HeatWave – In-Memory Query Accelerator mit integriertem ML
Erhöht die MySQL-Performance um Größenordnungen für Analysen und gemischte Workloads. Keine separate Analysedatenbank, keine separaten Tools für maschinelles Lernen (ML) und keine Duplizierung von Extraktions-, Transformations- und Ladevorgängen (ETL) mehr erforderlich. MySQL HeatWave ist auf Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) und Microsoft Azure verfügbar.
Transaktionen, Analysen und maschinelles Lernen in MySQL HeatWave
Oracle MySQL HeatWave ist der einzige MySQL-Cloud-Service mit einem integrierten, leistungsstarken In-Memory-Abfragebeschleuniger – HeatWave. Er erhöht die MySQL-Performance für Analysen und gemischte Workloads um Größenordnungen, ohne Änderungen an aktuellen Anwendungen zu erfordern. Kunden führen Analysen für Daten aus, die in MySQL-Datenbanken ohne separate Analysedatenbank und ETL-Duplizierung gespeichert sind. MySQL HeatWave ist auf Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) und Microsoft Azure verfügbar.
Mit MySQL HeatWave AutoML können Entwickler und Datenanalysten Modelle für maschinelles Lernen in MySQL HeatWave erstellen, trainieren, bereitstellen und erläutern, ohne Daten in einen separaten Service für maschinelles Lernen verschieben zu müssen.
Erfahren Sie, wie Sie eine MySQL HeatWave-Instanz auf AWS bereitstellen, mit geringer Latenz darauf zugreifen und wie Sie Daten auf MySQL HeatWave verlagern können.
Erfahren Sie, wie Sie Hunderte von Terabyte an Daten im Objektspeicher in verschiedenen Dateiformaten wie CSV, Parquet und Aurora- und Redshift-Backups verarbeiten und abfragen können.
Erfahren Sie, wie MySQL Autopilot die Performance von HeatWave erhöht sowie Entwicklern und DBAs gleichzeitig einen enormen Zeitaufwand erspart.
Erfahren Sie, wie Sie ohne Ausfallzeiten eine beliebige Anzahl von Knoten auf- oder abwärts skalieren und den Betrieb mit einem vollständig ausgeglichenen Cluster ohne manuelle Eingriffe beenden können.
Das brasilianische Martech-Unternehmen beschleunigt Marketingeinblicke in Millisekunden und zur Hälfte der Kosten mit MySQL HeatWave auf Oracle Cloud Infrastructure.
Das führende Werbenetzwerk in Japan liefert Echtzeiteinblicke und reduziert Kosten mit MySQL HeatWave und Autonomous Database erheblich.
Migrieren Sie mit kostenlosen schrittweisen Ressourcen zu MySQL HeatWave.
MySQL HeatWave: auf Leistung und Skalierbarkeit ausgelegt
Entwickelt für Performance und Skalierbarkeit
Heatwave verwendet eine spaltenbezogene In-Memory-Darstellung, die eine vektorisierte Verarbeitung erleichtert. Die Daten werden vor dem Laden im Speicher codiert und komprimiert. Diese komprimierte und optimierte In-Memory-Darstellung wird sowohl für numerische als auch für Zeichenfolgendaten verwendet. Dies führt zu erheblichen Performanceverbesserungen und einem geringeren Arbeitsspeicher-Footprint, was zu geringeren Kosten für die Kunden führt.
Skalierbarkeit über Cores und Knoten hinweg
Einer der wichtigsten Designpunkte der HeatWave-Engine ist die Massenpartitionierung von Daten über ein Cluster von HeatWave-Knoten, die parallel betrieben werden können. Dies ermöglicht hohe Cachetreffer für analytische Vorgänge und bietet eine sehr gute Skalierbarkeit zwischen Knoten. Jeder HeatWave-Knoten innerhalb eines Clusters und jeder Core innerhalb eines Knotens kann partitionierte Daten parallel verarbeiten, einschließlich paralleler Scans, Joins, Group-by, Aggregation und Top-K-Verarbeitung.
Echtzeitanalysen
Änderungen von OLTP-Transaktionen werden in Echtzeit an HeatWave propagiert und sofort für Analyseabfragen sichtbar. Nachdem Benutzer eine Abfrage an die MySQL-Datenbank weitergeleitet haben, entscheidet der MySQL-Abfrage-Optimizer transparent, ob die Abfrage zur beschleunigten Ausführung in das HeatWave-Cluster ausgelagert werden soll. Dies hängt davon ab, ob alle in der Abfrage referenzierten Operatoren und Funktionen von HeatWave unterstützt werden und ob die geschätzte Zeit für die Verarbeitung der Abfrage mit HeatWave geringer ist als mit MySQL. Wenn beide Bedingungen erfüllt sind, wird die Abfrage zur Verarbeitung an HeatWave-Knoten übertragen. Nach der Verarbeitung werden die Ergebnisse an den MySQL-Datenbankknoten zurückgesendet und an Benutzer zurückgegeben. .
Überlappen der Rechenleistung mit Kommunikation
HeatWave implementiert hochmoderne Algorithmen für die dezentrale speicherresidente Analyseverarbeitung. Joins innerhalb einer Partition werden mit vektorisierten Build- und-Probe-Join-Kerneln schnell verarbeitet. Die hochoptimierte Netzwerkkommunikation zwischen Analyseknoten wird durch asynchrone Batch-I/Os erreicht. Die Algorithmen sind so ausgelegt, dass sie die Rechenzeit mit Daten über Knoten hinweg überlappen. Dadurch wird eine hohe Skalierbarkeit erreicht.
MySQL Autopilot: Automatisierung auf Basis von maschinellem Lernen
MySQL Autopilot automatisiert viele der wichtigsten und häufig anspruchsvollsten Aspekte der Erzielung einer hohen Abfrageperformance im großen Maßstab – einschließlich Provisioning, Laden von Daten, Abfrageausführung und Fehlerbehandlung. Die Anwendung fortgeschrittener Techniken dient dazu, Daten zu erfassen, Statistiken über Daten und Abfragen zu sammeln und Machine-Learning-Modelle zur Modellierung von Speichernutzung, Netzwerklast und Ausführungszeit zu erstellen. Diese Modelle für maschinelles Lernen werden dann von MySQL Autopilot zur Ausführung von Kernfunktionen verwendet. Mit MySQL Autopilot wird der HeatWave-Abfrage-Optimizer immer intelligenter, da mehr Abfragen ausgeführt werden und die Systemperformance im Laufe der Zeit kontinuierlich verbessert wird. MySQL Autopilot für MySQL HeatWave-Kunden ohne zusätzliche Kosten erhältlich.
100-mal schnellere Datenwiederherstellung
Wenn Daten aus MySQL in HeatWave geladen werden, wird eine Kopie der speicherresidenten Darstellung auf der im OCI-Objektspeicher erstellten Ebene für die skalierte Datenverwaltung erstellt. Änderungen an Daten in MySQL werden transparent an diese Datenebene propagiert. Wenn ein Vorgang das Neuladen von Daten in HeatWave erfordert, z.B. während der Fehlerbehebung, können Daten von der HeatWave-Datenebene parallel von mehreren HeatWave-Knoten aufgerufen werden. Dies führt zu einer deutlichen Leistungsverbesserung. Beispiel: Bei einem 10-TB-HeatWave-Cluster reduziert sich die Zeit für das Recovery und erneutes Laden von Daten von 7,5 Stunden auf 4 Minuten, also eine über 100-fache Verbesserung.
Für Anwendungen sind keine Änderungen erforderlich
HeatWave ist als integrierbare MySQL-Speicher-Engine konzipiert, die alle Low-Level-Implementierungsdetails vollständig von Kunden abschirmt. Daher greifen Anwendungen und Tools mit Standard-Connectors nahtlos über MySQL auf HeatWave zu. HeatWave unterstützt dieselben ANSI-SQL-Standard- und ACID-Eigenschaften wie MySQL und unterstützt verschiedene Datentypen. Dadurch können vorhandene Anwendungen HeatWave ohne Änderungen nutzen.
OLTP-On-Premise, OLAP in der Cloud
On-Premise-Kunden, die ihre MySQL-Deployments aufgrund von Compliance- oder gesetzlichen Anforderungen nicht in die Cloud verschieben können, können HeatWave dennoch mit dem hybriden Deployment-Modell nutzen. Bei einem solchen hybriden Deployment können Kunden die MySQL-Replikation verwenden, um On-Premise-MySQL-Daten ohne ETL in HeatWave zu replizieren.
Integriertes maschinelles Lernen
Da in MySQL HeatWave natives, datenbankinternes maschinelles Lernen ohne zusätzliche Kosten verfügbar ist, müssen Benutzer keine Daten auf einen separaten ML-Service wie Amazon SageMaker übertragen – wodurch ihre ML-Initiativen beschleunigt, die Sicherheit erhöht und Kosten gesenkt werden. HeatWave AutoML automatisiert den Lebenszyklus des maschinellen Lernens, einschließlich der Auswahl von Algorithmen, der intelligenten Datenauswahl für das Modelltraining, der Auswahl von Merkmalen und der Abstimmung von Hyperparametern, wodurch Kunden viel Zeit und Mühe erspart wird. Entwickler und Datenanalysten können ML-Modelle mit vertrauten SQL-Befehlen erstellen. Sie müssen keine neuen Tools und Programmiersprachen lernen. Darüber hinaus ist HeatWave AutoML in beliebte Notebooks wie Jupyter und Apache Zeppelin integriert. HeatWave AutoML liefert Prognosen mit einer Erläuterung der Ergebnisse und hilft Organisationen bei der Compliance, Fairness, Wiederholbarkeit, Kausalität und Vertrauen.
Konstant hohe Leistung zu geringeren Kosten und ohne Ausfallzeiten
Mit Echtzeitelastizität können Kunden die Größe ihres HeatWave-Clusters um eine beliebige Anzahl von Knoten erhöhen bzw. verringern, ohne dass es zu Ausfallzeiten oder schreibgeschützten Zeiten kommt. Der Vorgang der Größenänderung dauert nur wenige Minuten, während dieser Zeit bleibt HeatWave online und für alle Vorgänge verfügbar. Nach der Größenänderung werden die Daten aus dem Objektspeicher heruntergeladen, automatisch auf alle verfügbaren Clusterknoten neu verteilt und stehen sofort für Abfragen zur Verfügung. Dadurch profitieren Kunden selbst in Spitzenzeiten von der konstant hohen Leistungsfähigkeit und den niedrigeren Kosten, indem sie ihren HeatWave-Cluster bei Bedarf verkleinern – ohne dass es zu Ausfallzeiten oder schreibgeschützten Zeiten kommt. Kunden sind nicht auf überdimensionierte Instanzen beschränkt, die durch starre Größenmodelle erzwungen werden und Teil des Angebots von anderen Cloud-Datenbankanbietern sind. Durch effizientes Neuladen von Daten aus dem Objektspeicher können Kunden ihr HeatWave-Cluster auch unterbrechen und fortsetzen, um Kosten zu senken.
Niedrigere Kosten
Mit der Datenkomprimierung im HeatWave-Cluster kann jeder Knoten bis zu 2-mal mehr Daten verarbeiten, ohne dass das Preis-Leistungs-Verhältnis für Abfragen beeinträchtigt wird. Die Datenkomprimierung ermöglicht Kunden, die Anzahl der HeatWave-Knoten zu reduzieren, die zum Verarbeiten von Abfragen erforderlich sind, und ihre Kosten um bis zu 50 % zu senken, während sie ein konstantes Preis-Leistungs-Verhältnis beibehalten. Komprimierte Daten im HeatWave-Cluster sind im Objektspeicher persistent.
Schnelle Analysen über die Datenbank und den Objektspeicher hinweg
MySQL HeatWave wird um MySQL HeatWave Lakehouse erweitert. Dadurch können Benutzer Hunderte von Terabytes an Daten im Objektspeicher verarbeiten und abfragen – und das in verschiedenen Dateiformaten wie CSV und Parquet sowie Aurora-/Redshift-Backups. Kunden können Transaktionsdaten in MySQL-Datenbanken, Daten in verschiedenen Formaten im Objektspeicher, oder eine Kombination aus beiden mithilfe von MySQL-Standardbefehlen abfragen. Die Abfrage der Daten in der Datenbank ist so schnell wie die Abfrage der Daten im Objektspeicher. Das HeatWave-Cluster lässt sich auf 512 Knoten skalieren, sodass Kunden mit MySQL HeatWave Lakehouse bis zu 400 TB an Daten abfragen können.
Dieses Fintech-Startup aus Saudi-Arabien verlagerte seine Datenbank-Workloads auf MySQL HeatWave, um eine 3-mal höhere Performance und 60 % niedrigere Kosten als bei einem anderen Cloud-Anbieter zu erreichen. Tamara hat seinen Kundenstamm auf mehr als 2 Millionen Nutzer erweitert und 3.000 Händler an Bord genommen.
Der globale Anbieter von High-Tech-Lösungen in der Telekommunikationsbranche beschleunigt komplexe Abfragen um das 139-Fache mit MySQL HeatWave auf AWS. Dadurch wird seine Infrastruktur für OLTP und OLAP vereinfacht, und Kunden erhalten so Antwortzeiten von unter einer Sekunde.
Praktische Übungen mit MySQL HeatWave auf OCI oder AWS
MySQL-HeatWave-Test aktivieren
OLTP- und OLAP-Workloads direkt in MySQL ausführen
MySQL HeatWave mit maschinellem Lernen automatisieren
Einfache Migration zu MySQL HeatWave
Erste Schritte mit MySQL HeatWave auf AWS
MySQL HeatWave entdecken
MySQL HeatWave kostenlos testen
Starten Sie Ihre Entdeckungstour mit 300 USD in kostenlosen Credits.
Kontakt
Möchten Sie mehr erfahren? Kontaktieren Sie einen unserer Experten.