HeatWave—內建 ML 的記憶體內查詢加速器

依分析和混合工作負載強度的順序提高 MySQL 效能。消除獨立分析資料庫、獨立機器學習 (ML) 工具，以及擷取、變換及載入 (ETL) 複製的需求。Oracle Cloud Infrastructure (OCI)、Amazon Web Services (AWS) 及 Microsoft Azure 皆提供 MySQL HeatWave。

開始免費試用

MySQL HeatWave 中的交易、分析和機器學習

Oracle MySQL HeatWave 是唯一具備內建高效能記憶體內查詢加速器 HeatWave 的 MySQL 雲端服務。它會依分析和混合工作負載強度的順序提高 MySQL 效能，無須變更目前的應用程式。客戶可以對儲存在 MySQL 資料庫中的資料執行分析，無需另行準備分析資料庫和 ETL 複製。Oracle Cloud Infrastructure (OCI)、Amazon Web Services (AWS) 及 Microsoft Azure 皆提供 MySQL HeatWave。

程式開發人員和資料分析師可使用 MySQL HeatWave AutoML，在 MySQL HeatWave 中建置、訓練、部署及說明機器學習模型，無須將資料移轉至獨立的機器學習服務。

示範：AWS 中的 MySQL HeatWave

探索如何在 AWS 上佈建 MySQL HeatWave 執行處理、如何以低延遲方式存取此執行處理，以及如何將資料移轉至 MySQL HeatWave。

示範：MySQL HeatWave 湖倉一體

瞭解如何處理及查詢物件存放區中數百 TB 的各種檔案格式資料，例如 CSV、Parquet 以及 Aurora 和 Redshift 備份。

示範：MySQL Autopilot

瞭解 MySQL Autopilot 如何提升 HeatWave 的效能，同時節省程式開發人員和 DBA 的大量時間。

示範：即時彈性

瞭解如何在不停機的情況下，縱向擴展或縮減至任意數目的節點，以完全平衡的叢集結束作業，無須任何手動操作。

Tetris.co 使用 MySQL HeatWave 加速取得即時洞察分析

巴西行銷技術公司運用 Oracle Cloud Infrastructure 的 MySQL HeatWave，以一半的成本將完成行銷洞察的速度提高至毫秒。

檢視 Tetris.co 案例

FANCOMI 運用 MySQL HeatWave 將廣告分析速度提高 10 倍

日本超群的廣告網路提供即時洞見，並使用 MySQL HeatWave 和自主資料庫大幅降低成本。

檢視 FANCOMI 案例

使用免費的逐步資源移轉至 MySQL HeatWave。

瞭解詳情

MySQL HeatWave：專為效能與擴展性打造的架構

專為效能和擴展性所設計

HeatWave 使用可促進向量化處理的分欄式記憶體內表示法。資料在載入記憶體之前會先行編碼和壓縮。這種壓縮和最佳化記憶體內的表示法適用於數值和字串資料。這可大幅改善效能並減少記憶體使用量，進而降低客戶的成本。

跨核心和節點的擴展性

HeatWave 引擎的主要設計點之一，是以平行方式跨 HeatWave 節點的叢集大量分割資料。這樣可實現分析作業的高快取命中，並提供極佳的節點間擴展性。叢集內的每個 HeatWave 節點和節點內的每個核心都可以平行處理分割的資料，包括平行掃描、連接、分組依據、聚總以及前 k 項處理。

即時分析

根據線上交易處理 (OLTP) 交易所做的修改會即時傳輸至 HeatWave，並立即顯示供分析查詢使用。使用者將查詢提交至 MySQL 資料庫之後，MySQL 查詢最佳化處理程式就會明確決定是否將查詢卸載至 HeatWave 叢集以加速執行。其基礎為 HeatWave 是否支援查詢中參照的所有運算子與函數，以及使用 HeatWave 處理查詢的預估時間是否小於 MySQL。如果兩個條件都符合，查詢就會植入 HeatWave 節點進行處理。處理後，結果會傳回 MySQL 資料庫節點，並傳回給使用者。

重疊計算與通訊

HeatWave 導入分散式記憶體內分析處理的最先進演算法。使用向量化的組建和探測連接核心來快速處理分割區中的連接。使用非同步批次 I/O 高度最佳化分析節點之間的網路通訊。演算法旨在重疊節點間的計算時間與資料通訊，這有助於實現高擴展性。

MySQL Autopilot：機器學習型自動化

MySQL Autopilot 會自動化許多最重要，且大規模實現高查詢效能經常面臨挑戰的層面，包括佈建、載入資料、執行查詢以及處理失敗。它使用進階技術抽樣資料、收集資料與查詢的統計資料，以及建置機器學習模型，以建立記憶體使用量、網路負載和執行時間的模型。MySQL Autopilot 接著會使用這些機器學習模型來執行其核心功能。MySQL Autopilot 讓 HeatWave 查詢最佳化程式隨著查詢次數的增多而變得越來越聰明，進而隨著時間增加持續改善系統效能。MySQL Autopilot 也提供設計可改善 OLTP 工作負載效能與性價比的功能。MySQL HeatWave 客戶可免費使用 MySQL Autopilot。

資料復原速度提升 100 倍

將資料從 MySQL 載入 HeatWave 時，會在 OCI 物件存放區中建立的橫向擴展資料管理層中建立記憶體內表示法的複本。對 MySQL 中資料所做的變更會以通透的方式傳輸到此資料層。當作業要求將資料重新載入 HeatWave 時 (例如錯誤復原期間)，您可在多個 HeatWave 節點中同時從 HeatWave 資料層存取資料。這可大幅提升效能。以 10 TB 的 HeatWave 叢集為例，復原和重新載入資料所需的時間，會從 7.5 小時縮短為 4 分鐘，效能提升超過 100 倍。

無須變更應用程式

HeatWave 設計為 MySQL 的可插拔儲存引擎，能完全遮蔽客戶的所有低階導入詳細資料。因此，應用程式和工具可以使用標準連接器，透過 MySQL 順暢地存取 HeatWave。HeatWave 和 MySQL 一樣支援 ANSI SQL 標準和 ACID 特性，並支援各種資料類型。這讓現有的應用程式無須變更，即可使用 HeatWave。

線上交易處理 (OLTP) 內部部署、雲端 OLAP

基於合規性或法規要求，無法將 MySQL 部署移轉至雲端的內部部署客戶，使用混合式部署模型，仍然可以使用 HeatWave。在這類混合式部署中，客戶可以使用 MySQL 複寫將內部部署的 MySQL 資料複寫至 HeatWave，無須使用 ETL。

資料庫內機器學習

使用無須額外付費的 MySQL HeatWave 原生資料庫內機器學習，使用者不必將資料移轉至獨立的機器學習服務，例如 Amazon SageMaker，就能加速機器學習計畫、提升安全性並降低成本。HeatWave AutoML 可自動化機器學習生命週期，包括演算法選擇、模型訓練的智慧型資料抽樣、功能選擇和超參數調整，從而節省客戶大量的時間和精力。程式開發人員和資料分析師可以使用熟悉的 SQL 命令建置機器學習模型，不需要學習新的工具和語言。此外，HeatWave AutoML 也與熱門的 Jupyter 和 Apache Zeppelin 等筆記本整合。HeatWave AutoML 提供說明結果的預測，有助於組織符合法規、公平性、可重複性、因果關係和信任。

保持始終如一的高效能且降低成本，無須停機

即時彈性可以讓客戶增加或減少任意節點數目的 HeatWave 叢集大小，但不會造成任何停機時間或唯讀時間。調整大小作業只需要幾分鐘，HeatWave 在此時間仍處於線上狀態，可供所有作業使用。調整大小之後，就會從物件儲存體下載資料、自動重新分割所有可用的叢集節點，並立即供查詢使用。因此，即使在尖峰時間，客戶也能得益於始終如一的高效能，並在適當時縮減 HeatWave 叢集以降低成本，但不會造成任何停機或唯讀時間。客戶不受其他雲端資料庫供應商提供的嚴格大小模型所限，被迫使用過度佈建的執行處理。從物件儲存體有效率地重新載入資料，客戶也可以暫停和繼續其 HeatWave 叢集，以降低成本。

降低成本

HeatWave 叢集中的壓縮可讓每個節點處理多達 2 倍的資料，而不會降低查詢的性價比。藉由壓縮，客戶可以減少處理查詢所需的 HeatWave 節點數目，並將成本降低多達 50%，同時維持穩定的性價比。HeatWave 叢集中的壓縮資料永久保留在物件儲存體中。

跨資料庫和物件存放區的快速分析

MySQL HeatWave 擴充以包括 MySQL HeatWave 湖倉一體，讓使用者處理和查詢物件存放區中數百 TB 的各種檔案格式資料，例如 CSV、Parquet 和 Aurora/Redshift 備份。客戶可以使用標準的 MySQL 指令，查詢 MySQL 資料庫中的交易資料、物件儲存中各種格式的資料，或上述兩種類型資料的組合。查詢資料庫中的資料就像查詢物件存放區中的資料一樣快速。HeatWave 叢集可擴展至 512 個節點，讓客戶使用 MySQL HeatWave 湖倉一體查詢多達 400 TB 的資料。