Performance-Vergleich von PostgreSQL, SQLite, db4o und MongoDB

Größe: px
Ab Seite anzeigen:

Download "Performance-Vergleich von PostgreSQL, SQLite, db4o und MongoDB"

Transkript

1 Performance-Vergleich von PostgreSQL, SQLite, db4o und MongoDB - Benchmarking und Performance von (R)DBMS Seminar Datenbanksysteme Master of Science in Engineering Vertiefungsrichtung Software and Systems HSR Hochschule für Technik Rapperswil Supervisor: Prof. Stefan Keller Autoren: Philippe Morier & Martin Weber Rapperswil, Dezember 2011

2 Kapitel: 1 Abstract Inhalt Abstract... 4 Aufgabenstellung... 5 Stand der Technik Bestehende Benchmarks PostgreSQL SQLite db4o MongoDB Für den Benchmark verwendete Daten Beschaffung & Herkunft Aufbereitung Extraktion Benchmark Definition Aufbau Datenbanken Durchführungsregeln Benchmark-Tests und Benchmark-Ablauf BMT-1 Insert - Einfügen der Test-Daten BMT-2 SelectAll - Abfrage aller Daten BMT-3 Equal - Abfrage auf Gleichheit BMT-4 Small-/Large-Range - Kleine und grosse Bereichsabfrage BMT-5 Join - Abfrage mit Beziehungen Test-Umgebung Effizienz-Kriterien Konfigurationen der DBMS Ergebnisse und Diskussion Herbst /36

3 Kapitel: 1 Abstract 6 Vergleichbarkeitsbasis & Optimierungspotentiale Isolation-Level Datentyp-Sicherheit Einsatz von Index Schlussfolgerung Eigenständigkeitserklärung Glossar Abbildungsverzeichnis Tabellenverzeichnis Literaturverzeichnis Code der Datei benchmark.py Herbst /36

4 Kapitel: 1 Abstract 1 Abstract Das Datenbank-Seminar vom Herbstsemester 2011 steht u.a. unter dem Motto "Benchmarking und Performance von (R)DBMS". Wir entschieden uns für einen Benchmark der folgenden DBMS durchzuführen. PostgreSQL SQLite db4o MongoDB Dabei wurde das vorliegende Dokument wie folgt strukturiert. Zu Beginn wird eine Übersicht über den Stand der Technik der vier ausgewählten DBMS gegeben. Anschliessend wird die Beschaffung und Herkunft der im Benchmark verwendeten Daten kurz beschrieben. Der Begriff Benchmark wird im Kapitel 6 definiert. Zudem wird in diesem Kapitel unter anderem der Aufbau und Ablauf sowie die entstandenen Resultate der Durchführung des Benchmarks aufgezeigt. Der Schluss des Dokumentes befasst sich mit der Vergleichbarkeitsbasis und Optimierungspotenziale sowie eine allgemeine Schlussfolgerung. Die Abfragen für den Benchmark wurden mit der Skript-Sprache Python erstellt. Diese enthalten alle durchgeführten und gemessenen Abfragen. Bei den Daten handelt es sich um Wetterdaten, welche einen Bezug zur Zeit aufweisen. Der Benchmark wurde mit den Out-Of-The-Box Konfigurationen des jeweiligen DBMS durchgeführt. Das DBMS db4o wies mit Abstand die kleinste Performance auf. Keyword: Benchmark, db40, PostgreSQL, MongoDB, SQLite, Wetterdaten, Python, IronPython, PyMongo, DBMS, SQL Herbst /36

5 Kapitel: 2 Aufgabenstellung 2 Aufgabenstellung Ziel dieser Arbeit ist das Erstellen und Durchführen eines Benchmarks für die folgenden vier Datenbankmanagementsysteme (DBMS). PostgreSQL SQLite db4o MongoDB Dabei ist zu beachten, dass an den einzelnen DBMS keine Konfigurationsänderungen nach deren Installation durchgeführt werden. D.h. die DBMS werden Out-Of-The-Box verwendet. Des Weiteren soll eine möglichst faire Vergleichbarkeitsbasis geschaffen werden und eine klar spezifizierte Test-Umgebung definiert werden. Zusätzlich soll der Aufbau, Ablauf wie auch die Schwerpunkte des Benchmarks dargestellt werden. Der Benchmark sollte Best-Practice Aufgaben beinhalten und sich allgemein anhand Best-Practice Methoden orientieren. Um die Effizienz der DBMS bestimmen zu können, sollen Effizienzkriterien definiert werden. Die Benchmark-Ergebnisse sollen in einer verständlichen Art und Weise dargestellt werden und mögliche Optimierungspotentiale sollen aufgezeigt werden. Die für den Benchmark verwendeten Daten sollen aus der Meteorologie stammen. Die Benchmark- Daten benötigen einen geografischen und zeitlichen Bezug. D.h. es sollen zeitlich abhängige Wetter- Daten verwendet werden. Zusätzlich soll darauf geachtet werden, dass eine grosse Menge an Daten für den durchzuführenden Benchmark vorliegt. Zum Schluss der Arbeit sollen die Ergebnisse des Benchmarks ausgewertet werden und die daraus gezogenen Schlussfolgerungen aufgezeigt werden. Über das gesamte Dokument hinweg gilt für die inhaltliche Bearbeitung folgende Aufteilung: Martin Weber: SQLite & MongoDB Philippe Morier: PostgreSQL & db4o Herbst /36

6 Kapitel: 3 Stand der Technik 3 Stand der Technik Im folgendem Kapitel wird eine Liste von bestehenden Benchmarks aufgelistet. Zusätzlich werden die Eigenschaften und Spezialitäten der vier Datenbank PostgreSQL, SQLite, db4o und MongoDB beschrieben. 3.1 Bestehende Benchmarks Das Durchführen von Benchmarks hat in der heutigen Informatik eine grosse Bedeutung. Folgend sind Dokumente bzw. Web-Links zum Thema Database Performance Benchmarking aufgelistet. HSR Texas Geo Database Benchmark [TexasBench] Fame Database Performance Benchmark for Time Series Data [FAME] A Practitioner's Introduction to Database Performance Benchmarks and Measurements [OxfordJournals] Transaction Processing Performance Council [TPC] The Engineering Database Benchmark [Cattell] PolePosition Open Source Database Benchmark [PolePosition] Key/Value Pair Versus hstore - Benchmarking Entity-Attribute-Value Structures in PostgreSQL [MOtt] 3.2 PostgreSQL PostgreSQL ist ein objektrelationales Datenbanksystem (ORDBMS), welches im Jahr 1986 als Projekt an der University of California at Berkeley vom Hauptverantwortliche Michael Stonebraker gestartet wurde. Die Anfragesprache SQL von PostgreSQL implementiert weitgehend die Standards ANSI-SQL 92 und bereits einen sehr grossen Teil der verpflichtenden Merkmale des aktuellen SQL:2008 Standard. Somit werden alle gängigen SQL-Funktionalitäten unterstützt und verhalten sich wie erwartet [Postgres]. PostgreSQL wird durch die folgenden Limits eingeschränkt. Max. Datenbankgrösse Max. Tabellengrösse Max. Grösse eines Datensatzes Max. Zellengrösse Max. Anzahl Zeilen pro Tabelle Max. Anzahl der Spalten pro Tabelle Unbeschränkt 32 TB 1.6 TB 1 GB Unbeschränkt (abhängig von verwendeten Datentypen) Herbst /36

7 Kapitel: 3 Stand der Technik Max. Indexes per Table Unbeschränkt Tabelle 3-1: Limits von PostgreSQL [Postgres] Für den Performance-Gewinn bei grossen Datenmengen unterstützt PostgreSQL unique-, partielle und funktionale Indexe. Seit der Version 8.1 können mehrere Indexe im Speicher zu Bitmaps verknüpft und von einem einzigen Index-Scan genutzt werden [PostgresDE]. Die Indexe werden in Form von R-Tree, B-Tree, Hash oder GiST aufgebaut [Postgres]. 3.3 SQLite SQLite ist eine Programmbibliothek, die ein relationales Datenbanksystem enthält und einen Grossteil der im SQL-92-Standard festgelegten SQL-Sprachbefehle unterstützt. Es wurde im Jahr 2000 von Richard Hipp entwickelt und ist in C programmiert [WikiSQLite]. SQLite repräsentiert eine serverlose, konfigurationsfreie und transaktionale Datenbankengin. Ein Hauptmerkmal ist die sehr kleine Speicherplatzgrösse, welche SQLite für das Speichern der ganzen Datenbank benötigt. Je nach Systemplattform und Compiler-Optimierungseinstellung liegt der benötigte Speicherplatz bei ca. 350KB. Dies ist unter anderem ein Grund, warum SQLite häufig in Embedded Systems zum Einsatz kommt [SQLite]. SQLite wird durch die folgenden Limits eingeschränkt. Max. Datenbankgrösse 14 TB Max. involvierte Tabellen in einem Join 64 Max. Grösse eines Datensatzes Bytes = ca. 2 GB Max. Anzahl Zeilen pro Tabelle 2 64 Max. Anzahl der Spalten pro Tabelle Max. Länge eines SQL-Statements 1 GB Tabelle 3-2: Limits von SQLite [SQLimits] 3.4 db4o Das db4o Projekt begann im Jahr 2000 unter Führung von Carl Rosenberger. Db4o ist eine open source Objektdatenbank, welche Java und.net Entwickler ermöglicht, in ihrer Applikation Objekte mit Hilfe von wenigen Codezeilen zu speichern und abzufragen. Das Definieren und Unterhalten eines Datenbankmodells ist nicht notwendig. Db4o gehört zu den NoSQL-Datenbanken. Der Footprint der Datenbank-Bibliothek beträgt ca. 1 MB und der minimale RAM Footprint benötigt normalerweise weniger als 3 MB. Pro Datenbank-Datei ist eine maximale Grösse von 254GB möglich [db4o]. Herbst /36

8 Kapitel: 3 Stand der Technik 3.5 MongoDB MongoDB (von "hu-mongo-us") ist eine skalierbare, hoch-performante, dokumentenorientierte open-source Datenbank, welche in C++ geschrieben ist. Das Projekt startete im Jahr 2007 und hatte 2009 den ersten öffentlichen Release. Bei der Entwicklung von MongoDB wurde besonders auf folgende vier Kriterien geachtet [MongoDB]. Flexibilität Power Geschwindigkeit Einfache Verwendung Tabelle 3-3: Philosophie von MongoDB Eine markante schlecht dokumentiere Begrenzung liegt in der maximalen Dateigrösse von 2.5 GB auf einem 32Bit-System [MongoDB]. Herbst /36

9 Kapitel: 4 Für den Benchmark verwendete Daten 4 Für den Benchmark verwendete Daten 4.1 Beschaffung & Herkunft Die für den Benchmark verwendeten Daten stammen vom Niederschlagsradar von NZZ Online [NZZ]. Der Niederschlagsradar ist in Form einer animierten Bildserie verfügbar. Die Bildserie verwendet das Graphics Interchange Format (GIF) für die Darstellung. Um einen geografischen und zeitlichen Bezug herstellen zu können, müssen zuerst die meteorologischen Daten aus der Bildserie extrahiert werden. Dieser Prozess wird von einer separaten Software-Lösung durchgeführt und für die jeweiligen DBMS in das passende Format gebracht. 4.2 Aufbereitung Abbildung 4-1: Niederschlagsradar von NZZ Online Extraktion Die für uns interessanten Daten sind die eingefärbten Niederschlag-Pixel. Diese müssen also aus der Bilderserie extrahiert werden. Abbildung 4-2: Extraktion der Niederschlag-Pixel Herbst /36

10 Kapitel: 4 Für den Benchmark verwendete Daten Jeder einzelne Niederschlags-Pixel wird in die Datenbank abgespeichert. Dabei werden als Koordinaten die Pixelpositionen vom Bild verwendet. Somit hat beispielsweise ein Niederschlags- Pixel über Rapperswil die X/Y-Koordinaten (351/108). Abbildung 4-3: Einzelner Niederschlags-Pixel Herbst /36

11 Kapitel: 5 Benchmark 5 Benchmark 5.1 Definition Ein Benchmark ist ein klar definiertes Bewertungsverfahren von EDV-Systemen. Dabei werden unterschiedliche Systeme anhand festgelegten Effizienz-Kriterien auf deren Leistung miteinander verglichen. Es existieren Benchmarks für Soft- wie auch für Hardware. In dieser Arbeit werden verschiedene DBMS miteinander verglichen. Das in dieser Arbeit beschriebenen resp. durchgeführten Bewertungsverfahren stellt somit einen Software-Benchmark dar. Das Bewertungsverfahren benötigt eine faire Vergleichbarkeitsbasis um die verschiedenen EDV- Systeme miteinander zu vergleichen. Eine faire Vergleichsbarkeitsbasis beruht auf Definitionen einer Test-Umgebung, Effizienzkriterien und Konfigurationsgrad. Der Ablauf und die Durchführung des Benchmarks auf dem jeweiligen System sollte stets identisch erfolgen. Des Weiteren sollten die im Benchmark durchgeführten Aufgaben Best-Practice Anwendungsfällen entsprechen. 5.2 Aufbau Im folgendem Kapitel wird der Aufbau des Benchmarks erläutert. Dabei wird der Zusammenhang der unterschiedlichen Scripts und Dateien dargestellt. Abbildung 5-1: Aufbau des Benchmarks Der Platzhalter DBName steht jeweils für das konkrete Datenbankmanagementsystem und kann folgende Werte annehmen: postgres sqlite Herbst /36

12 Kapitel: 5 Benchmark db4o mongodb Dies Bedeutet, dass von einer Datei, welche in der oben gezeigten Abbildung den Platzhalter enthält, jeweils vier unterschiedliche Exemplare existieren. _start_[dbname].bat Die Aufgabe der Batch-Dateien liegt darin, das entsprechende Log-File zu löschen und anschliessend die Datei benchmark.py mit der richtigen Konfiguration auszuführen. D.h. es muss der entsprechende Interpreter und die passenden Parameter angegeben werden. Folgende Tabelle zeigt den Inhalt der Batch-Datei für das DBMS db4o. DEL db4o_log.csv ipy benchmark.py -d db4o -n 2 PAUSE Abbildung 5-2: Inhalt der Datei _start_db4o.bat _init_[dbname].py Das init-modul wird für das Erstellen einer sauberen Ausgangslage zur Durchführung des Benchmarks verwendet. Dabei werden alte Datenbanken gelöscht und allfällig durch einen früher durchgeführten Benchmark erstellte Dateien entfernt. In einem weiteren Schritt wird eine leere Datenbank angelegt. Zum Schluss wird die für die weitere Arbeit benötigte Verbindung zur Datenbank erstellt. _insert_[dbname].py Die für den Benchmark benötigten Daten werden durch das insert-modul in die jeweilige Datenbank eingefügt. Insgesamt werden ca Datensätze gespeichert. _queries_[dbname].py Das query-modul enthält folgende für den Benchmark relevanten Datenbankabfragen. Abfrage aller Daten Abfrage auf Gleichheit Kleine und grosse Bereichsabfrage Join-Abfrage benchmarks.py Die Datei benchmark.py stellt einen Rahmen für den Ablauf dar. D.h. sie ruft die datenbankspezifischen Methoden der importierten Module in einer fixen Reihenfolge auf. Für die Ausführung des Benchmarks werden zwei Parameter erwartet. Konkret sind dies der Name des Herbst /36

13 Kapitel: 5 Benchmark DBMS und die Anzahl Durchführungen. Folgendes Beispiel führt den Benchmark für das DBMS db4o zwei Mal durch. benchmark.py -d db4o -n 2 Abbildung 5-3: Ausführung des Benchmarks mit entsprechenden Parameter Das benchmark-modul übernimmt zusätzlich die Zeitmessung und das Logging. Die Zeitmessung wurde vom HSR Texas Geo Database Benchmark [TexasBench] übernommen Datenbanken Die beiden RDBMS PostgreSQL und SQLite enthalten jeweils genau die Tabelle raindrop mit folgendem Aufbau. frameid nextframeid rainfall timestamp x y Tabelle 5-1: Aufbau der Tabelle "raindrop" mit Beispiel Datensätze CREATE TABLE raindrop ( frameid int NOT NULL, nextframeid int NOT NULL, rainfall int NOT NULL, timestamp int NOT NULL, x int NOT NULL, y int NOT NULL ) Abbildung 5-4: Struktur der Tabelle "raindrop" Das objektorientierte DBMS db4o und das dokumentorientierte DBMS MongoDB haben konzeptbedingt keine Tabellen. Da das DBMS db4o in erster Linie nur für Java bzw..net Entwickler zur Verfügung steht, musste mit einer speziellen Python-Implementation namens IronPython gearbeitet werden. Diese ermöglicht das Verwalten von.net-objekte mit db4o aus einem Python-Skript. Das Abspeichern von Python-Objekte führte zum folgendem Fehler. Unexpected char '$' Abbildung 5-5: Fehler beim Abspeichern [IrPyObj] Aus diesem Grund wurde eine.net-library mit dem benötigten Klasse erstellt. Nun werden Instanzen von der.net-klasse mit IronPython in eine db4o -Datenbank abgespeichert [IrPyObj]. Die Struktur der Objekte, welche für das DBMS db4o verwendet werden, sieht wie folgt aus. Herbst /36

14 Kapitel: 5 Benchmark Abbildung 5-6: Klasse "raindrop" Bei dem DBMS MongoDB werden sogenannte Dokumente in Form von BSON (Binary JSON) abgespeichert. Diese Dokumente bzw. Objekte haben folgende Struktur. [{"frameid":1, "nextframeid":2, "rainfall": , "timestamp": , "x":201, "y":13}, {"frameid":1, "nextframeid":2, "rainfall": , "timestamp": , "x":241, "y":54}, {"frameid":2, "nextframeid":3, "rainfall": , "timestamp": , "x":295, "y":90}, {"frameid":3, "nextframeid":4, "rainfall": , "timestamp": , "x":318, "y":120}] Abbildung 5-7: "raindrop"-dokument Damit Objekte über Python in eine MongoDB abgespeichert werden können, muss Python mit der Distribution PyMongo erweitert werden [PyMongo] [Niall] Durchführungsregeln Für die Durchführung des Benchmarks werden die folgenden Regeln befolgt. Jeder Test wird genau sechs Mal hintereinander durchgeführt. Jeder Test wird auf demselben System durchgeführt. Während der Durchführung eines Tests sind die nicht in den Test involvierten DBMS beendet. Die verwendeten Daten aus der Meteorologie stammen aus einem realen Szenario. Jedes DBMS hat dieselben Daten für die Tests gespeichert. Herbst /36

15 Kapitel: 5 Benchmark Die Konfigurationen der installierten DBMS wurden nach deren Installation unverändert belassen. D.h. Jedes DBMS läuft mit den Standard-Einstellungen resp. Konfigurationen und ist somit nicht optimiert (Out-Of-The-Box). 5.3 Benchmark-Tests und Benchmark-Ablauf In diesem Kapitel soll die Reihenfolge und die Art der Abfragen aufgezeigt und erklärt werden. Folgende Auflistung zeigt die Anzahl, Reihenfolge und Art der Interaktionen mit dem entsprechendem DBMS. Zu beachten ist, dass bei jedem Benchmark-Test (BMT) eine allgemein identische Ausgangslage erstellt wird. D.h. allfällige Dateien oder Datenbanken werden gelöscht bzw. neu erstellt. Führe benchmark.py n-mal für Datenbank d aus Stelle Initial-Zustand her Einfügen der Test-Daten Führe m-mal aus Abfrage aller Daten Führe m-mal aus Abfrage auf Gleichheit Führe m-mal aus Kleine und grosse Bereichsabfrage Führe m-mal aus Join-Abfrage Abbildung 5-8: Struktogramm des Ablaufs Das Python-Script benchmark.py nimmt die drei Parameter n, m und d entgegen. Die Parameter haben folgende Bedeutung: n: Bestimmt die gesamte Durchführungsanzahl des Benchmarks m: Bestimmt die Anzahl der einzelnen Interaktionen d: Bestimmt das DBMS für welches der Benchmark ausgeführt wird BMT-1 Insert - Einfügen der Test-Daten Für die Durchführung des Benchmarks wird ein Datenvolumen von ca. 325 ooo Datensätze verwendet. Diese werden zu Beginn des Benchmarks in die jeweilige Datenbank eingefügt. Im Folgenden wird pro DBMS eine verkürzte Variante des Codes, welcher die Daten einfügt, aufgezeigt. Herbst /36

16 Kapitel: 5 Benchmark cur = db.cursor() cur.execute(""" INSERT INTO raindrop (frameid, nextframeid, rainfall, timestamp, x, y) VALUES ('2', '3', ' ', ' ', '431', '133'); INSERT INTO raindrop (frameid, nextframeid, rainfall, timestamp, x, y) VALUES ('2', '3', ' ', ' ', '431', '134'); INSERT INTO raindrop (frameid, nextframeid, rainfall, timestamp, x, y) VALUES ('2', '3', ' ', ' ', '431', '135'); """) cur.close() Abbildung 5-9: Einfügen der Test-Daten in "PostgreSQL" c = db.cursor() raindrop = [ (0, 1, , , 2, 269), (0, 1, , , 3, 270), (0, 1, , , 3, 271) ] c.executemany("insert INTO raindrop(frameid, nextframeid, rainfall, timestamp, x, y) values (?,?,?,?,?,?)", raindrop) c.close() Abbildung 5-10: Einfügen der Test-Daten in "SQLite" db.store(raindrop(0, 1, , , 2, 269)) db.store(raindrop(0, 1, , , 3, 270)) db.store(raindrop(0, 1, , , 3, 271)) db.store(raindrop(0, 1, , , 4, 272)) db.store(raindrop(0, 1, , , 5, 9)) Abbildung 5-11: Einfügen der Test-Daten in "db4o" raindrops = db.raindrop raindrop = [ {"frameid":1, "nextframeid":2, "rainfall": , "timestamp": , "x":201, "y":13}, {"frameid":1, "nextframeid":2, "rainfall": , "timestamp": , "x":241, "y":54} ] raindrops.insert(raindrop) Abbildung 5-12: Einfügen der Test-Daten in "MongoDB" Die Test-Daten für die MongoDB wurden in zwei separate Dateien aufgeteilt. Dies wurde nötig, da ansonsten das Einfügen der Daten durch eine Memory-Exception abgebrochen wurde [MemoryError] BMT-2 SelectAll - Abfrage aller Daten Im Folgenden wird pro DBMS einen Code-Ausschnitt, welcher alle Daten abfragt, aufgezeigt. Herbst /36

17 Kapitel: 5 Benchmark cursor.execute("""select count(*) FROM raindrop""") Abbildung 5-13: Abfragen aller Test-Daten in "PostgreSQL" und SQLite query.constrain(clr.getclrtype(raindrop)) result = query.execute() Abbildung 5-14: Abfragen aller Test-Daten in "db4o" db.raindrop.find().count() Abbildung 5-15: Abfragen aller Test-Daten in "MongoDB" BMT-3 Equal - Abfrage auf Gleichheit Im Folgenden wird pro DBMS einen Code-Ausschnitt, welcher die Daten mit der x-koordinate 200 abfragt, aufgezeigt. cursor.execute("""select count(*) FROM raindrop WHERE x = 200""") Abbildung 5-16: Abfragen der Test-Daten auf x-koordinate 200 in "PostgreSQL" cursor.execute('select count(*) FROM raindrop WHERE x=200') Abbildung 5-17: Abfragen der Test-Daten auf x-koordinate 200 in "SQLite" query.constrain(clr.getclrtype(raindrop)) query.descend("_x").constrain(200) result = query.execute() Abbildung 5-18: Abfragen der Test-Daten auf x-koordinate 200 in "db4o" db.raindrop.find({"x": 200}).count() Abbildung 5-19: Abfragen der Test-Daten auf x-koordinate 200 in "MongoDB" BMT-4 Small-/Large-Range - Kleine und grosse Bereichsabfrage Im Folgenden wird pro DBMS einen Code-Ausschnitt, welcher die Daten mit der x-koordinate 200 abfragt, aufgezeigt. Folgende Code-Ausschnitte zeigen eine Abfrage über einen Bereich der Test-Daten. Dabei werden zwei unterschiedlich grosse Bereiche abgefragt. Bei der kleineren Abfrage wird nur einen Zehntel und bei der grösseren Abfrage die mittlere Hälfte der Daten ausgelesen. Folgende Abbildung zeigt die betroffenen Regionen der beiden Abfragen. Herbst /36

18 Kapitel: 5 Benchmark Abbildung 5-20: Betroffene Regionen cursor.execute("""select count(*) FROM raindrop WHERE timestamp BETWEEN AND """) Abbildung 5-21: Abfragen der Test-Daten auf einen Bereich in "PostgreSQL" cursor.execute('select count(*) FROM raindrop WHERE timestamp BETWEEN AND ') Abbildung 5-22: Abfragen der Test-Daten auf einen Bereich in "SQLite" query.constrain(clr.getclrtype(raindrop)) query.descend("_timestamp").constrain( ).greater().and(query.descend("_timestamp").constrain( ).smaller()) result = query.execute() Abbildung 5-23: Abfragen der Test-Daten auf einen Bereich in "db4o" db.raindrop.find({"timestamp":{'$gt': , '$lt': }}).count() Abbildung 5-24: Abfragen der Test-Daten auf einen Bereich in "MongoDB" BMT-5 Join - Abfrage mit Beziehungen In der Join-Abfrage werden alle Datensätze eines Frames ausgelesen, welches das nachfolgende Frame eines einzelnen Datensatzes ist. Zu beachten ist, dass das objekt- und dokumentorientierte DBMS konzeptbedingt keine Join-Abfrage direkt unterstützen. Deshalb wurden für das DBMS db4o und MongoDB die Join-Abfrage manuell implementiert. cursor.execute("""select count(*) FROM raindrop AS a INNER JOIN raindrop AS b ON b.frameid = a.nextframeid WHERE a.timestamp = """) Abbildung 5-25: Join-Abfragen in "PostgreSQL" cursor.execute('select count(*) FROM raindrop AS a INNER JOIN raindrop AS b ON b.frameid = a.nextframeid WHERE a.timestamp = ') Abbildung 5-26: Join-Abfragen in "SQLite" Herbst /36

19 Kapitel: 5 Benchmark query.constrain(clr.getclrtype(raindrop)) query.descend("_timestamp").constrain( ) result = query.execute() query = db.query() query.constrain(clr.getclrtype(raindrop)) query.descend("_frameid").constrain(result[0].nextframeid) result = query.execute() Abbildung 5-27: Join-Abfragen in "db4o" rd = db.raindrop.find_one({"timestamp": }) db.raindrop.find({"frameid": rd['nextframeid']}).count() Abbildung 5-28: Join-Abfragen "MongoDB" 5.4 Test-Umgebung Für den Benchmark wurde folgendes System verwendet. System Type Model Prozessor RAM Hard Drive 64-Bit Operating System HP Compaq 8710p Intel Core 2 Duo CPU 2.50GHz 4.00 GB Fujitsu MHZ2250BH G2 ATA Device (250GB, 5400 RPM) Operating System Windows Professional 7 Tabelle 5-2: Systemeigenschaften 5.5 Effizienz-Kriterien Im Durchgeführten Benchmark wird als Effizienz-Kriterium einzig die Zeit betrachtet. Weitere Kriterien wie RAM-Auslastung, CPU-Auslastung und Speicherplatz der Datenbank wären denkbar. 5.6 Konfigurationen der DBMS Wie bereits in der Aufgabenstellung erwähnt, werden die jeweiligen DBMS Out-Of-The-Box verwendet. D.h. es werden keine eigenen Änderungen an den Konfigurationen vorgenommen. Somit werden die Standardkonfigurationen der DBMS bei belassen. 5.7 Ergebnisse und Diskussion In diesem Kapitel werden die Ergebnisse der BMTs 1 bis 6 aufgezeigt. Diese sind im Kapitel [5.3 Benchmark-Tests und Benchmark-Ablauf] genauer erläutert. Dabei zeigt jedes Diagramm sechs Durchführungen der jeweiligen Interaktion (z.b. Insert, Join, etc.). Herbst /36

20 Kapitel: 5 Benchmark Auf Grund der Übersicht sind die Achsen der jeweiligen Plots nicht beschrieben. In jedem Plot sind auf der X-Achse die sechs nacheinander durchgeführten Benchmarks. Die Y-Achse zeigt die jeweilige Dauer in Sekunden. Die Farben der Balken in den Diagrammen repräsentieren je ein DBMS. Folgende Legende gilt für die untenstehenden Diagramme. SQLite PostgreSQL db4o MongoDB Abbildung 5-29: Ergebnisse des Benchmarks Herbst /36

21 Kapitel: 5 Benchmark Bestimmte DBMS benötigen für das erstmalige Einfügen der Daten deutlich länger als bei erneuten Einfüge-Aktionen. So dauert das erste Einfügen bei db4o ca. 40 Sekunden. Anschliessende Einfüge-Aktionen benötigen nur noch zwischen 10 und 15 Sekunden. Dies stellt eine ca. dreifache Verbesserung dar. Der SelectAll-Plot weisst ein ähnliches Verhalten wie der Insert-Plot auf. Die MongoDB zeigt ein enorme Verbesserungen bei erneuten Abfrage aller Daten. Wobei der Fokus auf der ersten Abfrage liegt. Diese dauert ca. 40 mal länger als bei anderen Datenbanken! Dafür benötigt sie für die weiteren SelectAll-Abfragen praktisch keine Zeit mehr. In den restlichen vier Plots zeigt sich, dass db4o deutlich langsamer die gestellten Interaktionen verarbeitet. Unserer Meinung nach liegt der Grund dieses Ergebnis in dem zusätzlich eingefügten Layer. Da db4o in erster Linie für Java und.net Entwicklern bereitgestellt wird, musste wie im Kapitel [5.2.1 Datenbanken] beschrieben, eine in.net implementierte Klasse eingebunden werden. Durch die Verwendung einer.net-klasse muss der Overhead der virtuellen Maschine von.net in Kauf genommen werden. Abbildung 5-30:.Net-Basisprinzip [Wiki.Net] Um eine bessere Analyse zu erlauben werden die vier Plots nachfolgend ohne das DBMS db4o erneut dargestellt. Herbst /36

22 Kapitel: 5 Benchmark Abbildung 5-31: Ergebnisse ohne "db4o" Die in der Abbildung [Abbildung 5-30: Ergebnisse ohne "db4o"] dargestellten Plots zeigen die Ergebnisse ohne das DBMS db4o. In diesen Plots kristallisiert sich nun die MongoDB heraus. Sie benötigt für die gestellten Anfragen erheblich länger als die SQL-Datenbanken. Die beiden DBMS PostgreSQL und SQLite weisen in den Plots ähnliche Zeiten auf. Herbst /36

23 Kapitel: 5 Benchmark Zu beachten ist, dass PostgreSQL und SQLite relational DBMS sind im Gegensatz zur objektorientierten db4o und dokument-orientierter MongoDB. Deshalb ist es denkbar, dass gewisse DBMS je nach Art der Datenstruktur Vorteile in bestimmten Anwendungsgebiete besitzen. Durch den durchgeführten Benchmark können folgende Aussagen getroffen werden. Das DMBS db4o weisst im Vergleich zu den anderen drei DBMS die schlechteste Performanz auf. Wie bereits erwähnt, könnte der zusätzlich eingefügte Layer durch die.net CLR für den starken Performanz-Verlust verantwortlich sein. Interessant wäre nun wie sich die DBMS aus Java oder.net verhalten würden. Denkbar wäre, dass db4o dadurch einen Vorteil erhalten würde. Dies darum, weil nun db4o in der für sie vorgesehenen Umgebung eingesetzt werden würde. Beim Vergleich der DBMS ohne db4o zeigt sich, dass die MongoDB bei den meisten Test schlecht abschneidet. Interessant sind jedoch die ähnliche Ergebnisse beim BMT-5 Join. Obwohl die MongoDB nicht für Join-Abfragen ausgerichtet ist, performt sie nicht wesentlich schlechter. Es ist erstaunlich wie gut die noch sehr junge MongoDB mit dem ca. 30 Jährigen PostgreSQL mithalten kann. Nun stellt sich die Frage, ob der neue, dokumentorientierte Ansatz in Zukunft ähnliche oder sogar bessere Leistungen erbringen wird und sich dadurch zum neuen Datenbankstandard durchsetzen kann. Die relationalen Datenbanken SQLite und PostgreSQL weissen in den meisten Plots sehr ähnlich Werte auf. Dies lässt sich vermutlich auf die gemeinsame verwendete Technologie SQL zurückführen. Herbst /36

24 Kapitel: 6 Vergleichbarkeitsbasis & Optimierungspotentiale 6 Vergleichbarkeitsbasis & Optimierungspotentiale Dieses Kapitel zeigt die Möglichkeiten auf, welche fairere Vergleichsbarkeitsbasis erlauben. Des Weitern werden auch Optimierungspotentiale aufgelistet. Zu beachten ist, dass die nachfolgend gezeigten Optimierungen lediglich eine kleine Menge der Möglichkeiten darstellen. 6.1 Isolation-Level Durch die Verwendung der Out-Of-The-Box -Konfiguration der DBMS weisen diese zum Teil unterschiedliche Isolation-Level auf. Folgende Default-Einstellungen gelten für die DBMS. PostgreSQL: Read-Commited [IsoLevelPostgres] SQLite: Serialized [IsoLevelSQLite] Db4o: Read-Commited [IsoLevelDb4o] MongoDB: Kein Isolation-Level und ACID grössten Teils nicht umgesetzt [IsoLevelMongo] Um eine faire Vergleichbarkeitsbasis zu schaffen, müssen die Isolation-Level entsprechend angepasst werden. 6.2 Datentyp-Sicherheit Nicht jedes der vier getesteten DBMS gewährleistet Typsicherheit. So ist SQLite von sich aus nicht typsicher. Der Datentyp wird aus dem zu speicherndem Wert abgeleitet und nicht dessen Container. Ein mögliche Variante um eine faire Vergleichsbasis zu schaffen, liegt in dem manuellen Definieren von Check-Constraints wie im folgendem Beispiel gezeigt ist. [SQLiteType] ALTER TABLE raindrob ADD CONSTRAINT is_timestamp_int CHECK (timestamp BETWEEN and ) Abbildung 6-1: Erstellen von Check-Constraints 6.3 Einsatz von Index Durch das Erstellen von Indexen kann eine bessere Performance bei den DBMS erzielt werden. Die Indexierung wird bei den vier betrachten Datenbanken unterstützt. Der nachfolgende Python-Code zeigt das Erstellen eines Index für die einzelnen DBMS. cursor.execute("create INDEX time_idx ON raindrop(x, timestamp);") Abbildung 6-2: Erstellen eines Indexes für PostgreSQL und SQLite Herbst /36

25 Kapitel: 6 Vergleichbarkeitsbasis & Optimierungspotentiale db.raindrop.ensure_index('timestamp') db.raindrop.ensure_index('x') Abbildung 6-3: Erstellen eines Indexes für MongoDB Db4oFactory.Configure().ObjectClass(clr.GetClrType(Raindrop)).ObjectField("_x").Indexed("true") Db4oFactory.Configure().ObjectClass(clr.GetClrType(Raindrop)).ObjectField("_timestamp").Indexed("true") Abbildung 6-4: Erstellen eines Indexes für db4o Wie die untenstehenden Plots aufzeigen, konnte durch das Verwenden von Index-Strukturen über die Spalten x und timestamp teilweise signifikante Verbesserungen erreicht werden. In jedem Plot sind auf der X-Achse die sechs nacheinander durchgeführten Benchmarks. Die Y- Achse zeigt die jeweilige Dauer in Sekunden. Folgende Legende gilt für die untenstehenden Diagramme. SQLite PostgreSQL db4o MongoDB Abbildung 6-5: Ergebnisse mit Index-Strukturen Herbst /36

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.

Mehr

NoSQL mit Postgres 15. Juni 2015

NoSQL mit Postgres 15. Juni 2015 Tag der Datenbanken 15. Juni 2015 Dipl.-Wirt.-Inform. Agenda l Vorstellung l Marktübersicht l Warum PostgreSQL? l Warum NoSQL? l Beispielanwendung Seite: 2 Vorstellung Dipl.-Wirt.-Inform. [1990] Erste

Mehr

SQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar

SQL 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-

Mehr

Tuning von PostGIS mit Read- Only-Daten von OpenStreetMap

Tuning von PostGIS mit Read- Only-Daten von OpenStreetMap Tuning von PostGIS mit Read- Only-Daten von OpenStreetMap Prof. Stefan Keller (Fach-)Hochschule für Technik Rapperswil (bei Zürich) 11.11.2011 PGConf.DE - Stefan Keller 1 Was ist OpenStreetMap? Wikipedia

Mehr

SQL- & NoSQL-Datenbanken - Speichern und Analysen von großen Datenmengen

SQL- & NoSQL-Datenbanken - Speichern und Analysen von großen Datenmengen SQL- & NoSQL-Datenbanken - Speichern und Analysen von großen Datenmengen Lennart Leist Inhaltsverzeichnis 1 Einführung 2 1.1 Aufgaben einer Datenbank...................... 2 1.2 Geschichtliche Entwicklung

Mehr

SQL structured query language

SQL structured query language Umfangreiche Datenmengen werden üblicherweise in relationalen Datenbank-Systemen (RDBMS) gespeichert Logische Struktur der Datenbank wird mittels Entity/Realtionship-Diagrammen dargestellt structured query

Mehr

Projektbericht Gruppe 12. Datenbanksysteme WS 05/ 06. Gruppe 12. Martin Tintel Tatjana Triebl. Seite 1 von 11

Projektbericht Gruppe 12. Datenbanksysteme WS 05/ 06. Gruppe 12. Martin Tintel Tatjana Triebl. Seite 1 von 11 Datenbanksysteme WS 05/ 06 Gruppe 12 Martin Tintel Tatjana Triebl Seite 1 von 11 Inhaltsverzeichnis Inhaltsverzeichnis... 2 1. Einleitung... 3 2. Datenbanken... 4 2.1. Oracle... 4 2.2. MySQL... 5 2.3 MS

Mehr

PostgreSQL unter Debian Linux

PostgreSQL unter Debian Linux Einführung für PostgreSQL 7.4 unter Debian Linux (Stand 30.04.2008) von Moczon T. und Schönfeld A. Inhalt 1. Installation... 2 2. Anmelden als Benutzer postgres... 2 2.1 Anlegen eines neuen Benutzers...

Mehr

Antwortzeitverhalten von Online Storage Services im Vergleich

Antwortzeitverhalten von Online Storage Services im Vergleich EPOD Encrypted Private Online Disc Antwortzeitverhalten von Online Storage Services im Vergleich Fördergeber Förderprogramm Fördernehmer Projektleitung Projekt Metadaten Internet Foundation Austria netidee

Mehr

PostgreSQL im praktischen Einsatz. Stefan Schumacher

PostgreSQL im praktischen Einsatz. Stefan Schumacher PostgreSQL im praktischen Einsatz 2. Brandenburger Linux Infotag 2005 Stefan Schumacher , PGP Key http:/// $Header: /home/daten/cvs/postgresql/folien.tex,v 1.11 2005/04/25

Mehr

Cassandra Query Language (CQL)

Cassandra Query Language (CQL) Cassandra Query Language (CQL) Seminar: NoSQL Wintersemester 2013/2014 Cassandra Zwischenpräsentation 1 Gliederung Basic facts Datentypen DDL/DML ähnlich zu SQL Besonderheiten Basic facts CQL kurz für

Mehr

Folgendes PL/SQL Codefragment zeigt das grundlegende Statement für diesen Test: Java. http://www.trivadis.com/images/javaperf_tcm16-7133.

Folgendes PL/SQL Codefragment zeigt das grundlegende Statement für diesen Test: Java. http://www.trivadis.com/images/javaperf_tcm16-7133. Page 1 of 7 Betrifft: Java oder PL/SQL? Art der Info: Technische Background Info Autor: Guido Schmutz (guido.schmutz@trivadis.com) Quelle: Aus unserer Schulungs- und Beratungstätigkeit Mit Oracle8.1 besteht

Mehr

Dipl. Inf. Eric Winter. PostgreSQLals HugeData Storage Ein Erfahrungsbericht

Dipl. Inf. Eric Winter. PostgreSQLals HugeData Storage Ein Erfahrungsbericht Dipl. Inf. Eric Winter Entwicklungsleiter PTC GPS-Services GmbH PostgreSQLals HugeData Storage Ein Erfahrungsbericht Inhalt 1. Problembeschreibung 2. Partielle Indexierung 3. Partitionierung 1. Vererbung

Mehr

SQL (Structured Query Language) Schemata Datentypen

SQL (Structured Query Language) Schemata Datentypen 2 SQL Sprachelemente Grundlegende Sprachelemente von SQL. 2.1 Übersicht Themen des Kapitels SQL Sprachelemente Themen des Kapitels SQL (Structured Query Language) Schemata Datentypen Im Kapitel SQL Sprachelemente

Mehr

17.2 MS-Access Projekte

17.2 MS-Access Projekte 964 Von MS-Access 2000 zum SQL-Server 17.2 MS-Access Projekte MS-Access-Projekte, die die Dateiendung adp besitzen, werden als Front-End-Anwendung verwendet. Für die Back-End-Seite gibt es mehrere Möglichkeiten.

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

SINT Rest App Documentation

SINT Rest App Documentation SINT Rest App Documentation Release 1.0 Florian Sachs September 04, 2015 Contents 1 Applikation 3 2 Rest Service 5 3 SOAP Service 7 4 Technologiestack 9 5 Deployment 11 6 Aufgabe 1: Google Webservice

Mehr

SQL- & NoSQL-Datenbanken. Speichern und Analysen von großen Datenmengen

SQL- & NoSQL-Datenbanken. Speichern und Analysen von großen Datenmengen SQL- & NoSQL-Datenbanken Speichern und Analysen von großen Datenmengen 1 04.07.14 Zitat von Eric Schmidt (Google CEO): There was 5 exabytes of information created between the dawn of civilization through

Mehr

SQL, MySQL und FileMaker

SQL, MySQL und FileMaker SQL, MySQL und FileMaker Eine kurze Einführung in SQL Vorstellung von MySQL & phpmyadmin Datenimport von MySQL in FileMaker Autor: Hans Peter Schläpfer Was ist SQL? «Structured Query Language» Sprache

Mehr

Sructred Query Language

Sructred Query Language Sructred Query Language Michael Dienert 11. November 2010 Inhaltsverzeichnis 1 Ein kurzer Versionsüberblick 1 2 SQL-1 mit einigen Erweiterungen aus SQL-92 2 3 Eine Sprache zur Beschreibung anderer Sprachen

Mehr

Datenbanken und SQL. Kapitel 1. Übersicht über Datenbanken. Edwin Schicker: Datenbanken und SQL (1)

Datenbanken und SQL. Kapitel 1. Übersicht über Datenbanken. Edwin Schicker: Datenbanken und SQL (1) Datenbanken und SQL Kapitel 1 Übersicht über Datenbanken Übersicht über Datenbanken Vergleich: Datenorganisation versus Datenbank Definition einer Datenbank Bierdepot: Eine Mini-Beispiel-Datenbank Anforderungen

Mehr

Einführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten

Einführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten Einführung in SQL Die Sprache SQL (Structured Query Language) ist eine Programmiersprache für relationale Datenbanksysteme, die auf dem ANSI-SQL-Standard beruht. SQL wird heute von fast jedem Datenbanksystem

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Relationale Datenbanken in der Praxis

Relationale Datenbanken in der Praxis Seite 1 Relationale Datenbanken in der Praxis Inhaltsverzeichnis 1 Datenbank-Design...2 1.1 Entwurf...2 1.2 Beschreibung der Realität...2 1.3 Enitiy-Relationship-Modell (ERM)...3 1.4 Schlüssel...4 1.5

Mehr

Technische Beschreibung: EPOD Server

Technische Beschreibung: EPOD Server EPOD Encrypted Private Online Disc Technische Beschreibung: EPOD Server Fördergeber Förderprogramm Fördernehmer Projektleitung Projekt Metadaten Internet Foundation Austria netidee JKU Linz Institut für

Mehr

Inhalt. Ein Einführung in die Nutzung von SQL-Datenbanken am Beispiel Oracle. Daten und Tabellen - ein Beispiel. Daten und Tabellen - Normalisierung

Inhalt. Ein Einführung in die Nutzung von SQL-Datenbanken am Beispiel Oracle. Daten und Tabellen - ein Beispiel. Daten und Tabellen - Normalisierung Inhalt Ein Einführung in die Nutzung von SQL-Datenbanken am Beispiel Oracle Daten und Tabellen Normalisierung, Beziehungen, Datenmodell SQL - Structured Query Language Anlegen von Tabellen Datentypen (Spalten,

Mehr

Dokumentation QuickHMI-Schnittstelle. Datenbanken

Dokumentation QuickHMI-Schnittstelle. Datenbanken Dokumentation QuickHMI-Schnittstelle für SQLServer Datenbanken Version 1.0 D-28359 Bremen info@indi-systems.de Tel + 49 421-989703-30 Fax + 49 421-989703-39 Inhaltsverzeichnis Was ist die QuickHMI-Schnittstelle

Mehr

Nachtrag: Farben. Farbblindheit. (Light und Bartlein 2004)

Nachtrag: Farben. Farbblindheit. (Light und Bartlein 2004) Nachtrag: Farben Farbblindheit (Light und Bartlein 2004) 1 Vorgeschlagene Farbskalen (Light and Bartlein 2004) Farbkodierung metrisch skalierter Daten Unterscheide: 1. Sequential Data (ohne Betonung der

Mehr

Fachhochschule Kaiserslautern Labor Datenbanken mit MySQL SS2006 Versuch 1

Fachhochschule Kaiserslautern Labor Datenbanken mit MySQL SS2006 Versuch 1 Fachhochschule Kaiserslautern Fachbereiche Elektrotechnik/Informationstechnik und Maschinenbau Labor Datenbanken Versuch 1 : Die Grundlagen von MySQL ------------------------------------------------------------------------------------------------------------

Mehr

Uni Duisburg-Essen Fachgebiet Informationssysteme Prof. Dr. N. Fuhr

Uni Duisburg-Essen Fachgebiet Informationssysteme Prof. Dr. N. Fuhr Raum: LF 230 Bearbeitung: 9.-11. Mai 2005 Datum Gruppe Vorbereitung Präsenz Aktuelle Informationen unter: http://www.is.informatik.uni-duisburg.de/courses/dbp_ss03/ Tabellen in IBM DB2 Tabellen Eine relationale

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

Perzentile mit Hadoop ermitteln

Perzentile mit Hadoop ermitteln Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile

Mehr

Android Java Specifics / Basic IO

Android Java Specifics / Basic IO Dalvik virtual machine Registermaschine anstelle einer Stackmaschine Optimiert für geringen Speicherverbrauch Umwandlung von.class Dateien in.dex-format mit Hilfe von dx Jedes Programm läuft als eigener

Mehr

FME Desktop. Data in Motion

FME Desktop. Data in Motion FME Desktop Data in Motion Übersicht Reporting Ausführen, Debuggen, Inspizieren, Profilen Neuigkeiten bei Datenbanken Reporting Move Your Data Analysis Organized Reporting in FME Tabellenkalkulationen

Mehr

Systemanforderungen Verlage & Akzidenzdruck

Systemanforderungen Verlage & Akzidenzdruck OneVision Software AG Inhalt Asura 9.5, Asura Pro 9.5, Garda 5.0...2 PlugBALANCEin 6.5, PlugCROPin 6.5, PlugFITin 6.5, PlugRECOMPOSEin 6.5, PlugSPOTin 6.5,...2 PlugTEXTin 6.5, PlugINKSAVEin 6.5, PlugWEBin

Mehr

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1)

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Herbstsemester 2013/14 Prof. S. Keller Informatik HSR Januar 2014, HS13/14 Dbs1 - Prüfungsvorbereitung 1 Dbs1 Ziele Grundlagenwissen in folgenden Gebieten

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

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015 Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken

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

Daten-Ex- und Import mit Oracle und PostgreSQL

Daten-Ex- und Import mit Oracle und PostgreSQL Daten-Ex- und Import mit Oracle und PostgreSQL Holger Jakobs bibjah@bg.bib.de 2004-09-07 Inhaltsverzeichnis 1 Grund für Daten-Im- und -Exporte 1 2 Werkzeuge 1 2.1 Export mit pg_dump von PostgreSQL.....................

Mehr

Fachbereich Informatik Praktikum 1

Fachbereich Informatik Praktikum 1 Hochschule Darmstadt DATA WAREHOUSE SS2015 Fachbereich Informatik Praktikum 1 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.April.2015 1. Kurzbeschreibung In diesem Praktikum geht

Mehr

Relationale Datenbanken Kursziele

Relationale Datenbanken Kursziele Relationale Datenbanken Kursziele DB Grundlagen Daten-Modellierung Relationales Modell und DB => Praxis: Mit SQL als Anfragesprache Mit MySQL als DB RDB 1-1 Kursinhalt (Tage) 1. DB Einleitung / Entity-Relationship

Mehr

DB2 SQL, der Systemkatalog & Aktive Datenbanken

DB2 SQL, der Systemkatalog & Aktive Datenbanken DB2 SQL, der Systemkatalog & Aktive Datenbanken Lehr- und Forschungseinheit Datenbanken und Informationssysteme 1 Ziele Auf DB2 Datenbanken zugreifen DB2 Datenbanken benutzen Abfragen ausführen Den Systemkatalog

Mehr

SOLISYON GMBH CHRISTIAN WOLF, BENJAMIN WEISSMAN. Optimierung von Abfragen in MS SQL Server DWH-Umgebungen

SOLISYON GMBH CHRISTIAN WOLF, BENJAMIN WEISSMAN. Optimierung von Abfragen in MS SQL Server DWH-Umgebungen WEITER BLICKEN. MEHR ERKENNEN. BESSER ENTSCHEIDEN. Optimierung von Abfragen in MS SQL Server DWH-Umgebungen SOLISYON GMBH CHRISTIAN WOLF, BENJAMIN WEISSMAN VERSION 1.0 OPTIMIERUNG VON ABFRAGEN IN MS SQL

Mehr

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann Blatt Nr. 11 Übung zur Vorlesung Einsatz und Realisierung von Datenbanksystemen im SoSe15 Moritz Kaufmann (moritz.kaufmann@tum.de)

Mehr

Ausarbeitung im Fach Datenbanken II

Ausarbeitung im Fach Datenbanken II Ausarbeitung im Fach Datenbanken II Datenbanken Benchmarks Michael Heinrich 02.07.2008 IN05 Inhalt OLTP... 3 OLAP / Decision Support... 4 Decision Support System... 4 Online Analytical Processing... 4

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

Standardsoftware. SAP Basisarchitektur. Prof. Dr. Bernhard Schiefer 2-1

Standardsoftware. SAP Basisarchitektur. Prof. Dr. Bernhard Schiefer 2-1 Standardsoftware SAP Basisarchitektur Prof. Dr. Bernhard Schiefer 2-1 SAP Client/Server Dreistufige Rechnerhierarchie Lesen in der DB und Aktualisierung der Puffer Datenbankänderung Zentrale DB (speichert

Mehr

Installation SQL- Server 2012 Single Node

Installation SQL- Server 2012 Single Node Installation SQL- Server 2012 Single Node Dies ist eine Installationsanleitung für den neuen SQL Server 2012. Es beschreibt eine Single Node Installation auf einem virtuellen Windows Server 2008 R2 mit

Mehr

MySQL Community Server 5.1 Installationsbeispiel

MySQL Community Server 5.1 Installationsbeispiel MySQL Community Server 5.1 Installationsbeispiel Dieses Dokument beschreibt das Herunterladen der Serversoftware, die Installation und Konfiguration der Software. Bevor mit der Migration der untermstrich-datenbank

Mehr

Übung 1: Ein Website News-System mit MySQL

Übung 1: Ein Website News-System mit MySQL Übung 1: Ein Website News-System mit MySQL In der Vorübung haben wir bereits mit Hilfe eines ERMs den Datenbankentwurf erstellt und daraus die folgenden Tabellen abgeleitet: Nun muss diese Datenbank in

Mehr

SQL-Anweisungen. SELECT (SQL Data Query Language)

SQL-Anweisungen. SELECT (SQL Data Query Language) SQL-Anweisungen SELECT (SQL Data Query Language) SELECT * SELECT * FROM "meine Tabelle"; SELECT feldname1, feldname2 SELECT feldname1, feldname2 FROM meinetabelle ORDER BY feldname2, feldname1 DESC; WHERE

Mehr

Whitepaper. Produkt: combit Relationship Manager 7, address manager 17. Import von Adressen nach Firmen und Kontakte

Whitepaper. Produkt: combit Relationship Manager 7, address manager 17. Import von Adressen nach Firmen und Kontakte combit GmbH Untere Laube 30 78462 Konstanz Whitepaper Produkt: combit Relationship Manager 7, address manager 17 Import von Adressen nach Firmen und Kontakte Import von Adressen nach Firmen und Kontakte

Mehr

Begleitskript. zum PHP/MySQL. Kurs

Begleitskript. zum PHP/MySQL. Kurs Begleitskript zum PHP/MySQL Kurs http://www.online-platform.net Dieser Text unterliegt der GNU General Public License. Er darf als ganzes oder in Auszügen kopiert werden, vorausgesetzt, dass sich dieser

Mehr

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution EXASOL @ Symposium on Scalable Analytics Skalierbare Analysen mit EXASolution EXASOL AG Wer sind wir R&D: + seit 2000 + laufend Forschungsprojekte Produkt: Analytische Datenbank EXASolution Focus auf Komplexität

Mehr

Microsoft SQL Server 2005 für Administratoren

Microsoft SQL Server 2005 für Administratoren Microsoft SQL Server 2005 für Administratoren Irene Bauder ISBN 3-446-22800-4 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22800-4 sowie im Buchhandel Sichern von

Mehr

Carl-Engler-Schule Karlsruhe Datenbank 1 (5)

Carl-Engler-Schule Karlsruhe Datenbank 1 (5) Carl-Engler-Schule Karlsruhe Datenbank 1 (5) Informationen zur Datenbank 1. Definition 1.1 Datenbank-Basis Eine Datenbank-Basis ist eine Sammlung von Informationen über Objekte (z.b Musikstücke, Einwohner,

Mehr

3 Indizes. 3.1 Indexarchitektur von SQL Server. SQL Server 2008: Datenbankentwicklung

3 Indizes. 3.1 Indexarchitektur von SQL Server. SQL Server 2008: Datenbankentwicklung 3 Indizes 3.1 Indexarchitektur von SQL Server Die folgende Abbildung zeigt die Organisationsstruktur einer Tabelle. Eine Tabelle befindet sich in einer oder mehreren Partitionen, und jede Partition enthält

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

LINQ to SQL. Proseminar Objektorientiertes Programmieren mit.net und C# Christoph Knüttel. Institut für Informatik Software & Systems Engineering

LINQ to SQL. Proseminar Objektorientiertes Programmieren mit.net und C# Christoph Knüttel. Institut für Informatik Software & Systems Engineering LINQ to SQL Proseminar Objektorientiertes Programmieren mit.net und C# Christoph Knüttel Institut für Informatik Software & Systems Engineering Agenda 1. LINQ allgemein Vorteile Bausteine und Varianten

Mehr

Inhalt. Vorwort...11. 1 Die Eigenschaften von PostgreSQL...15. 2 Das ideale DBMS...45. 3 Der Datenbankadministrator...59

Inhalt. Vorwort...11. 1 Die Eigenschaften von PostgreSQL...15. 2 Das ideale DBMS...45. 3 Der Datenbankadministrator...59 Inhalt Vorwort...11 1 Die Eigenschaften von PostgreSQL...15 1.1 Die Geschichte von PostgreSQL...16 1.2 Die Lizenz von PostgreSQL...17 1.3 Grundlegende Konzepte von Postgres...17 1.3.1 Die Eigenschaften

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

MongoDB Big Data mit Open Source

MongoDB Big Data mit Open Source MongoDB Big Data mit Open Source CommitterConf Essen 2014 29. Oktober 2014 Tilman Beitter Linux Consultant & Trainer B1 Systems GmbH beitter@b1-systems.de B1 Systems GmbH - Linux/Open Source Consulting,

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

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

ORM & OLAP. Object-oriented Enterprise Application Programming Model for In-Memory Databases. Sebastian Oergel

ORM & OLAP. Object-oriented Enterprise Application Programming Model for In-Memory Databases. Sebastian Oergel ORM & OLAP Object-oriented Enterprise Application Programming Model for In-Memory Databases Sebastian Oergel Probleme 2 Datenbanken sind elementar für Business-Anwendungen Gängiges Datenbankparadigma:

Mehr

Die Analyse großer Datensätze mittels freier Datenbanksysteme Dr Dirk Meusel meusel@iat.uni-leipzig.de

Die Analyse großer Datensätze mittels freier Datenbanksysteme Dr Dirk Meusel meusel@iat.uni-leipzig.de Institut für Angewandte Trainingswissenschaft Leipzig ein Institut des Trägervereins IAT / FES des DOSB e.v. Die Analyse großer Datensätze mittels freier Datenbanksysteme Dr Dirk Meusel meusel@iat.uni-leipzig.de

Mehr

Transaktionsverwaltung

Transaktionsverwaltung Transaktionsverwaltung VU Datenbanksysteme vom 21.10. 2015 Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Transaktionsverwaltung

Mehr

LaMa-Creation Portscanner

LaMa-Creation Portscanner LaMa-Creation Portscanner Seite 1 von 12 Seite 2 von 12 Inhaltsverzeichnis Einleitung...4 Systemanforderung...5 Hardware:...5 Software:...5 Unterstützte Clientbetriebssysteme:... 5 Unterstützte Serverbetriebssysteme:...5

Mehr

Systemanforderungen Verlage & Akzidenzdruck

Systemanforderungen Verlage & Akzidenzdruck OneVision Software AG Inhalt Asura 9.6, Asura Pro 9.6, Garda 5.6...2 PlugBALANCEin 6.6, PlugCROPin 6.6, PlugFITin 6.6, PlugRECOMPOSEin 6.6, PlugSPOTin 6.6,...2 PlugTEXTin 6.6, PlugINKSAVEin 6.6, PlugWEBin

Mehr

Whitepaper Externe Speicherung von Binary Large Objects (BLOBs) mit SharePoint 2007 sowie SQL Server 2005 / 2008

Whitepaper Externe Speicherung von Binary Large Objects (BLOBs) mit SharePoint 2007 sowie SQL Server 2005 / 2008 Externe Speicherung von Binary Large Objects (BLOBs) mit SharePoint 2007 sowie SQL Andreas Glaser, 23. September 2008 Teufenerstrasse 19 CH 9001 St.Gallen t [+41] 71 228 67 77 f [+41] 71 228 67 88 info@namics.com

Mehr

Foreign Data Wrappers

Foreign Data Wrappers -Angebot Foreign Data Wrappers Postgres ITos GmbH, CH-9642 Ebnat-Kappel Swiss Postgres Conference 26. Juni 2014 Foreign Data Wrapper Postgres -Angebot Foreign Data Wrapper? Transparente Einbindung (art-)fremder

Mehr

Systemvoraussetzungen und Installation

Systemvoraussetzungen und Installation Systemvoraussetzungen und Installation Inhaltsverzeichnis Inhaltsverzeichnis... 2 1. Einleitung... 2 2. Einzelarbeitsplatzinstallation... 3 3. Referenz: Client/Server-Installation... 5 3.1. Variante A:

Mehr

MGE Datenanbindung in GeoMedia

MGE Datenanbindung in GeoMedia TIPPS & TRICKS MGE Datenanbindung in GeoMedia 10. September 2002 / AHU INTERGRAPH (Schweiz) AG Neumattstrasse 24, CH 8953 Dietikon Tel: 043 322 46 46 Fax: 043 322 46 10 HOTLINE: Telefon: 043 322 46 00

Mehr

Systemanforderungen Verlage & Akzidenzdruck

Systemanforderungen Verlage & Akzidenzdruck OneVision Software AG Inhalt Asura 10, Asura Pro 10, Garda 10...2 PlugBALANCEin 10, PlugCROPin 10, PlugFITin 10, PlugRECOMPOSEin10, PlugSPOTin 10,...2 PlugTEXTin 10, PlugINKSAVEin 10, PlugWEBin 10...2

Mehr

4D Server v12 64-bit Version BETA VERSION

4D Server v12 64-bit Version BETA VERSION 4D Server v12 64-bit Version BETA VERSION 4D Server v12 unterstützt jetzt das Windows 64-bit Betriebssystem. Hauptvorteil der 64-bit Technologie ist die rundum verbesserte Performance der Anwendungen und

Mehr

Systemanforderungen Verlage & Akzidenzdruck

Systemanforderungen Verlage & Akzidenzdruck OneVision Software AG Inhalt Asura 10.2, Asura Pro 10.2,Garda 10.2...2 PlugBALANCEin 10.2, PlugCROPin 10.2, PlugFITin 10.2, PlugRECOMPOSEin 10.2, PlugSPOTin 10.2,...2 PlugTEXTin 10.2, PlugINKSAVEin 10.2,

Mehr

Eine weitere Möglichkeit "die grosse weite Welt" zu erschliessen sind ODBC/JDBC bzw. ESS Verbindungen.

Eine weitere Möglichkeit die grosse weite Welt zu erschliessen sind ODBC/JDBC bzw. ESS Verbindungen. Database Designs Alexis Gehrt / alexis@database-designs.ch - Erster Kontakt mit FileMaker ca. 1991 ( Version 2, 2.1) - Jan 2000 - Database Designs - Seit 2007 bei einem Kunden (Linden-Grafik AG) angestellt

Mehr

PostgreSQL in großen Installationen

PostgreSQL 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,

Mehr

PostgreSQL auf Debian System

PostgreSQL auf Debian System PostgreSQL auf Debian System Inhaltsverzeichnis 1. Installation 1.1 Installation 1.2 Mit postgres anmelden 2. Benutzer anlegen 3. Datenbank anlegen 3.1 Optionen 3.2 Datenbank mydatabase anlegen 4. Datenbank

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

Informatik 12 Datenbanken SQL-Einführung

Informatik 12 Datenbanken SQL-Einführung Informatik 12 Datenbanken SQL-Einführung Gierhardt Vorbemerkungen Bisher haben wir Datenbanken nur über einzelne Tabellen kennen gelernt. Stehen mehrere Tabellen in gewissen Beziehungen zur Beschreibung

Mehr

Einführung in SQL Datenbanken bearbeiten

Einführung in SQL Datenbanken bearbeiten Einführung in SQL Datenbanken bearbeiten Jürgen Thomas Entstanden als Wiki-Buch Bibliografische Information Diese Publikation ist bei der Deutschen Nationalbibliothek registriert. Detaillierte Angaben

Mehr

Einführung in SQL mit Oracle

Einführung in SQL mit Oracle Seminar Einführung in SQL mit Oracle von Prof. Dr. Rainer Schwenkert Hochschule München c Vervielfältigung nur mit Zustimmung des Autors Themenbereiche SQL-Historie Wichtige DDL- und DML-Anweisungen Der

Mehr

Cloud-Plattform: Appscale Hochschule Mannheim

Cloud-Plattform: Appscale Hochschule Mannheim Florian Weispfenning Cloud-Computing Seminar Hochschule Mannheim WS0910 1/28 Cloud-Plattform: Appscale Hochschule Mannheim Florian Weispfenning Fakultät für Informatik Hochschule Mannheim florian.weispfenning@stud.hs-mannheim.de

Mehr

Installationsanleitung für DoRIS unter Linux Inhaltsverzeichnis

Installationsanleitung für DoRIS unter Linux Inhaltsverzeichnis Installationsanleitung für DoRIS unter Linux Seite 1 Installationsanleitung für DoRIS unter Linux Inhaltsverzeichnis Installationsanleitung für DoRIS unter Linux... 1 Vorbemerkungen... 1 Benötigte Komponenten

Mehr

Whitepaper. Produkt: combit Relationship Manager / address manager. FILESTREAM für Microsoft SQL Server aktivieren

Whitepaper. Produkt: combit Relationship Manager / address manager. FILESTREAM für Microsoft SQL Server aktivieren combit GmbH Untere Laube 30 78462 Konstanz Whitepaper Produkt: combit Relationship Manager / address manager FILESTREAM für Microsoft SQL Server aktivieren FILESTREAM für Microsoft SQL Server aktivieren

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

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

TimeSafe Leistungserfassung

TimeSafe Leistungserfassung Keep your time safe. TimeSafe Leistungserfassung Adressimport 1/8 Inhaltsverzeichnis Inhaltsverzeichnis... 2 1 Allgemeines... 3 1.1 Adressen in der TimeSafe Leistungserfassung... 3 1.2 Organisationen und/oder

Mehr

SmartExporter 2013 R1

SmartExporter 2013 R1 Die aktuelle Version wartet mit zahlreichen neuen Features und umfangreichen Erweiterungen auf. So können mit SmartExporter 2013 R1 nun auch archivierte Daten extrahiert und das Herunterladen der Daten

Mehr

Microsoft SharePoint 2013 Vorteile und Neuheiten. Fachseminar Microsoft SharePoint 2013

Microsoft SharePoint 2013 Vorteile und Neuheiten. Fachseminar Microsoft SharePoint 2013 Microsoft SharePoint 2013 Vorteile und Neuheiten Fachseminar Microsoft SharePoint 2013 Agenda Systemanforderungen Lizensierung / Versionen Neues zu: Installation Migration Oberfläche Modern UI (Metro)

Mehr

IMBA. Installationsanleitung. SQL Server-Datenbankadapter. Das Instrument für den fähigkeitsgerechten Personaleinsatz

IMBA. Installationsanleitung. SQL Server-Datenbankadapter. Das Instrument für den fähigkeitsgerechten Personaleinsatz Das Instrument für den fähigkeitsgerechten Personaleinsatz IMBA SQL Server-Datenbankadapter Installationsanleitung gefördert durch das Bundesministerium für Gesundheit und Soziale Sicherung Vorbereitung

Mehr

Organisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt

Organisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt Organisatorisches Datenorientierte Systemanalyse Unit1: Intro and Basics Gerhard Wohlgenannt Inhalt: Datenorientierte Systemanalyse Umfang: 5 units XX.10.2013 XX.11.2013 09:00-13:30 Uhr Room XXX Infos,

Mehr

Installationsanleitung und Installation des MS SQL Server 2005 Express

Installationsanleitung und Installation des MS SQL Server 2005 Express und Installation des MS SQL Server 2005 Express buchner documentation GmbH Lise-Meitner-Straße 1-7 D-24223 Schwentinental Tel 04307/81190 Fax 04307/811999 www.buchner.de Inhaltsverzeichnis 1 Überblick...

Mehr

Einstieg in das SQL- und Datenbanktuning 14.01.2009. Loblied auf den Tabellen-Index!

Einstieg in das SQL- und Datenbanktuning 14.01.2009. Loblied auf den Tabellen-Index! 1/40 PHP-User-Group Stuttgart 14.01.2009 Warum Datenbanken einen Hals bekommen und was sich dagegen tun lässt. Tuning und Performancesteigerung ohne zusätzliche Hardware. Ein. Loblied auf den Tabellen-Index!

Mehr

QCfetcher Handbuch. Version 1.0.0.10. Ein Zusatztool zum QuoteCompiler. Diese Software ist nur für private und nicht-kommerzielle Zwecke einzusetzen.

QCfetcher Handbuch. Version 1.0.0.10. Ein Zusatztool zum QuoteCompiler. Diese Software ist nur für private und nicht-kommerzielle Zwecke einzusetzen. Seite 1 QCfetcher Handbuch Ein Zusatztool zum QuoteCompiler Diese Software ist nur für private und nicht-kommerzielle Zwecke einzusetzen. Die neuesten Informationen gibt es auf der Webseite: http://finanzkasper.de/

Mehr

4 Planung von Anwendungsund

4 Planung von Anwendungsund Einführung 4 Planung von Anwendungsund Datenbereitstellung Prüfungsanforderungen von Microsoft: Planning Application and Data Provisioning o Provision applications o Provision data Lernziele: Anwendungen

Mehr

Excel beschleunigen mit dem mit Windows HPC Server 2008 R2

Excel beschleunigen mit dem mit Windows HPC Server 2008 R2 Excel beschleunigen mit dem mit Windows HPC Server 2008 R2 Steffen Krause Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/steffenk Haftungsausschluss Microsoft kann für die Richtigkeit

Mehr