Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server

Größe: px
Ab Seite anzeigen:

Download "Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server"

Transkript

1 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick Jürgen Bittner SQL Projekt AG FSU Jena

2 Das gewöhnliche Performance-Problem Ein Select braucht zu viel Zeit,... was tun? Schnellere Hardware? Überprüfen des Kommandos Prüfen des Datenbank-Servers Prüfen der Datenbank SQL Projekt AG FSU Jena

3 Anfragebeispiel Wieviele Gastronomie-Einrichtungen in Sachsen haben kein Radeberger? Mon Einr Typ Land Prod Abs G SA Werne G MV Becks G SA Radeb K NS Jever 311 SELECT COUNT (DISTINCT Einr) - AnzRadeb G SA Radeb 95 FROM Absatz, G BY Paula 3454 WHERE (SELECT Land = SA COUNT(DISTINCT AND Einr) AS AnzRadeb M NW Dortm 703 FROM Typ = G Absatz AND K SA Lands 1216 WHERE Einr = IS Land NOT = IN SA (SELECT AND DISTINCT Einr Typ = G AND FROM Absatz Prod = Radeb ) WHERE Land = SA AND WHERE Land = SA AND Typ = G AND Typ = G Prod = Radeb ) SQL Projekt AG FSU Jena

4 Data Warehouse Architektur Relationale DB SW-Pakete Altdaten Data Staging (ETL) RDBMS Enterprise Data Warehouse Datamart RDBMS Datamart Benutzer- Tool Benutzer- Tool Benutzer- Tool ROLAP Externe Quellen Daten- Bereinigungs- Tool Warehouse Admin. Tools Daten-Extraktion, Transformation und Laden Quelldaten unternehmenweites/ zentrales Data Warehouse Datamart MOLAP neu strukturierte ( Architected ) Data Marts Benutzer- Tool SQL Projekt AG FSU Jena

5 Häufige Probleme in Business Intelligence Anwendungen Antwortzeiten - sind zu lang Flexibilität und komplexe Abfragen - mit ständiger Erweiterung der Anforderungen (Ad-Hoc SQL) sind sehr problematisch Wachsende Nutzerzahl/ Datenmenge Performance sinkt und genügt nicht mehr den Anforderungen Analyse auf Detaildatenebene - nicht alle Daten werden abgespeichert aufgrund der Größe des Datenbestandes Arbeit mit verdichteten Daten Speicherung und Analyse von (sehr) großen Datenbeständen zu teuer in Speicher, Administration und Antwortzeit Online-Loads - parallel zum Auswerten nicht (immer) möglich SQL Projekt AG FSU Jena

6 Die Anforderungen sind gewachsen und wachsen weiter Mit den Datenmengen und höheren Anforderungen an Reaktionsgeschwindigkeit in den Anwenderprozessen wachsen die Performanceanforderungen Query-Laufzeit Multi-user Kostendruck erfordert genaue Betrachtung der gewünschten Effekte, aber auch der notwendigen Investition und der laufenden Kosten Zunehmendes Gewicht erhält dabei der Energiebedarf von Datenbanken SQL Projekt AG FSU Jena

7 Spaltenorientierte Datenbank Zeilen-orientierte Speicherung - übliche Seitengröße 2-32 K Zeile 1 Zeile 2 Seite 1 w 11 w 12 w 13 w 1l w 21 w 22 w 23 w 2l Zeile 3 Zeile 4 Seite 2 w 31 w 32 w 33 w 3l w 41 w 42 w 43 w 4l Zeile m Seite n w m1 w m2 w m3 w ml Spalten-orientierte Speicherung - übliche Seitengröße K Spalte 1 Spalte 1 Seite 1 w 11 w 21 w 31 w 41 Seite 2 w ml Spalte 2 Seite 3 w 12 w 22 w 32 w 42 w m2 Spalte3 Seite 4 w 13 w 23 w 33 w 43 w m3 SQL Projekt AG FSU Jena

8 Kurzer Rückblick - Spaltenorientierte Datenbank Bereits Anfang der 70er Überlegungen zur Optimierung der Auswertbarkeit inverted files, Vollindexierung, Adreßketten-Technik mit elementaren Datensätzen LfA Berlin 1985: TOPAS: spaltenorientiertes, semirelationales DBMS Ursprung: Rapid von Statistics Canada Sybase Adaptive Server IQ seit 1996 IQ Multiplex ParAccel, Vertica seit 2008 SQL Projekt AG FSU Jena

9 Technologien mit ähnlicher Zielstellung Spaltenorientierung im Hauptspeicher In-Memory-Basistechnik TREX (SAP) Business Intelligence Accelerator (BIA) seit 2005 RAM-Basis: Blades Column-Store DBMSs vs. Column Compression SQL Projekt AG FSU Jena

10 Plattenkapazität und Performance Während der letzten 20 Jahre: Platten-Kapazität -Durchsatz -Zugriffs(Such)-zeit x 50 x 0,2 x Beispielangaben von Forrester: Eine Platte 4 GB disk 8 GB disk 72 GB disk 180 GB disk 8 MB/sec 12 MB/sec 40 MB/sec 45 MB/sec 80 IO/sec 115 IO/sec 160 IO/sec 200 IO/sec 20 ms Zugriff 14 ms Zugriff 10 ms Zugriff 5 ms Zugriff Realisierung 50 disks 25 disks 3 disks 1 disk einer 400 MB/sec 300 MB/sec 120 MB/sec 45 MB/sec 200 GB DB 4000 IO/sec 2875 IO/sec 480 IO/sec 200 IO/sec SQL Projekt AG FSU Jena

11 Die Auswege? Wenn Platten-I/O einschließlich des Transports in den Hauptspeicher das Hauptproblem ist, dann muss Platten-I/O reduziert und/oder beschleunigt werden In-memory DB TREX New DB Intelligente Platten Exadata/Oracle Smart Scan Speicherpreis 1000 x > Platte Energiebedarf 100 x > Platte? SSD Alternative Speicherungsstruktur Spaltenbasierte DB SYBASE IQ Speicherpreis Energiebedarf 10 x > Platte 0,5 x < Platte SQL Projekt AG FSU Jena

12 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick SQL Projekt AG FSU Jena

13 Der traditionelle RDBMS-Ansatz Berechne den durchschnittlichen Absatz von Radeberger in Gastronomie- Einrichtungen in Sachsen je Monat der letzten 3 Jahre Mon Einr Typ Land Prod Abs G SA Werne G MV Becks G SA Radeb K NS Jever 311 SELECT AVG (Abs), SUM(Abs)/AnzGSA/ G SA Radeb 95 FROM Absatz, G BY Paula 3454 (SELECT COUNT(DISTINCT Einr) AS AnzGSA M NW Dortm 703 FROM Absatz K SA Lands 1216 WHERE Land = SA AND Traditioneller Ansatz: Benutze einen Index wenn verfügbar Typ = G ) - benötigt normalerweise Table Scan WHERE Gehe Land zu den = SA ausgewählten AND Datenseiten und addiere die Zahlen - Zufällige Verteilung der Daten führt dazu, daß fast alle Seiten gelesen werden Typ = G AND müssen. - Auf Prod jeder = Seite Radeb müssen alle - auch die irrelevanten - Daten gelesen werden. SQL Projekt AG FSU Jena

14 Das Problem: Große Datenmengen Berechne den durchschnittlichen Absatz von Radeberger in Gastronomie- Einrichtungen in Sachsen je Monat der letzten 3 Jahre Mon Einr Typ Land Prod Abs G SA Werne G MV Becks G SA Radeb K NS Jever Millionen Zeilen 200 Bytes pro Zeile 16K Seitengröße G SA Radeb G BY Paula M NW Dortm K SA Lands I/O s pro Table Scan werden benötigt, mit Platte z.b. 40MB/sec 30 Minuten!!! Sehr teuer und unflexibel bei Ad-hoc-Anfragen SQL Projekt AG FSU Jena

15 Speichern einer Spalte: Fast Projection (FP) Index Jede Spalte wird in IQ automatisch als FP Index realisiert, enthält n Werte fester Länge mit dem definierten Datentyp für die n Zeilen der Tabelle, geordnet aufsteigend nach Record-Id Land Sachsen Sachsen-Anhalt Thüringen Niedersachsen Hessen Brandenburg Sachsen Hessen SELECT Land FROM Landtabelle WHERE Land LIKE Sa% notwendig für select list Spalten, (wildcard) string Suche, ad-hoc joins geeignet für Berechnungen kann mit anderen Indextypen kombiniert werden SQL Projekt AG FSU Jena

16 Optimierter Fast Projection Index FP(1) Subtype: FP(1), wenn Anzahl verschiedener Spaltenwerte < 257 Spaltenwerte 1 Byte - Lookup table Logical array Land Sachsen Sachsen-Anhalt Thüringen Niedersachsen Hessen Brandenburg Sachsen Hessen Sachsen 1 Sachsen-Anhalt 2 Thüringen 3 Niedersachsen 4 Hessen 5 Brandenburg SQL Projekt AG FSU Jena

17 Optimierter Fast Projection Index FP(2) Subtype: FP(2), wenn Anzahl verschiedener Spaltenwerte Spaltenwerte Lookup table Logical array Prod Radeberger Wernesgrüner Radeberger Landskron Becks Radeberger Paulaner Wernesgrüner Klosterbräu Radeberger 0 1 Wernesgrüner 0 2 Landskron 0 3 Becks 0 4 Paulaner 0 5 Klosterbräu SQL Projekt AG FSU Jena

18 Fast Projection (FP) Der DBA kann die Kardinalität der Spalte in der create table syntax durch Benutzung des UNIQUE Parameters angeben, IQ realisiert FP dementsprechend Verschiedene Werte Spaltenbreite = 1 Byte Spaltenbreite = 2 Byte Spaltenbreite = 3 Byte Spaltenbreite >3 Byte <257 FP(1) FP(1) FP(1) FP(1) FP(2) FP(2) FP(2) Flat FP(3) > Flat Ohne UNIQUE Parameter beginnt IQ mit FP(1) und setzt dann bei Erreichen der jeweiligen Grenzen automatisch auf FP(2), FP(3) und Flat SQL Projekt AG FSU Jena

19 Ergebnis der FP-Technologie Berechne Sybase IQ: den Daten sind in durchschnittlichen Spalten statt in Zeilen Absatz von gespeichert. Radeberger in Gastronomie- Einrichtungen in Sachsen je Monat der letzten 3 Jahre Sybase IQ: Es werden nur die relevanten Spalten gelesen Mon Mon Einr Einr Typ Typ Land Prod Abs Abs GG SA Werne GG MV Becks GG SA Radeb KK NS Jever Jever GG SA Radeb Radeb G G BY BY Paula Paula M M NW NW Dortm Dortm K K SA SA Lands Lands Ohne weitere Techniken kann IQ den Disk-I/O sehr stark reduzieren Ergebnis im Beispiel: Reduzierung des Disk-I/O auf maximal 5 % bzw. 1,5 min (ohne einen Index zu benutzen) SQL Projekt AG FSU Jena

20 Page - Kompression Grösse der IQ Pages 64, 128, 256 oder 512K werden vor dem Schreiben komprimiert in DB Blocks, deren Grösse default 1/16 der Page-Grösse, also 4, 8, 16 oder 32K Ergebnis der Kompression einer Page: 1 16 Blocks 1 Read/Write einer Page enthält alle DB Blocks dieser Page Device Block sollte Page-Grösse oder Vielfaches haben Laufzeit des Beispiels noch kürzer als angegeben SQL Projekt AG FSU Jena

21 Konsequenz der Spaltenorientierung Wenig zu empfehlen: Insert einer Zeile in Tabelle mit vielen Spalten IQ ist kein OLTP-Server! Select * Stattdessen Bulk Load erforderlich Beispiel 1 Mio DS gemessen: INSERT INTO telco_facts values (4, ,1,1, ,1,61,1756,5,188,3); LOAD INTO TABLE telco_facts ( ) FROM Insert/ Bulk Load 1 Mio DS DS/Sekunde MS/DS Faktor 1 Einzelinsert 3,06h 90,9 11 1: 1 97,5h 2, , ,97h 23,2 43,1 0, ,34h 206,6 4, ,1m 2066,1 0, ,2s 20325,2 0, , ,45s 95693,8 0, ,42s ,8 0, SQL Projekt AG FSU Jena

22 Schnelles INSERT, flexibles LOAD Ab IQ 15 mit automatischer Bulk-Funktionalität und parallelisiert: INSERT SELECT INSERT LOCATION Flexible loading Client side loading, including LOBs Client side load via DBLib, ODBC, OLE DB, ADO.Net or JDBC drivers SQL Projekt AG FSU Jena

23 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Real Time Ausblick SQL Projekt AG FSU Jena

24 4 Basis-Index-Typen und weitere Spezial-Typen Bezeichnung Fast Projection High Group Low Fast High Non Group Abkürzung FP HG LF HNG Wird für jede Spalte grundsätzlich Verwendet, Default Index Für UNIQUE und PRIMARY KEY notwendig Comparison Index CMP Word Index Join Index Date-, Time-, Datetime WD JI Date,TIME,DTTM SQL Projekt AG FSU Jena

25 Low Fast (LF) Bitmap Index mit B-tree Prod Radeberger Wernesgrüner Radeberger Landskron Becks Radeberger Paulaner Wernesgrüner Klosterbräu Radeber ger Wernes grüner Landskr on SELECT DISTINCT Einr FROM Absatz WHERE Prod = Radeberger Für jeden Spaltenwert ein Bitmap Menge solcher Bitmaps für Bearbeitung fast aller Anfragen angewendet Ideal für Spalten mit einer Kardinalität <1500 SQL Projekt AG FSU Jena

26 Low Fast (LF) wird angewendet bei folgenden Anfrageoperationen: Suchargumente in where-klauseln Joins GROUP BY ORDER BY Spaltenbeispiele: Geschlecht Ja/nein Produktname Land Datum (falls < 1500 verschiedene Werte) SQL Projekt AG FSU Jena

27 High Group (HG) Index für Daten mit hoher Kardinalität (> 1500), unique/non-unique Verbesserter B-tree Index zur Ausführung von =, GROUP BY, Join Neu mit IQ 15: auch mehrspaltig, z.b. für Beschleunigung von ORDER BY, wird multi-threaded geschrieben Spaltenbeispiele (häufig Primärschlüssel): Produkt Id, Mitarbeiter ID SQL Projekt AG FSU Jena

28 High Non Group (HNG) Bit-weiser Index, optimiert für Bereichs-Suche und Aggregations-Funktionen Binäre Darstellung HNG-Index für Abs Abs SELECT SUM(Abs) FROM Absatz (1 * 64) + (0 * 32) + (1 * 16) + (6 * 8) + (4 * 4) + (3 * 2) + (4 * 1) = 154 für Datentyp NUMERIC und CHARCTER (<255) Ideal für Spalten, die benutzt werden in: Ranges, BETWEEN, SUM( ) und AVG( ) Funktionen Spaltenbeispiele: Datum (falls > 1500 verschiedene Werte), Beträge, Mengen SQL Projekt AG FSU Jena

29 4 Basis-Index-Typen und weitere Spezial- Typen Bezeichnung Fast Projection High Group Low Fast High Non Group Abkürzung FP HG LF HNG Wird für jede Spalte grundsätzlich Verwendet, Default Index Für UNIQUE und PRIMARY KEY notwendig Comparison Index CMP Word Index Join Index Date-, Time-, Datetime WD JI Date,TIME,DTTM SQL Projekt AG FSU Jena

30 Prinzipielle Herangehensweise bei der Indexierung von Tabellen SQL Projekt AG FSU Jena

31 Prinzipielle Herangehensweise bei der Indexierung von Tabellen (Forts.) SQL Projekt AG FSU Jena

32 Datenkompression - Radikale Senkung von Speicherbedarf und Wartung Herkömmliche DBMS Gleiche INPUT-Daten: Konventionelles DW ist 6x-10x größer als Sybase IQ DW Summaries Aggregates 1 2 TB Indexes 0,5 3 TB TB INPUT DATA: 1 TB Source: Flat Files, ETL, Replikation, ODS LOAD LOAD TB Aggr/Summ: 0 0,1 TB Indexes: 0,05 0,3 TB Base table: 0,2 0,5 TB Base table RAW data no indexes 0,9 1,1 TB SQL Projekt AG FSU Jena

33 Sybase IQ Praxisergebnisse Performance vs. - x (Kundenbeispiel Citibank) Durchschnittl. Antwortzeit Ladezeit Plattenplatz x 3.1 Std. 8.4 Std. 47 GB Sybase IQ 6.9 Min. 3.1 Std. 8 GB Plattform 2-1- Ausführen von sechs komplexen Anfragen - Bankenanwendung (select customer ID, group by product and account) SQL Projekt AG FSU Jena

34 Beispiel SELECT AVG (Abs), SUM(Abs)/AnzGSA/36 FROM Absatz, (SELECT COUNT(DISTINCT Einr) AS AnzGSA FROM Absatz WHERE Land = SA AND Typ = G ) WHERE Land = SA AND Typ = G AND Prod = Radeb 1 High Non Group Index für die Aggregatbildung 1 High Group Index für die Aggregatbildung 3 Low Fast Indizes für die Suchbedingung SQL Projekt AG FSU Jena

35 Ergebnis der Indexbenutzung Berechne den durchschnittlichen Absatz von Radeberger in Gastronomie- Einrichtungen in Sachsen je Monat der letzten 3 Jahre Mon Einr Typ Land Prod Abs G SA Werne G MV Becks G SA Radeb 1128 SELECT AVG (Abs), SUM(Abs)/AnzGSA/ K NS Jever 311 FROM Absatz, Sybase IQ: Es werden nur die relevanten Spalten gelesen (SELECT COUNT(DISTINCT Einr) AS AnzGSA FROM Absatz WHERE Land = SA AND Typ = G ) WHERE Land = SA AND Typ = G AND Prod = Radeb G SA Radeb G BY Paula M NW Dortm K SA Lands 1216 Ergebnis im Beispiel: Sehr starke Reduzierung des Disk-I/O auf ca. 0,1 0,2% bzw. 1 3 sec SQL Projekt AG FSU Jena

36 Sybase IQ und überprüfte Einsparungen bei Plattenspeicher Sybase IQ DATA COMPRESSION Beispiele Geladene Rohdaten Sybase IQ komprimiert Erwartete Datenexplosion bei anderen Anbietern Sun DWH Reference Architecture (InfoSizing August 2007) Sun DWH Reference Architektur (InfoSizing June 2004) 1 PB 260 TB 3 PB bis 7 PB 155 TB 55 TB 500 TB bis 1,000 TB Telefonica 70TB 15 TB 210 TB bis 490 TB comscore Networks 40 TB 16 TB 120 TB bis 280 TB Health Insurance Review Agency 27 TB 12 TB 81 TB bis 189 TB Samsung Card 15 TB 7 TB 45 TB bis 105 TB Nielsen Media Research 12 TB 12 TB 36 TB bis 84 TB Large Credit Card Company 10 TB 4 TB 30 TB bis 70 TB SQL Projekt AG FSU Jena

37 Eurostat : wide table 10 Mio rows SQL Projekt AG FSU Jena

38 Eurostat : Horizontale Partitionierung SQL Projekt AG FSU Jena

39 Eurostat : Vertikale Partitionierung SQL Projekt AG FSU Jena

40 Eurostat : In IQ-M SQL Projekt AG FSU Jena

41 Paralleles Ändern Ändern der DB soll Queries nicht behindern großes Problem für viele BI- Projekte In IQ soll eine Query nie auf eine Page warten, die sich im Ändern befindet Deshalb Page-Level Snapshot Versioning oder auch Page-Copy-On-Write Transaction-Id identifiziert Tabellenversion und diese die geänderten Pages der Version Queries laufen im isolation level 3 locking overhead ist gering durch table-level write locks In Verbindung mit Tabellenversionierung bleibt dadurch die Versionsanzahl klein SQL Projekt AG FSU Jena

42 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick SQL Projekt AG FSU Jena

43 SQL Anywhere (ASA) in IQ ASA ist der Zugang zur Sybase IQ database, verwaltet Server connections und logins/user ASA engine liefert Sybase IQ front end/interface und data dictionary, verwaltet metadata/master/system database, alle IQ database und server configuration parameter, IQ database file information ASA verwaltet IQ DB Objekte wie tables, stored procedures, event trigger, views, security information, version management usw. Sybase IQ benutzt SQL Interface von ASA zum Parsen Sybase IQ engine verwaltet data, data compression, DML/DDL/query optimization, IQ errors, data files, IQ temp database, version management, usw. SQL Projekt AG FSU Jena

44 Skalierbarkeit Sybase IQ ermöglicht ausbaufähige Multiplex Konfiguration IQ-M IQ-M IQ-M IQ-M IQ-M Starten mit einem Server Hinzufügen von s u. Speicher nach Bedarf Fiber Channel Storage Area Network Multiplexing ermöglicht es, weitere Server und s hinzuzufügen dabei kein bis minimaler Verlust an Skalierbarkeit; Skaliert wie ein Grid Terabytes an Festplatten können ins SAN eingefügt werden IQ-M wird diese effektiv nutzen SQL Projekt AG FSU Jena

45 Skalierbarkeit Nachgewiesen im Labor und bei Kunden Sybase IQ Multiplex Test der Skalierfähigkeit Anwender User Antw-Zeit: 31 sec sec % User Antw-Zeit = 31.6 sec Erhöhung : 1.9% (0.6 sec) Users 31.6 sec Knoten Workload: Each user executing random sequence of (TPC/H-like) queries (Source : HP Lab in San Bruno, CA) SQL Projekt AG FSU Jena

46 Skalierbarkeit Read/ Write Knoten IQ-M Einfache Administration und implizite Hochverfügbarkeit Read/ Write Knoten IQ-M Read/ Write Knoten IQ-M Read Knoten IQ-M Read Knoten IQ-M SKALIERBARKEIT Nach hinzufügen eines Knotens KEIN globaler Lock Manager nötig KEINE Datenumverteilung erforderlich KEINE Änderungen im Schema SEHR geringe I/O Contention Skaliert wie ein Grid Fiber Channel Storage Area Network SQL Projekt AG FSU Jena HOCHVERFÜGBARKEIT - Keine Unterbrechung des Datenbankzugriffs für andere Knoten - Andere Knoten werden durch Ausfall nicht beeinflußt --Anwender können Queries nach Start des Knotens einfach wiederholen oder automatisch auf anderen Knoten ausweichen (Sybase Open Switch, HW, ) -Bei gespiegelten Platten no single point of failure Architektur

47 Multiplex Koordinator und Sekundärknoten SQL Projekt AG FSU Jena

48 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick SQL Projekt AG FSU Jena

49 Query Plan Changes Connector Width Varies With Row Count ToolTip for Estimated Row Count Double Bar Indicates Parallel Dataflow Node Depth Varies with Max Thread Count ToolTip for Max Thread Count SQL Projekt AG FSU Jena

50 New Parallel Query Operators (Beispiel) Parallel Combiner Combines parallel dataflow back to a single stream Can or ordered (if above an ordered source) or unordered Dataflow processing is serial above this operator Parallel Order By Can have parallel inputs or parallel outputs or both Parallel outputs create parallel dataflow Parallel inputs with single output acts a a combiner SQL Projekt AG FSU Jena

51 Partitionierung und dbspace Range partitioning Range partitioning is for ILM, not for query performance Partitioned Primary storage All datatypes except float, double, varchar > 255 Bit columns are always in table dbspace SQL Projekt AG FSU Jena

52 SQL Projekt AG FSU Jena

53 SQL Projekt AG FSU Jena

54 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick SQL Projekt AG FSU Jena

55 Online-Archiv auf Basis Sybase IQ Sybase ASE und heterogene Umgebungen Applikation ASE CIS Technologische Grundlagen: Component Integration Services von Sybase ASE Proxy Tabellen Union in Views Instead-of-Trigger (ASE ) Transparent für SQL Physik. Speicherung/ Logik TABLE KUNDE TABLE ORDER VERTRAG PLACE_.. Direct Connect ORDER_ HISTORY Direct Connect IBM MVS (z/os) DB2(CICS) DB2(IMS) DB2(DRDA) IDMS IMS VSAM ODBC Informix Microsoft Oracle DB2/UDB TABLE VERTRAG Archiv: Sybase IQ AS/400 TABLE ORDER_ HISTORY CICS Trx PLACE_ ORDER Proxy Tabelle SQL Projekt AG FSU Jena

56 Speicherung ALLER relevanten Daten in EINEM System Internet ( und Dokumente) Anwender können weiter ihren bisherigen Client nutzen können aber auch auf das System zugreifen Dokumente Bilder Video Audio Fax Datei und DB Backup Andere Daten imarc Vor- handener Server Partnerlösung Dokumente und Clients ( Optional ) DW Transaktionen Sybase IQ Weitere Daten können in der Lösung nach Bedarf hinzugefügt werden SQL Projekt AG FSU Jena

57 PBS CBW NLS IQ Introduction PBS CBW NLS IQ for Sybase IQ is a powerful and complete Nearline Storage Solution for SAP Business Intelligence SAP BI SAP NLS Data Archiving Process (DAP) Administration/ Monitoring Sybase IQ Access: Queries, Reload,... PBS CBW NLS IQ Interface server Load Data Read Data CBW NLS IQ Infrastrutcure (without adk components) SQL Projekt AG FSU Jena

58 CBW-Architektur mit NLS und Sybase IQ DB und Nearline lesen (in Query-Attributen aktivieren) SAP BW Query InfoCube DataStore Objekt SAP Nearline Provider PBS Nearline Services für Sybase IQ SAP BW Datenbank Sybase IQ Spalten-basierte Data Warehouse DB, Kompression bis 1:10 SQL Projekt AG FSU Jena

59 Kompressionen InfoCubes - Kundenbeispiel InfoCube Größe arch. Daten Größe Daten in Sybase IQ Kompression auf INDIA Bytes Bytes 8 % INDIA Bytes Bytes 4 % FAKT Bytes Bytes 11 % FAKT Bytes Bytes 5 % FAKTP Bytes Bytes 8 % ERG Bytes Bytes 5 % 0FIAR_C Bytes Bytes 9 % 0FIAR_C Bytes Bytes 12 % SQL Projekt AG FSU Jena

60 Query Markthierarchie Speed (I) Query M_INDIA01/WEB1_M_INDIA01_MARHIE_ZJVJB Kundenhierarchie über Attribut KDUNIQUE Anzahl Datensätze: 17 Mio. Zugriffsart Sybase IQ Oracle DB mit Aggregaten Oracle DB ohne Aggregate Primärliste 16 s 71 s 416 s Sybase IQ (16s) Oracle mit Aggregaten (71s -> Faktor 4) Oracle ohne Aggregate (416s -> Faktor 26) Zeit [s] SQL Projekt AG FSU Jena

61 Query Fakturen Speed (I) Query Query M_FAKT01/STD_M_FAKT01_ASS_PC Anzahl Datensätze: 57 Mio. Zugriffsart Sybase IQ Oracle DB Primärliste 12 s 164 s mit Aggregaten Fakturaauswertung Oracle DB ohne Aggregate nach 2000 s abgebrochen Sybase IQ (12s) Oracle mit Aggregaten (164s -> Faktor 14) Oracle ohne Aggregate (abgebrochen) Zeit [s] SQL Projekt AG FSU Jena

62 Erfahrungsbericht Fazit Kundeninstallation Speed Kompression Administration Bis zu 14 x schnellere Antwortzeiten Kompression der Archivdaten bis zu 95 % Keine Indexkeine Aggregat- Modellierung SQL Projekt AG FSU Jena

63 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick SQL Projekt AG FSU Jena

64 Problem: Ein weiterer DB Server Wenn der OLTP-Server unvermeidlich ist, zusätzliche Kosten, Aufwand für Administration und Entwicklung der Synchronisation oder Replikation Ist das immer der Fall? Oder kann ggf. eine bestimmte Latenz für die Aktualität der DB toleriert werden? Eine Lösung: ASA des IQ als Staging DB benutzen SYBASE IQ Server Eingehende Insert- Transaktionen ASA Engine Zeitgesteuertes Insert Location IQ Engine ASA-DB Staging-DB IQ-DB SQL Projekt AG FSU Jena

65 SQL Projekt AG FSU Jena FK_TELCO_FA_REFERENCE_MONTH FK_TELCO_FA_REFERENCE_RESIDENT FK_TELCO_FA_REFERENCE_SERVICE FK_TELCO_FA_REFERENCE_STATUS month month_key month_text month_number fiscal_period year period_and_year month_and_year integer char(9) integer char(2) integer char(7) char(7) <pk> residential_customer customer_key customer_first_name customer_last_name customer_gender street_address city state postal_code phone_number integer char(11) char(15) char char(18) char(20) char(2) char(9) char(10) <pk> service service_key call_waiting_flag caller_id_flag voice_mail_flag cellular_flag internet_flag isdn_flag integer char char char char char char <pk> status status_key new_customer new_address call_waiting_status caller_id_status voice_mail_status cellular_status internet_status isdn_status closed_this_period integer char char char(10) char(10) char(10) char(10) char(10) char(10) char <pk> telco_facts month_key customer_key service_key status_key combined_revenue number_of_lines local_call_count local_call_minutes long_distance_call_count long_distance_call_minutes minutes_online integer integer integer integer numeric(19,4) integer integer integer integer integer integer <pk,fk1> <pk,fk2> <pk,fk3> <pk,fk4> Telekommunikations-DB Zeilen

66 ASA als Staging DB INSERT INTO telco_facts Zeitgesteuert z.b. in Intervallen von 10, 20, 30 sec INSERT INTO telco_facts LOCATION SELECT DS pro Bulk DS/sec in ASA DS/sec in IQ Faktor ASA Faktor IQ 1 Einzelinsert - 66,7 1: 1: , , ,4 333 SQL Projekt AG FSU Jena

67 Analysten Gartner Gartner Data Warehouse Magic Quadrant Position: Challenger IDC Wir haben beobachtet und darauf gewartet, dass Firmen, die Datenbanken implementieren, sich vermehrt für Sybase IQ und seine einzigartige Tabellen- und Indexstruktur entscheiden. Denn diese sichert eine beeindruckende Performance bei komplexen Abfragen auf großen Data Warehouses. Gemessen an den Markterfolgen der letzten Jahre scheint es so, dass der Markt endlich begriffen hat. Carl Olofson, Research Vice President Information Management and Data Integration Software Research IDC 2007 SQL Projekt AG FSU Jena

68 Kunden in Deutschland (Auszug) 1&1 Internet AG Bertelsmann Music Group EMI Electrola RTL Television Allianz-Dresdner Bausparkasse Dresdner Bank Vodafone D2 GmbH DekaBank Deutsche Bank Citibank DEVK Allgemeine Versicherungen AG Risk Consulting Raiffeisen Hauptgenossenschaft Nord Müller (Drogeriemärkte) European Southern Observatory SQL Projekt AG FSU Jena

69 Technologien spaltenorientierter Datenbanken beim Sybase IQ-Server Einführung Sybase Adaptive Server IQ und IQM Grundkonzept der spaltenorientierten Speicherung bei IQ Indextypen IQ Multiplex Weitere neue Funktionalitäten bei IQ 15 Spezielle Anwendungen Archivierung Transaktionsnahe Umgebung, Real Time (?) Ausblick SQL Projekt AG FSU Jena

70 Fragen Auf welcher Speicherbasis wird sich die spaltenorientierte DB weiter entwickeln? Wird die spaltenorientierte DB eine separate Technologie bleiben? Sicherlich nicht, aber welche Wege werden die Hersteller gehen? Transparenz für Queries und Transactionen wäre ein wichtiges Ziel Standardisierung? SQL Projekt AG FSU Jena

71 Vielen Dank für Ihre Aufmerksamkeit! Jürgen Bittner Vorstandsvorsitzender SQL Projekt AG Telefon (0351) Franklinstraße 25a Telefax (0351) Dresden mobil (0172) w w w. s q l - a g. d e SQL Projekt AG FSU Jena

72 Sun DWH Reference Architecture Reference Architecture Ein Sun SPARC Enterprise M9000 Server mit Solaris 10 Drei Sun StorageTek 6540 Storage Arrays verbunden mit dem Server über Fiber Channel Sybase IQ 12.7 Enterprise Edition BMMsoft DataFusion für die Verwaltung unstrukturierter Daten und s Quelle: Sun Data Warehouse Reference Architecture for Structured and Unstructured Data, InfoSizing, August 20, 2007 Hauptspeichernutzung Sybase IQ Writer nutzte 64 Cores (mit zusammen 128 Threads) und 100 GB Hauptspeicher 45 GB Hauptspeicher für den Sybase IQ Ladeprozess und als Cache für Teile der geladenen Dateien Der BMMsoft DataFusion Ladeserver nutzte 64 Cores (mit zusammen 128 Threads) und 40 GB Hauptspeicher 20 GB Hauptspeicher für Solaris 10 zur Optimierung von Swapping und Paging SQL Projekt AG FSU Jena

73 Sun s iforce Enterprise Data Warehouse Reference Architecture Basiert auf Sybase Adaptive Server IQ Multiplex mit 156 s und 160 GB RAM Ergebnisse: 48,2 Terabyte Rohdaten korrespondieren mit 22 Terabyte Speicherverbrauch Millionen Records werden täglich geladen in < 1h Konkurrenz zwischen Laden und Anfragen der gleichen Tabelle bringt nur 6,9 % Verlangsamung Bis zu 1000 x schnellere Analyse-Laufzeiten 80% weniger Installationsaufwand Unterstützt Tausende Anwender gleichzeitig SQL Projekt AG FSU Jena

74 BusinessObjects - Anwendungsarchitekturen Web Intelligence CrystalReports (Pioneer) Xcelsius+ Web Intelligence (Pioneer) Business Warehouse Xcelsius+ PBS Archiv NLS mit Sybase IQ Analytics Server SQL Projekt AG FSU Jena

75 IQ Multiplex-Archtektur SQL Projekt AG FSU Jena

CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage

CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage CBW NLS Schneller Query-Zugriff auf Datenbank und Nearline Storage PBS Nearline Storage Lösung mit spaltenorientierter Datenbanktechnologie für SAP NetWeaver BW Dr. Klaus Zimmer, PBS Software GmbH Agenda

Mehr

The Unbreakable Database System

The Unbreakable Database System The Unbreakable Database System Real Application Cluster Unterföhring, 04.2005 M. Kühn 1 Comparisson HA - HA Ziele, DataGuard, HA Oracle, RAC RAC Features - Cache Fusion, TAF, Load Balancing RAC on Solaris

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

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

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store...

Hauptspeicher- Datenbanksysteme. Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher- Datenbanksysteme Hardware-Entwicklungen Column- versus Row-Store... Hauptspeicher-Datenbanksysteme Disk is Tape, Tape is dead Jim Gray Die Zeit ist reif für ein Re-engineering der Datenbanksysteme

Mehr

SAP HANA -Umgebungen. Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013

SAP HANA -Umgebungen. Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013 Information Lifecycle Management in SAP HANA -Umgebungen Prof. Dr. Detlev Steinbinder, PBS Software GmbH, 2013 Agenda Einführung Business Case Information Lifecycle Management (ILM) ILM und Migration nach

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

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

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

Oracle 10g revolutioniert Business Intelligence & Warehouse

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

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

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

Einführung in Hauptspeicherdatenbanken

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

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

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

Mehr

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

Architekturen. Von der DB basierten zur Multi-Tier Anwendung. DB/CRM (C) J.M.Joller 2002 131

Architekturen. Von der DB basierten zur Multi-Tier Anwendung. DB/CRM (C) J.M.Joller 2002 131 Architekturen Von der DB basierten zur Multi-Tier Anwendung DB/CRM (C) J.M.Joller 2002 131 Lernziele Sie kennen Design und Architektur Patterns, welche beim Datenbankzugriff in verteilten Systemen verwendet

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

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

Mehr

In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest

In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest Synopsis Darmstadt 13.-14.05.2014 Guido Jacobs, Microsoft Tobias Maier & Dr. Benjamin Kettner, ixto GmbH Microsoft SQL Server 2014 //

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

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören

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

MySQL Queries on "Nmap Results"

MySQL Queries on Nmap Results MySQL Queries on "Nmap Results" SQL Abfragen auf Nmap Ergebnisse Ivan Bütler 31. August 2009 Wer den Portscanner "NMAP" häufig benutzt weiss, dass die Auswertung von grossen Scans mit vielen C- oder sogar

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

Andrea Held. Motivation ILM: Definition und Strategien Lösungen für Oracle Datenbanken. Empfehlungen

Andrea Held. Motivation ILM: Definition und Strategien Lösungen für Oracle Datenbanken. Empfehlungen Andrea Held Motivation ILM: Definition und Strategien Lösungen für Oracle Datenbanken Partitionierung Komprimierung ILM Assistant Flashback Data Archive Empfehlungen 1 Datenwachstum Wachsende Kosten Schlechtere

Mehr

RAC auf Sun Cluster 3.0

RAC auf Sun Cluster 3.0 RAC auf Sun Cluster 3.0 Schlüsselworte RAC, OPS, Sun Cluster, Performance, Availability Zusammenfassung Oracle hat mit dem Real Application Cluster (RAC) aus einer Hochverfügbarkeitslösung eine Höchstverfügbarkeitslösung

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

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

SQL-Befehlsliste. Vereinbarung über die Schreibweise

SQL-Befehlsliste. Vereinbarung über die Schreibweise Vereinbarung über die Schreibweise Schlüsselwort [optionale Elemente] Beschreibung Befehlsworte in SQL-Anweisungen werden in Großbuchstaben geschrieben mögliche, aber nicht zwingend erforderliche Teile

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

IBM Netezza Data Warehouse Appliances - schnelle Analysen mit hohen Datenmengen

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

Mehr

MySQL Performance Tuning für Entwickler

MySQL Performance Tuning für Entwickler MySQL Performance Tuning für Entwickler Cebit 2015, Hannover Oli Sennhauser Senior MySQL Consultant, FromDual GmbH oli.sennhauser@fromdual.com 1 / 18 FromDual GmbH Support Beratung remote-dba Schulung

Mehr

IBM Informix Tuning und Monitoring

IBM Informix Tuning und Monitoring Seminarunterlage Version: 11.01 Copyright Version 11.01 vom 25. Juli 2012 Dieses Dokument wird durch die veröffentlicht. Copyright. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen

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

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

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

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

Mehr

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

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

Mehr

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

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

Mehr

Sybase IQ im SAP-Portfolio. Frank Irnich Business Development Manager Sybase, An SAP Company

Sybase IQ im SAP-Portfolio. Frank Irnich Business Development Manager Sybase, An SAP Company Sybase IQ im SAP-Portfolio Frank Irnich Business Development Manager Sybase, An SAP Company UNSERE VISION: DAS UNWIRED ENTERPRISE Data Expands Jede Anwendung INFORMATIONS- MANAGEMENT Wertschöpfung am Entscheidungspunkt

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

Inhaltsverzeichnis. Installationsübersicht. A. Installationsübersicht

Inhaltsverzeichnis. Installationsübersicht. A. Installationsübersicht Inhaltsverzeichnis A. Installationsübersicht B. und Optimierungsbereiche B.1 Hardware B.2 OperatingSystem Z/OS B.3 Databasemanagementsystem DB2 B.4 Applikation C. Organisation BSS_Chart-library 1 Installationsübersicht

Mehr

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

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

Mehr

CBW Best Practices und neue Features

CBW Best Practices und neue Features 17. Juni 2015 CBW Best und neue Features CBW NLS die SAP BW Nearline-Lösungen der PBS Software GmbH Stefan Weickum, PBS Software GmbH Produktpalette CBW für SAP NLS Best Kernfunktionen Zusammen fassung

Mehr

MySQL Replikation. Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de 19.11.2013. linsenraum.de

MySQL Replikation. Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de 19.11.2013. linsenraum.de MySQL Replikation Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de linsenraum.de 19.11.2013 Erkan Yanar erkan.yanar@linsenraum.de linsenraum.de (linsenraum.de) MySQL Replikation 19.11.2013 1 / 37 Who

Mehr

PBS Ergänzungslösungen

PBS Ergänzungslösungen PBS Ergänzungslösungen Von der klassischen Archivierung bis zum Information Lifecycle Management mit SAP HANA Prof. Dr. Detlev Steinbinder Agenda Wo geht die Reise hin? Informationen im SAP-Umfeld Big

Mehr

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag

SAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf

Mehr

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 OSC Smart Integration GmbH SAP Business One GOLD-Partner in Norddeutschland GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 SAP Business One v.9.0 Heiko Szendeleit AGENDA OSC-SI 2013 / SAP Business One

Mehr

Wie profitiert SAP MaxDB von SSD Technologie?

Wie profitiert SAP MaxDB von SSD Technologie? Wie profitiert SAP MaxDB von SSD Technologie? Direktor Software und Services SAP MaxDB InfoTage 2014 15.-25. September 2014 Purpose Agenda MaxDB ENTERPRISE EDITION Including Mobile DB Monitor MaxDB & SSD

Mehr

Erste Schritte, um selber ConfigMgr Reports zu erstellen

Erste Schritte, um selber ConfigMgr Reports zu erstellen Thomas Kurth CONSULTANT/ MCSE Netree AG thomas.kurth@netree.ch netecm.ch/blog @ ThomasKurth_CH Erste Schritte, um selber ConfigMgr Reports zu erstellen Configuration Manager Ziel Jeder soll nach dieser

Mehr

Aktueller Entwicklungsstand der PBS Nearline-Storage-Lösung für SAP BW. Dr. Christoph Bedau, Stefan Weickum, PBS Software GmbH

Aktueller Entwicklungsstand der PBS Nearline-Storage-Lösung für SAP BW. Dr. Christoph Bedau, Stefan Weickum, PBS Software GmbH Aktueller Entwicklungsstand der Nearline-Storage-Lösung für SAP BW Dr. Christoph Bedau, Stefan Weickum, Software GmbH Agenda -Lösungen für SAP BW Systemlandschaft SAP HANA Neue SAP Funktionalität unter

Mehr

ORACLE Database Migration

ORACLE Database Migration ORACLE Database Migration Hürden und Best Practices in einer hochverfügbaren Umgebung GUUG FFG 2013 Andrea Held 27.2.2013 10:47:05 A. Held: Oracle DB Migration 1 Agenda Oracle Hochverfügbarkeit: Eine Auswahl

Mehr

1001 Möglichkeiten eine Staging Area zu füllen. Sven Bosinger its-people GmbH

1001 Möglichkeiten eine Staging Area zu füllen. Sven Bosinger its-people GmbH Ausgangslage Szenarien Populate the Stage - 1001 Möglichkeiten eine Staging Area zu füllen Sven Bosinger its-people GmbH 1 Sven Bosinger Solution Architect BI und Portfoliomanagement BI its-people GmbH

Mehr

7. Datenbank-Zugriff. Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn. Zum Beispiel aus PHP-Skripten: Client 7-2

7. Datenbank-Zugriff. Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn. Zum Beispiel aus PHP-Skripten: Client 7-2 5 Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn 7 7. Datenbank-Zugriff Zum Beispiel aus PHP-Skripten: Client 7-2 Struktur einer Datenbank 7-3 Erzeugen von Datenbanken

Mehr

Performance Tuning & Scale-Out mit MySQL

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

Mehr

The Unbreakable Database System

The Unbreakable Database System The Unbreakable Database System Real Application Cluster auf Sun Cluster 3.0 Unterföhring, 11.2002 M. Beeck, M. Kühn 1 Comparisson HA - HA Ziele, DataGuard, HA Oracle, RAC Sun Cluster 3.0 Key Features

Mehr

Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele

Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele Einsatzmöglichkeiten von BI Accelerator anhand konkreter Kundenbeispiele Jürgen Karnstädt Senior Consultant HP SAP Competence Center Hewlett-Packard Development Company, L.P. The information contained

Mehr

Transaktionen in der Praxis. Dr. Karsten Tolle

Transaktionen in der Praxis. Dr. Karsten Tolle Transaktionen in der Praxis Dr. Karsten Tolle Praxisbeispiel in Java Connection con = null; try { con = DriverManager.getConnection("jdbc:db2:sample"); } catch (Exception e) { e.printstacktrace(); } con.setautocommit(false);

Mehr

Version 2.0. Copyright 2013 DataCore Software Corp. All Rights Reserved.

Version 2.0. Copyright 2013 DataCore Software Corp. All Rights Reserved. Version 2.0 Copyright 2013 DataCore Software Corp. All Rights Reserved. VDI Virtual Desktop Infrastructure Die Desktop-Virtualisierung im Unternehmen ist die konsequente Weiterentwicklung der Server und

Mehr

Whitepaper. Produkt: combit Relationship Manager. Datensatzhistorie mit dem SQL Server 2000 und 2005. combit GmbH Untere Laube 30 78462 Konstanz

Whitepaper. Produkt: combit Relationship Manager. Datensatzhistorie mit dem SQL Server 2000 und 2005. combit GmbH Untere Laube 30 78462 Konstanz combit GmbH Untere Laube 30 78462 Konstanz Whitepaper Produkt: combit Relationship Manager Datensatzhistorie mit dem SQL Server 2000 und 2005 Datensatzhistorie mit dem SQL Server 2000 und 2005-2 - Inhalt

Mehr

TDWI Konferenz, München, 23.06.2014. LEISTUNG VON MODERNEN DATENBANKEN Aslı Yaman, Andreas Hauenstein, Andrej Vckovski, Simon Hefti"

TDWI Konferenz, München, 23.06.2014. LEISTUNG VON MODERNEN DATENBANKEN Aslı Yaman, Andreas Hauenstein, Andrej Vckovski, Simon Hefti TDWI Konferenz, München, 23.06.2014 LEISTUNG VON MODERNEN DATENBANKEN Aslı Yaman, Andreas Hauenstein, Andrej Vckovski, Simon Hefti" Motivationen Konzept Methodik und Ergebnisse Diskussion Schlussfolgerung

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

27. 03. 2007 IT-Frühstück IT Trend Virtualisierung Hype oder Nutzen? Praxisaspekte

27. 03. 2007 IT-Frühstück IT Trend Virtualisierung Hype oder Nutzen? Praxisaspekte Ole Raether raether@oraservices.de 27. 03. 2007 IT-Frühstück IT Trend Virtualisierung Hype oder Nutzen? Praxisaspekte Inhalt oraservices.de Probleme: Failover Cluster, RAC 24*7 Fazit Was tun? oraservices.de

Mehr

MS SQL Server: Index Management. Stephan Arenswald 10. Juli 2008

MS SQL Server: Index Management. Stephan Arenswald 10. Juli 2008 MS SQL Server: Index Management Stephan Arenswald 10. Juli 2008 Agenda 1. Einführung 2. Grundlagen Tabellen 3. Grundlagen Indexe 4. Indextypen 5. Index-Erstellung 6. Indexe und Constraints 7. Und Weiter...?

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

Performance Tuning mit @enterprise

Performance Tuning mit @enterprise @enterprise Kunden-Forum 2005 Performance Tuning mit @enterprise Herbert Groiss Groiss Informatics GmbH, 2005 Inhalt Datenbank RMI JAVA API HTTP Konfiguration Analyse Groiss Informatics GmbH, 2005 2 Datenbank

Mehr

IO Performance in virtualisierten Umgebungen

IO Performance in virtualisierten Umgebungen IO Performance in virtualisierten Umgebungen Bruno Harsch El. Ing. HTL/FH Managing Partner Tel +41 52 366 39 01 bruno.harsch@idh.ch www.idh.ch IDH GmbH Lauchefeld 31 CH-9548 Matzingen 2 Die Firma IDH wurde

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

Informatik Datenbanken SQL-Einführung

Informatik Datenbanken SQL-Einführung Informatik Datenbanken SQL-Einführung Gierhardt Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Auswahl-Abfragen mit SELECT 2 2.1 Selektion...................................... 2 2.2 Projektion.....................................

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

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

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

Das 1&1 Datawarehouse -Von Massendaten zu Prozesskennzahlen

Das 1&1 Datawarehouse -Von Massendaten zu Prozesskennzahlen Das 1&1 Datawarehouse -Von Massendaten zu Prozesskennzahlen Inhalt Das Unternehmen 1&1 Internet AG Ausgangssituation Projektziel Lösung Das 1&1 Datawarehouse 2 Zu meiner Person Volker Müller-Strunk Dipl.

Mehr

IV. Datenbankmanagement

IV. Datenbankmanagement Wirtschaftsinformatik 2 (PWIN) IV. Datenbankmanagement Kapitel 2: Datenmanipulationssprache SQL Wirtschaftsinformatik 2 (PWIN) SS 2009, Professur für Mobile Business & Multilateral Security 1 Agenda 1.

Mehr

SQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:

SQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language: SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In

Mehr

S A P B W O N H A N A P R O O F O F C O N C E P T B E I S. O L I V E R

S A P B W O N H A N A P R O O F O F C O N C E P T B E I S. O L I V E R S A P B W O N H A N A P R O O F O F C O N C E P T B E I S. O L I V E R S T E F A N M A R K 07.07.2015 F O L I E 1 V O N 2 7 F I R M E N P O R T R A I T S. O L I V E R GESCHICHTE F O L I E 2 V O N 2 7 F

Mehr

Copyright 2014, Oracle and/or its affiliates. All rights reserved.

Copyright 2014, Oracle and/or its affiliates. All rights reserved. 1 Integrierte Systeme für SIs und VARs Matthias Weiss Direktor Mittelstand Technologie ORACLE Deutschland B.V. & Co. KG 2 Agenda Engineered Systems Oracle s Strategie Engineered Systems Big Data einmal

Mehr

Datenbankstammtisch. Replikation in heterogenen Datenbankumgebungen am Beispiel des Sybase Replication Servers. 1. Februar 2006

Datenbankstammtisch. Replikation in heterogenen Datenbankumgebungen am Beispiel des Sybase Replication Servers. 1. Februar 2006 Datenbankstammtisch Replikation in heterogenen Datenbankumgebungen am Beispiel des Sybase Replication Servers 1. Februar 2006 Autoren: Andreas Reis, Sebastian Mehl Dipl.-Phys. Thomas Richter Gliederung

Mehr

SQL Tutorial. SQL - Tutorial SS 06. Hubert Baumgartner. INSO - Industrial Software

SQL Tutorial. SQL - Tutorial SS 06. Hubert Baumgartner. INSO - Industrial Software SQL Tutorial SQL - Tutorial SS 06 Hubert Baumgartner INSO - Industrial Software Institut für Rechnergestützte Automation Fakultät für Informatik Technische Universität Wien Inhalt des Tutorials 1 2 3 4

Mehr

ANDREAS PROUZA. Wien, 2015-03-27. andreaspr@aon.at andreas@prouza.at. http://www.prouza.at

ANDREAS PROUZA. Wien, 2015-03-27. andreaspr@aon.at andreas@prouza.at. http://www.prouza.at DB2 & SQL E I N F Ü H R U N G T U N I N G O P T I M I E R U N G S E C R E T S ANDREAS PROUZA andreaspr@aon.at andreas@prouza.at http://www.prouza.at Wien, 2015-03-27 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis...

Mehr

SQL Cockpit & SAP HANA Prüfen Sie Ihre SQL Abfragen auf HANA-Tauglichkeit

SQL Cockpit & SAP HANA Prüfen Sie Ihre SQL Abfragen auf HANA-Tauglichkeit SQL Cockpit & SAP HANA Prüfen Sie Ihre SQL Abfragen auf HANA-Tauglichkeit Johann Fößleitner Cadaxo GmbH email: johann.foessleitner@cadaxo.com Twitter: @foessleitnerj Agenda 1 SAP HANA Integrationsszenarien

Mehr

Objekt-relationales Mapping und Performance-Tuning

Objekt-relationales Mapping und Performance-Tuning Objekt-relationales Mapping und Performance-Tuning Thomas Krüger tkrueger@vanatec.com Agenda Wege um Daten zu lesen Wege um Daten zu modellieren Wege um Datenbanken effizient zu nutzen 2 2 Wege, Daten

Mehr

Oracle Datenbank / Ubuntu

Oracle Datenbank / Ubuntu Oracle Datenbank / Ubuntu Sebastian Gath & Hannes Schwarz Seminar Database Tuning & Administration Universität Konstanz - SS 2007 Administration Vorbereitung Zeitmessung Erste Zeitmessung 2 Ausgangssituation

Mehr

eurex rundschreiben 094/10

eurex rundschreiben 094/10 eurex rundschreiben 094/10 Datum: Frankfurt, 21. Mai 2010 Empfänger: Alle Handelsteilnehmer der Eurex Deutschland und Eurex Zürich sowie Vendoren Autorisiert von: Jürg Spillmann Weitere Informationen zur

Mehr

Installation MySQL Replikationsserver 5.6.12

Installation MySQL Replikationsserver 5.6.12 Ergänzen Konfigurationsdatei my.ini auf Master-Server:!!! softgate gmbh!!! Master und Slave binary logging format - mixed recommended binlog_format = ROW Enabling this option causes the master to write

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

Data Warehousing Grundbegriffe und Problemstellung

Data Warehousing Grundbegriffe und Problemstellung Data Warehousing Grundbegriffe und Problemstellung Dr. Andrea Kennel, Trivadis AG, Glattbrugg, Schweiz Andrea.Kennel@trivadis.com Schlüsselworte Data Warehouse, Cube, Data Mart, Bitmap Index, Star Queries,

Mehr

Hochschule Karlsruhe Technik und Wirtschaft- 10.7.2013. Anhänge: Fakultät für Informatik und Wirtschaftsinformatik SS 2013 Prof. Schmidt.

Hochschule Karlsruhe Technik und Wirtschaft- 10.7.2013. Anhänge: Fakultät für Informatik und Wirtschaftsinformatik SS 2013 Prof. Schmidt. Fakultät für Informatik und Wirtschaftsinformatik SS 2013 Datenbanken und Informationssysteme II Szenario: Projektverwaltung. Es gibt Projekte, Projektleiter, Mitarbeiter und ihre Zuordnung zu Projekten.

Mehr

InspireIT. SAP HANA Sesam öffne dich. Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH. Frankfurt am Main, 11.05.

InspireIT. SAP HANA Sesam öffne dich. Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH. Frankfurt am Main, 11.05. InspireIT SAP HANA Sesam öffne dich Stefan Kühnlein Solution Architekt OPITZ CONSULTING Deutschland GmbH Frankfurt am Main, 11.05.2015 OPITZ CONSULTING GmbH 2015 Seite 1 Checker Fragen Ist SAP HANA eine

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

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

Themen des Kapitels. 2 Oracle Features und Architektur

Themen des Kapitels. 2 Oracle Features und Architektur 2 Oracle Features und Architektur Einführung in die Eigenschaften und die Funktionsweise von Oracle. 2.1 Übersicht Themen des Kapitels - Oracle Features und Architektur Themen des Kapitels Oracle Produkte

Mehr

Event Stream Processing & Complex Event Processing. Dirk Bade

Event Stream Processing & Complex Event Processing. Dirk Bade Event Stream Processing & Complex Event Processing Dirk Bade Die Folien sind angelehnt an eine Präsentation der Orientation in Objects GmbH, 2009 Motivation Business Activity Monitoring Sammlung, Analyse

Mehr

InfoSphere Change Data Capture/Change Data Delivery

InfoSphere Change Data Capture/Change Data Delivery InfoSphere Change Data Capture/Change Data Delivery Aktuellste Daten für Ihr Datawarehouse 1 Information Management ist eine Wertschöpfungskette für die RICHTIGE Information zu jeder Zeit, am richtigen

Mehr

MySQL in großen Umgebungen

MySQL in großen Umgebungen MySQL in großen Umgebungen 03.03.2011 CeBIT Referent: Bernd Erk Agenda DESTINATION TIME REMARK KURZVORSTELLUNG MYSQL STATUS QUO STORAGE ENGINES MONITORING UND MANAGEMENT ENTERPRISE FEATURES FRAGEN UND

Mehr

Ist traditionelles ILM zukunftsfähig?

Ist traditionelles ILM zukunftsfähig? 17. Juni 2015 Ist traditionelles ILM zukunftsfähig? Keynote, PBS-Infotag Juni 2015 Prof. Dr. Detlev Steinbinder Seite 1 Agenda Zukunft Warum ILM? PBS Lösungen Datenanalyse Aspekte Demos Virtuelle Datenanalyse

Mehr

Evolution statt Revolution

Evolution statt Revolution Evolution statt Revolution Ihr Weg von SAP MaxDB zu SAP in-memory computing Jürgen Primsch, SAP AG 18. November 2010 Agenda 1. SAP MaxDB 2. SAP in-memory computing 3. Auf zu neuen Ufern 2010 SAP AG. All

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen 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

Grid Computing in. komplexen Systemen. mit Blick auf RFID. Günther Stürner Vice President Business Unit Database & STCCs ORACLE Deutschland GmbH

Grid Computing in. komplexen Systemen. mit Blick auf RFID. Günther Stürner Vice President Business Unit Database & STCCs ORACLE Deutschland GmbH Grid Computing in komplexen Systemen mit Blick auf RFID Günther Stürner Vice President Business Unit Database & STCCs ORCLE Deutschland GmbH 2 Datenbanken sind die Basis für jede denkbare IT Lösung Infrastruktur

Mehr

IBM DB2 für Linux/Unix/Windows Monitoring und Tuning

IBM DB2 für Linux/Unix/Windows Monitoring und Tuning IBM DB2 für Linux/Unix/Windows Monitoring und Tuning Seminarunterlage Version: 4.05 Version 4.05 vom 9. Februar 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt-

Mehr