HeatWave-Acceleratore di query in-memory con ML integrato
Aumenta enormemente le prestazioni MySQL per analytics e carichi di lavoro misti. Elimina la necessità di un database di analytics separato, di strumenti di machine learning (ML) separati e di una duplicazione ETL (extract, transform and load). MySQL HeatWave è disponibile su Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) e Microsoft Azure.
Transazioni, analytics e machine learning all'interno di MySQL HeatWave
Oracle MySQL HeatWave è l'unico servizio cloud MySQL in grado di offrire un acceleratore di query HeatWave in-memory, integrato e a elevate prestazioni. Aumenta enormemente le prestazioni MySQL per analytics e carichi di lavoro misti senza fare alcuna modifica alle applicazioni esistenti. I clienti eseguono analytics sui dati memorizzati nei database MySQL senza un database di analytics separato e una duplicazione ETL. MySQL HeatWave è disponibile su Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) e Microsoft Azure.
Con MySQL HeatWave AutoML, gli sviluppatori e gli analisti di dati possono creare, formare, implementare e spiegare modelli di machine learning in MySQL HeatWave senza spostare i dati in un servizio di machine learning separato.
Scopri come eseguire il provisioning di un'istanza MySQL HeatWave su AWS, come accedervi con bassa latenza e come spostare i dati in MySQL HeatWave.
Scopri come elaborare ed eseguire query su centinaia di terabyte di dati nello storage degli oggetti in una vasta gamma di formati di file, come CSV, Parquet e backup Aurora e Redshift.
Scopri come MySQL Autopilot aumenta le prestazioni di HeatWave facendo risparmiare tempo a sviluppatori e DBA.
Scopri come eseguire lo scale-up o lo scale-down su qualsiasi numero di nodi senza tempi di inattività, terminando l'operazione con un cluster completamente bilanciato che non richiede interventi manuali.
L'azienda brasiliana di martech ottiene insight di marketing in millisecondi e a metà del costo con MySQL HeatWave on Oracle Cloud Infrastructure.
La principale rete pubblicitaria giapponese ottiene insight in tempo reale e riduce notevolmente i costi grazie a MySQL HeatWave e ad Autonomous Database.
Esegui la migrazione a MySQL HeatWave con risorse gratuite e dettagliate.
MySQL HeatWave: Progettato per garantire prestazioni e scalabilità
Progettato per migliorare prestazioni e scalabilità
HeatWave utilizza una rappresentazione in-memory a colonne che facilita l'elaborazione vettorializzata. I dati vengono codificati e compressi prima di essere caricati in memoria. Questa rappresentazione in-memory compressa e ottimizzata viene utilizzata sia per i dati numerici che per i dati stringa. Ciò si traduce in miglioramenti significativi delle prestazioni e in una riduzione dell'utilizzo della memoria, che porta a costi ridotti per i clienti.
Scalabilità tra memorie centrali e nodi
Uno dei punti di progettazione fondamentali del motore HeatWave consiste nel suddividere in modo massiccio i dati in un cluster di nodi HeatWave, che possono essere utilizzati in parallelo. Ciò consente un elevato numero di accessi alla cache per le operazioni analitiche e offre una scalabilità ottimale tra nodi. Tutti i nodi HeatWave all'interno di un cluster e tutte le memorie centrali all'interno di un nodo possono elaborare i dati suddivisi in parallelo, incluse scansioni parallele, join, group-by, aggregazione ed elaborazione top-k.
Analytics in tempo reale
Le modifiche apportate dalle transazioni OLTP vengono propagate in tempo reale a HeatWave e diventano immediatamente visibili per le query di analytics. Quando gli utenti inviano una query al database MySQL, l'ottimizzatore di query MySQL decide in modo trasparente se la query deve essere scaricata nel cluster HeatWave per farne un'esecuzione accelerata. Questo è possibile se tutti gli operatori e le funzioni a cui viene fatto riferimento nella query sono supportati da HeatWave e se il tempo stimato per elaborare la query con HeatWave è inferiore a quello previsto con MySQL. Se vengono soddisfatte entrambe le condizioni, la query viene inviata ai nodi HeatWave per l'elaborazione. Una volta elaborata, i risultati vengono rispediti al nodo del database MySQL e rimandati agli utenti.
Sovrapponi elaborazione e comunicazione
HeatWave implementa algoritmi all'avanguardia per avere un'elaborazione analitica, in-memory e distribuita. I join all'interno di una partizione vengono elaborati rapidamente utilizzando build vettorializzati e join kernel di test. La comunicazione di rete altamente ottimizzata tra i nodi di analytics viene ottenuta utilizzando I/O di batch asincroni. Gli algoritmi sono progettati per sovrapporre tempi di elaborazione e comunicazione dei dati tra i nodi, il che consente di ottenere un'elevata scalabilità.
MySQL Autopilot: automazione basata sul machine learning
MySQL Autopilot automatizza molti degli aspetti più importanti e spesso impegnativi del raggiungere prestazioni elevate a livello di query su larga scala, tra cui provisioning, caricamento dei dati, esecuzione delle query e gestione degli errori. Utilizza tecniche avanzate per campionare i dati, raccogliere statistiche su dati e query e creare modelli di machine learning per modellare l'uso della memoria, il carico di rete e i tempi di esecuzione. Questi modelli di machine learning vengono quindi utilizzati da MySQL Autopilot per eseguire le sue funzionalità di base. MySQL Autopilot rende l'ottimizzatore di query HeatWave sempre più intelligente man mano che vengono eseguite più query, migliorando così le prestazioni del sistema nel corso del tempo. MySQL Autopilot è disponibile senza costi aggiuntivi per i clienti di MySQL HeatWave.
Ripristino dei dati 100 volte più veloce
Quando i dati vengono caricati da MySQL su HeatWave, viene creata una copia della rappresentazione in-memory al livello di gestione dei dati a scalabilità orizzontale costruita sullo storage degli oggetti OCI. Le modifiche apportate ai dati in MySQL vengono diffuse in modo trasparente a questo livello di dati. Quando un'operazione richiede il ricaricamento dei dati in HeatWave, ad esempio durante il recupero dagli errori, è possibile accedere ai dati dal livello dati HeatWave, in parallelo, da più nodi HeatWave. Questo porta a un miglioramento significativo delle prestazioni. Ad esempio, per un cluster HeatWave da 10 TB, il tempo necessario per recuperare e ricaricare i dati passa da 7,5 ore a 4 minuti, una tempistica 100 volte migliore.
Nessuna modifica necessaria alle applicazioni
HeatWave è progettato come motore di storage collegabile MySQL e protegge perfettamente tutti i dettagli di implementazione di basso livello dai clienti. Di conseguenza, le applicazioni e gli strumenti accedono senza problemi a HeatWave attraverso MySQL, utilizzando connettori standard. HeatWave supporta gli stessi standard ANSI SQL e le stesse proprietà ACID di MySQL, e supporta diversi tipi di dati. Ciò permette alle applicazioni esistenti di utilizzare HeatWave senza dover apportare alcuna modifica.
OLTP on-premise, OLAP nel cloud
I clienti on-premise che non possono spostare le proprie implementazioni MySQL in un cloud a causa di requisiti specifici di compliance o normativi possono comunque sfruttare HeatWave utilizzando il modello di implementazione ibrido. In un'implementazione ibrida di questo tipo, i clienti possono utilizzare la replica MySQL per replicare i dati MySQL on-premise in HeatWave senza aver bisogno di ETL.
Machine learning in-database
Grazie al machine learning in-database nativo presente in MySQL HeatWave e disponibile senza costi aggiuntivi, gli utenti non devono spostare i dati in un servizio di machine learning separato come Amazon SageMaker, accelerando così le loro iniziative ML, aumentando la sicurezza e riducendo i costi. HeatWave AutoML automatizza il ciclo di vita del machine learning, inclusa la selezione degli algoritmi, il campionamento intelligente dei dati per la formazione dei modelli, la selezione delle funzioni e l'ottimizzazione degli iperparametri, cosa che permette ai clienti di risparmiare molto tempo e tanta fatica. Gli sviluppatori e gli analisti di dati possono creare modelli di machine learning utilizzando comandi SQL già noti, senza dovere quindi imparare a usare nuovi strumenti e linguaggi. Inoltre, HeatWave AutoML è integrato con notebook molto diffusi quali Jupyter e Apache Zeppelin. HeatWave AutoML fornisce previsioni con una spiegazione dei risultati, aiutando le organizzazioni a rispettare la compliance normativa e a garantire equità, ripetibilità, causalità e fiducia.
Prestazioni elevate costanti e costi ridotti senza tempi di inattività
L'elasticità in tempo reale permette ai clienti di aumentare o ridurre le dimensioni del loro cluster HeatWave di qualsiasi numero di nodi, senza incappare in periodi di inattività o di sola lettura. Per eseguire il ridimensionamento servono solo alcuni minuti, durante i quali HeatWave rimane online, disponibile per tutte le operazioni. Una volta ridimensionati, i dati vengono scaricati dallo storage degli oggetti e ripartiti automaticamente tra tutti i nodi del cluster disponibili, per diventare poi immediatamente disponibili per le query. Di conseguenza, i clienti traggono vantaggio da prestazioni sempre elevate, anche nei momenti di punta, e riducono i costi ridimensionando il cluster HeatWave quando risulta necessario, senza rischiare periodi di inattività o di sola lettura. I clienti non sono vincolati a istanze su cui è stato fatto un overprovisioning, forzati da modelli di ridimensionamento rigidi offerti da altri provider di database cloud. Grazie all'efficienza del ricaricamento dei dati dallo storage degli oggetti, i clienti possono anche sospendere e riprendere il loro cluster HeatWave per ridurre i costi.
Costi minori
La compressione dei dati nel cluster HeatWave consente a ogni nodo di elaborare fino a 2 volte più dati senza alcun peggioramento nel rapporto prezzo/prestazioni per le query. Grazie alla compressione dei dati, i clienti possono diminuire il numero di nodi HeatWave necessari per elaborare le query e ridurre i costi fino al 50%, mantenendo un rapporto costante tra prezzo e prestazioni. I dati compressi nel cluster HeatWave sono persistenti nello storage degli oggetti.
Analytics veloci a livello di database e storage degli oggetti
MySQL HeatWave si espande per includere MySQL HeatWave Lakehouse, consentendo agli utenti di elaborare ed eseguire query su centinaia di terabyte di dati nello storage degli oggetti, in una vasta gamma di formati di file, come CSV, Parquet e backup Aurora/Redshift. I clienti possono eseguire query sui dati transazionali nei database MySQL, nei dati di vari formati nello storage degli oggetti o in una combinazione di entrambi utilizzando i comandi MySQL standard. L'esecuzione di query sui dati nel database è veloce quanto l'esecuzione di query sui dati nello storage degli oggetti. Il cluster HeatWave si ridimensiona arrivando fino a 512 nodi, cosa che permette ai clienti di eseguire query fino a 400 TB di dati con MySQL HeatWave Lakehouse.
Questa startup di fintech con sede in Arabia Saudita ha spostato i suoi carichi di lavoro di database su MySQL HeatWave per ottenere prestazioni 3 volte più elevate e costi minori del 60% rispetto ad altri provider cloud. Tamara ha fatto arrivare la sua base clienti a oltre 2 milioni di utenti e ha inserito nel suo ecosistema 3.000 commercianti.
Il fornitore globale di soluzioni high-tech nel settore delle telecomunicazioni rende le query complesse 139 volte più veloci grazie a MySQL HeatWave on AWS, che gli ha permesso di semplificare la sua infrastruttura per OLTP e OLAP e di garantire al contempo tempi di risposta inferiori al secondo ai clienti.
Fai pratica con MySQL HeatWave on OCI o AWS
Attiva la prova MySQL HeatWave
Esegui i carichi di lavoro OLTP e OLAP direttamente da MySQL
Automatizza MySQL HeatWave con il Machine Learning
Migra agevolmente a MySQL HeatWave
Inizia a utilizzare MySQL HeatWave on AWS
Esplora MySQL HeatWave
Prova gratuitamente MySQL HeatWave
Esplora con $300 in crediti gratuiti.
Contattaci
Vuoi saperne di più? Contatta uno dei nostri esperti.