SQL HDFS Oracle 12c

Werbung
Big Data SQL
Alfred Schlaucher, Oracle
Januar 2017
Hadoop-Technologie isoliert zu betrachten macht wenig Sinn.
Die meisten Anwendungen speziell im Data Warehouse-Segment arbeiten mit relational
gespeicherten Daten. Zudem leben Analyse-Systeme von der effizienten Strukturierung
von Daten z. B. als Dimensionen in Star-Modellen.
Dennoch gibt es sinnvolle Einsatzszenarien von Hadoop und daher liegt es nahe
relationale Daten und Hadoop-Daten zusammenhängend abzufragen. Oracles Big Data SQL
macht das möglich. Der Vortrag zeigt die technische Umsetzung und Anwendung von
Big Data SQL.
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
1
Business Analytics klassisch
Advanced / Predictive
Analytics heute
Historien-Sicht,
Status-,Ergebnisberichte
Kontrolle und Steuerung von
Abläufen
Unbekannte Erklärungsmuster basierend
auf noch mehr Merkmalen,
Neues entdecken, Innovation erzeugen,
feinere Steuerungsmöglichkeiten
Transaktionale Daten
OLTP-Anwendungen,
Stark strukturierte Daten
Statistik, Aggregationen,
Lineare Betrachtung
Oft relationale Datenbanken
Multidimensionale Modelle
Fokus / Erwartung
Daten
Art der Analyse
Technologie
Alle Daten, die man bekommen kann
Bilder, Texte, Kommunikationsdaten,
Sentiments, Messdaten, fließende Daten
Zufallsanalysen, Wahrscheinlichkeiten,
Suche nach komplexen Abhängigkeiten
Endlos skalierende Plattformen für das
Speichern unterschiedlichster Datenarten
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
2
Klassisches Warehousing
D a t a
L e g a c y
Interne
All
Processes
SAP R/3
SAP / BW
Integration
Layer
BrokerSort
Segment
ArticleGrp-Unit
Articlegroup
Article
D
F
Measure
D
Analyze
D
Package
Unit
F
D
Package
D
D
Planning
Control
F
D
Key Figures
N e w
D a t a
DeliveryUnit
ProductArt
Real-Business
Streaming
Externe
D
Automated
Fetching
Industrie 4.0
IoT
Log +
Production
Data
User View
Layer
Enterprise
Layer
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
Simulation
…
5
Erweiterter Big Data Fokus
Klassisches Warehousing
D a t a
L e g a c y
Interne
All
Processes
SAP R/3
SAP / BW
Industrie 4.0
IoT
Integration
Layer
Alle Daten,
die man
bekommen kann
User View
Layer
Enterprise
Layer
D
Automated
Fetching
ProductArt
Real-Business
Streaming
Broker- Segment
Sort
ArticleGrp-Unit
Articlegroup
D a t a
N e w
Externe
Article
Log +
Production
Data
Bilder,
Texte,
Kommunikationsdaten,
Sentiments,
Messdaten,
fließende Daten
F
DeliveryUnit
Package
Unit
Package
Measure
D
D
Analyze
D
D
F
D
F
D
D
Planning
Key Figures
Control
Simulation
…
Data Lake Structures
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
5
Erweiterter Big Data Fokus
Klassisches Warehousing
D a t a
L e g a c y
Interne
All
Processes
SAP R/3
SAP / BW
Industrie 4.0
IoT
Integration
Layer
Alle Daten,
die man SQL
bekommen kann
User View
Layer
Enterprise
Layer
D
Automated
Fetching
ProductArt
Real-Business
Streaming
Broker- Segment
Sort
ArticleGrp-Unit
Articlegroup
Log +
Production
Data
Package
Unit
Package
D
Analyze
D
D
F
D
F
D
D
Planning
Key Figures
SQL
D a t a
N e w
Externe
Article
Bilder,
Texte,
Kommunikationsdaten,
Sentiments,
Messdaten,
fließende Daten
F
DeliveryUnit
Measure
D
Control
Simulation
…
Data Lake Structure
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
5
D a t e n
N e u e
Alle
Prozesse
Integration Layer
User View
Layer
Enterprise Layer
ETL
Core - DWH / Info Pool
Aktuelle Sichten
Alle
Unternehmensteile
Industrie 4.0
Log +
Produktions
Daten
D
Strategische Sichten
Offload
B e s t e h e n d e
D a t e n
2 Rollen von Hadoop in Data Warehouse Architekturen
Data Lake
Kosten/Nutzen-Relation bei der
Speicherung bestimmter Daten
passt oft nicht. Oft bleibt nur
der Verzicht auf die Daten, weil
es zu teuer ist.
Archive / ODS /
Skalierung
• Spezielle Datenarten
CDRs, Bondaten, Logdaten,
Click-Daten, Messwertdaten
• Archiv für alte Daten (ILM)
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
D
F
D
F
• Große
Fakten-Tabellen
6
http://hadoop.apache.org/
Kernkomponenten Hadoop
 Hadoop Distributed File System (HDFS)
 Ein über den Cluster verteiltes Files-System
 Hadoop Map Reduce
 2-phasiges Programmier-Framework (Mapper/Reducer)
 YARN (Yet Another Resource Negotiator)
 Programmiermodell für verteile Anwendungen in einem Hadoop-Cluster, bei dem
eine entsprechende Anzahl an Ressourcen zugeteilt wird (CPUs, RAM, Speicher)
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
7
Anforderungen
• Durchgängige Verwendung von SQL
• Transparente Verwendung von HDFS durch
Anwender mittels SQL
• Übergreifendes Datenmodell
– beinhaltet Tabellen/Files im HDFS und in der
Datenbank
• „Hybride“ Tabellen
– Ein Teil einer Tabelle liegt in der DB, der weitaus
größere Teil im HDFS
SQL
Oracle 12c
Kunden
Produkt
Filiale
Verkauf
Zeit
Kampagne
komplett
Region
hybrid
Bons
• „Akzeptable“ Leseperformance
• Implementierung von HintergrundTransportläufen
In Memory
HDFS
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
offload
8
Big Data SQL: A New Hadoop Processing Engine
Processing Layer
MapReduce
and Hive
Spark
Impala
Big Data
Search
SQL
Resource Management (YARN, cgroups)
Storage Layer
Filesystem (HDFS)
NoSQL Databases
(Oracle NoSQL DB, Hbase)
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
9
Oracle Big Data SQL
SQL Abfragen in der Oracle DB für Hadoop & Oracle NoSQL, HBase
Oracle Database
Storage Server
Any
Hardware
Cluster
System
Cloudera
Hadoop
Horton
Works
Hive metadata
HDFS
Name Node
HDFS
Data Node
HDFS
Data Node
Big Data SQL
All Daten mittels Oracle
SQL zugreifen
Smart Scan Funktionalität
auf Hadoop zur
Optimierung des Zugriffs
Oracle Catalog
Hive metadata
External Table
External Table
create table customer_address
( ca_customer_id
number(10,0)
, ca_street_number char(10)
, ca_state
char(2)
, ca_zip
char(10))
organization external (
TYPE ORACLE_HIVE
DEFAULT DIRECTORY DEFAULT_DIR
ACCESS PARAMETERS
(com.oracle.bigdata.cluster hadoop_cl_1)
LOCATION ('hive://customer_address')
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
)
Oracle
Database
12c
RAC
Cluster
SQL-on-Hadoop Engines teilen Metadaten
Hive Metastore
Oracle Big Data SQL
SparkSQL
Hive
Hive Metastore
Impala
…
Table Definitions:
movieapp_log_json
Tweets
avro_log
Metastore maps DDL to Java access classes
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted
11
Offload Szenario: Messwerte + Erfahrungen
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Szenario-Umgebung Firma ISE Nürnberg
Exadata Quarter Rack
Big Data Appliance Starter Rack (6 Cluster Knoten)
Infiniband
Oracle 12c
Database
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
15
Big Data Appliance X6-2 (aktuelle Version)
18 mal Sun Oracle X6-2L Servers with per server:
• 2 * 22 Core (2.2GHz) Intel Xeon E5-2699 v4 Processors
• 256 GB DDR4-2400 Memory
• 96TB Disk space (7200 RPM SAS Platten)
• 2 Infiniband 40 Gb/sec Ports
• 4 10 Gb Ethernet Ports
Included Software (4.4):
• Oracle Linux 6.7
• Oracle Big Data SQL 3.0*
• Cloudera Distribution of Apache Hadoop 5.5.x – EDH Edition
• Cloudera Manager 5.5.x
• Oracle R Distribution
• Oracle NoSQL Database CE
* Oracle Big Data SQL is separately licensed
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
16
Das Demo-Star Schema
D_ARTIKEL
D_ZEIT
DATUM_ID
TAG_DES_MONATS
TAG_DES_JAHRES
WOCHE_DES_JAHRES
MONATS_NUMMER
MONAT_DESC
QUARTALS_NUMMER
JAHR_NUMMER
ZEIT_ID
PK
D_REGION
REGION_ID
PK
ORTNR
ORT
KREISNR
KREIS LANDNR
LAND
REGIONNR
REGION
D_VERTRIEBSKANAL
PK
KANAL_ID
VERTRIEBSKANAL
KANALBESCHREIBUNG
VERANTWORTLICH
KLASSE
ARTIKEL_NAME
GRUPPE_NR
GRUPPE_NAME
SPARTE_NAME
SPARTE_NR
ARTIKEL_ID
F_UMSATZ
ARTIKEL_ID
KUNDEN_ID
ZEIT_ID
REGION_ID
FK
KANAL_ID
FK
UMSATZ
FK
MENGE
FK
UMSATZ_GESAMT
FK
UMSATZ_GESAMT
VERTRIEBS_KZ
STEUER
VERPACKUNGSART
HANDELSKLASSE
KOMMISSIONSWARE
LAGERWARE
BESCHREIBUNG
LIEFER_DATUM
RECHNUNGS_DATUM
ZAHLUNGS_ZIEL
D_KUNDE
PK
KUNDEN_ID
KUNDENNR
GESCHLECHT
VORNAME
NACHNAME
TITEL
ANREDE
GEBDAT
BRANCHE
WOHNART
KUNDENART
BILDUNG
ANZ_KINDER
EINKOMMENSGRUPPE
ORTNR NUMBER,
BERUFSGRUPPE
STATUS
STRASSE
TELEFON
TELEFAX
KONTAKTPERSON
FIRMENRABATT
BERUFSGRUPPEN_NR
BILDUNGS_NR
EINKOMMENS_NR
WOHNART_NR
HAUSNUMMER
PLZ
ORT
KUNDENKARTE
ZAHLUNGSZIEL_TAGE
TOTAL
TOTAL_NR
• Faktentabelle
• Nach Zeit partitioniert
• 100 / 200 /400 / 800
Millionen Sätze
• Komprimiert
• Bitmap-indiziert
• alter table f_umsatz parallel 12
• Dimensionen bleiben auf der ExdataMaschine
• Abfragen auf der Exadata-Maschine
und analog BDA
• Unterschiedlich komplexe
SQL-Abfragen
• Daten-Transport mit sqoop
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Ersetzung Faktentabelle durch HDFS-Datei
Exadata
BDA
Hive
HDFS
F_UMSATZ
Hive
External
Table
F_UMSATZ
F_UMSATZ
3
Metadatenabruf
F_Umsatz
5
Big Data SQL
4
F_UMSATZ
2
External
Table
sqoop
1
Ursprüngliche Fakten-Tabelle
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
18
Die Größenverhältnisse in der Datenbank und im HDFS
Größenangaben in GB
Oracle DB
HDFS
Faktor 1
Anz
Sätze
Faktor 3
CSV-File
Parquet File
CSV-File
Parquet
File
(Mill.)
Unkomp.
Query
low
Unkomp.
Komp.
Unkomp. Komp.
102
15,5
6.1
19,490
6,624
7,15
58,471
19, 0
21,47
205
46,6
19,2
39
13,2
14,25
117
39,7
44,32
409
73
46,6
77,96
26,39
28,49
214,7
73,16
78,53
818
124,3
63,4
155,9
54,12
58,61
467,8
162,39
175,94
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Das sqoop
Ladeszenario
Records
102
Millionen
205
Millionen
409
Millionen
818
Millionen
$
>
>
>
>
sqoop import -D mapred.job.name='default oraoop'
--direct --connect jdbc:oracle:thin:@21.108.5.88:1521:dbm088
--username dwh --password dwh --table F_UMSATZ
\
--as-textfile --delete-target-dir
--target-dir /user/sqoop_output/f_umsatz -m 100 -z
Parallelität
Default
(Parallel 4)
Parallel 100
Übertragene Datenmenge
\
\
\
Transferred 18.1519 GB in 235 seconds (78.7637 MB/sec) Retrieved 102400000 records.
Minuten
3,9
Transferred 18.1519 GB in 132 seconds (136.2002 MB/sec) Retrieved 102400000 records.
2,2
Parallel 150
Transferred 18.1519 GB in 108 seconds (166.3302 MB/sec) Retrieved 102400000 records.
1,8
Parallel 200
komprimiert
Transferred 6.1696 GB in 66 seconds (93.385 MB/sec) Retrieved 102400000 records.
1,1
Parallel 200
komprimiert
Parallel 200
Transferred 36.3469 GB in 355 seconds (101.6502 MB/sec) Retrieved 205043477 records
5,9
Transferred 12.3264 GB in 138 seconds (91.442 MB/sec) Retrieved 204800000 records.
2,3
Parallel 100
Transferred 72.6075 GB in 536 seconds (135.4587 MB/sec) Retrieved 409600000 records.
8,9
Parallel 100
Transferred 151.3408 GB in 1083 seconds (139.7421 MB/sec) Retrieved 819200000 records.
18,05
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
20
Die Definition in Hive
CREATE EXTERNAL TABLE defAULT.F_UMSATZ_HDfs
( ARTIKEL_ID
int
,KUNDEN_ID
int
, ZEIT_ID
TIMEstamp
,REGION_ID
int
,KANAL_ID
int
,UMSATZ
int
,MENGE
int
,UMSATZ_GESAMT
int
,VERTRIEBS_KZ
string
,STEUER
DECIMAL(15,10)
,VERPACKUNGSART
string
,HANDELSKLASSE
string
,KOMMISSIONSWARE
string
,LAGERWARE
string
,BESCHREIBUNG
string
,LIEFER_DATUM
DATE
,RECHNUNGS_DATUM
DATE
,ZAHLUNGS_ZIEL
DATE
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE LOCATION '/user/sqoop_output/f_umsatz';
• Kann durch den sqoop – Job
automatisch erzeugt werden
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
23
Die External Table – Definition in der Datenbank
(wird generiert)
DECLARE
DDLout VARCHAR2(4000);
BEGIN
dbms_hadoop.create_extddl_for_hive(
CLUSTER_ID=>'bda3000',
DB_NAME=>'default',
HIVE_TABLE_NAME=>'ex_f_umsatz_parq',
HIVE_PARTITION=>FALSE,
TABLE_NAME=>'EX_F_UMSATZ_PARQ',
PERFORM_DDL=>FALSE,
TEXT_OF_DDL=>DDLout );
dbms_output.put_line(DDLout);
END;
/
CREATE TABLE BIGDATAREPO.EX_F_UMSATZ_PARQ (
artikel_id NUMBER,
kunden_id NUMBER,
zeit_id TIMESTAMP,
region_id NUMBER,
kanal_id NUMBER,
umsatz NUMBER,
menge NUMBER,
umsatz_gesamt NUMBER,
vertriebs_kz VARCHAR2(4000),
steuer number(15,10),
verpackungsart VARCHAR2(4000),
handelsklasse
VARCHAR2(4000),
kommissionsware VARCHAR2(4000),
lagerware VARCHAR2(4000),
beschreibung VARCHAR2(4000),
liefer_datum DATE,
rechnungs_datum DATE,
zahlungs_ziel DATE)
ORGANIZATION EXTERNAL
(TYPE ORACLE_HIVE
DEFAULT DIRECTORY DEFAULT_DIR
ACCESS PARAMETERS
(
com.oracle.bigdata.cluster=bda3000
com.oracle.bigdata.tablename=default.ex_f_umsatz_parq)
) PARALLEL 2 REJECT LIMIT UNLIMITED;
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
24
Ausschnitt aus den Ergebnissen für die Abfragezeiten
select sum(u.umsatz) Umsatz,
z.Jahr_nummer Jahr
,z.Quartals_nummer Quartal,
RANK() OVER (PARTITION by z.Jahr_nummer ORDER
sum(U.umsatz) ASC ) AS Rangfolge
from
f_umsatz u,
d_zeit z
where
z.zeit_id = u.zeit_id and
z.Jahr_nummer between 2006 and 2011
group by z.Jahr_nummer,z.Quartals_nummer
order by z.Jahr_nummer,Rangfolge;
Anz. Sätze
102
204
408
819
BY
Nr
6
6
6
6
Kommentar
Rank + 2 Joins
DB-Tabelle
02.07
10.61
21.59
46.31
HDFS-Datei
03.15
12.26
10.63
14.11
Siehe separates Dokument mit allen Tests und Abfragezeiten
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
25
Ausschnitt aus den Ergebnissen für die Abfragezeiten
409 Millionen Sätze (Datenbank-Tabelle ist nicht mehr partitioniert)
1b
Abfrage Nr
Abfrage auf Partition
DB-Tabelle
55.33 Sek
HDFS-Datei
09.04 Sek
23.51 Sek
22.53 Sek
09.81 Sek
06.64 Sek
06:07.95 Min
18.08 Sek
05:52.68 Min
03:22.91 Min
21.59 Sek
23.82 Sek
01:20.16 Min
01:04.46 Min
33.01 Sek
24.24 Sek
01:24.13 Min
17.80 Sek
12.47 Sek
10.63 Sek
10.62 Sek
33.94Sek
29.02 Sek
16.59 Sek
07.56 Sek
11.00 Sek
Partitioning
1c
1c
Abfrage mit Zeitkriterium (Partitioning)
Abfrage ohne Zeitkriterium (Partitioning)
Höhere Anzahl Joins
2
Abfrage mit 5 Joins / Group / Order by
Höhere Anzahl Joins und Parallel 24
2
3
6
7
16
19
20
22
23
Abfrage mit 5 Joins / Group / Order by / 5 Filter
4 Joins + 2 Filter / Group by
Rank + 2 Joins
Rank und Subselect
Ranks / Group by / 2 Subselects
Mehrere Subselects
Ntile + geschachtelte Subselects
Cube
Vorjahresvergleich Lag
www.oracledwh.de -> Downloads
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
26
Zusammenfassungen, Erfahrungen,
Ausblicke
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
27
Wie entsteht die lese und Schreib-Performance
Optimierungs- Optionen
• Schreiben von komprimierten Daten im HDFS (Weniger IO)
• Parallelisierung von Schreib- und Lesezugriffen
• Partitionieren von HDFS-Daten (Partition Pruning)
• Verwenden von Parquet- / ORC- File-Format
• Dynamic Indexing
• Push Down Functions (Smart Scan)
• Oracle-DB: extreme Performance durch Partitioning und
In-Memory
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
28
Erfahrungen bzgl. „Offloading Data Warehouse“
• Performance-Gewinn bei Abfragen auf größeren Tabellen im HDFS
– Z. B. ab 50 GB
• Offloading kann sich schon lohnen bei 10 – 20 großen Tabellen im Bereich
von 100 – 2000 GB (Rechenbasis 10 TB Datenvolumen)
• Know How-Anforderungen an MA sind überschaubar
– Viele Techniken aus der Linux-Welt bekannt
– SQL, External Tables ist bekannt
– Keine neue Programmiersprache
– Neu ist Umgang mit sqoop (-> Handbuch) und Hadoop-Denkweise (-> Cluster)
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
29
Einsatz Big Data SQL in gewachsenen
IT- und Data Warehouse - Organisationen
Offloading: Optimaler Einsatz von Hadoop-Technik für das Data Warehouse
• Datenmodelle und Schichtenstruktur im DATA WAREHOUSE bleiben gleich
• Die Art der Zugriffe für alle auf dem DATA WAREHOUSE arbeitenden
Anwendungen und Benutzer bleiben gleich
• Eingesetzte Abfragewerkzeuge, BI-Tools müssen nicht ausgetauscht werden
• Anwender müssen nicht umlernen.
• Es ist keine strategische Richtungsfestlegung für weitere Entwicklungen in
der IT des Unternehmens, d. h. man bleibt offen für künftige Entwicklungen
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
30
Oracle
Produkte
Übersicht
Big Data
Appliance
+
Cloudera Hadoop
Exadata
+
Oracle
Datenbank
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
31
Ausblick auf mögliche Szenarien
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Von In-Memory bis zum Online Archiv: ein Objekt!
In Memory
Analytic View
Bons
(Meta View)
SQL/ MDX
Oracle 12c
Kunden
Produkt
Filiale
Bons
Zeit
Kampagne
komplett
hybrid
Bons
HDFS
Region
Dimensionen/Facts
Hierarchie-Objekte
Drillpfade
Level-Attribute
Bons
Kennzahl_1
Kennzahl_2
Kennzahl_3
Kennzahl_4
Kennzahl_4
…….
Kennzahl_n
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
33
Szenario Realtime Loading / Data Lake
IOT Cloud Service
(+Stream Analytics)
JSON
Rest-Endpunkt
Generischer
Access-Punkt
Hive
Metastore
BDD
Visualizer
Erste
Analysen
Flume
Vorsortierung
und
Anreicherung
mit
MaschinenStammdaten
aus der Cloud
Kafka
HDFS / BDA / Data Lake
Parquet
AVRO
ORCH
Standard
Interface
SparkQL
Metadaten
Big Data SQL
ORE
Weltweit verteilte Industrieanlangen
100– 1000 Sensor-Punkte
z.B. Temperatur, Drehzahl, Drehmomente…
Big Data SQL
Pattern
matching
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
Beliebige
BI-Tools
34
D a t e n
N e u e
Alle
Prozesse
Integration Layer
User View
Layer
Enterprise Layer
ETL
Core - DWH / Info Pool
Aktuelle Sichten
Alle
Unternehmensteile
Industrie 4.0
Log +
Produktions
Daten
Strategische Sichten
Offload
B e s t e h e n d e
D a t e n
Hadoop in Data Warehouse Architekturen
Data Lake
Kosten/Nutzen-Relation bei der
Speicherung bestimmter Daten
passt oft nicht. Oft bleibt nur
der Verzicht auf die Daten, weil
es zu teuer ist.
Archive / ODS /
Skalierung
• Spezielle Datenarten
CDRs, Bondaten, Logdaten,
Click-Daten, Messwertdaten
• Archiv für alte Daten (ILM)
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
D
D
D
F
• Große
Fakten-Tabellen
35
13. März 2017 10:00 - 16:00 Suissotel Neuss (kostenfrei)
am Vortag der Oracle Data Warehouse / Big Data Konferenz
Anmeldung formlose Mail an [email protected]
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
36
Kontakte und weitere Infos
• [email protected]
• Broschüre Offloading Data Warehouse mit technischen Beschreibungen
zu Big Data SQL
-> www.oracledwh.de -> downloads
• Anmeldungen Oracle Data Warehouse / Big Data Konferenz Neuss
14./15. März 2017
- > www.oracledwh.de -> downloads
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Restricted
37
Herunterladen
Explore flashcards