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

Die Datenmanipulationssprache SQL

Die Datenmanipulationssprache SQL Die Datenmanipulationssprache SQL Daten eingeben Daten ändern Datenbank-Inhalte aus Dateien laden Seite 1 Data Manipulation Language A DML statement is executed when you Add new rows to a table Modify

Mehr

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

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

Mehr

Oracle BI&W Referenz Architektur Big Data und High Performance Analytics

Oracle BI&W Referenz Architektur Big Data und High Performance Analytics DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen

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

XML in der Oracle Datenbank "relational and beyond"

XML in der Oracle Datenbank relational and beyond XML in der Oracle Datenbank "relational and beyond" Ulrike Schwinn (Ulrike.Schwinn@oracle.com) Oracle Deutschland GmbH Oracle XML DB Ein Überblick 1-1 Agenda Warum XML in der Datenbank? Unterschiedliche

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

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

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

Java Application 1 Java Application 2. JDBC DriverManager. JDBC-ODBC Br idge. ODBC Driver Manager. Dr iver C. Dr iver D.

Java Application 1 Java Application 2. JDBC DriverManager. JDBC-ODBC Br idge. ODBC Driver Manager. Dr iver C. Dr iver D. 1 Copyright 1996-1997 by Axel T. Schreiner. All Rights Reserved. 7 Datenbankzugriff Prinzip Dieser Abschnitt beschäftigt sich mit dem Paket java.sql, das eine SQL-Schnittstelle für Java verkapselt. Java-Programme

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

Raber+Märcker Techno Summit 2014 Microsoft Dynamics NAV 2013 R2 Überblick und Hintergründe zu aktuellen Version. Schimon.Mosessohn@microsoft.

Raber+Märcker Techno Summit 2014 Microsoft Dynamics NAV 2013 R2 Überblick und Hintergründe zu aktuellen Version. Schimon.Mosessohn@microsoft. Raber+Märcker Techno Summit 2014 Microsoft Dynamics NAV 2013 R2 Überblick und Hintergründe zu aktuellen Version Schimon.Mosessohn@microsoft.com Herzlich Willkommen 1996 2004 2010 2014 Navision 3.7 Microsoft

Mehr

Creating OpenSocial Gadgets. Bastian Hofmann

Creating OpenSocial Gadgets. Bastian Hofmann Creating OpenSocial Gadgets Bastian Hofmann Agenda Part 1: Theory What is a Gadget? What is OpenSocial? Privacy at VZ-Netzwerke OpenSocial Services OpenSocial without Gadgets - The Rest API Part 2: Practical

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

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

Datenbanken Konsistenz und Mehrnutzerbetrieb III

Datenbanken Konsistenz und Mehrnutzerbetrieb III Datenbanken Konsistenz und Mehrnutzerbetrieb III 1. Oracle Architektur! Komponenten des Oracle Servers! Zugriff über Netzwerk 2. Zugriffsrechte! Starten und Schließen der Datenbank! Nutzer und Rollen!

Mehr

NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse

NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse Carsten Czarski Oracle Deutschland B.V. & Co KG Big Data Betrachten von Daten die bislang nicht betrachtet wurden

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

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

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

Hadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes

Hadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes Hadoop Eine Open-Source-Implementierung von MapReduce und BigTable von Philipp Kemkes Hadoop Framework für skalierbare, verteilt arbeitende Software Zur Verarbeitung großer Datenmengen (Terra- bis Petabyte)

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

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP)

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) Oliver Steinhauer.mobile PROFI Mobile Business Agenda MOBILE ENTERPRISE APPLICATION PLATFORM AGENDA 01 Mobile Enterprise Application Platform 02 PROFI News

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

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

ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik

ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik ARFA ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik Ralf Leipner Domain Architect Analytics, Risk Management & Finance 33. Berner Architekten

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

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

Rein relationale DB in Prod? Datenbanken in produktiven Einsatz? SQL + NoSQL DB in Prod? (MongoDB, Redis, CouchDB, Cassandra)

Rein relationale DB in Prod? Datenbanken in produktiven Einsatz? SQL + NoSQL DB in Prod? (MongoDB, Redis, CouchDB, Cassandra) 1 Rein relationale DB in Prod? Datenbanken in produktiven Einsatz? 2 SQL + NoSQL DB in Prod? (MongoDB, Redis, CouchDB, Cassandra) 3 DB-Cluster in der Cloud? NoSQL?!? SQL Normalformen Come as you are Warum

Mehr

Grundzüge und Vorteile von XML-Datenbanken am Beispiel der Oracle XML DB

Grundzüge und Vorteile von XML-Datenbanken am Beispiel der Oracle XML DB Grundzüge und Vorteile von XML-Datenbanken am Beispiel der Oracle XML DB Jörg Liedtke, Oracle Consulting Vortrag zum Praxis-Seminar B bei der KIS-Fachtagung 2007, Ludwigshafen Agenda

Mehr

Relationales Datenbanksystem Oracle

Relationales Datenbanksystem Oracle Relationales Datenbanksystem Oracle 1 Relationales Modell Im relationalen Modell wird ein relationales Datenbankschema wie folgt beschrieben: RS = R 1 X 1 SC 1... R n X n SC n SC a a : i=1...n X i B Information

Mehr

TRAINING. Transbase Training. Transbase Training - Die Kurse in der Übersicht

TRAINING. Transbase Training. Transbase Training - Die Kurse in der Übersicht Transbase Training Der Bereich Schulung und Training von Transaction Software umfasst ein breites Angebot rund um das Thema Datenbanken. Angeboten werden spezielle Transbase Trainings. Transbase Training

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

Echtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen. Frank Irnich SAP Deutschland

Echtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen. Frank Irnich SAP Deutschland Echtzeiterkennung von Cyber-Angriffen auf IT-Infrastrukturen Frank Irnich SAP Deutschland SAP ist ein globales Unternehmen... unser Fokusgebiet... IT Security für... 1 globales Netzwerk > 70 Länder, >

Mehr

Big Data Management Thema 14: Cassandra

Big Data Management Thema 14: Cassandra Thema 14: Cassandra Jan Kristof Nidzwetzki Thema 14: Cassandra 1 / 25 Übersicht 1 Grundlagen Überblick Geschichte Datenmodel 2 Architektur Der logische Ring Persistenz der Daten Tunable Consistency Read

Mehr

Chancen und Wachstumsfelder für PostgreSQL

Chancen und Wachstumsfelder für PostgreSQL Chancen und Wachstumsfelder für PostgreSQL Harald Armin Massa by Deutschsprachige PostgreSQL Konferenz 2013 Oberhausen Harald Armin Massa 2ndQuadrant Datenbanken seit 1984 Position Value Datenbank auf

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

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

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

!"#$"%&'()*$+()',!-+.'/',

!#$%&'()*$+()',!-+.'/', Soziotechnische Informationssysteme 5. Facebook, Google+ u.ä. Inhalte Historisches Relevanz Relevante Technologien Anwendungsarchitekturen 4(5,12316,7'.'0,!.80/6,9*$:'0+$.;.,&0$'0, 3, Historisches Facebook

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

SQL Server 2012. Technischer Überblick. Patrick Heyde

SQL Server 2012. Technischer Überblick. Patrick Heyde SQL Server 2012 Technischer Überblick Patrick Heyde Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/patrick_heyde Patrick.Heyde@Microsoft.com SQL Server 2012 Highlights Der neue

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

5. Programmierschnittstellen für XML

5. Programmierschnittstellen für XML 5. Programmierschnittstellen für Grundlagen Dr. E. Schön FH Erfurt Sommersemester 2015 Seite 135 Programmierschnittstelle Notwendigkeit: Zugriff auf -Daten durch Applikationen wiederverwendbare Schnittstellen

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

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

5. Programmierschnittstellen für XML

5. Programmierschnittstellen für XML 5. Programmierschnittstellen für für Medientechnologen Dr. E. Schön Wintersemester 2015/16 Seite 146 Notwendigkeit: Programmierschnittstelle Zugriff auf -Daten durch Applikationen wiederverwendbare Schnittstellen

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

Einsatzmöglichkeiten der Open Text SharePoint Erweiterungen an einem Beispielprojekt

Einsatzmöglichkeiten der Open Text SharePoint Erweiterungen an einem Beispielprojekt Einsatzmöglichkeiten der Open Text SharePoint Erweiterungen an einem Beispielprojekt BTC NetWork Forum ECM Bernd Hennicke Portfolio Manager Microsoft Solutions September 29, 2010 Rev 1.1 02092009 Slide

Mehr

Webbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient

Webbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient Webbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient Zhihang Yao, Kanishk Chaturvedi, Thomas H. Kolbe Lehrstuhl für Geoinformatik www.gis.bgu.tum.de 11/14/2015 Webbasierte Exploration

Mehr

Einführung in z/os und OS/390

Einführung in z/os und OS/390 Einführung in z/os und OS/390 Web-Services und Internet-Anwendungen für Mainframes von Paul Herrmann Wilhelm Gustav Spruth 3., verbesserte und erweiterte Auflage Oldenbourg Verlag München Vorwort VII 1

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

Kapitel 33. Der xml-datentyp. In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023

Kapitel 33. Der xml-datentyp. In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023 Kapitel 33 Der xml-datentyp In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023 995 996 Kapitel 33: Der xml-datentyp Eine der wichtigsten

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

OO Programmiersprache vs relationales Model. DBIS/Dr. Karsten Tolle

OO Programmiersprache vs relationales Model. DBIS/Dr. Karsten Tolle OO Programmiersprache vs relationales Model Vorgehen bisher Erstellen eines ER-Diagramms Übersetzen in das relationale Datenmodell Zugriff auf das relationale Datenmodell aus z.b. Java ER rel. Modell OO

Mehr

GridMate The Grid Matlab Extension

GridMate The Grid Matlab Extension GridMate The Grid Matlab Extension Forschungszentrum Karlsruhe, Institute for Data Processing and Electronics T. Jejkal, R. Stotzka, M. Sutter, H. Gemmeke 1 What is the Motivation? Graphical development

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

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

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

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

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP)

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) Oliver Steinhauer Markus Urban.mobile PROFI Mobile Business Agenda MOBILE ENTERPRISE APPLICATION PLATFORM AGENDA 01 Mobile Enterprise Application Platform

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

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

Microsoft SQL Server 2005 Konfigurierung, Administration,

Microsoft SQL Server 2005 Konfigurierung, Administration, Ruprecht Droge, Markus Raatz 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Microsoft SQL Server 2005 Konfigurierung,

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

Peter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr

Peter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr Peter Dikant mgm technology partners GmbH Echtzeitsuche mit Hadoop und Solr ECHTZEITSUCHE MIT HADOOP UND SOLR PETER DIKANT MGM TECHNOLOGY PARTNERS GMBH WHOAMI peter.dikant@mgm-tp.com Java Entwickler seit

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

MOBILE ON POWER MACHEN SIE IHRE ANWENDUNGEN MOBIL?!

MOBILE ON POWER MACHEN SIE IHRE ANWENDUNGEN MOBIL?! MOBILE ON POWER MACHEN SIE IHRE ANWENDUNGEN MOBIL?! Oliver Steinhauer Sascha Köhler.mobile PROFI Mobile Business Agenda MACHEN SIE IHRE ANWENDUNGEN MOBIL?! HERAUSFORDERUNG Prozesse und Anwendungen A B

Mehr

Die Grundbegriffe Die Daten Die Informationen

Die Grundbegriffe Die Daten Die Informationen Die Grundbegriffe Die Daten sind diejenigen Elemente, die vom Computer verarbeitet werden. Die Informationen sind Wissenselemente, welche durch die Analyse von Daten erhalten werden können. Die Daten haben

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

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

Datenbankbasierte Lösungen

Datenbankbasierte Lösungen Technologische Beiträge für verteilte GIS - Anforderungen an verteilte GIS und Lösungsansätze Datenbankbasierte Lösungen Johannes Kebeck Senior Systemberater ORACLE Deutschland GmbH Agenda TOP Thema 1

Mehr

PHP + MySQL. Die MySQL-Datenbank. Hochschule Karlsruhe Technik & Wirtschaft Internet-Technologien T3B250 SS2014 Prof. Dipl.-Ing.

PHP + MySQL. Die MySQL-Datenbank. Hochschule Karlsruhe Technik & Wirtschaft Internet-Technologien T3B250 SS2014 Prof. Dipl.-Ing. PHP + MySQL Die MySQL-Datenbank Zusammenspiel Apache, PHP, PHPMyAdmin und MySQL PHPMyAdmin Verwaltungstool Nutzer Datei.php oder Datei.pl Apache HTTP-Server PHP Scriptsprache Perl Scriptsprache MySQL Datenbank

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 WINDOWS AZURE

MICROSOFT WINDOWS AZURE Cloud Computing à la Microsoft MICROSOFT WINDOWS AZURE Karim El Jed netcreate OHG Agenda Was ist Cloud Computing? Anwendungsszenarien Windows Azure Platform Alternativen Was ist Cloud Computing? Was ist

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

Ist Ihre Mainframe Anwendungs- Umgebung wirklich so effizient, wie Sie denken?

Ist Ihre Mainframe Anwendungs- Umgebung wirklich so effizient, wie Sie denken? Ist Ihre Mainframe Anwendungs- Umgebung wirklich so effizient, wie Sie denken? Cross-Enterprise APM und Application Performance Management 30. Oktober 2012 Agenda Cross-Enterprise APM Mainframe Application

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

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

SQL. SQL: Structured Query Language. Früherer Name: SEQUEL. Standardisierte Anfragesprache für relationale DBMS: SQL-89, SQL-92, SQL-99

SQL. SQL: Structured Query Language. Früherer Name: SEQUEL. Standardisierte Anfragesprache für relationale DBMS: SQL-89, SQL-92, SQL-99 SQL Früherer Name: SEQUEL SQL: Structured Query Language Standardisierte Anfragesprache für relationale DBMS: SQL-89, SQL-92, SQL-99 SQL ist eine deklarative Anfragesprache Teile von SQL Vier große Teile:

Mehr

15 Jahre SharePoint-Technologie

15 Jahre SharePoint-Technologie 15 Jahre SharePoint-Technologie 2001 2003 2007 2010 2013 2015 SharePoint auf dem Abstellgleis SharePoint ist zurück! workloads Der Fortune 500 Unternehmen haben Office 365 Lizenzen in den vergangenen 12

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

SQL und MySQL. Kristian Köhntopp

SQL und MySQL. Kristian Köhntopp SQL und MySQL Kristian Köhntopp Wieso SQL? Datenbanken seit den frühen 1950er Jahren: Hierarchische Datenbanken Netzwerkdatenbanken Relationale Datenbanken = SQL Relational? 10 9 8 7 6 f(y) := y = x r(y)

Mehr

Einführung in CouchDB

Einführung in CouchDB Einführung in CouchDB Zurücklehnen und entspannen! http://slog.io Thomas Schrader (@slogmen) 12/2010 Übersicht Bestandsaufnahme Ansatz Geschichte Technologien Features Skalierbarkeit Kurz & Gut Fazit Relationale

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

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

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

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

Mehr

Zend PHP Cloud Application Platform

Zend PHP Cloud Application Platform Zend PHP Cloud Application Platform Jan Burkl System Engineer All rights reserved. Zend Technologies, Inc. Zend PHP Cloud App Platform Ist das ein neues Produkt? Nein! Es ist eine neue(re) Art des Arbeitens.

Mehr

SARA 1. Project Meeting

SARA 1. Project Meeting SARA 1. Project Meeting Energy Concepts, BMS and Monitoring Integration of Simulation Assisted Control Systems for Innovative Energy Devices Prof. Dr. Ursula Eicker Dr. Jürgen Schumacher Dirk Pietruschka,

Mehr

XML in der Oracle Datenbank

XML in der Oracle Datenbank XML in der Oracle Datenbank Oracle XML DB Eine kurze Einführung Gruppe A Michaela Geierhos Galina Hinova Maximilian Schöfmann AGENDA Warum XML in einer Datenbank? Was bietet die Oracle XML DB? Unterschiedliche

Mehr

Milliarden in Sekunden: Demo zu PureData for Analytics. Marc Bastien Senior Technical Professional Big Data, IBM

Milliarden in Sekunden: Demo zu PureData for Analytics. Marc Bastien Senior Technical Professional Big Data, IBM Milliarden in Sekunden: Demo zu PureData for Analytics Marc Bastien Senior Technical Professional Big Data, IBM IBM PureData System Für die Herausforderungen von Big Data Schnell und Einfach! System for

Mehr

What s New? Skype for Business. Dirk THORMANN

What s New? Skype for Business. Dirk THORMANN What s New? Skype for Business Dirk THORMANN Agenda Skype for Business - SERVER Neue Rollen Backend Server Edge Updates Voice Updates Upgrade Skype for Business - CLIENT OPTIONAL New Look New Client Features

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

Darüber hinaus wird das Training dazu beitragen, das Verständnis für die neuen Möglichkeiten zu erlangen.

Darüber hinaus wird das Training dazu beitragen, das Verständnis für die neuen Möglichkeiten zu erlangen. Ora Education GmbH www.oraeducation.de info@oraeducation.de Lehrgang: Oracle 11g: New Features für Administratoren Beschreibung: Der Kurs über fünf Tage gibt Ihnen die Möglichkeit die Praxis mit der neuen

Mehr

Big Data Anwendungen Chancen und Risiken

Big Data Anwendungen Chancen und Risiken Big Data Anwendungen Chancen und Risiken Dr. Kurt Stockinger Studienleiter Data Science, Dozent für Informatik Zürcher Hochschule für Angewandte Wissenschaften Big Data Workshop Squeezing more out of Data

Mehr

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 Reinhard Bernsteiner MCiT Management, Communication & IT MCI MANAGEMENT CENTER INNSBRUCK Universitätsstraße 15 www.mci.edu

Mehr

Big Data Eine Einführung ins Thema

Big Data Eine Einführung ins Thema Joachim Hennebach Marketing Manager IBM Analytics 11. Februar 2016 Big Data Eine Einführung ins Thema Nur kurz: Was ist Big Data? (Die 5 Vs.) Volumen Vielfalt Geschwindigkeit Datenwachstum Von Terabytes

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

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

Datenbanken. Proseminar Objektorientiertes Programmieren mit.net und C# Sebastian Pintea. Institut für Informatik Software & Systems Engineering

Datenbanken. Proseminar Objektorientiertes Programmieren mit.net und C# Sebastian Pintea. Institut für Informatik Software & Systems Engineering Datenbanken Proseminar Objektorientiertes Programmieren mit.net und C# Sebastian Pintea Institut für Informatik Software & Systems Engineering Agenda 1. Datenbanken 2. SQL 3. ADO.NET DataProvider (providerabhängig)

Mehr