-Seite) ~00 Bytes (mit 768 Byte Heap) FilterlightRAM > 00 Name: temp ~58 KB übersetzter Code Time to sample: 50 µs get('temp') Tables Samples got('temp') Cost to sample: 90 µj (x größer Schema als das zweitgrößtecalibration TinyOS-Programm) Table: gettempfunc(...) Units: Deg. F Error: ± 5 Deg F Get f : gettempfunc() TinyOS TinyDB SuS: 5. Datenhaltung 7
28 TinyDB: Anfrageverarbeitung basiert auf Tree-based Routing für Anfrageverarbeitung, Datensammlung und Aggregation Q:SELECT B A C D F E SuS: 5. Datenhaltung 8
29 TinyDB: Anfrageverarbeitung basiert auf Tree-based Routing für Anfrageverarbeitung, Datensammlung und Aggregation Q:SELECT Q B A Q C D F E SuS: 5. Datenhaltung 9
30 TinyDB: Anfrageverarbeitung basiert auf Tree-based Routing für Anfrageverarbeitung, Datensammlung und Aggregation Q:SELECT A R:{ } R:{ } Q B C Q Q Q Q D F E SuS: 5. Datenhaltung 0
31 TinyDB: Anfrageverarbeitung basiert auf Tree-based Routing für Anfrageverarbeitung, Datensammlung und Aggregation Q:SELECT A R:{ } R:{ } B C R:{ } D Q R:{ } Q Q Q F E SuS: 5. Datenhaltung Q
32 TinyDB: Anfrageverarbeitung basiert auf Tree-based Routing für Anfrageverarbeitung, Datensammlung und Aggregation Q:SELECT A R:{ } R:{ } B C R:{ } D R:{ } R:{ } F E SuS: 5. Datenhaltung
33 TinyDB: Energiesparen Das Sparen von Energie ist das zentrale Thema beim Betrieb von Sensornetzwerken. TinyDB spart Energie durch diverse Techniken [] Anwendungsabhängiger Duty-Cycle Aggregation im Sensornetzwerk Optimierte Ordnung der Messungen und Prädikate Acquisitional Query Processing SuS: 5. Datenhaltung
34 TinyDB: Power Management Grobgranulare, anwendungsgesteuerte Kommunikationsund Schlafphasen Epoche (Sekunden bis Stunden) Knoten ID zzz zzz 5 Zeit wenige Sekunden Wachphase SuS: 5. Datenhaltung
35 TinyDB: Zeitsynchronisation Alle Nachrichten enthalten einen 5-Byte-Zeitstempel (Systemzeit in ms) Aktualisierung der eigenen Zeit bei beliebigen Nachrichten vom Elternknoten jeder neuen Anfrage (auch von anderen Knoten Ereignisbehandlung) Beginn der Wachphase: <Systemzeit> % <Dauer der Epoche> == 0 Zur Synchronisation der Knoten wird die Dauer der Schlafphase angepasst SuS: 5. Datenhaltung 5
36 TinyDB: Aggregation () SELECT SELECT COUNT(*) COUNT(*) FROM FROM sensors sensors erfolgt im Sensornetzwerk Deutliche Reduktion des Kommunikationsaufwandes! Intervall Sensor # Epoche Intervall # SuS: 5. Datenhaltung 5 6
37 TinyDB: Aggregation () SELECT SELECT COUNT(*) COUNT(*) FROM FROM sensors sensors erfolgt im Sensornetzwerk Deutliche Reduktion des Kommunikationsaufwandes! Intervall Sensor # Epoche Intervall # SuS: 5. Datenhaltung 7
38 TinyDB: Aggregation () SELECT SELECT COUNT(*) COUNT(*) FROM FROM sensors sensors erfolgt im Sensornetzwerk Deutliche Reduktion des Kommunikationsaufwandes! Intervall Sensor # Intervall # Epoche SuS: 5. Datenhaltung 5 8
39 TinyDB: Aggregation () SELECT SELECT COUNT(*) COUNT(*) FROM FROM sensors sensors erfolgt im Sensornetzwerk 5 Deutliche Reduktion des Kommunikationsaufwandes! Sensor # Intervall Epoche Intervall # SuS: 5. Datenhaltung 5 9
40 TinyDB: Aggregation () SELECT SELECT COUNT(*) COUNT(*) FROM FROM sensors sensors erfolgt im Sensornetzwerk Deutliche Reduktion des Kommunikationsaufwandes! Intervall Sensor # Epoche Intervall # SuS: 5. Datenhaltung 5 0
41 TinyDB: Aggregation () Zuordnung des Intervalls: Tiefe im Baum = Intervall Die feste Zuordnung erlaubt verlängerte Schlafphasen Sensor # Intervall Epoche Intervall # sc L 5 n e f hla L L 5 sc n e f hla L L: Listen - Der Knoten muss lauschen SuS: 5. Datenhaltung 5
42 TinyDB: Aggregation () Nicht alle Aggregationsfunktionen eignen sich gleich gut Der Partial State Record (PSR) ist unterschiedlich groß Beispiele: MIN: Es muss immer nur ein Wert übertragen werden MEDIAN: Alle Messwerte (eigener + von Kindern) weiterleiten Kategorien: Algebraic PSR = (z.b. MIN) Distributive PSR = c (z.b. AVG) Holistic PSR = n (z.b. MEDIAN) Unique PSR = d (z.b. COUNT DISTINCT) d = Anzahl unterschiedlicher Werte TinyDB erlaubt auch das Definieren eigener Aggregationsfunktionen SuS: 5. Datenhaltung
43 TinyDB: Aggregation () Eine Simulation zeigt das Einsparungspotential Simulation Simulation Results Results Nodes Nodes 50x50 50x50 Grid Grid Depth Depth = = ~0 ~0 Neighbors Neighbors = = ~0 ~0 Uniform Dist. Uniform Dist. Total Bytes Xmitted vs. Aggregation Function Total Bytes X mitted EXTERNAL MAX AVERAGE DISTINCT MEDIAN Aggregation Function SuS: 5. Datenhaltung
44 TinyDB: Optimierung der Ausführung Anhand der Metadaten über Sensoren (Dauer der Messung, Energieverbrauch) wird die Anfrageverarbeitung optimiert. Traditional DBMS SELECT SELECT light, light, mag mag FROM FROM sensors sensors WHERE WHERE pred(mag) pred(mag) AND AND pred(light) pred(light) EPOCH EPOCH DURATION DURATION s s Bei Bei Messung/s Messung/s kann kann die die Ersparnis Ersparnis,5,5 mw mw betragen. betragen. Soviel Soviel benötigt benötigt Richtige Richtige Reihenfolge Reihenfolge auch auch die die CPU CPU ungefähr! ungefähr! pred pred mag teuer pred pred ACQP pred billig mag light light billig SuS: 5. Datenhaltung pred light teuer mag
45 Inhalt Datenhaltung in ubiquitären Systemen Stand der Kunst Datenhaltung auf kleinsten Systemen Beispiel Berkeley DB Beispiel TinyDB Zusammenfassung SuS: 5. Datenhaltung 5
46 Zusammenfassung Datenhaltung in ubiquitären Systemen weist einige Besonderheiten auf: In-Memory vs. On-Disk-Storage SQL vs. Navigational API Client/Server- vs. Embedded-Architektur Im Bereich der Sensornetzwerke repräsentiert TinyDB den Stand der Kunst Neues Paradigma: Acquisitional Data Processing Anfragen liefern einen Datenstrom statt eines einzelnen Ergebnisses Sensordaten werden auf Anforderung erzeugt Deklarative Anfragesprache TinySQL Tree-based Routing bei der Anfrageverarbeitung Diverse Ansätze zum Energiesparen SuS: 5. Datenhaltung 6
47 Literatur [] [] S. Graves, COTS databases for embedded systems. Embedded Computing Design, Open Systems Publishing, 007. S. R. Madden, M. J. Franklin, J. M. Hellerstein, and W. Hong. TinyDB: an acquisitional query processing system for sensor networks. ACM Transactions Database Systems 0, (Mar. 005), pages -7, 005. SuS: 5. Datenhaltung 7
Software ubiquitärer Systeme
Software ubiquitärer Systeme Datenhaltung Olaf Spinczyk Arbeitsgruppe Eingebettete Systemsoftware Lehrstuhl für Informatik TU Dortmund Olaf.Spinczyk@tu-dortmund.de http://ess.cs.uni-dortmund.de/~os/ http://ess.cs.tu-dortmund.de/de/teaching/ss05/sus/
MehrDatenhaltung: Forschung
Software ubiquitärer Systeme (SuS) Datenhaltung: Forschung https://ess.cs.tu-dortmund.de/de/teaching/ss2017/sus/ Olaf Spinczyk olaf.spinczyk@tu-dortmund.de https://ess.cs.tu-dortmund.de/~os AG Eingebettete
MehrSoftware ubiquitärer Systeme
Software ubiquitärer Systeme Datenhaltungs-Forschung Olaf Spinczyk Arbeitsgruppe Eingebettete Systemsoftware Lehrstuhl für Informatik 12 TU Dortmund Olaf.Spinczyk@tu-dortmund.de http://ess.cs.uni-dortmund.de/~os/
MehrEnergiegewahrer Betrieb von Funknetzwerken
Energiegewahrer Betrieb von Funknetzwerken PG 595 - Solar Doorplate Daniel Smit PG595 - Arbeitsgruppe Eingebettete System Software 17. Oktober 2015 D. Smit (PG 595 - LS XII Informatik) Energiegewahres
MehrGrundlagen der Datenbanksysteme 2 (M-DB2) Dr. Karsten Tolle
Grundlagen der Datenbanksysteme 2 (M-DB2) Dr. Karsten Tolle Vorwissen und so SQL Umgang mit MySQL (Workbench) Beispieldaten zum Spielen: http://download.geonames.org/export/dump/ 2 Tuningpotential DB-Interna;
MehrWebbasierte Informationssysteme
SS 2004 Prof. Dr. Stefan Böttcher Universität Paderborn - SS 2004 - Prof. Dr. Stefan Böttcher Folie 1 Was ist eine relationale Datenbank? Menge von Relationen (=Tabellen) und Constraints (=Integritätsbedingungen)
MehrPerformance in der Oracle Datenbank von Anfang an
Performance in der Oracle Datenbank von Anfang an Marco Mischke, 26.04.2018 DOAG Regional Agenda Tabellen Indizes Ausführungspläne SQL vs PL/SQL Tabellen Zu 99% werden Standard Strukturen zur Speicherung
MehrIn diesem Abschnitt wollen wir uns mit der Architektur von Datenbank Managements Systemen beschäftigen.
1 In diesem Abschnitt wollen wir uns mit der Architektur von Datenbank Managements Systemen beschäftigen. Zunächst stellt sich die Frage: Warum soll ich mich mit der Architektur eines DBMS beschäftigen?
MehrSODA. Die Datenbank als Document Store. Rainer Willems. Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG
SODA Die Datenbank als Document Store Rainer Willems Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG vs No Anforderungskonflikte Agile Entwicklung Häufige Schema-Änderungen Relationales
MehrExtreme Performance mit Oracle Times Ten
Extreme Performance mit Oracle Times Ten Agenda 1. Architektur und Übersicht 2. Details der Caching-Technologie 3. Skalierbarkeit, Antwortzeiten, Benchmarkergebnisse 4. Times Ten für die Oracle-Datenbank
MehrPostgreSQL in großen Installationen
PostgreSQL in großen Installationen Cybertec Schönig & Schönig GmbH Hans-Jürgen Schönig Wieso PostgreSQL? - Die fortschrittlichste Open Source Database - Lizenzpolitik: wirkliche Freiheit - Stabilität,
MehrSoftware-Infrastrukturen für die Verwaltung von Sensordaten
Software-Infrastrukturen für die Verwaltung von Sensordaten Stefan Geiger Distributed Systems Seminar ETH Zürich Inhalt Motivation Anforderungen Management von Sensor-Web-Daten Projekte Fazit 2 Motivation
MehrExplain verstehen. Hans-Jürgen Schönig.
Explain verstehen Zielsetzung EXPLAIN... Was versucht uns PostgreSQL zu sagen? Wie kann diese Information genutzt werden? Wie erkenne ich Probleme? Abfragen in PostgreSQL Mehrstufige Ausführung Parser:
MehrSeminar 2. SQL - DML(Data Manipulation Language) und. DDL(Data Definition Language) Befehle.
Seminar 2 SQL - DML(Data Manipulation Language) und DDL(Data Definition Language) Befehle. DML Befehle Aggregatfunktionen - werden auf eine Menge von Tupeln angewendet - Verdichtung einzelner Tupeln yu
MehrAggregierungsanfragen in Sensornetzwerken
Aggregierungsanfragen in Sensornetzwerken Wenwo Huang Betreuer: Heiko Schepperle Juni 2004, 1 1. Sensornetzwerk Anwendung das Erkennen und Vermeiden unfallträchtiger Situationen SELECT AVG (S.value) FROM
MehrFazit. Software ubiquitärer Systeme (SuS) Olaf Spinczyk.
Software ubiquitärer Systeme (SuS) Fazit https://ess.cs.tu-dortmund.de/de/teaching/ss2017/sus/ Olaf Spinczyk olaf.spinczyk@tu-dortmund.de https://ess.cs.tu-dortmund.de/~os AG Eingebettete Systemsoftware
MehrSQL. DDL (Data Definition Language) Befehle und DML(Data Manipulation Language)
SQL DDL (Data Definition Language) Befehle und DML(Data Manipulation Language) DML(Data Manipulation Language) SQL Abfragen Studenten MatrNr Name Vorname Email Age Gruppe 1234 Schmidt Hans schmidt@cs.ro
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D. Blatt Nr. 07 Übung zur Vorlesung Einsatz und Realisierung von Datenbanksystemen im SoSe16 Moritz Kaufmann
MehrSensordatenbasen in der OVID- Verkehrsinformations- architektur. Diplomarbeit von Björn Christmann
Sensordatenbasen in der OVID- Verkehrsinformations- architektur Diplomarbeit von 1 Überblick Zielsetzung und Motivation Szenario und Grundlagen Konzepte Entwurf Implementierung Zusammenfassung 2 Motivation
MehrDatenbankbasierte Lösungen
Technologische Beiträge für verteilte GIS - Anforderungen an verteilte GIS und Lösungsansätze Datenbankbasierte Lösungen Johannes Kebeck Senior Systemberater ORACLE Deutschland GmbH Agenda TOP Thema 1
Mehrmit konventionellen Datenbanksystemen konventionellen Datenbanksystemen
Stream-Verwaltung mit konventionellen Datenbanksystemen Christian Rensch.06.005 Seminar Data Streams Thema Verwaltung von Datenströmen in konventionellen Datenbanksystemen optimiert auf Daten geringer
MehrSpeicher- und Datenbanktechniken
Speicher- und Datenbanktechniken Seminarvortrag von Patrick Leuthold Betreuer: Michael Rohs 02.06.2003 1 Übersicht 1. Motivation 2. Queryabarbeitung 3. Data Centric Storage 4. Tiny Aggregation 02.06.2003
MehrVisualisierung in Informatik und Naturwissenschaften
Visualisierung in Informatik und Naturwissenschaften Datenbankvisualisierung Sven Bernhard 12.06.1999 Datenbankvisualisierung Datenbanktheorie in 5 Minuten Visualisierung vs. Datenbanken Visualisierung
MehrSQL Data Manipulation Language (DML) und Query Language (QL)
Innsbruck Information System University of Innsbruck School of Management Information Systems Universitätsstraße 15 6020 Innsbruck SQL Data Manipulation Language (DML) und Query Language (QL) Universität
MehrNeues aus der nicht-, semi- und relationalen Welt
Neues aus der nicht-, semi- und relationalen Welt Information Management Thomas Klughardt Senior System Consultant Das Big Data Problem Was bedeutet Big Data? Performancekritisch Echtzeit Cold Storage
MehrISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de
08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren
MehrWiederholung VU Datenmodellierung
Wiederholung VU Datenmodellierung VL Datenbanksysteme Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Wintersemester
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrMilliarden in Sekunden: Demo zu PureData for Analytics. Marc Bastien Senior Technical Professional Big Data, IBM
Milliarden in Sekunden: Demo zu PureData for Analytics Marc Bastien Senior Technical Professional Big Data, IBM IBM PureData System Für die Herausforderungen von Big Data Schnell und Einfach! System for
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
MehrAnfrageoptimierung Ausführungspläne, Hints, Statistikinformationen, IDEs
Anfrageoptimierung Ausführungspläne, Hints, Statistikinformationen, IDEs Peter Matjeschk 05-INDT Fachbereich Informatik, Mathematik und Naturwissenschaften HTWK-Leipzig 19. Juni 2008 Peter Matjeschk (Fb
MehrIntroduction to Data and Knowledge Engineering. 6. Übung SQL
Introduction to Data and Knowledge Engineering 6. Übung SQL Aufgabe 6.1 Datenbank-Schema Buch PK FK Autor PK FK ISBN Titel Preis x ID Vorname Nachname x BuchAutor ISBN ID PK x x FK Buch.ISBN Autor.ID FB
MehrQuery Result Caching. Optimierung des Datenbankzugriffs
Query Result Caching Optimierung des Datenbankzugriffs Andreas Hubmer 19.11.2012 Inhalt Problemstellung Tabellen-Cache DBProxy Objekt-Cache 1 st -/2 nd -Level Cache Query Cache 2 Problemstellung Application-
MehrDaten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell. Jetzt: -> Formulierung in DDL
Daten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell Jetzt: -> Formulierung in DDL Daten-Definitionssprache (DDL) DDL ist Teil von SQL (Structured
MehrAnwendungsentwicklung Datenbanken SQL. Stefan Goebel
Anwendungsentwicklung Datenbanken SQL Stefan Goebel SQL Structured Query Language strukturierte Abfragesprache von ANSI und ISO standardisiert deklarativ bedeutet was statt wie SQL beschreibt, welche Daten
MehrSQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar
Qt-Seminar Dienstag, 10.2.2009 SQL ist......die Abkürzung für Structured Query Language (früher sequel für Structured English Query Language )...ein ISO und ANSI Standard (aktuell SQL:2008)...eine Befehls-
MehrTransaktionsverwaltung
Transaktionsverwaltung VL Datenbanksysteme Ingo Feinerer Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Transaktionsverwaltung Transaktionen:
MehrOracle 10g Einführung
Kurs Oracle 10g Einführung Teil 5 Einführung Timo Meyer Administration von Oracle-Datenbanken Timo Meyer Sommersemester 2006 Seite 1 von 16 Seite 1 von 16 Agenda 1 Tabellen und Views erstellen 2 Indizes
MehrÜbersicht der wichtigsten MySQL-Befehle
Übersicht der wichtigsten MySQL-Befehle 1. Arbeiten mit Datenbanken 1.1 Datenbank anlegen Eine Datenbank kann man wie folgt erstellen. CREATE DATABASE db_namen; 1.2 Existierende Datenbanken anzeigen Mit
MehrWillkommen. Datenbanken und Anbindung
Willkommen Datenbanken und Anbindung Welche stehen zur Wahl? MySQL Sehr weit verbreitetes DBS (YT, FB, Twitter) Open-Source und Enterprise-Version Libs in C/C++ und Java verfügbar Grundsätzlich ist ein
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrWiederholung VU Datenmodellierung
Wiederholung VU Datenmodellierung VU Datenbanksysteme Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Wintersemester
MehrDatenzugriffskomponente mit JPA 2.1
Datenzugriffskomponente mit JPA 2.1 (Grundlagen der Java Persistence Architecture) Vladislav Faerman Gliederung Einführung Konfiguration Objekt-Relationales Mapping (ORM) mit JPA Das zentrale Konzept der
MehrSAFE HARBOR STATEMENT
SAFE HARBOR STATEMENT The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment
MehrPHP- Umgang mit Datenbanken (1)
PHP- Umgang mit Datenbanken (1) Weitere Funktionen zum Umgang mit Datenbanken (Erzeugen, Löschen) und Tabellen (Erzeugen, Löschen) Zum Beispiel für das Erzeugen einer neuen Datenbank $dbname= blumendb
MehrMySQL Engine Infobright: Speicherplatz sparen und schnellere Anfragen
MySQL Engine Infobright: Speicherplatz sparen und schnellere Anfragen Olaf Herden Duale Hochschule BW Campus Horb Gliederung Motivation Prinzipien und Architektur Untersuchungen Zusammenfassung & Ausblick
MehrOracle Database 12c Was Sie immer schon über Indexe wissen wollten
Oracle Database 12c Was Sie immer schon über Indexe wissen wollten Marco Mischke, 08.09.2015 DOAG Regionaltreffen B* Indexe - Aufbau 0-Level Index A-F G-Z 1-Level Index A-F G-Z 2-Level Index A-F G-M N-Z
MehrSAP R/3 Prozessübersicht
5. Datenbankschnittstellen, Datenzugriff und - Pufferung Architekturüberblick SAP ein Datenbanksystem? Abbildung auf DB-Server Co-Existenz von Open-SQL und Native SQL Applikationspuffer Kap.5- SAP R/ Prozessübersicht
MehrCharakteristika von Unternehmensanwendungen
Charakteristika von Unternehmensanwendungen Wozu werden Unternehmensanwendungen genutzt? Enterprise applications are about the display, manipulation, and storage of large amounts of often complex data
MehrOracle 10g Einführung
Kurs Oracle 10g Einführung Teil 2 Oracle 10g Express Edition (XE) Installation auf Windows XP GridAgenda Timo Meyer Administration von Oracle-Datenbanken Seite 1 von 50 Timo Meyer Sommersemester 2006 Seite
MehrNoSQL Datenbanken EIN ÜBERBLICK ÜBER NICHT-RELATIONALE DATENBANKEN UND DEREN POTENTIALE IM ALLGEMEINEN UND IN DER INDUSTRIE
NoSQL Datenbanken EIN ÜBERBLICK ÜBER NICHT-RELATIONALE DATENBANKEN UND DEREN POTENTIALE IM ALLGEMEINEN UND IN DER INDUSTRIE Was bedeutet NoSQL? Ein Sammelbegriff für alternative Datenbanklösungen, die
MehrOracle9i Designer. Rainer Willems. Page 1. Leitender Systemberater Server Technology Competence Center Frankfurt Oracle Deutschland GmbH
Oracle9i Designer Rainer Willems Leitender Systemberater Server Technology Competence Center Frankfurt Oracle Deutschland GmbH Page 1 1 Agenda 9i Designer & 9i SCM in 9i DS Design Server Generierung &
MehrDatenbanken und Datenbanktypen Tag 1 : Kapitel 1. Christian Inauen. Lernziele. Entwicklung der Datenbanken.
Tag 1 : und 10.08.2015 Jede/r Lernende... kann in eigenen Worten die Entstehung von erläutern kennt die verschiedenen Arten von mit entsprechenden Eigenschaften kann die Abkürzungen ACID, BASE und CAP
MehrPraktische SQL-Befehle 2
Praktische SQL-Befehle 2 Datenbanksysteme I WiSe 2018/2019 Todor Ivanov DB1 WS2018 1 Praktische SQL-Befehle Functions Views Triggers Voraussetzung: Laptop + MySQL/ MariaDB + Workbench! DB1 WS2018 2 Airport
MehrIDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz
IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz
MehrNeue Speichermedien für Datenbanken
Projektpräsentation im Wahlmodul Datenbank Implementierungstechniken 10. Juli 2015 Inhalt 1 Flash Memory (SSD) vs. Main Memory (DRAM) 2 Auswirkungen auf DBS-System 3 Kennzahlen 4 Aspekte von Green IT 5
MehrSQL. SQL: Structured Query Language. Früherer Name: SEQUEL. Standardisierte Anfragesprache für relationale DBMS: SQL-89, SQL-92, SQL-99
SQL Früherer Name: SEQUEL SQL: Structured Query Language Standardisierte Anfragesprache für relationale DBMS: SQL-89, SQL-92, SQL-99 SQL ist eine deklarative Anfragesprache Teile von SQL Vier große Teile:
MehrGrundlagen von SQL. Informatik 2, FS18. Dr. Hermann Lehner (Material von Dr. Markus Dahinden) Departement Informatik, ETH Zürich
Grundlagen von SQL Informatik 2, FS18 Dr. Hermann Lehner (Material von Dr. Markus Dahinden) Departement Informatik, ETH Zürich Markus Dahinden 13.05.18 1 Grundlagen von SQL (Structured Query Language)
MehrVon Business Logik und Datenbanken. Draft. Markus Wanner Rapperswil, 30. Juni datahouse
Von Business Logik und Datenbanken Markus Wanner Rapperswil, 30. Juni 2017 datahouse Einführung - Inhalt Einführung Über den Autor Begriffe: Business Logik Begriffe: Datenbanken Begriffe: in Allgemeiner
Mehr5.8 Bibliotheken für PostgreSQL
5.8 Bibliotheken für PostgreSQL Haskell/WASH: Modul Dbconnect PHP: pqsql-funktionen Java/JSP: JDBC Perl: DBI database interface modul Vorläufige Version 80 c 2004 Peter Thiemann, Matthias Neubauer 5.9
MehrSkalierbare Webanwendungen
Skalierbare Webanwendungen Thomas Bachmann Lead Software Architect & CIO Mambu GmbH Twitter: @thobach Anwendungsbeispiel Hohe Nichtfunktionale Anforderungen Sicherheit Vertraulichkeit Integrität Verfügbarkeit
Mehr5/14/18. Grundlagen von SQL. Grundlagen von SQL. Google, Facebook und Co. setzen auf SQL. Whatsapp
5/14/18 Grundlagen von SQL (Structured Query Language) Datenbanksprache Befehle Datenbanken und Tabellen erstellen/verändern Daten manipulieren (eingeben, ändern, löschen) Datenbank durchsuchen (Queries
Mehrtechnische universität dortmund Fakultät für Informatik LS 8 Speichern von Daten Prof. Dr. Katharina Morik
Speichern von Daten Prof. Dr. Katharina Morik Unterschiede von DBMS und files! DBMS unterstützt viele Benutzer, die gleichzeitig auf dieselben Daten zugreifen concurrency control.! DBMS speichert mehr
MehrBig Data Management Thema 14: Cassandra
Thema 14: Cassandra Jan Kristof Nidzwetzki Thema 14: Cassandra 1 / 25 Übersicht 1 Grundlagen Überblick Geschichte Datenmodel 2 Architektur Der logische Ring Persistenz der Daten Tunable Consistency Read
MehrNested Tables Types als Ergänzung zu Pivot XML
Nested Tables Types als Ergänzung zu Pivot XML Thomas Strub Logica Deutschland GmbH & Co. KG Frankfurt Schlüsselworte Nested Tables, pivot, pivot xml, unpivot, collect, PL/SQL Einleitung Die Verknüpfung
MehrMySQL-Befehle. In diesem Tutorial möchte ich eine kurze Übersicht der wichtigsten Befehle von MySQL geben.
MySQL-Befehle 1. Einleitung In diesem Tutorial möchte ich eine kurze Übersicht der wichtigsten Befehle von MySQL geben. 2. Arbeiten mit Datenbanken 2.1 Datenbank anlegen Eine Datenbank kann man wie folgt
Mehr2. Architektur verteilter Datenbanksysteme
2. Architektur verteilter Datenbanksysteme Verteilte Datenbank, kurz DDB (engl. distributed database): eine Sammlung logisch zusammengehöriger Datenbanken, welche über Rechnerknoten ( Sites ) verteilt
MehrHubertus Schmidt Systemberater Telco / Media / Utilities Oracle Corporation
Hubertus Schmidt Systemberater Telco / Media / Utilities Oracle Corporation Oracle9i Application Server Portale Transaktionen E-Business Intelligence Oracle9i AS Deployment Integration Oracle9iAS Forms
MehrAggregatfunktionen in SQL
Aggregatfunktionen in SQL Michael Dienert 14. April 2008 1 Definition von Aggregatfunktionen Ihren Namen haben die Aggregatfunktionen vom englischen Verb to aggregate, was auf deutsch anhäufen, vereinigen,
MehrBetriebssysteme (BS) Zusammenfassung und Ausblick. Olaf Spinczyk.
Betriebssysteme (BS) Zusammenfassung und Ausblick http://ess.cs.tu-dortmund.de/de/teaching/ss2016/bs/ Olaf Spinczyk olaf.spinczyk@tu-dortmund.de http://ess.cs.tu-dortmund.de/~os AG Eingebettete Systemsoftware
MehrAbschluss Einblick und Ausblick
Abschluss Einblick und Ausblick Prof. Dr. T. Kudraß 1 Benutzer Komponenten eines DBMS (Überblick) I/O-Prozessor Output-Generierung Parser für selbst. oder eingebettete Kommandos Precompiler Autorisierungs-Kontrolle
MehrOracle Core für Einsteiger: Datenbank I/O
Oracle Core für Einsteiger: Datenbank I/O Martin Klier Performing Databases GmbH Mitterteich #FiveWordTechHorrors Storage comes from other department @MartinKlierDBA Oracle Core für Einsteiger: Datenbank
MehrMCSA: SQL 2016 Database Development
MCSA: SQL 2016 Database Development Querying Data with Transact-SQL & Developing SQL Databases Seminarziel In diesem 6-tägigen Kurs werden die Teilnehmer von Grund auf in die Entwicklung
MehrGeodaten und Karten in APEX
Geodaten und Karten in APEX So einfach wie noch nie! Carsten Czarski ORACLE Deutschland B.V. & Co KG Follow me on Twitter: @cczarski Geodaten und Karten in Anwendungen Geodaten in Tabellen: Wie speichert
MehrEinführung 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
MehrTuning the Mobile Server
DOAG Konferenz 20. - 22.11.2012 Tuning the Mobile Server Philipp Loer ppl@ordix.de www.ordix.de Agenda Einleitung Grundlagen Performance-Optimierung Fazit Tuning the Mobile Server, Philipp Loer, DOAG 2012
MehrLBS4 Management-Software True64Unix Cluster SYBASE Database Recovery
Workshop für LBS Systemadministratoren in Göttingen in der GBV-Verbundzentrale am 27. und 28 Juni 2000 LBS4 Management-Software True64Unix Cluster SYBASE Database Recovery Änderungen zu LBS3 - Standard-Plattform
Mehrwww.informatik-aktuell.de Datenbank am Limit Spaltenorientiert als Ausweg Michael Wittig SELECT Datum, FROM WHERE Symbol='Daimler' AND Datum>=2015.01.01 AND Zeit BETWEEN 11:00:00 AND 13:00:00 GROUP BY
MehrKapitel 3: Indices und Sichten
Kapitel 3: Indices und Sichten Data Warehousing und Mining - 1 Gliederung im folgenden: Klassifikation Aggregationsfunktionen, Materialisierte Sichten Grundsätzliche Alternativen beim Updaten materialisierter
MehrPerformance Verbesserung BIRT-BERICHTE
ClassiX Software GmbH Performance Verbesserung der BIRT-BERICHTE Tipps zur Performance Verbesserung der Berichte unabhängig von der Engine Jana Fischereit 21.01.2013 1 Inhalt 2 Allgemeine Aussagen... 2
MehrThomas Matzner Berater für Systemanalyse Couchbase. Java User Group München
Thomas Matzner Berater für Systemanalyse www.tamatzner.de Couchbase Java User Group München 18. 1. 2016 Überblick Warum Couchbase bei der Einkaufszettel- App? Eigenschaften von Couchbase Entwicklung mit
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken SQL, Häufige Mengen Nico Piatkowski und Uwe Ligges 11.05.2017 1 von 16 Überblick Was bisher geschah... Modellklassen Verlustfunktionen Numerische Optimierung Regularisierung
MehrGarten - Daten Bank. - survival pack -
Garten - Daten Bank - survival pack - Dr. Karsten Tolle PRG2 SS 2017 Inhalt heute Kurz: Motivation und Begriffe SQL (survival pack) create table (Tabelle erzeugen) insert into (Einfügen) select (Anfragen)
MehrXML-Archivierung betriebswirtschaftlicher Datenbank-Objekte*
XML-Archivierung betriebswirtschaftlicher Datenbank-Objekte* Bernhard Zeller Axel Herbst Alfons Kemper 9400 Passau @db.fmi.uni-passau.de SAP AG 6990 Walldorf axel.herbst@sap.com * Diese Arbeit
MehrMySQL HA Lösungen für Front- und Backend. Matthias Klein
MySQL HA Lösungen für Front- und Backend Matthias Klein MySQL HA - Topics 1 Grundlagen 2 Backend 3 Frontend 2 MySQL HA About InnoGames About InnoGames Betreibt und entwickelt Browser- und Mobile Games
MehrPartitionieren über Rechnergrenzen hinweg
Partitionieren über Rechnergrenzen hinweg Erkan Yanar erkan.yanar@linsenraum.de Blog: linsenraum.de/erkules Xing: www.xing.com/profile/erkan Yanar 24. November 2011 Was tun wenn: Daten übersteigen die
MehrWS 2010/11 Datenbanksysteme Fr 15:15 16:45 R Vorlesung #3. SQL (Teil 1)
Vorlesung #3 SQL (Teil 1) Fahrplan Wiederholung/Zusammenfassung Relationales Modell Relationale Algebra Relationenkalkül Geschichte der Sprache SQL SQL DDL (CREATE TABLE...) SQL DML (INSERT, UPDATE, DELETE)
Mehr4. Objektrelationales Typsystem Kollektionstypen. Nested Table
Nested Table Bei einer Nested Table handelt es sich um eine Tabelle als Attributwert. Im Gegensatz zu Varray gibt es keine Beschränkung bei der Größe. Definition erfolgt auf einem Basistyp, als Basistypen
MehrDB2 mit BLU Accelerator unter SAP. Sascha M. Köhler Software Architekt
DB2 mit BLU Accelerator unter SAP Sascha M. Köhler Software Architekt Agenda 01 Herausforderungen unserer Kunden 02 Lösungsdefinition 03 PROFI Angebot 04 Zusammenfassung 3 Herausforderungen unserer SAP
MehrDatenbanken: Indexe. Motivation und Konzepte
Datenbanken: Indexe Motivation und Konzepte Motivation Warum sind Indexstrukturen überhaupt wünschenswert? Bei Anfrageverarbeitung werden Tupel aller beteiligter Relationen nacheinander in den Hauptspeicher
MehrIntegriertes Seminar Datenbanken und Informationssysteme. Was sind Peer-to-Peer Systeme? Wie kann man diese effizient nutzen?
Integriertes Seminar Datenbanken und Informationssysteme P2P-Computing Lehrgebiet Datenverwaltungssysteme Prof. Dr. Dr. h.c. Härder Prof. Dr. Deßloch Björn Jung b_jun@informatik.uni-kl.de Technische Universität
MehrDatenbanksysteme. Donald Kossmann TU München
Datenbanksysteme Donald Kossmann TU München Übersicht Wie benutze ich ein Datenbanksystem? Datenmodellierung (ER, UML, Theorie) Datenbankprogrammierung (SQL) Wie baue ich ein Datenbanksystem? Anfrageoptimierung
MehrRoadshow - What s new in SQL Server 2016
1 Roadshow - What s new in SQL Server 2016 Kursleitung: Dieter Rüetschi (ruetschi@ability-solutions.ch) 2 Inhalt Fachreferat Everything-Built-In Mission Critical Plattform Security Hochverfügbarkeit Advanced
MehrDATENBANKEN MIT DELPHI. Herausgegeben von der Redaktion. Toolbox. Computer & Literatur Verlag GmbH
DATENBANKEN MIT DELPHI 11 Herausgegeben von der Redaktion Toolbox ИЗ Computer & Literatur Verlag GmbH Inhaltsverzeichnis Fundamente 9 1 Die Grundlagen von Datenbanken 11 1.1 Das Speichern von Daten 15
MehrPraktische SQL-Befehle
Praktische SQL-Befehle Datenbanksysteme I WiSe 2018/2019 Todor Ivanov DB1 WS2018 1 Praktische SQL-Befehle Nested Selects Inserts Updates Views Triggers Constraints Functions Voraussetzung: Laptop + MySQL/
MehrTuning des Weblogic /Oracle Fusion Middleware 11g. Jan-Peter Timmermann Principal Consultant PITSS
Tuning des Weblogic /Oracle Fusion Middleware 11g Jan-Peter Timmermann Principal Consultant PITSS 1 Agenda Bei jeder Installation wiederkehrende Fragen WievielForms Server braucheich Agenda WievielRAM
Mehr