Menü Kontaktieren Sie uns Bei Oracle Cloud anmelden

HeatWave – In-Memory Query Accelerator mit integriertem ML

Erhöhen Sie die MySQL-Performance für Analysen und gemischte Workloads um ein Vielfaches. Fragen Sie Daten im Objektspeicher ab. Es sind keine separate Analysedatenbank, keine separaten Tools für maschinelles Lernen (ML) und keine ETL-(Extrahieren, Transformieren und Laden-)Duplizierung mehr erforderlich. MySQL HeatWave ist auf Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) und Microsoft Azure verfügbar.

Kostenlos starten

Kostenlosen MySQL HeatWave-Workshop anfordern

Schauen Sie sich den Vortrag „The Future of Scale-Out Data Processing with HeatWave Lakehouse“ auf CloudWorld On Air an.

On-Demand-Video abspielen

Transaktionen, Analysen über Data Warehouses und Data Lakes hinweg sowie maschinelles Lernen in einem Cloud-Datenbankservice

MySQL HeatWave ist ein vollständig verwalteter Datenbankservice, der vom integrierten HeatWave In-Memory Query Accelerator unterstützt wird. Hier handelt es ich um den einzigen Cloud-Service, der Transaktionen, Echtzeitanalysen über Data Warehouses und Data Lakes hinweg sowie maschinelles Lernen in einer MySQL Database kombiniert – und das alles ohne die Komplexität, Latenz, Risiken und Kosten einer ETL-Duplizierung.

Mit MySQL HeatWave Lakehouse können Kunden ein halbes Petabyte an Daten im Objektspeicher abfragen und alle Vorteile von HeatWave nutzen, selbst wenn ihre Daten außerhalb einer MySQL Database gespeichert sind. Mit HeatWave AutoML können Entwickler und Datenanalysten Modelle für maschinelles Lernen in MySQL HeatWave erstellen, trainieren, bereitstellen und erläutern, ohne Daten in einen separaten ML-Service verschieben zu müssen.

Demo: MySQL HeatWave Lakehouse

Erfahren Sie, wie Sie Hunderte Terabyte an Daten im Objektspeicher in verschiedenen Dateiformaten wie CSV, Parquet verarbeiten bzw. abfragen und Dateien aus anderen Datenbanken exportieren können.

First Principles: Im MySQL HeatWave Lakehouse auf OCI

Entdecken Sie die neuartigen Techniken, die MySQL HeatWave Lakehouse unterstützen, mit denen Benutzer ein halbes Petabyte an speicherinternen Daten aus dem Objektspeicher verarbeiten und abfragen können.

Demo: MySQL HeatWave on AWS

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.

Demo: MySQL Autopilot

Erfahren Sie, wie MySQL Autopilot die Performance von HeatWave erhöht sowie Entwicklern und DBAs gleichzeitig einen enormen Zeitaufwand erspart.

Demo: Echtzeitelastizität

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.

Tetris.co beschleunigt Echtzeiteinblicke mit MySQL HeatWave

Das brasilianische Martech-Unternehmen beschleunigt Marketingeinblicke in Millisekunden und zur Hälfte der Kosten mit MySQL HeatWave auf Oracle Cloud Infrastructure.

Erfolgsgeschichte von Tetris.co anzeigen

Migrate to MySQL HeatWave with free step-by-step resources.

Learn more

MySQL HeatWave: Auf Leistung und Skalierbarkeit ausgelegt

Cloud-Datenbank, die auf Performance und Skalierbarkeit ausgelegt ist

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.

Verteilte speicherinterne Analyseverarbeitung für Echtzeiteinblicke

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: ML-gestützte Automatisierung

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 bietet außerdem Funktionen zur Verbesserung der Leistung und des Preis-Leistungs-Verhältnisses von OLTP-Workloads. 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.

Bei Anwendungen mit integrierter Analyse 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.

Hybridcloud – OLTP On-Premises, OLAP in der Cloud

On-Premises-Kunden, die ihre MySQL-Deployments aufgrund von Compliance- oder gesetzlichen Anforderungen nicht in die Cloud verschieben können, haben die Möglichkeit HeatWave dennoch mit dem hybriden Deployment-Modell zu nutzen. Bei einem solchen hybriden Deployment können Kunden die MySQL-Replikation verwenden, um On-Premise-MySQL-Daten ohne ETL in HeatWave zu replizieren.

Datenbankinternes maschinelles Lernen mit AutoML

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.

Schnelle Analysen über die Datenbank und den Objektspeicher hinweg

MySQL HeatWave umfasst MySQL HeatWave Lakehouse und ermöglicht Benutzern die Abfrage eines halben Petabytes an Daten im Objektspeicher – und das Ganze in verschiedenen Dateiformaten wie CSV, Parquet und Exportdateien aus anderen Datenbanken. 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 im Objektspeicher ist genauso schnell wie die Abfrage der Datenbanken. Der HeatWave-Cluster lässt sich auf 512 Knoten skalieren, um ein halbes Petabyte an Daten zu verarbeiten. Außerdem werden die Daten nicht in die MySQL Database kopiert.

Kundenerfolgsgeschichten mit MySQL HeatWave

Tamara skaliert in kürzester Zeit mit MySQL HeatWave und Oracle Cloud

Dieses Fintech-Startup aus Saudi-Arabien verlagerte seine Datenbank-Workloads auf MySQL HeatWave, um eine 3-mal höhere Performance und 60 % niedrigere Kosten zu erreichen. Tamara hat seinen Kundenstamm auf mehr als 2 Millionen Nutzer erweitert und 3.000 Händler an Bord genommen.

Erfolgsgeschichte von Tamara anzeigen

6D Technologies entmystifiziert Daten und Analysen mit MySQL HeatWave auf AWS

Der globale Anbieter von High-Tech-Lösungen in der Telekommunikationsbranche beschleunigt komplexe Abfragen mit MySQL HeatWave auf AWS um das 139-Fache. Dadurch wird seine Infrastruktur für OLTP und OLAP vereinfacht, und Kunden erhalten so Antwortzeiten von unter einer Sekunde.

Erfolgsgeschichte von 6D Technologies ansehen