Keine Ergebnisse gefunden

Ihre Suche ergab keine Treffer.

Beachten Sie die folgenden Tipps, um das Gesuchte zu finden:

  • Prüfen Sie die Schreibweise des Suchbegriffs.
  • Verwenden Sie Synonyme für das eingegebene Stichwort, z. B. „Anwendung“ statt „Software“.
  • Beginnen Sie eine neue Suche.
Kontaktieren Sie uns Bei Oracle Cloud anmelden

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-Diagramm

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) und Amazon Web Services (AWS) verfügbar.

Mit MySQL HeatWave ML können Entwickler und Datenanalysten Modelle für maschinelles Lernen in MySQL HeatWave erstellen, trainieren, bereitstellen und erklären, ohne Daten in einen separaten Service für maschinelles Lernen verschieben zu müssen.

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 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.

HeatWave-Demo: MySQL Autopilot

Nipun Agarwal, Oracle Senior Vice President für die Entwicklung MySQL HeatWave, demonstriert, wie MySQL Autopilot die Performance von HeatWave erhöht und gleichzeitig Entwicklern und DBAs Zeit einspart.

Demo: Neue Echtzeit-Elastizitätsfunktionen in MySQL HeatWave

Oracle Senior Vice President Nipun Agarwal demonstriert die neuen Echtzeit-Belastungsfunktionen in Oracle MySQL HeatWave. 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.

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

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.

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.

FANCOMI beschleunigt Anzeigenanalysen mit MySQL HeatWave um das 10-Fache

Das führende Werbenetzwerk in Japan liefert Echtzeiteinblicke und reduziert Kosten mit MySQL HeatWave und Autonomous Database erheblich.

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 ML automatisiert den Lebenszyklus des maschinellen Lernens, einschließlich Algorithmusauswahl, intelligentes Data Sampling für Modelltraining, Funktionsauswahl und Hyperparameter-Optimierung, um Kunden viel Zeit und Mühe zu ersparen. Entwickler und Datenanalysten können ML-Modelle mit vertrauten SQL-Befehlen erstellen. Sie müssen keine neuen Tools und Programmiersprachen lernen. Darüber hinaus ist HeatWave ML in beliebten Notebooks wie Jupyter und Apache Zeppelin integriert. HeatWave ML liefert Prognosen mit einer Erläuterung der Ergebnisse und unterstützt Unternehmen bei der Einhaltung gesetzlicher Vorschriften sowie in den Bereichen 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.


Praktische Tutorials mit MySQL HeatWave

OLTP- und OLAP-Workloads direkt in MySQL ausführen

MySQL HeatWave mit maschinellem Lernen automatisieren

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.