Eine Reise mit DB2: Von SQL über XML zu BigData

Größe: px
Ab Seite anzeigen:

Download "Eine Reise mit DB2: Von SQL über XML zu BigData"

Transkript

1 Christian Daser IBM Client Technical Specialist Information Management, 19. Januar 2015 Eine Reise mit DB2: Von SQL über XML zu BigData Informatik-Kolloquium der Friedrich-Schiller-Universität Jena Regionalgruppe Ostthüringen der Gesellschaft für Informatik (GI) Ernst-Abbe-Hochschule Jena

2 Christian Daser Client Technical Professional, Information Management for System z IBM Deutschland GmbH Diplom-Ingenieur (BA), Fachrichtung Informationstechnik

3 Agenda Datenbanken Grundlagen Neue Anforderungen Aktuelle Herausforderungen 3

4 Agenda Datenbanken Grundlagen Neue Anforderungen Aktuelle Herausforderungen 4

5 Begrifflichkeiten im Themenbereich relationale Datenbanken Datenbank (DB) Systematisch strukturierte Sammlung von Daten, die langfristig(?) verfügbar sind. Datenbankmanagementsystem (DBMS) Software zur Verwaltung von Datenbanken, welche die Speicherung der enthaltenen Daten sicherstellt sowie sämtliche Datenzugriffe kontrolliert. Schema Formale Beschreibung von Datenbankobjekten und der Datenstruktur. SQL Standardisierte Sprache zur Definition (DDL) Abfrage und Manipulation (DML) Rechtevergabe und -kontrolle (DCL) von Daten in relationalen Datenbanken. INSERT INTO DIVISION1.EMPLOYEE VALUES (000020, Thompson, Michael ) 6

6 Beispiel zur Data Definition Language (DDL) CREATE TABLE DIVISON1.DEPARTMENT ( DEPTNO CHAR(3) NOT NULL, DEPTNAME VARCHAR(36) NOT NULL, MGRNO CHAR(6) WITH DEFAULT NULL, ADMRDEPT CHAR(3) NOT NULL, CONSTRAINT DEP_PK PRIMARY KEY (DEPTNO)) CREATE TABLE DIVISON1.EMPLOYEE ( EMPNO CHAR(6) NOT NULL, FIRSTNME VARCHAR(12) NOT NULL, MIDINIT CHAR(1) NOT NULL, LASTNAME VARCHAR(15) NOT NULL, WORKDEPT CHAR(3) WITH DEFAULT NULL, PHONENO CHAR(4) WITH DEFAULT NULL, HIREDATE DATE WITH DEFAULT NULL, JOB CHAR(8) WITH DEFAULT NULL, EDLEVEL SMALLINT NOT NULL, SEX CHAR(1) WITH DEFAULT NULL, BIRTHDATE DATE WITH DEFAULT NULL, CONSTRAINT EMP_PK PRIMARY KEY (EMPNO), CONSTRAINT EMP_FK FOREIGN KEY (WORKDEPT) REFERENCES DIVISION1.DEPARTMENT (DEPTNO)) 7

7 Beispiel zur Data Manipulation Language (DML) SELECT E.FIRSTNAME, E.LASTNAME FROM DIVISON1.EMPLOYEE E, DIVISION1.DEPARTMENT D WHERE D.ADMRDEPT = D01 8

8 Anforderungen an Datenbankmanagementsysteme Einhaltung der ACID-Transaktionseigenschaften Atomicity (Atomarität) Eine Transaktion wird entweder komplett oder gar nicht ausgeführt. Consistency (Konsistenz) Die Datenbank muss auch nach der Transaktion in einem konsistenten Zustand sein. Isolation (Isolation) Parallel ausgeführte Transaktionen dürfen sich nicht gegenseitig beeinträchtigen. Durability (Dauerhaftigkeit) Das Ergebnis einer Transaktion in der Datenbank muss persistent sein. Umgang mit großen Mengen von geschäftskritischen Daten Sicherung sensibler Daten vor unberechtigtem Zugriff Bewältigen von zahlreichen, zeitgleichen Anfragen verschiedener Benutzer Wiederherstellbarkeit der abgelegten Daten im Fehler- oder Katastrophenfall Gewährleisten von Revisionssicherheit im Umgang mit sensiblen Daten Sicherstellen einer effizienten Bearbeitung auch von High-Volume Abfragen 9

9 IBM DB2 for z/os Die aktuelle Version DB2 11 for z/os ist das 16. Release und GA seit ca. alle 3 Jahre neues Release verfügbar Besonders starke Verbreitung im Finanzbereich (z.b. genutzt von 25 der 25 weltweit führenden Banken, sowie 9 der 10 weltweit führenden Versicherer). Darüber hinaus weit verbreitet in der (Automobil-) Industrie, im Handel und bei Behörden. Mit DB2 for z/os wurde erreicht: OLTP Peak Workload bei UPS (>1,1 Mrd. SQL Statements/h).* Größte OLTP Datenbank bei der UK Land Registry (>23 Terabyte).* 11 * Winter Corporation TopTen Award, 2005

10 Entwicklungslabors der IBM für DB2 for z/os 12

11 Gründe für den Einsatz von DB2 for z/os bei großen Kunden DB2 for z/os Sichert unterbrechungsfreie Verfügbarkeit Designed gemäß einer Never go down Philosophie anstatt Rapid reboot. DB2 for z/os Erlaubt nahezu lineare Skalierbarkeit Betrieb von verschiedenen Subsystemen im Verbund (Data Sharing). DB2 for z/os Bietet ein unerreichtes Sicherheitsniveau Viren? Trojaner? Was ist das?... DB2 for z/os Ist ausgelegt für unterschiedlichste Workloads OLTP, Batch Jobs, OLAP/Data Warehousing, SAP... DB2 for z/os Ermöglicht effiziente Ressourcennutzung CPU Nutzung jenseits 90% eher die Regel als die Ausnahme. 13

12 Data Sharing Architektur und beteiligte Komponenten im Detail Coupling Facilities LOCK1 LOCK1 SCA SCA Group Buffer Pools Group Buffer Pools Sysplex Timers Subsystem DB2A Subsystem DB2B Subsystem DB2C IRLM Buffer Pools IRLM Buffer Pools IRLM Buffer Pools Shared DASD DB2A Log & Archive Log DB2B Log & Archive Log DB2C Log & Archive Log DB2 Catalog & Directory User Databases 14

13 Agenda Datenbanken Grundlagen Neue Anforderungen Aktuelle Herausforderungen 15

14 Immer mehr unstrukturierte Daten in Datenbanken Unstrukturierte Daten Bilder PDFs Dokumente s LogFiles Anwendungscode Geodaten... Semistrukturierte Daten XML JSON... 16

15 Wieso purexml? Ausnutzung bestehender Infrastruktur für XML Konzepte, APIs, Utilities, Backup, Hochverfügbarkeit,... Kombination der Vorteile von strukturierten und unstrukturierten Ansätzen Erfüllung aktueller Anwendungsentwicklungsherausforderungen in der Datenbank 17

16 DB2: Hybrid Data Server High cost development Poor performance Streamlined development High performance Or Business data in XML form managed in relational database Business data in XML form managed with DB2 purexml 18

17 Parsing PurchaseOrder Client Items Item Status=... OrderDate Ponum=... partid name... price Snow Shovel Document Node Element Node Text Node Attribute Node Serialization 19

18 XML datatype Build-in datatype UTF-8 No design limit in size Well-formed XML document E.g. Start tag: <...> and end tag: </...> Parsing is done by z/os XML parser 20

19 SYSFUN.DSN_XMLVALIDATE <lines> </lines> SYSXSR.PURCHASEORDER 23

20 XML schema XML document 24

21 25

22 X-PATH Axis-Navigation Direction ForwardAxis: child descendant self E parent.. attribute text. self E ReverseAxis: parent E E T text() child / descendant E descendant or self // 26

23 XMLQUERY POID... CUSTID PORDER <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> 1. position to row according to WHERE clause 2. Evaluate XMLQUERY for XML document of positioned row Resultset: <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Super Deluxe 26 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> 27

24 XMLEXISTS POID... CUSTID PORDER <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Super Deluxe 26 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> 1. Evaluate all rows according to XMLEXISTS condition 2. select matching rows 3. Select columns to return Resultset: 28

25 POID... CUSTID PORDER <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> </item> <item> <partid> </partid> <name>snow Shovel, Super Deluxe 26 inch</name> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Super Deluxe 26 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> 1. Evaluate all rows according to XMLEXISTS condition 2. select matching rows 3. Select columns to return and evaluate XMLQUERY function Resultset: 29

26 Xquery Beispiel: Welche Produkte verkaufen sich gut bei Schnee? POID PORDER WID WEATHERDATA

27 Neue XML Datentypen mit JDBC 4.0 ResultSet with XML column Get a SQLXML object: ResultSet.getSQLXML Get serialized (textual) XML: SQLXML.getString() or SQLXML.getBinaryStream() or SQLXML.getCharacterStream() Use an XML parser interface SQLXML.getSource(source.class) XML has a encoding declaration XML is UTF-8 (getbinarystream) or UCS-2 (getstring, etc.) DOM API SAX API StAX API 31

28 XMLEXISTS Performance? POID... CUSTID PORDER <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Basic 22 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> <PurchaseOrder PoNum=" " OrderDate=" " Status="Unshipped">... <items> <item> <partid> </partid> <name>snow Shovel, Super Deluxe 26 inch</name> <quantity>4</quantity> <price>9.99</price> </item>... </PurchaseOrder> 32

29 33

30 XML Publishing: Relational XML Eine Reise mit DB2: Von SQL über XML zu Big Data OrderNr Item Quantity Price Snow Shovel, Basic 22 inch Snow Shovel, Super Deluxe 26 inch

31 EU-Zinsrichtlinie Eine Reise mit DB2: Von SQL über XML zu Big Data XML-Erstellung Verwendung von XML SQL sql-abfrageergebnisse werden im xml-format ausgegeben Nutzung der folgenden Funktionen: - Erzeugung von Einzelelementen einfachen und komplexen Elementstrukturen Attributen - Namespacedefinition und -verwendung ist möglich einfaches Beispiel: Adressangaben <sd:adr xmlns:dt="urn:cec.eu.int:taxud:directtax:v3" xmlns:sd="urn:cec.eu.int:taxud:directtax:eusd:v3" xmlns:stf="urn:oecd:ties:stf:v1" xmlns:xsi="http://www.w3.org/2001/xmlschema-instance"> <sd:address legaladdresstype="registeredoffice"> <sd:countrycode>fr</sd:countrycode> <sd:addressstruct> <stf:street>rue de la Pluemms</stf:Street> <stf:buildingidentifier>44</stf:buildingidentifier> <stf:postcode>5445</stf:postcode> <stf:city>paris</stf:city> <sd:otherlocalid>nebeneingang</sd:otherlocalid> </sd:addressstruct> </sd:address> </sd:adr> 35

32 36

33 XMLTABLE: XML Relational Eine Reise mit DB2: Von SQL über XML zu Big Data POID PORDER DATE NAME QUANTITY PRICE PARTID STATUS Snow Shovel, Basic 22 inch Unshipped Snow Shovel, Super Delux 26 in Unshipped Be aware of DataTypes, Length, SpecialCharacters, NULL, Performance, 37

34 EU-Zinsrichtlinie Eine Reise mit DB2: Von SQL über XML zu Big Data XML-Verarbeitung Abfrage der Zerlegungsergebnisse auf die Inhalte der Elemente und Attribute Feldname adresstyp laendercode ort strasse Inhalt registeredoffice DE Testhausen Probeweg hausnummer 2 38

35 Herausforderungen mit XML in relationalen Datenbanken Company Conventions Naming, Schema, Modelling Explicite Creation of XML-TS Tools Support DB2 Tooling, Universal Tablespace & XML Individual Dictionaries in companies Adjust maintenance procedures to work with new XML objects Easy adoption from Java Developers Harder for Cobol / PL1 Learning curve for z/os System programmers (e.g. VBS, FTP,...) Relational World meets XML Datatypes, Lengths, Codepages Control of Dynamic SQL CPU Access Path XML Tablespace Restrictions XML ALTER PARTITION LIMITKEYS + Reorg Rebalance PRIQTY/SECQTY setting improvements UNLOAD XML 1 DataSet per partition via template with &PA Crossloader Support for XML in V11 39

36 Aktuelle Anforderungen der Anwendungsentwicklung Store data from web/mobile apps in it's native form New web applications use JSON for storing and exchanging information Very lightweight write more efficient apps It is also the preferred data format for mobile application back-ends DB2 Move from development to production in no time! Ability to create and deploy flexible JSON schema Gives power to application developers by reducing dependency on IT; no need to pre-determine schemas and create/modify tables Ideal for agile, rapid development and continuous integration 40

37 JSON is the Language of the Web JavaScript Object Notation Lightweight data interchange format Specified in IETF RFC Designed to be minimal, portable, textual and a subset of JavaScript Only 6 kinds of values! Easy to implement and easy to use Text format, so readable by humans and machines Language independent, most languages have features that map easily to JSON Used to exchange data between programs written in all modern programming languages { } "firstname : "John", "lastname" : "Smith", "age" : 25, active : true, freqflyer_num : null, "address" : { "streetaddress : "21 2nd Street", "city" : "New York", "state" : "NY", "postalcode" : "10021" }, "phonenumber : [ { "type" : "home", "number : " " }, { "type" : "fax", "number : " " } ] 41

38 DB2 for z/os JSON Document Store Leverage DB2 z/os strengths like scalability & availability security, backup/recovery for NoSQL applications Java Driver for JSON API Java Driver supporting JSON API Transactions Parametric SQL statements (Delete, Select) JSON Wire Listener Leverage community drivers CLP-Like Command Shell Ad-hoc updates / queries Administration commands DB2 Data Server JSON documents stored as BSON (Binary JSON) in BLOBs within DB2 Scalar function and UDF extensions Enhanced indexing on expression capabilities allows indexing of JSON members Applications JSON JSON JSON JSON JSON JSON Java PHP NodeJS JSON API BSON Wire Protocol JSON Wire Listener JDBC Driver DRDA DB2 Database JSON CLP Indexing of individual JSON members 42

39 Java Driver for JSON API Translates API calls to SQL + function invocations Implemented MongoDB API simple, easy to use Supports transactions Batches insertions Fire-forget inserts (fast) Indexing Insert a record, a blog post by Joe: db.posts.insert({author:"joe", date:" ", post:"..."}) Find all posts by Joe: db.posts.find({author:"joe"}) Delete all posts of Joe: db.posts.remove({author:"joe"}) 43

40 JSON API Calls - Under the Covers 1) Create a customer collection / table. db.createcollection( customers") CREATE TABLE customers (ID VARBIN(12), DATA BLOB(16MB) INLINE(25K)) 2) Insert all your customers as JSON documents. For example, one insert might contain this document: { name:"joe", age:25, phone:[" ", " "], address: { db.customers.insert({name: Joe ) street:"abc st", zipcode:"95141 } } INSERT INTO customers (DATA) VALUES ( <binary JSON> ) 3) Look for customers in zipcode db.customers.find( { address.zipcode : }) SELECT DATA FROM customers WHERE JSON_VAL (DATA,'address.zipcode','s:5') ='95141' 4) Improve performance by creating index on zipcode. db.customers.ensureindex ({ address.zipcode"}}); CREATE INDEX idx1 ON customers (JSON_VAL(DATA,'address.zipcode','s:5') 44

41 Agenda Datenbanken Grundlagen Neue Anforderungen Aktuelle Herausforderungen 45

42 DB2 und BigData: Die vier V s Volume Menge Variety Vielfalt Velocity Geschwindigkeit Veracity Aufrichtigkeit

43 Woher kommt BigData? - Realität Transactions Log data Machine or sensor data s or documents Social media data Free-form text Geospatial data Images Percentage of respondents Others Video Audio N=465, multiple responses allowed Gartner research note Survey Analysis - Big Data Adoption in 2013 Shows Substance Behind the Hype Sept Analyst(s): Lisa Kart, Nick Heudecker, Frank Buytendijk

44 Wozu BigData? - 5 Kernanwendungsfälle: Evolution statt Revolution BigData Erkundung Auffinden, Visualisieren und Verstehen aller BigData, um Entscheidungsprozesse zu verbessern Verbesserte 360 Sicht auf den Kunden Erweitern existierender Sichten auf Kunden, indem zusätzliche interne und externe Informationsquellen eingebunden werden Sicherheitsintelligenz-Erweiterung Senken des Risikos, Aufspüren von Betrug und Überwachen der Cybersicherheit in Echtzeit Operative Analyse Analyse einer Vielzahl von Maschinendaten für verbesserte Geschäftsergebnisse Data Warehouse Vergrößerung Integration von BigData- und Data Warehousing-Fähigkeiten zur Steigerung der operativen Effizienz

45 BigData Herausforderungen an die IT Speicherung der Daten große Datenmengen unterschiedlicherster Formen müssen effizient gespeichert werden Geschwindigkeit die Analyse der Daten muss schnell erfolgen, um zeitnah neue Erkenntnisse zu gewinnen Skalierbarkeit Systeme müssen flexibel mit der wachsenden Datenmenge skalieren Datensicherheit sensible Daten, z.b. Kreditkartendaten oder personenbezogene Daten, müssen geschützt werden Verfügbarkeit BigData ist zunehmend geschäftskritisch und Grundlage für Geschäftsentscheidungen und Anwendungen

46 Was ist der DB2 Analytics Accelerator? Der IBM DB2 Analytics Accelerator ist eine kombinierte Hard- und Softwarelösung, mit der aufwendige und ressourcen-intensive, strukturierte Datenbankabfragen unter DB2 z/os signifikant beschleunigt werden können. Hardware IBM Netezza : Eine hochintegrierte Data Warehousing Appliance, designed für analytische Abfragen. Enthält Standard-Komponenten: Server (Blades), Platten, Hauptspeicher und ist daher günstig in der Betrachtung der Total Cost of Ownership In Verbindung mit DB2 z/os als Analytics Accelerator wird die IBM Netezza nicht als Standalone- System betrieben sondern durch DB2 z/os gekapselt 5050 Software Serverkomponente auf IBM Netezza : SQL Compiler, Query Plan Optimierung, Administration Serverkomponente auf DB2 z/os : Erweiterungen für den Optimizer zwecks Verlagerung von Queries zur IBM Netezza, Prozeduren zum Befüllen und Steuern der IBM Netezza Clientkomponente : Eclipse-basierter Client zur Administration des DB2 Analytics Accelerator

47 Wie funktioniert der IBM DB2 Analytics Accelerator? DB2 Optimizer Heartbeat Application Interface S-Blade 1 Applikation Lokale Ausführung in DB2 z/os für Queries, deren Auslagerung nicht möglich oder nicht sinnvoll ist Accelerator Interface SMP Hosts S-Blade 2 S-Blade 3... Kopien der DB2 Tabellen DB2 for z/os S-Blade n-1 S-Blade n Der Accelerator speichert Kopien der DB2 Tabellen auf seinen internen Platten Abfragen gegen diese Tabellen werden massiv parallel auf den S-Blades ausgeführt Keine Indizierung, kein Logging Accelerator 51

48 Hadoop Entwickelt von Google und Yahoo!, um die Herausforderung von BigData zu addressieren Idee: kostengünstige Speicherung/Analyse großer Datenmengen auf Commodity Hardware Hadoop besteht aus diversen Kompenenten, die wesentlichen zwei sind: o Hadoop Distributed File System (HDFS) verteiltes Dateisystem zur Speicherung großer Datenmengen Prinzip: einmal schreiben, unbegrenzt lesen ( write once, read many ) Fehlertoleranz und Verfügbarkeit durch Replikation der Daten o Hadoop MapReduce Framework Framwork zur parallelen Verarbeitung von Daten im HDFS verteilt und koordiniert die Ausführung der Jobs im Cluster IBM InfoSphere BigInsights Enterprise Hadoop Administration / Monitoring Geringere time-to-value Erweiterte Funktionen / Flexible Analytics Plattform Anbindung an vorhandene Plattformen und Software

49 Hadoop Cluster Architektur MapReduce Koordinator Master Name Node Job Tracker HDFS Koordinator = HDFS = MapReduce Slave1 Slave2 Slave3 Slave4 Data Node Data Node Data Node Data Node Task Tracker Task Tracker Task Tracker Task Tracker Datenblöcke Replikation

50 IBM: Integration von strukturierten und unstrukturierten Daten Traditioneller Ansatz strukturiert, analytisch Transaction Data Internal App Data Mainframe Data OLTP System Data ERP Data Data Warehouse Structured Repeatable Linear New ideas, new questions, new answers Hadoop Streams Unstructured Exploratory Dynamic Multimedia Web Logs Social Data Text Data: s Sensor data: images RFID Neuer Ansatz kreativ, intuitiv, ganzheitlich Traditional Sources New Sources

51 DB2 Support für Big Data Jobs werden in JSON Query Language (JAQL_SUBMIT) erstellt Submitted über DB2 z/os SQL an BigInsights Ergebnis wird im Hadoop Distributed File System (HDFS) abgelegt DB2 liest BigInsights Ergebnis von HDFS, für weitere Nutzung mit SQL Funktion (HDFS_READ). Details zu den UDFs 56

52 Integrated Query Example INSERT INTO BI_TABLE (CNT) (SELECT CNT FROM TABLE (HDFS_READ (JAQL_SUBMIT ('syslog = lines("hdfs:///idz1470/syslog3sec.txt"); [localread(syslog)->filter(strpos($,"$hasp373")>=0)->count()]-> write(del(location="hdfs:///idz1470/iod00s/lab3e2.csv"));', 'http://bootcamp55.democentral.ibm.com:14000/webhdfs/v1/idz1470/ iod00s/lab3e2.csv?op=open', 'http://bootcamp55.democentral.ibm.com:8080', '' ), '' ) ) AS BIGINSIGHTS(CNT INTEGER)); JAQL_SUBMIT can be embedded in HDFS_READ for a synchronous execute/read workflow 57

53 Christian Daser IBM Client Technical Specialist Information Management, 19. Januar 2015 Eine Reise mit DB2: Von SQL über XML zu BigData Informatik-Kolloquium der Friedrich-Schiller-Universität Jena Regionalgruppe Ostthüringen der Gesellschaft für Informatik (GI) Ernst-Abbe-Hochschule Jena

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

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

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

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

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz

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

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

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

Datenbanken und XML Passt das?

Datenbanken und XML Passt das? IBM Software Group Datenbanken und XML Passt das? Manfred Päßler IBM Software Group Germany manfred.paessler@de.ibm.com 4 Juli 2007, Berlin 2 XML vs. Relational

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

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

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

Archive / Backup System für OpenVMS

Archive / Backup System für OpenVMS Archive / Backup System für OpenVMS DECUS Symposium 2002 Bonn Vortrag-Nr. 3C04 Günther Fröhlin Compaq Computer Corporation Colorado Springs, USA 1 Highlights V4.0 Auslieferung Januar 2002 Hauptversion

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

Mobile Backend in der

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

Mehr

Transaktionsverwaltung

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

Mehr

Oracle Big Data Technologien Ein Überblick

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

Mehr

Isabel Arnold CICS Technical Sales Germany Isabel.arnold@de.ibm.com. z/os Explorer. 2014 IBM Corporation

Isabel Arnold CICS Technical Sales Germany Isabel.arnold@de.ibm.com. z/os Explorer. 2014 IBM Corporation Isabel Arnold CICS Technical Sales Germany Isabel.arnold@de.ibm.com z/os Explorer Agenda Introduction and Background Why do you want z/os Explorer? What does z/os Explorer do? z/os Resource Management

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

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics

Vorstellung IBM Cognos 10.2. Oliver Linder Client Technical Professional Business Analytics Vorstellung IBM Cognos 10.2 Oliver Linder Client Technical Professional Business Analytics Agenda IBM Cognos 10.2 Architektur User Interfaces IBM Cognos Workspace IBM Cognos Workspace Advanced IBM Cognos

Mehr

Aktuelle Entwicklungen

Aktuelle Entwicklungen PostgreSQL Aktuelle Entwicklungen (Hans-Jürgen Schönig), [HACKERS] Are we losing momentum? Bruce Momjian: August 2003 Momjian Blog: Postgres Is Hot Bruche Momjian Blog: June 7, 2008 I have attended or

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

ORACLE und IBM DB2 Datentypen 14.12.2011

ORACLE und IBM DB2 Datentypen 14.12.2011 1/27 ORACLE und IBM DB2 Datentypen PHP-User-Group Stuttgart 14.12.2011 ORACLE Datentypen ein Überblick IBM DB2 Datentypen ein Überblick 2/27 ORACLE und IBM DB2 Datentypen Wer Wer bin bin ich ich?? Thomas

Mehr

Einführung in die Informatik II

Einführung in die Informatik II Einführung in die Informatik II Die Structured Query Language SQL Prof. Dr. Nikolaus Wulff SQL Das E/R-Modell lässt sich eins zu eins auf ein Tabellenschema abbilden. Benötigt wird eine Syntax, um Tabellen

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

Isolationsstufen für. Dr. Karsten Tolle Dienstag 31. Januar 2012

Isolationsstufen für. Dr. Karsten Tolle Dienstag 31. Januar 2012 Isolationsstufen für Transaktionen / Sicherheit Dr. Karsten Tolle Dienstag 31. Januar 2012 Praxisbeispiel in Java Connection con = null; try { con = DriverManager.getConnection("jdbc:db2:sample"); } catch

Mehr

DB2 Version 10 Kapitel IT-Sicherheit

DB2 Version 10 Kapitel IT-Sicherheit (*) IBM DB2 for z/os DB2 Version 10 Kapitel IT-Sicherheit (06_DB2V10_itsicherheit.pptx) (*) ist eingetragenes Warenzeichen der IBM International Business Machines Inc. 1 DB2 Version 10 IT Sicherheit DB2

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

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

Employment and Salary Verification in the Internet (PA-PA-US)

Employment and Salary Verification in the Internet (PA-PA-US) Employment and Salary Verification in the Internet (PA-PA-US) HELP.PYUS Release 4.6C Employment and Salary Verification in the Internet (PA-PA-US SAP AG Copyright Copyright 2001 SAP AG. Alle Rechte vorbehalten.

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

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

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

Portierung einer DB2/VM-Datenbank nach DB2 unter zlinux 4 Jahre später - Wie würde ich heute vorgehen?

Portierung einer DB2/VM-Datenbank nach DB2 unter zlinux 4 Jahre später - Wie würde ich heute vorgehen? Portierung einer DB2/VM-Datenbank nach DB2 unter zlinux 4 Jahre später - Wie würde ich heute vorgehen? Tipps aus der Praxis zur Anwendungsentwicklung, Migration und Performanceuntersuchung 1 Einleitung

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

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer Big in Azure Ein Beispiel mit HD Insight Ralf Stemmer Agenda owas ist Big? Was ist HD Insight? owelche Probleme kann man damit lösen? odemo Was ist Big? Was ist HD Insight? Datenexplosion - Rasanter Zuwachs

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

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

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

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

SP Web Applica on Intranet - Docusnap.intern

SP Web Applica on Intranet - Docusnap.intern Date Author 11.10.2012 Docusnap Number of Pages 5 Applica on Pool Applica on Pool Security Account Accept Username and Password Enable Addi onal Ac ons and Online Status Alerts Enabled Allow Access to

Mehr

ColdFusion 8 PDF-Integration

ColdFusion 8 PDF-Integration ColdFusion 8 PDF-Integration Sven Ramuschkat SRamuschkat@herrlich-ramuschkat.de München & Zürich, März 2009 PDF Funktionalitäten 1. Auslesen und Befüllen von PDF-Formularen 2. Umwandlung von HTML-Seiten

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

Hadoop-as-a-Service (HDaaS)

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

Mehr

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

Mehr

Suchen und Finden mit Lucene und Solr. Florian Hopf 04.07.2012

Suchen und Finden mit Lucene und Solr. Florian Hopf 04.07.2012 Suchen und Finden mit Lucene und Solr Florian Hopf 04.07.2012 http://techcrunch.com/2010/08/04/schmidt-data/ Suche Go Suche Go Ergebnis 1 In Ergebnis 1 taucht der Suchbegriff auf... Ergebnis 2 In Ergebnis

Mehr

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena http://www.im.uni-jena.de Contents I. Learning Objectives II. III. IV. Recap

Mehr

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Adam Stambulski Project Manager Viessmann R&D Center Wroclaw Dr. Moritz Gomm Business Development Manager Zühlke Engineering

Mehr

MySQL 5.1. Kristian Köhntopp

MySQL 5.1. Kristian Köhntopp MySQL 5.1 Kristian Köhntopp Was ist neu? Neues InnoDB Neue Replikation Neues Logging Event Scheduler Partitions INFORMATION_SCHEMA XML Functions Was ist neu? Neues InnoDB Neue Replikation Neues Logging

Mehr

Brownbag Session mongodb im Einsatz Grundlagen

Brownbag Session mongodb im Einsatz Grundlagen Brownbag Session mongodb im Einsatz Grundlagen 10.08.2012 Nils Domrose inovex GmbH Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und uns selbst. MongoDB wasn t designed in a lab. We built

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

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

Open Source Data Center Virtualisierung mit OpenNebula. 05.03.2013 CeBIT 2013. Bernd Erk www.netways.de

Open Source Data Center Virtualisierung mit OpenNebula. 05.03.2013 CeBIT 2013. Bernd Erk www.netways.de Open Source Data Center Virtualisierung mit OpenNebula 05.03.2013 CeBIT 2013 Bernd Erk VORSTELLUNG NETWAYS NETWAYS! Firmengründung 1995! GmbH seit 2001! Open Source seit 1997! 35 Mitarbeiter! Spezialisierung

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

Magento goes into the cloud Cloud Computing für Magento. Referent: Boris Lokschin, CEO

Magento goes into the cloud Cloud Computing für Magento. Referent: Boris Lokschin, CEO Magento goes into the cloud Cloud Computing für Magento Referent: Boris Lokschin, CEO Agenda Über symmetrics Unsere Schwerpunkte Cloud Computing Hype oder Realität? Warum Cloud Computing? Warum Cloud für

Mehr

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

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

Mehr

ISTEC.MIP Messdaten-Integrations-Plattform

ISTEC.MIP Messdaten-Integrations-Plattform ISTEC.MIP Messdaten-Integrations-Plattform Dr.-Ing. Carsten Folie 1 ISTEC Firmenprofil unabhängiges Software- und Systemhaus seit 1982 erfolgreich am Markt ca. 60 festangestellte Mitarbeiter (Informatiker,

Mehr

Object Relational Mapping Layer

Object Relational Mapping Layer Object Relational Mapping Layer Views Controlers Business logic GUI OO-application logic Object-relational-Mapping Relational DBMS PHP (propel) 1/18 Propel - Persistance Layer OR-Mapper für PHP Portierung

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

SQL Server 2014 Roadshow

SQL Server 2014 Roadshow 1 SQL Server 2014 Roadshow Kursleitung: Dieter Rüetschi (ruetschi@ability-solutions.ch) 2 Inhalt Allgemeine Informationen Buffer Pool Extension Column Store Index In Memory OLTP Scripting Security SQL

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

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

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

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

Mehr

Fairpro Vorstellung. Case Studies SharePoint. Hamburg, Juli 2013

Fairpro Vorstellung. Case Studies SharePoint. Hamburg, Juli 2013 Fairpro Vorstellung Case Studies SharePoint Hamburg, Juli 2013 Agenda 1 2 3 4 5 6 Fairpro SharePoint-Portfolio Verknüpfung mit Systemen SAP, Sonstige ERP Business Intelligence Self Service BI, KPI- Dashboards

Mehr

IBM InfoSphere Data Explorer (Vivisimo Velocity)

IBM InfoSphere Data Explorer (Vivisimo Velocity) IBM InfoSphere Data Explorer (Vivisimo Velocity) Ralph Behrens Client Technical Professional IBM Big Data Sven Herschel Client Technical Professional InfoSphere Data Explorer Big Data Was ist eigentlich

Mehr

Stratosphere. Next-Generation Big Data Analytics Made in Germany

Stratosphere. Next-Generation Big Data Analytics Made in Germany Stratosphere Next-Generation Big Data Analytics Made in Germany Robert Metzger Stratosphere Core Developer Technische Universität Berlin Ronald Fromm Head of Big Data Science Telekom Innovation Laboratories

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

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration

June 2015. Automic Hadoop Agent. Data Automation - Hadoop Integration June 2015 Automic Hadoop Agent Data Automation - Hadoop Integration + Aufbau der Hadoop Anbindung + Was ist eigentlich ist MapReduce? + Welches sind die Stärken von Hadoop + Welches sind die Schwächen

Mehr

Customer-specific software for autonomous driving and driver assistance (ADAS)

Customer-specific software for autonomous driving and driver assistance (ADAS) This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs

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

(*) IBM DB2 V8 for z/os. DB2 Versionen. (*) ist eingetragenes Warenzeichen der IBM International Business Machines Inc. Feb 2005 1

(*) IBM DB2 V8 for z/os. DB2 Versionen. (*) ist eingetragenes Warenzeichen der IBM International Business Machines Inc. Feb 2005 1 (*) IBM DB2 V8 for z/os DB2 Versionen (*) ist eingetragenes Warenzeichen der IBM International Business Machines Inc. 1 Neuerungen der DB2 UDB Version 7 für z/os (Release-Datum: ca. Juli 2001): Universelle

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

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

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

Wir befinden uns inmitten einer Zeit des Wandels.

Wir befinden uns inmitten einer Zeit des Wandels. Wir befinden uns inmitten einer Zeit des Wandels. Geräte Apps Ein Wandel, der von mehreren Trends getrieben wird Big Data Cloud Geräte Mitarbeiter in die Lage versetzen, von überall zu arbeiten Apps Modernisieren

Mehr

Introducing PAThWay. Structured and methodical performance engineering. Isaías A. Comprés Ureña Ventsislav Petkov Michael Firbach Michael Gerndt

Introducing PAThWay. Structured and methodical performance engineering. Isaías A. Comprés Ureña Ventsislav Petkov Michael Firbach Michael Gerndt Introducing PAThWay Structured and methodical performance engineering Isaías A. Comprés Ureña Ventsislav Petkov Michael Firbach Michael Gerndt Technical University of Munich Overview Tuning Challenges

Mehr

Open Source Data Center Virtualisierung mit OpenNebula. 22.05.2013 LinuxTag Berlin. Bernd Erk www.netways.de

Open Source Data Center Virtualisierung mit OpenNebula. 22.05.2013 LinuxTag Berlin. Bernd Erk www.netways.de Open Source Data Center Virtualisierung mit OpenNebula 22.05.2013 LinuxTag Berlin Bernd Erk VORSTELLUNG NETWAYS NETWAYS! Firmengründung 1995! GmbH seit 2001! Open Source seit 1997! 38 Mitarbeiter! Spezialisierung

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

Big Data Mythen und Fakten

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

Mehr

ZK2000SF ACCESS CONTROL ZUTRITTSKONTROLLE

ZK2000SF ACCESS CONTROL ZUTRITTSKONTROLLE ZUTRITTSKONTROLLE ACCESS CONTROL SMPX.xx SMPX.xG ZK2000SF Kommunikation über ISDN oder TCP/IP Intelligenter ler Individuelle Rechteverwaltung Verwaltung von 150.000 Personen Communication via ISDN or TCP/IP

Mehr

Microsoft Azure: Ein Überblick für Entwickler. Malte Lantin Technical Evangelist, Developer Experience & Evangelism (DX) Microsoft Deutschland GmbH

Microsoft Azure: Ein Überblick für Entwickler. Malte Lantin Technical Evangelist, Developer Experience & Evangelism (DX) Microsoft Deutschland GmbH Microsoft Azure: Ein Überblick für Entwickler Malte Lantin Technical Evangelist, Developer Experience & Evangelism (DX) Microsoft Deutschland GmbH Moderne Softwareentwicklung Microsoft Azure unterstützt

Mehr

Datenbanken und Oracle, Teil 2

Datenbanken und Oracle, Teil 2 Datenbanken und Oracle, Teil 2 Mathias Weyland Linux User Group Switzerland 29. Juni 2007 SQL*Plus CHAR/VARCHAR2 Dokumentation Teil I Nachträge 1 SQL*Plus 2 CHAR/VARCHAR2 3 Dokumentation SQL*Plus SQL*Plus

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

Werkzeuge für Datenbank Handwerker: IBM Data Studio und IBM Optim QWT

Werkzeuge für Datenbank Handwerker: IBM Data Studio und IBM Optim QWT Werkzeuge für Datenbank Handwerker: IBM Data Studio und IBM Optim QWT Neue Technologien effizient nutzen Ehningen, 3. Juli 2014 Rodney Krick rk@aformatik.de aformatik Training & Consulting GmbH & Co. KG

Mehr

Validating XML Parser. Application. XML-Datei XML-Datei XML-Datei XML-Datei XML-Datei. XML-Schema oder DTD

Validating XML Parser. Application. XML-Datei XML-Datei XML-Datei XML-Datei XML-Datei. XML-Schema oder DTD XML-Schema oder DTD XML-Datei XML-Datei XML-Datei XML-Datei XML-Datei Validating XML Parser Application SQL 2003 Part 14: XML-Related Specifications (SQL/XML) This part of ISO/IEC 9075 defines ways in

Mehr

Datenmodellierung und Datenbanksysteme. Vorlesung. Informationswissenschaft und Informationssysteme. Hans Uszkoreit & Brigi1e Jörg

Datenmodellierung und Datenbanksysteme. Vorlesung. Informationswissenschaft und Informationssysteme. Hans Uszkoreit & Brigi1e Jörg Vorlesung Informationswissenschaft und Informationssysteme Hans Uszkoreit & Brigi1e Jörg Definitionen Data modeling in software engineering is the process of creating a data model by applying formal data

Mehr

MySQL Cluster. Kai Voigt MySQL AB kai@mysql.com. Kiel, 17. Februar 2006

MySQL Cluster. Kai Voigt MySQL AB kai@mysql.com. Kiel, 17. Februar 2006 MySQL Cluster Kai Voigt MySQL AB kai@mysql.com Kiel, 17. Februar 2006 1 Agenda Warum? Wie? Wie genau? Was sonst? 2 Warum? 3 Kosten runter Hochverfügbarkeit (99,999%) Redundante Daten und Systeme Wiederherstellung

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

Oracle Business Process Analysis Suite. Gert Schüßler Principal Sales Consultant

<Insert Picture Here> Oracle Business Process Analysis Suite. Gert Schüßler Principal Sales Consultant Oracle Business Process Analysis Suite Gert Schüßler Principal Sales Consultant 1 Geschäftsprozesse Zerlegung am Beispiel Kreditvergabe Antrag aufnehmen Antrag erfassen Schufa Kunden

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

MySQL Cluster und MySQL Proxy

MySQL Cluster und MySQL Proxy MySQL Cluster und MySQL Proxy Alles Online Diese Slides gibt es auch unter: http://rt.fm/s4p Agenda (Don't) Panic Web- und MySQL-Server MySQL Master-Master Cluster MySQL Proxy und Cluster MySQL Master-Slave/Master

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe Sicherheit dank Durchblick Thomas Fleischmann Sales Engineer, Central Europe Threat Landscape Immer wieder neue Schlagzeilen Cybercrime ist profitabel Wachsende Branche 2013: 9 Zero Day Vulnerabilities

Mehr

Hochverfügbarkeit mit MySQL: Eine Kartographie der Lösungen

Hochverfügbarkeit mit MySQL: Eine Kartographie der Lösungen Erkan Yanar (linsenraum.de) Hochverfügbarkeit mit MySQL: Eine Kartographie der Lösungen 20. November DOAG 2012 20121 / 24 Hochverfügbarkeit mit MySQL: Eine Kartographie der Lösungen DOAG 2012 Erkan Yanar

Mehr

Mobile Anwendungen im SAP-Umfeld

Mobile Anwendungen im SAP-Umfeld Erstes Symposium für neue IT in Leipzig 27. September 2013 Michael Rentzsch Informatik DV GmbH michael.rentzsch@informatik-dv.com +49.341.462586920 IT-Trend: Mobile Mobile might be one of the most interesting

Mehr

Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System

Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System AG Computeranwendungen und QuanLtaLve Methoden in der Archäologie 5. Workshop Tübingen 14. 15. Februar 2014 Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System Volker Hochschild, Michael

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

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

Mehr

Hadoop. High Performance Batches in der Cloud. Hadoop. Folie 1 25. Januar 2011

Hadoop. High Performance Batches in der Cloud. Hadoop. Folie 1 25. Januar 2011 High Performance Batches in der Cloud Folie 1 Alles geht in die Cloud Image: Chris Sharp / FreeDigitalPhotos.net Cloud und Batches passen zusammen Batches Cloud Pay-per-Use Nur zeitweise genutzt Hohe Rechenkapazitäten

Mehr

Vorteile von Java und Konvergenz Service Creation mit JAIN Network Management mit JMX Fazit

Vorteile von Java und Konvergenz Service Creation mit JAIN Network Management mit JMX Fazit Hochschule für Technik und Architektur Chur Dr. Bruno Studer Studienleiter NDS Telecom, FH-Dozent bruno.studer@fh-htachur.ch 1 GSM: 079/610 51 75 Agenda Vorteile von Java und Konvergenz Service Creation

Mehr