Oracle In-Memory - Das entscheidende Datenbank-Feature für Echtzeit-Analytics Dr.-Ing. Holger Friedrich
|
|
- Thomas Gerhardt Seidel
- vor 6 Jahren
- Abrufe
Transkript
1 Oracle In-Memory - Das entscheidende Datenbank-Feature für Echtzeit-Analytics Dr.-Ing. Holger Friedrich
2 Agenda Einführung Spaltenorientierte Datenbanken Oracle In-Memory Performance Integration Schlussfolgerungen 2
3 sumit AG Bietet Beratungs- & Implementierungs- dienstleistungen in der Schweiz Experten für Data-Warehousing- und Business-Intelligence-Lösungen Fokussiert auf Oracle-Technologie BI Foundation specialized -Partner Data Warehousing specialized -Partner Unser Motto: Get Value From Data Besuchen sie unsere Web-Site: 3
4 Holger Friedrich Informatikdiplom des Karlsruhe Institute of Technology (KIT) Promotion in Robotik & Machine Learning Mehr als 18 Jahre Erfahrung mit Oracle-Technologie Experte für Data Integration Data Warehousing, Data Mining, Business Intelligence, Big Data Technischer Direktor der sumit AG Seit 2011 Oracle ACE für DWH/BI in der Schweiz 4
5 Analytics - Definitionen Websters Dictionary: The field of data analysis. Analytics often involves studying past historical data to research potential trends, to analyze the effects of certain decisions or events, or to evaluate the performance of a given tool or scenario. The goal of analytics is to improve the business by gaining knowledge which can be used to make improvements or changes. Google: 5
6 International Standards organisation (ISO) - IOC/IEC 2382:2015 real time pertaining to the processing of data by a computer in connection with another process outside the computer according to time requirements imposed by the outside process Note 1 to entry: The term "real time" is also used to describe systems operating in conversational mode and processes that can be influenced by human intervention while they are in progress. Echtzeit - Definition 6
7 Analytics - Echtzeitaspekte Performance Schnelle Berechnung von Analyseergebnissen Flüssige interaktive Analysen, auch auf grossen Datenmengen Integration Schnelle Einbindung multipler Quellen in Analysen Analysen verschiedenster Daten und Formate, ohne langwierige Vorverarbeitung 7
8 Agenda Einführung Spaltenorientierte Datenbanken Oracle In-Memory Performance Integration Schlussfolgerungen 8
9 Vorteile Hervorragend für - scanning grosser Datenmengen - auf begrenzter Spaltenmenge - Berechnung von Aggregaten auf der Ergebnissen des Scans Hohe Kompression auf den meisten Spalten (ausser solchen, mit hohem Anteil unterschiedlicher Werte) Geeignet für OLAP, BI und Analytics allgemein 9
10 Nachteile (bisher) Manche Operationen teuer - DML - Queries über ganze Zeilen Nicht geeignet für OLTP Komplexe, neue DBMS-Infrastruktur muss aufgebaut werden - Speicher (-Management) - Sicherheit - Clustering - Disaster Recovery - 10
11 Wettbewerber Nischenanbieter - Exasol - HP Vertica - Infobright - Paracell Die üblichen Verdächtigen - Microsoft (Columnstore Indexes) - IBM - Teradata - und SAP/HANA 11
12 Agenda Einführung Spaltenorientierte Datenbanken Oracle In-Memory Performance Integration Schlussfolgerungen 12
13 Columnar Stores - Oracles Variante Column-Store transparent neben dem Row-Store gemanagt kein entweder-oder persistente Speicherung wie bislang zeilenbasiert Column-Store in Echtzeit DML-gesyncht die gesamte Oracle DB-Umgebung bleibt unverändert - Sicherheit - Backup - Disaster Recovery - RAC - Keine Anwendungsänderungen erforderlich! 13
14 Technologie-Leckerbissen 1. In-Memory Storage-Indexing 2. Daten filtern auf binär komprimierten Daten 3. Feingranulare Konfiguration des Speicherumfangs 4. Transparente Abfragen über die ganze Speicherhierarchie 5. Echtzeitkonsistenz des Columnar-Store bei DML 6. Parallele Abfrageverarbeitung 7. SIMD Vektorverarbeitung 8. In-Memory-Fehlertoleranz auf RAC 9. In-Memory-Aggregation 14
15 Spaltendaten werden in IM-Compression-Unitys gespeichert (IMCUs) In-Memory Storage-Indexe speichern Min/Max-Werte pro Spalte, pro IMCU IMCUs mit Min/Max-Wert ausserhalb eines Query-Pädikats können bei der Verarbeitung ignoriert werden v$mystat zeigt Informationen über die Anzahl gelesener vs. die Anzahl ignorierter IMCUs In-Memory Storage-Index Example: Find sales from stores with a store_id of 8 or higher Memory Min 1 Max 3 Min 4 Max 7 Min 8 Max 12 SALES Column Format Min 13 Max 15 15
16 SIMD Vector Processing Single-Instruction- Verarbeitung von Multiple- Data-Werten Auswertung einer Menge von Spaltenwerten innerhalb eines Instruktionszyklus der CPU Bringt das Potential die Verarbeitung auf Milliarden, anstatt nur Millionen Sätze pro Sekunde zu steigern Memory CPU Load multiple PROMO_ID values PROMO_ID VECTOR REGISTER Example: Find all sales With PROMO_ID Vector Compare all values in 1 cycle 16
17 In-Memory on RAC inklusive Fehlertoleranz Verteilung der In-memory-compressionunits (IMCUs) grosser Objekte automatisch (default) BY ROWID RANGE BY {SUB}PARTITION Fehlertoleranz (engineered systems only) DISTRIBUTE clause für redundante IMCU-Kopien auf Knoten DISTRIBUTE ALL = jede IMCU auf alle Knoten kopieren 17
18 Neue Optimizer-Transformation: Vector Group By Erinnert an die bekannte Star-Transformation Verarbeitung in 2 Phasen und 6 Schritten Phase 1 - Vorbereitung 1. Dimensionen scannen 2. Schlüsselvektoren bilden 3. Akkumulator vorbereiten 4. Tmp-Tabellen für Dim-Attribute bilden Phase 2 - Berechnung 5. Fakten bzgl. Schlüsselvektoren scannen 6. Gefilterte Fakten mit TMP-Tabellen joinen In-Memory Aggregation 18
19 In-Memory Aggregation - XPLAN 19
20 Die In-Memory-Option hat das Potential Queries extrem zu beschleunigen Insbesondere das scannen von Daten profitiert Joins & Vector-By-Aggregation werden ebenfalls beschleunigt Aber, es ist keine Zauberei, sondern Technologie Sortieren, klassisches aggregieren etc. werden nur begrenzt schneller Beurteilung Row Store Scan Data Aggregate In-Memory Scan Data Aggregate Row Store Scan Data Join / Sort / Group / Aggregate In-Memory Scan Data IM-Join / Sort / Group / Aggregate Scan Data IM-Join / Sort / Group / IMAgg t 20
21 Agenda Einführung Spaltenorientierte Datenbanken Oracle In-Memory Performance Integration Schlussfolgerungen 21
22 Auswirkungen auf Abfragearten Reporting queries - Einfache - SQL*Analytics (Tool-basiertes) OLAP Dimensionale Queries Schlüssel-Transformationen Statistikberechnungen 22
23 Einfache Report-Queries Query-Charakteristik wenige Joins Einfache one-step Aggregationen (falls überhaupt) viele Filterprädikate manchmal viele Zeilen und Spalten darzustellen Verarbeitung scanning im Columnar-Store nutzt IMCU Storage-Indexes join mittels Bloom-Filterung im Columnar-Store Scan- und Joinaufwand sehr viel grösser als anderer Aufwand SIMD-Instruktionen werden stark genutzt Auswirkungen von In-Memory hoher Performance-Gewinn aber Transferzeit zum Client u.u. signifikant bei vielen Ergebnis-Zeilen/-Spalten 23
24 SQL*Analytics Report-Queries Query-Charakteristik einige Joins komplexe analytische Funktionen viele Anwendungen von Filterprädikaten Verarbeitung scanning im Columnar-Store nutzt IMCU Storage-Indexes join mittels Bloom-Filterung im Columnar-Store Anteil von Operationen ausserhalb des Columnar-Store nimmt stark zu SIMD-Instruktionen werden genutzt Auswirkungen von In-Memory Performance-Gewinn, aber geringer, als für einfache Reporting-Queries 24
25 (Tool-basiertes) OLAP Query-Charakteristik sehr komplexe Abfragen Verkettung von With-Clause-Blöcken komplexe analytische Funktionen und Aggregationen Verarbeitung - kurze Scan-Zeit - schwierig für den Optimizer einen effizienten Plan zu finden - Materialisierung temporärer Ergebnisse bricht' die spaltenorientierte Verarbeitung - Nicht-columnar Berechnungsaufwand weit grösser, als der Columnar-Anteil Auswirkungen von In-Memory Performanzgewinn hängt von der Komplexität der Abfrage ab 25
26 Query-Charakteristik - wenige, einfache Joins (Star) - filtern auf den Dimensionen - Aggregation i.d.r. entlang der Dimensionsattribute - sehr grosse Faktenmenge - manchmal auch sehr grosse Dimensionen Technologie & Folgen - sehr kurze Scandauer Dimensionale Queries - Anwendung der neuen Vector-group-by-Transformation durch den Optimizer Auswirkungen von In-Memory sehr hoher Performance-Gewinn 26
27 Beschleunigung Von Report-Queries report type no of rows result set row store (SGA) columnar store times X simple 400K 35 10ms 2ms 5 join, top10 (analytics) dimensional (vector by) 14M & 55K 10 2s 1s 2 14M & 1.8K & s 0.8s 10 Demo vergleicht SGA zeilenbasiert vs. in-memory Columnar-Store Kleine Virtual-Machine Kein SIMD support in Demo-Umgebung Serielle Ausführung Wesentlich höhere Faktoren in Enterprise-Infrastruktur 27
28 Typisches Szenario - Reverse-lookups DWH-eigener Surrogate-Keys zu Business-Keys für Analysen/Data-Marts - Forward Lookups für DWH-Ladeprozesse - multiple (Outer)-Joins gegen DWH-Tabellen - typischer Fall von (Outer)-Joins ohne Aggregation Herausforderung - U.U. nicht alle Tabellen im Columnar-Store Strategie - nur benötigte Spalten in Columnar-Store (falls überhaupt) Schlüssel-Transformationen - geht mit Lookup-Tabellen in Spalten- und Driver-Tabellen in Zeilen-Format 28
29 Beispiel Schlüssel-Transformationen select s.invoicenumber, s.year, s.audit_id, s.cutoffdt, r.id invoice_id, m.id member_id from (select * from st_db_rechnung_in_t where rownum < ) s, db_rechnung_ht r, pv_mitglied_ht m where s.invoicenumber = m.invoicenumber (+) and s.invoicenumber = r.invoicenumber (+) and s.year = r.year (+) and s.invoiceitem = r.invoiceitem (+) and s.srcmodifieddt > SYSDATE return DWH-IDs und andere Attribute 1. scan Stagingtabelle 3. outer join an Lookup-Tabellen 2. nimm letzte 2 Jahre 29
30 Verkettung von Bloom-Filtern Id Operation Name Rows Bytes TempSpc Cost (%CPU) Time SELECT STATEMENT K 2848 (1) 00:00:01 * 1 HASH JOIN OUTER K 8008K 2848 (1) 00:00:01 2 JOIN FILTER CREATE :BF K 1090 (1) 00:00:01 * 3 HASH JOIN OUTER K 6840K 1090 (1) 00:00:01 4 JOIN FILTER CREATE :BF K 278 (1) 00:00:01 * 5 VIEW K 278 (1) 00:00:01 * 6 COUNT STOPKEY 7 TABLE ACCESS FULL ST_DB_RECHNUNG_IN_T K 278 (1) 00:00:01 8 JOIN FILTER USE :BF K 4637K 29 (7) 00:00:01 * 9 TABLE ACCESS INMEMORY FULL PV_MITGLIED_HT 395K 4637K 29 (7) 00:00:01 10 JOIN FILTER USE :BF K 17M 73 (13) 00:00:01 * 11 TABLE ACCESS INMEMORY FULL DB_RECHNUNG_HT 781K 17M 73 (13) 00:00: hash-join Bloom- Filter-Ergebnisse wg. falsch-positiver matches 2. kreiere Bloom-Filter auf Lookup-Tabellen 3. wende Bloom- Filter an 1. scan Stagingtabelle 30
31 Hintergrund - statistische Daten über Spalten, Partitionen, Tabellen, Indexe, etc. - wichtigster Input für den Cost-Based Optimizer - essential, um gute Ausführungsstrategien zu finden = gute Performance Herausforderung - Statistikberechnungen sind teuer - Wartungsfenster sind (immer) zu kurz Query-Characteristik - eine Tabelle, spaltenorientierte Queries - viel Scanning - zumeist einfache Funktionen Statistikberechnung 31
32 Statistikberechnung - Beispiel-Query SELECT /*+ no_parallel(t) no_parallel_index(t) dbms_stats cursor_sharing_exact use_weak_name_resl dynamic_sampling(0) no_monitoring xmlindex_sel_idx_tbl no_substrb_pad */ COUNT(*), SUM(sys_op_opnsize("PROD_ID")), SUM(sys_op_opnsize("CUST_ID")), COUNT(DISTINCT "CHANNEL_ID"), SUM(sys_op_opnsize("CHANNEL_ID")), substrb(dump(min("channel_id"),16,0,64),1,240), substrb(dump(max("channel_id"),16,0,64),1,240), COUNT(DISTINCT "PROMO_ID"), SUM(sys_op_opnsize("PROMO_ID")), substrb(dump(min("promo_id"),16,0,64),1,240), substrb(dump(max("promo_id"),16,0,64),1,240), COUNT(DISTINCT "QUANTITY_SOLD"), SUM(sys_op_opnsize("QUANTITY_SOLD")), substrb(dump(min("quantity_sold"),16,0,64),1,240), substrb(dump(max("quantity_sold"),16,0,64),1,240), SUM(sys_op_opnsize("AMOUNT_SOLD")) FROM "SH"."MY_SALES" t; 4. Aggregationen 1. Spalten scannen 3. post-processing gescannter Spalten 2. scan einer Tabelle 32
33 In-Memory Statistikberechnung in In-Memory 1. In-Memory automatisch gewählt Id Operation Name Rows Bytes Cost (%CPU) Time SELECT STATEMENT (27) 00:00:01 1 SORT GROUP BY TABLE ACCESS INMEMORY FULL MY_SALES 14M 336M 1070 (27) 00:00: With explicit NO_INMEMORY Hint 2. Switched 3. Grosser to row Kostenvorteil storage SGA, Flash, für IM Id Operation Name Rows Bytes Cost (%CPU) Time SELECT STATEMENT (1) 00:00:01 1 SORT GROUP BY TABLE ACCESS FULL MY_SALES 14M 336M (1) 00:00: Wechsel auf Zeilen aus SGA, Flash oder Disk 33
34 Agenda Einführung Spaltenorientierte Datenbanken Oracle In-Memory Performance Integration Schlussfolgerungen 34
35 Information Mgmt Referenzarchitektur In-Memory Big Data 35
36 Warum In-Memory mit Big Data integrieren? Integration von Daten in einen (In-Memory)-Data-Mart braucht Zeit macht Arbeit verursacht Kosten Big Data Analytics bedeutet spezielle Tools (ein Zoo) spezielle Skills benötigt langsamer Datenzugriff Security ist ein Albtraum Lösung: Big Data SQL = direkter SQL-Zugriff auf Big Data durch Run-Time-Integration mit der Oracle Datenbank und damit auch In-Memory 36
37 Big Data SQL Query Execution Hadoop nodes 37
38 Big Data SQL - Smart Scan 1. Liest Daten auf dem HDFS-Knoten - Direct-path reads - C-basierte Reader wenn vorhanden - sonst native HADOOP-Klassen 2. Übersetzt Bytes zu Oracle 3. Smart scan in Oracle-Format - wendet Storage Indexe an - filtert - projiziert Spalten - parst JSON/XML - berechnet Scoring-Modelle 38
39 Optimizer Database optimizer und Execution Engine sind der Schlüssel Transformer: - neue Transformationen Estimator: - neue Kostenschätzmodelle Execution engine: - neue Calls und APIs Nur möglich, weil Oracle alle Implementierungen und APIs kontrolliert 39
40 Agenda Einführung Spaltenorientierte Datenbanken Oracle In-Memory Performance Integration Schlussfolgerungen 40
41 Schlussfolgerungen Oracle In-Memory-Option ist entscheidend für Real-Time Analytics im Gegensatz zu Nischenanbietern ist sie absolut enterprise-ready im Gegensatz zu den grossen Konkurrenten sind keine Modifikationen notwendig Deshalb bietet In-Memory einen grossen Leistungssprung mit - geringen Risiken - geringen Projekt-, Infrastruktur-, Wartungs- & Entwicklungskosten Integration mit Big Data ist einfach und effizient Aber, In-Memory ist keine eierlegende Wollmilchsau Abfragekomplexität bestimmt den Performance-Gewinn Gutes Design der ETL-Prozesse & Analysen bleibt wichtig Kraftvolle Infrastruktur ist notwendig (zum Beispiel Oracle Engineered Systems) 41
Oracle DB 12c: Die In-Memory-Option Oliver Zandner System-Berater für Oracle-DB-Technologien Oracle Hannover. Available July 2014
Oracle DB 12c: Die In-Memory-Option Oliver Zandner System-Berater für Oracle-DB-Technologien Oracle Hannover Available July 2014 Worum geht es bei In-Memory? Option zur Oracle DB Enterprise Edition ab
MehrOracle Database 12c In-Memory Option 7/18/2014. Eckart Mader Oracle Deutschland B.V. & Co. KG. Karlsruhe, den
Oracle Database 12c In-Memory Option Eckart Mader Oracle Deutschland B.V. & Co. KG Karlsruhe, den 17.07.2014 2 1 Safe Harbor Statement The following is intended to outline our general product direction.
MehrPerformance in der Oracle Datenbank von Anfang an
Performance in der Oracle Datenbank von Anfang an Marco Mischke, 26.04.2018 DOAG Regional Agenda Tabellen Indizes Ausführungspläne SQL vs PL/SQL Tabellen Zu 99% werden Standard Strukturen zur Speicherung
MehrDOAG Konferenz Was Sie bei modernen Datenbank-Systemen anders machen müssen!
oracledeli.wordpress.com DOAG Konferenz 2015 Was Sie bei modernen Datenbank-Systemen anders machen müssen! Matthias Schulz Selbständiger Software- und Datenbankentwickler: Consulting Schulungen Workshops
MehrExadata und In-Memory Datenbewirtschaftung und Analyse Extrem mit Exadata und InMemory (Erfahrungsbericht)
Exadata und In-Memory Datenbewirtschaftung und Analyse Extrem mit Exadata und InMemory (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team Inhalt Thematik (Einordnung
MehrSODA. Die Datenbank als Document Store. Rainer Willems. Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG
SODA Die Datenbank als Document Store Rainer Willems Master Principal Sales Consultant Oracle Deutschland B.V. & Co. KG vs No Anforderungskonflikte Agile Entwicklung Häufige Schema-Änderungen Relationales
MehrCharakteristika von Unternehmensanwendungen
Charakteristika von Unternehmensanwendungen Wozu werden Unternehmensanwendungen genutzt? Enterprise applications are about the display, manipulation, and storage of large amounts of often complex data
MehrOracle In-Memory & Data Warehouse: Die perfekte Kombination?
Oracle In-Memory & Data Warehouse: Die perfekte Kombination? Dani Schnider Trivadis AG Zürich/Glattbrugg, Schweiz Einleitung Als Larry Ellison in einer Keynote im Juni 2014 die Oracle In-Memory Option
MehrNutzung der Oracle Database InMemory Option für SAP BW
Nutzung der Oracle Database InMemory Option für SAP BW Schlüsselworte Oracle, SAP-BW, InMemory, Star-Schema. Jörn Bartels Oracle München Einleitung In SAP BW wurde bisher ein erweitertes Snow Flake Schema
MehrODI 12c - Flexible Datenintegration in komplexen BI/DWH-Umgebungen Dr.-Ing. Holger Friedrich
ODI 12c - Flexible Datenintegration in komplexen BI/DWH-Umgebungen Dr.-Ing. Holger Friedrich Agenda Einführung Key differentiators von ODI12c Effizienz Flexibilität Wartbarkeit & Beweglichkeit Schlussfolgerungen
MehrOracle Database 12c Was Sie immer schon über Indexe wissen wollten
Oracle Database 12c Was Sie immer schon über Indexe wissen wollten Marco Mischke, 08.09.2015 DOAG Regionaltreffen B* Indexe - Aufbau 0-Level Index A-F G-Z 1-Level Index A-F G-Z 2-Level Index A-F G-M N-Z
MehrNützliche Oracle 12c Features für Data Warehousing DOAG BI, 8. Juni 2016 Dani Schnider, Trivadis AG
Nützliche Oracle 12c Features für Data Warehousing DOAG BI, 8. Juni 2016 Dani Schnider, Trivadis AG BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENEVA HAMBURG COPENHAGEN LAUSANNE MUNICH STUTTGART
MehrDie IBM Netezza Architektur für fortgeschrittene Analysen
Michael Sebald IT Architect Netezza Die IBM Netezza Architektur für fortgeschrittene Analysen 2011 IBM Corporation Was ist das Problem aller Data Warehouse Lösungen? I / O Transaktionaler und analytischer
MehrOracle In-Memory Option DOAG Webinar
Oracle 12.1.0.2 In-Memory Option DOAG Webinar 9.10.2015 Mag. Dr. Thomas Petrik In-Memory Column Store Basics 2 Row vs. Column Format cust_id amount c1 c2 c3 row 1 read row 2 row 3 row 4 row 5 row 1 row
MehrDesigning Business Intelligence Solutions with Microsoft SQL Server MOC 20467
Designing Business Intelligence Solutions with Microsoft SQL Server MOC 20467 In diesem 5-tägigen Microsoft-Kurs lernen Sie die Implementierung einer Self-Service Business Intelligence (BI) und Big Data
MehrOracle 9i Einführung Performance Tuning
Kurs Oracle 9i Einführung Performance Tuning Teil 3 Der Optimizer Timo Meyer Wintersemester 2005 / 2006 Seite 1 von 16 Seite 1 von 16 1. auf Tabellen 2. 3. Optimizer 4. Optimizer RBO 5. Optimizer CBO 6.
MehrPerformance Tuning mit Oracle 12c
Performance Tuning mit Oracle 12c Agenda 1. Adaptive Execution Plans 2. Adaptive Statistics 3. SQL Plan-Direktiven 4. Neuerungen bei Statistiken 5. Konkurrierendes Sammeln von Statistiken 6. Private Session-Statistiken
MehrExplain verstehen. Hans-Jürgen Schönig.
Explain verstehen Zielsetzung EXPLAIN... Was versucht uns PostgreSQL zu sagen? Wie kann diese Information genutzt werden? Wie erkenne ich Probleme? Abfragen in PostgreSQL Mehrstufige Ausführung Parser:
MehrPostgreSQL auf vielen CPUs. Hans-Jürgen Schönig Hans-Jürgen Schönig
PostgreSQL auf vielen CPUs Ansätze zur Skalierung PostgreSQL auf einer CPU Traditionell läuft eine Query auf nur einer CPU Historisch gesehen war das kein Problem Mittlerweile ist das ein großes Problem
MehrSAP Business Information Warehouse mit Oracle Database
SAP Business Information Warehouse mit Oracle Database Maciej Berghof Business Unit Datenbank SAP BW wächst Betriebswirtschaftlich getriebener Bedarf an mehr Informationen SAP BW konkurriert mit den bisherigen
MehrOffice 365 Dynamics 365 Azure Cortana Intelligence. Enterprise Mobility + Security Operations Mgmt. + Security
Office 365 Dynamics 365 Azure Cortana Intelligence Enterprise Mobility + Security Operations Mgmt. + Security API Application Availability Bottomless Storage Identity Management Full hybrid
MehrZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE
ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE Indexierungsstrategie im Data Warehouse Dani Schnider, Trivadis AG DOAG Konferenz, Nürnberg BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR.
MehrSchneller als Hadoop?
Schneller als Hadoop? Einführung in Spark Cluster Computing 19.11.2013 Dirk Reinemann 1 Agenda 1. Einführung 2. Motivation 3. Infrastruktur 4. Performance 5. Ausblick 19.11.2013 Dirk Reinemann 2 EINFÜHRUNG
MehrZeilen- vs. spaltenorientierte Datenhaltung im Hauptspeicher Begriffe, Modellierung und reale Probleme mit der Oracle InMemory-Technologie
Zeilen- vs. spaltenorientierte Datenhaltung im Hauptspeicher Begriffe, Modellierung und reale Probleme mit der Oracle InMemory-Technologie Frank Effenberger, Dresden 28.10.2015 Zahlen und Fakten Robotron
MehrRoadshow - What s new in SQL Server 2016
1 Roadshow - What s new in SQL Server 2016 Kursleitung: Dieter Rüetschi (ruetschi@ability-solutions.ch) 2 Inhalt Fachreferat Everything-Built-In Mission Critical Plattform Security Hochverfügbarkeit Advanced
MehrNeue Features Oracle Database 12.2 Wann denn endlich?
Neue Features Oracle Database 12.2 Wann denn endlich? DOAG 2017 Datenbank Dierk Lenz Erfolgreich seit 1996 am Markt Firmensitz: Burscheid (bei Leverkusen) Beratung, Schulung und Betrieb/Fernwartung rund
MehrExalytics - Deep dive with OBIEE, Timesten and Essbase
Exalytics - Deep dive with OBIEE, Timesten and Essbase Renate Wendlik Senior DWH Consultant Matthias Fuchs DWH Architekt ISE Information Systems Engineering GmbH Agenda Einleitung Exalytics Konfiguration
MehrOracle Indexing Primer
Oracle Indexing Primer Data Warehousing and Data Mining Patrick Schäfer Berlin, 18. Dezember 2017 patrick.schaefer@hu-berlin.de Vorlesung: Übung: https://hu.berlin/vl_dwhdm17 https://hu.berlin/ue_dwhdm17
MehrOracle OLAP 11g: Performance für das Oracle Data Warehouse
Oracle OLAP 11g: Performance für das Oracle Data Warehouse Marc Bastien Oracle BI Presales Agenda Performanceprobleme in Oracle DWH: gibt s das überhaupt? Mögliche Gründe und Lösungen
MehrOracle Core für Einsteiger: InMemory Column Store
Oracle Core für Einsteiger: InMemory Column Store Martin Klier Performing Databases GmbH Mitterteich @MartinKlierDBA Oracle Core für Einsteiger: InMemory Column Store 2/37 Referent Martin Klier Lösungsarchitekt
MehrOracle 9i Einführung. Performance Tuning. Kurs. Teil 8 Indizes. Universität Hannover. Installation. Index-Typen. Anhang.
Kurs Oracle 9i Einführung Performance Tuning Teil 8 Indizes Grid Einführung Timo Meyer Wintersemester 2005 / 2006 Seite 1 von 15 Seite 1 von 15 Agenda 1. Einführung 2. 3. B*Tree-Index 4. Bitmap-Index Grid
MehrOracle 12cR1 In-Memory Real World POC and what s coming up with 12cR2 Christian Pfundtner DB Masters GmbH Stammersdorfer Str Gerasdorf
Oracle 12cR1 In-Memory Real World POC and what s coming up with 12cR2 Christian Pfundtner DB Masters GmbH Stammersdorfer Str. 463 2201 Gerasdorf Schlüsselworte Oracle 12c, In-Memory, POC, Real World, Column
MehrIndex- und Zugriffsstrukturen für. Holger Brämer, 05IND-P
Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören
MehrMilliarden in Sekunden: Demo zu PureData for Analytics. Marc Bastien Senior Technical Professional Big Data, IBM
Milliarden in Sekunden: Demo zu PureData for Analytics Marc Bastien Senior Technical Professional Big Data, IBM IBM PureData System Für die Herausforderungen von Big Data Schnell und Einfach! System for
MehrUpdating your Database Skills to Microsoft SQL Server 2012 MOC 40008
Updating your Database Skills to Microsoft SQL Server 2012 MOC 40008 In diesem Kurs erwerben Datenbankprofis die nötigen Kenntnisse, um die neuen und erweiterten Möglichkeiten von SQL Server 2012 nutzen
MehrAnfrageoptimierung Ausführungspläne, Hints, Statistikinformationen, IDEs
Anfrageoptimierung Ausführungspläne, Hints, Statistikinformationen, IDEs Peter Matjeschk 05-INDT Fachbereich Informatik, Mathematik und Naturwissenschaften HTWK-Leipzig 19. Juni 2008 Peter Matjeschk (Fb
MehrTipps und Tricks in der Datenbankadministration
Tipps und Tricks in der Datenbankadministration Nürnberg, 17. November 2011 Volker Mach - Fachbereichsleiter IT System Services MT AG Key Facts MT AG MANAGING TECHNOLOGY ENABLING THE ADAPTIVE ENTERPRISE
MehrDie wichtigsten Hadoop-Komponenten für Big Data mit SAS
Webinar@Lunchtime Die wichtigsten Hadoop-Komponenten für Big Data mit SAS Herzlich Willkommen bei Webinar@Lunchtime Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant Xing-Profil:
MehrNested Tables Types als Ergänzung zu Pivot XML
Nested Tables Types als Ergänzung zu Pivot XML Thomas Strub Logica Deutschland GmbH & Co. KG Frankfurt Schlüsselworte Nested Tables, pivot, pivot xml, unpivot, collect, PL/SQL Einleitung Die Verknüpfung
Mehr4. Aufgabenblatt - Auswertung -
4. Aufgabenblatt - Auswertung - Patrick Schäfer Berlin, 22. Januar 2017 patrick.schaefer@hu-berlin.de Agenda Aufgabe 4 Aufgabe 5: Naïve Bayes Daten (Wettbewerbsaufgabe!) - Gegeben sei eine Datenbank aller
MehrFast Analytics on Fast Data
Fast Analytics on Fast Data Kudu als Storage Layer für Banking Applikationen Problem Klassischer Kreditprozess Beantragung in der Filiale Aufwendiger Prozess Nachweis durch Dokumente Manuelle Bewilligung
MehrDie Eckpfeiler eines ausbalancierten BI Systems. Maik Sandmann Systemberater,
Die Eckpfeiler eines ausbalancierten BI Systems Maik Sandmann Systemberater, Maik.Sandmann@oracle.com Was ist ein balanciertes System? Agilität Ausbalanciertes System Risikoreduktion Effizienz Performanz
MehrProduktionscontrolling auf dem Weg zur Industrie 4.0
Produktionscontrolling auf dem Weg zur Industrie 4.0 Intelligente Produktion durch Real-Time-Big-Data-Analyse von Sensordaten & Bern, 27.05.2016 Jörg Rieth Jedox vereinfacht Planung, Reporting & Analyse
MehrLOG 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
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrSenkrecht oder waagerecht Column Store oder Row Store?
Senkrecht oder waagerecht Column Store oder Row Store? Eero Mattila Quest Software GmbH Köln Schlüsselworte Oracle In-Memory Column Store Einleitung Mit Oracle 12c wurde die In-Memory Option eingeführt.
MehrExadata Engineered Systems als Lösung? Reinhold Boettcher, Systemarchitekt Infrastruktur, arvato Systems
Exadata Engineered Systems als Lösung? Reinhold Boettcher, Systemarchitekt Infrastruktur, arvato Systems 1 Name arvato Systems December 10, 2013 Agenda arvato Systems GmbH wer ist denn das? Herausforderungen
MehrJohannes Ahrends Geschäftsführer CarajanDB GmbH CarajanDB GmbH
Johannes Ahrends Geschäftsführer CarajanDB GmbH Vorstellung CarajanDB I Index oder nicht Index das ist doch keine Frage, oder? Was kann der DBA tun? Was kann der Entwickler tun? 2 Experten mit über 30
MehrDWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb. Referent: Raphael Henneke
DWH Automation - Steigerung von Qualität, Effektivität und Transparenz in der DWH Implementierung und dem Betrieb Referent: Raphael Henneke Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS
MehrMehrwert durch Microsoft Business Intelligence
Mehrwert durch Microsoft Business Intelligence Dr. Klaus von Rottkay Direktor Business Group Server Microsoft Deutschland GmbH Steffen Krause Technical Evangelist Microsoft Deutschland GmbH Warum Business
MehrIn.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest
In.Memory im SQL Server 2014 im Vergleich mit SAP Hana im Praxistest Synopsis Darmstadt 13.-14.05.2014 Guido Jacobs, Microsoft Tobias Maier & Dr. Benjamin Kettner, ixto GmbH Microsoft SQL Server 2014 //
MehrOracle Database In-Memory und SAP Flat Cubes im Einsatz DOAG Konferenz 2018
Oracle Database In-Memory und SAP Flat Cubes im Einsatz DOAG Konferenz 2018 Markus Kißling Product Manager Database In-Memory Markus.kissling@oracle.com Safe Harbor Statement The preceding is intended
MehrDatenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
MehrEinführung in Hauptspeicherdatenbanken
Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation
MehrOracle 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
MehrOracle 12c NF. Was ist wirklich neu? (eine kleine Auswahl) Andrew Lacy Solution Architect
Oracle 12c NF Was ist wirklich neu? (eine kleine Auswahl) Andrew Lacy Solution Architect DOAG Regio, Berlin, 04.03.2015 OPITZ CONSULTING Deutschland GmbH 2015 Seite 1 Agenda 1. Konsolidierung & vereinfachter
MehrOracle Snap Management Utility Snap mir eine. Marco Schwab, DOAG 2017,
Oracle Snap Management Utility Snap mir eine Marco Schwab, Wer steht hier? 2 Die Witt-Gruppe in Zahlen Die Witt-Gruppe ist ein führender Multichannel- Versandhändler für die Zielgruppe 50+. 1987 erfolgte
MehrNeues aus der nicht-, semi- und relationalen Welt
Neues aus der nicht-, semi- und relationalen Welt Information Management Thomas Klughardt Senior System Consultant Das Big Data Problem Was bedeutet Big Data? Performancekritisch Echtzeit Cold Storage
MehrOptimiertes Laden in die F-Fakten-Tabelle des SAP BW
Optimiertes Laden in die F-Fakten-Tabelle des SAP BW Schlüsselworte SAP BW Index unusable. Einleitung Jörn Bartels Oracle München Mit Oracle Database 11g Release 2 kann das Laden der F-Fakten Tabelle in
MehrSQL-Analyse und Tuning
Seite 1 SQL-Analyse und Tuning Einfach und schnell Thorsten Bruhns Solution Architekt OPITZ CONSULTING Deutschland GmbH Standort Bad Homburg Mannheim, 27.09.2012 Seite 2 Agenda 1. Einleitung 2. Herausforderungen
MehrOracle In-Memory & Data Warehouse: Die perfekte Kombination?
: Die perfekte Kombination? DOAG Konferenz, 16. November 2016 Dani Schnider, Trivadis AG @dani_schnider BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENF HAMBURG KOPENHAGEN LAUSANNE MÜNCHEN
MehrDWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH. Referent: Ilona Tag
DWH Best Practices das QUNIS Framework 80 Jahre Erfahrung bei der Modellierung & dem Betrieb von DWH Referent: Ilona Tag Agenda 10.00 10.30 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.30 11.00 11.00
MehrSGA (System Global Area) PGA (Program Global Area) Persistenter Speicher (Festplatten, Flash, etc)
Eine für Alle - Oracle DB für Big Data, In-Memory & Exadata Dr.-Ing. Holger Friedrich sumit AG Baden - Schweiz Schlüsselworte Oracle Datenbank, In-Memory, Big Data, Big Data SQL, Exadata Einleitung Oracle
MehrIndex Rebuild. DOAG Konferenz , Nürnberg DOAG Konferenz , Nürnberg Martin Hoermann Martin Hoermann
Index Rebuild DOAG Konferenz 17.01.2011, Nürnberg DOAG Konferenz 17.11.2011, Nürnberg Martin Hoermann info@ordix.de Martin Hoermann www.ordix.de info@ordix.de www.ordix.de Eine kurze Geschichte der Zeit
MehrOracle Data Warehouse In Memory Database Option 1/6
Oracle Data Warehouse In Memory Database Option 1/6 Oracle Database In-Memory Option Mit der Ankündigung der InMemory Database Option reagiert Oracle auf Marktbewegungen, die schon seit einiger Zeit zu
MehrDATA 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
MehrWITH or WITHout you - Komfort-SQL in Oracle 12c. Dr.-Ing. Holger Friedrich
WITH or WITHout you - Komfort-SQL in Oracle 12c Dr.-Ing. Holger Friedrich Agenda Vorstellung Komfort-SQL WITH-Clause Scalar Sub-Selects Temporal SQL Zusammenfassung!2 sumit AG Bietet Beratungs- & Implementierungs-
MehrIndex Rebuild. DOAG Konferenz , Nürnberg. Martin Hoermann
Index Rebuild DOAG Konferenz 17.11.2011, Nürnberg Martin Hoermann info@ordix.de www.ordix.de asktom.oracle.com Quelle: asktom.oracle.com/pls/asktom/f?p=100:11:745954239666467::::p11_question_id:2913600659112
MehrOracle Database In-Memory
Oracle Database In-Memory Die richtigen Werkzeuge DOAG Datenbank 2017 Markus Kißling Product Manager for Database In-Memory DOAG Datenbank 2017 Safe Harbor Statement The following is intended to outline
Mehr1 Einführung Ziele der Vorlesung Die Idee Lernkarte Selbsttest-Frage 3 Literaturhinweise 3
1 Einführung 1 1.1 Ziele der Vorlesung 1 1.2 Die Idee 1 1.3 Lernkarte 2 1.4 Selbsttest-Frage 3 Literaturhinweise 3 Teilt Die Zukunft von Enterprise-Computing 5 2 Neue Anforderungen an Enterprise Computing
Mehrmit konventionellen Datenbanksystemen konventionellen Datenbanksystemen
Stream-Verwaltung mit konventionellen Datenbanksystemen Christian Rensch.06.005 Seminar Data Streams Thema Verwaltung von Datenströmen in konventionellen Datenbanksystemen optimiert auf Daten geringer
MehrDatenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
MehrDas modulare DWH Modell
Das modulare DWH Modell Durchgängige Business Intelligence durch eine praktikable DWH Referenzarchitektur Arno Tigges, Seniorberater OPITZ CONSULTING München GmbH DOAG SIG DWH/BI, Köln, 29. Juni 2010 OPITZ
MehrDB2 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
MehrSAP BO Web Intelligence auf SQL Server [A4] Üetliberg,
SAP BO Web Intelligence auf SQL Server [A4] Üetliberg, 12.09.2017 www.boak.ch AGENDA Einführung Auswahl des Reporting Werkzeugs Universum & WebI Dokumente erstellen Live Demo Nebenprodukte Vertiefende
MehrBackup und Restore von Optimizer Statistiken. Peter Stalder
Betrifft: Backup und Restore von Optimizer Statistiken Art der Info: Technical Info (Oktober 2002) Autor: Quelle: Peter Stalder (peter.stalder@trivadis.com) Erfahrung aus der Praxis Einleitung Kennen auch
MehrData Vault Reine Lehre vs. Real-World Requirements Dr.-Ing. Holger Friedrich
Data Vault Reine Lehre vs. Real-World Requirements Dr.-Ing. Holger Friedrich Agenda Introduction Data Vault Diskussionsstoff Schlussfolgerungen 2 500+ Technsche Experten Helfen Kollegen Weltweit 3 Membership
MehrOptimale Performance durch Constraints im Data Warehouse
Optimale Performance durch Constraints im Data Warehouse DOAG Konferenz, 17. November 2016 Dani Schnider, Trivadis AG @dani_schnider BASEL BERN BRUGG DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. GENF HAMBURG
MehrIBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence?
Das IBM Leistungsversprechen zum Führungsinformationssystems IBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence?
MehrHANA Solution Manager als Einstieg
Markus Stockhausen HANA Solution Manager als Einstieg Collogia Solution Day Hamburg 28.04.2016 Agenda HANA Solution Manager als Einstieg 1 Überblick 2 Techniken 3 Sizing Collogia Unternehmensberatung AG,
MehrIDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz
IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz
MehrQuest Central for Oracle
Quest Central for Oracle Markus Schröder, PreSales Consultant Quest Central die DBA- Workbench für die Produktion Was braucht der DBA? Er braucht durchschnittlich pro Tag 5 bis 7 verschiedene Funktionen
MehrRavenDB, schnell und skalierbar
RavenDB, schnell und skalierbar Big Data & NoSQL, Aydin Mir Mohammadi bluehands GmbH & Co.mmunication KG am@bluehands.de Immer mehr Mehr Performance Mehr Menge Mehr Verfügbarkeit Skalierung http://www.flickr.com/photos/39901968@n04/4864698533/
MehrVorstellung DIE QSC AG. Datum:
Vorstellung DIE QSC AG Datum: 09.06.2015 Daten & Fakten 12 Standorte In Deutschland 455,5 Mio. Umsatz in 2013 1700 Mitarbeiter Im TEC DAX seit 2004 30 Jahre Erfahrung Support für 15.000 Endanwender Über
MehrMicrosoft Azure Deutschland ist jetzt verfügbar -
Einordnung und Überblick Data Scientist Operationalisierung IT-Abteilung Anwendungsentwickler Der Data Scientist agil Tool seiner Wahl möglichst wenig Zeit Skalierung Code für die Operationalisierung Der
MehrIch liebe es, wenn ein Plan funktioniert
Ich liebe es, wenn ein Plan funktioniert Der Ausführungsplan Thomas Klughardt Senior Presales Consultant 16.11.2011 Quest Software 60 Büros 3 HQs Nord-/ Mittel-/ Südamerika Europa Asien / Pazifik 3600+
MehrINDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE
INDEXIERUNGS- STRATEGIE IM DATA WAREHOUSE ZWISCHEN ALBTRAUM UND OPTIMALER PERFORMANCE DOAG Konferenz 2011 Dani Schnider Trivadis AG Nürnberg, BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG
MehrDie CONNECT Storage Engine für MySQL Zugriff auf verschiedenste Daten
Schlüsselworte Die CONNECT Storage Engine für MySQL Zugriff auf verschiedenste Daten Ralf Gebhardt SkySQL Ab Finnland - Esbo Storage Engine, CONNECT, MySQL, MariaDB, BI, Datenbank, SQL, Datei-Formate,
MehrSAP HANA ist schnell erklärt. TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag
SAP HANA ist schnell erklärt TOBA Trainerwochenende vom 09. - 12. Mai 2013 in Prag Ihr Referent Steckbrief Name: Miroslav Antolovic Jahrgang: 1975 Stationen: SAP, Walldorf 1999-2004 Realtech, Walldorf
MehrOracle Virtual Private Database
Oracle Virtual Private Database Rolf Wesp Consultant Application Development Rolf.Wesp@trivadis.com Düsseldorf, September 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg
MehrWir bauen uns ein Data Warehouse mit MySQL
Wir bauen uns ein Data Warehouse mit MySQL Oli Sennhauser FromDual GmbH Uster / Schweiz Schlüsselworte MySQL, DWH, Data Warehouse, ETL, BI, Business Intelligence, OLAP Einleitung MySQL Datenbanken verbreiten
MehrBIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004
BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick
MehrHadoop Eine Erweiterung für die Oracle DB?
Hadoop Eine Erweiterung für die Oracle DB? Nürnberg, 18.11.2015, Matthias Fuchs Sensitive Über mich 10+ Jahre Erfahrung mit Oracle Oracle Certified Professional Exadata Certified Oracle Engineered Systems
MehrIndustrie 4.0 und Smart Data
Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen
MehrÜbersicht Streams nach Liste Produkte/Themen
Stream Datenbank: DB Oracle 9i bis 12c In-Memory Datenbanken Enterprise Manager Appliances EXADATA RAC DataGuard Upgrades, Konsolidierungen Implementationen Administration / Monitoring Performance Tuning
MehrKleine Helferlein. Jens Behring its-people. Copyright its-people
Jens Behring its-people Werbung Agenda Werbung Vorstellung Jens Behring its-people Vorstellung des Vortragsthemas Analytische Funktionen Reguläre Ausdrücke Count Listagg Rank Lead / Lag Werbung Agenda
MehrGlobale Statistiken im Oracle Data Warehhouse
Globale Statistiken im Oracle Data Warehhouse Dani Schnider Principal Consultant 29. Januar 2012 Aktuelle und vollständige Optimizer-Statistiken sind Voraussetzung für die Ermittlung von guten Execution
MehrAS Path-Prepending in the Internet And Its Impact on Routing Decisions
(SEP) Its Impact on Routing Decisions Zhi Qi ytqz@mytum.de Advisor: Wolfgang Mühlbauer Lehrstuhl für Netzwerkarchitekturen Background Motivation BGP -> core routing protocol BGP relies on policy routing
Mehr