Hochgeladen vonMarcel Franke
SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich
Das Dokument liefert einen Vergleich zwischen verschiedenen In-Memory-Technologien, insbesondere SAP HANA und Microsoft SQL Server, und analysiert deren Einsatzmöglichkeiten für OLAP und OLTP Workloads. Es werden die Vorteile von In-Memory-Computing hervorgehoben, wie schnellere Berechnungen und bessere Leistung bei großen Datenmengen. Abschließend wird festgestellt, dass beide Hersteller leistungsstarke Lösungen anbieten, jedoch unterschiedliche Architekturen und Funktionen besitzen.
Weitere ähnliche Inhalte
SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich
- 1. SAP HANA, PowerPivot, SQL Server – In-Memory-Technologien im Vergleich SQLSaturday Rheinland 201428.06.2014
- 2. Über mich –Marcel Franke Practice Lead Advanced Analytics & Data Science pmOne AG – Deutschland, Österreich, Schweiz P-TSP für Microsoft für APS und PDW Schwerpunkt: Data Warehouse, Big Data & Data Analytics Blog: dwjunkie.wordpress.com E-Mail: marcel.franke@pmOne.com
- 3.
- 4. You Rock! Sponsor SQLSaturdayRheinland 201428.06.2014
- 5. Gold Sponsor SQLSaturday Rheinland201428.06.2014
- 6. Silver Sponsor SQLSaturday Rheinland201428.06.2014
- 7. Bronze Sponsor andMedia Partner SQLSaturday Rheinland 201428.06.2014
- 8. Agenda Was passiertam Markt? Warum ist In-Memory so beliebt? In-Memory bei Microsoft In-Memory bei SAP Zusammenfassung und Vergleich
- 9. Was passiert amMarkt? 28.06.2014 SQLSaturday Rheinland 2014
- 10. Alle haben In-Memory-Technologien 28.06.2014SQLSaturday Rheinland 2014
- 11. In-Memory ist abernichts Neues 28.06.2014 SQLSaturday Rheinland 2014 SAP HANA OLAP-Technologien
- 12. Ranking der Hersteller 28.06.2014SQLSaturday Rheinland 2014 BI & Analytics Plattformen Data Warehouse
- 13. ABER WARUM ISTIN-MEMORY SO HIP? 28.06.2014 SQLSaturday Rheinland 2014
- 14.
- 15. Quelle: Ray Kurzweil Quelle:Ray Kurzweil
- 16. Preisentwicklung Speicher 23.07.2014 ©BARC 2013 16
- 17. Hintergrund – „Flaschenhälseverhindern“ Datenbank Applikation Calculation Calculation Zukünftiger Ansatz Klassischer Ansatz
- 18. Move data tocompute or compute to data? 28.06.2014 SQLSaturday Rheinland 2014 move data to compute Datenbanken OLAP compute to data Daten
- 19. Technische Innovationen Hardware Innovationen 64bitaddress space – 2TB in current servers Dramatic decline in RAM price/performance Multi-Core Architecture Massive parallel (MPP) scaling with many nodes Row and Column Store Compression Partitioning No pre-calculated Aggregations Real-Time Data Capture Insert Only on Delta Software Innovationen
- 20. Warum In-Memory-Datenbanken? Steigende Daten Volumina CalculationSpeed Art und Anzahl der Daten Quellen Geringe Transparenz Information nur auf hoher Aggregation verfügbar. Planungen und Analysen basieren oft auf veralteten Daten (Latenz: Tage, Wochen) Reaktives Business Model Verlorene Opportunities und Nachteile aufgrund mangelnder Agilität und Geschwindigkeit Geringe Reaktionsgeschwindigkeit Durch hohe Daten Latenz und Deployment Komplexität Derzeitige Situation Informations- Latenz
- 21. Warum In-Memory Computing? TeraBytesan Daten In-Memory Skalierbarer Daten Througput Real Time Hoch-Flexible Strukturen Business Performance verbessern Lösungen können schnell und iterativ deployed werden Planung und Simulation „on the fly“ auf nicht-aggregierten Daten Grundlage für Advanced und Predictive Analytics Flexibilität steigern Iterative Entwicklungszyklen werden ermöglicht Evolutionäre Vorgehensmodelle werden ermöglicht Zukünftige Situation
- 22. IN-MEMORY BEI MICROSOFT 28.06.2014SQLSaturday Rheinland 2014
- 23. In-Memory bei Microsoft xVelocity Personal BI TeamBI Corporate BI Power Pivot O365 Power BI Excel SQL Server 2014 Memory Optimized Tables
- 24. WIE FUNKTIONIEREN MEMORY OPTIMIZEDTABLES? 28.06.2014 SQLSaturday Rheinland 2014
- 25.
- 26. Architektur 28.06.2014 SQLSaturday Rheinland2014 adad
- 27. WIE FUNKTIONIERT DER CLUSTEREDCOLUMNSTORE? 28.06.2014 SQLSaturday Rheinland 2014
- 28. Zeilen werden zuSpalten Product Customer Date Sale Beer Thomas 2011-11-25 2 GBP Beer Thomas 2011-11-25 2 GBP Vodka Thomas 2011-11-25 10 GBP Whiskey Christian 2011-11-25 5 GBP Whiskey Christian 2011-11-25 5 GBP Vodka Alexei 2011-11-25 10 GBP Vodka Alexei 2011-11-25 10 GBP Sales ID Value 1 Beer 2 Beer 3 Vodka 4 Whiskey 5 Whiskey 6 Vodka 7 Vodka ID Customer 1 Thomas 2 Thomas 3 Thomas 4 Christian 5 Christian 6 Alexei 7 Alexei Product Customer Und so weiter… bis…
- 29. Und wir bekommen… IDValue 1 Beer 2 Beer 3 Vodka 4 Whiskey 5 Whiskey 6 Vodka 7 Vodka ID Customer 1 Thomas 2 Thomas 3 Thomas 4 Christian 5 Christian 6 Alexei 7 Alexei Product Customer ID Date 1 2011-11-25 2 2011-11-25 3 2011-11-25 4 2011-11-25 5 2011-11-25 6 2011-11-25 7 2011-11-25 Date ID Sale 1 2 GBP 2 2 GBP 3 10 GBP 4 5 GBP 5 5 GBP 6 10 GBP 7 10 GBP Sale
- 30. Und was jetzt? IDValue 1 Beer 2 Beer 3 Vodka 4 Whiskey 5 Whiskey 6 Vodka 7 Vodka Product Run length Encode Product’ ID Value 1-2 Beer 3 Vodka 4-5 Whiskey 6-7 Vodka
- 31. Daten komprimieren ID Value 1-2Beer 3 Vodka 4-5 Whiskey 6-7 Vodka ID Customer 1-3 Thomas 4-5 Christian 6-7 Alexei Product’ Customer’ ID Date 1-7 2011-11-25 Date’ ID Sale 1-2 2 GBP 3 10 GBP 4-5 5 GBP 6-7 10 GBP Sale’
- 33. Was verwenden wirwann? Memory optimized Tables Optimiert für OLTP workloads Gut für kleine und viele Transaktionen Nicht gut bei großen Scans Keine Kompression Keine Indexstrukturen Schnelle Zwischenspeicher Clustered Columnstore Data Warehouse Queries Selektion einzelner Spalten Gute Kompression der Daten 28.06.2014 SQLSaturday Rheinland 2014
- 34. Wie kompatibel istIn-Memory? 28.06.2014 SQLSaturday Rheinland 2014 xVelocity Power PivotSQL Server 2014
- 35. Laden der Datennach Power Pivot Test: 20 Mio. Zeilen große Tabelle Daten werden unterschiedlich im SQL Server gehalten (CI, CCI, MOT) Ergebnis CI: 2m 47s CCI: 2m 46s MOT: 4m 20s 28.06.2014 SQLSaturday Rheinland 2014 Fazit: In-Memory ist nicht kompatibel
- 36. VERGLEICH DER KOMPRESSION 28.06.2014SQLSaturday Rheinland 2014
- 37.
- 38. Vergleich zwischen Herstellern 28.06.2014SQLSaturday Rheinland 2014
- 39. IN-MEMORY IN SAPHANA 28.06.2014 SQLSaturday Rheinland 2014
- 40. In-Memory in SAP SAPHANA Personal BI Team BI Corporate BI HANA Information Composer SAP BO Lumira Excel SAP BW Workspace SAP BO LiveOffice HANA Studio
- 41. SAP HANA Ecosystem 28.06.2014SQLSaturday Rheinland 2014
- 42. SAP HANA Platform 28.06.2014SQLSaturday Rheinland 2014
- 43. SAP HANA Architektur 28.06.2014SQLSaturday Rheinland 2014
- 44. In-Memory in HANA Reine In-Memory Datenbank OLTP + OLAP in der gleichen Datenbank Derzeit: 80 Cores, 1 TB RAM in einem Server -> 5-6 TB Data Warehouse Hauptspeicher kann pro Instanz verteilt werden Workload Management: Auf der Roadmap 28.06.2014 SQLSaturday Rheinland 2014
- 45.
- 46.
- 47. Zusammenfassung: Microsoft undSAP • Beide Hersteller bieten hoch-performante in-Memory Technologien an • Beide Hersteller bieten In-Memory Technologien für OLAP & OLTP Workloads an. BI Users Data Discovery Data Storage & Operations Zentraler MetaDaten- Layer Engine läuft auf Server und Clients Eine oder mehrere zentrale HANA- Instanzen Zentralistische Architektur Verteilte Architektur
- 48.
- 49. Thank you! for sponsorship forvolunteering for participation for a great SQLSaturday #313 SQLSaturday Rheinland 201428.06.2014
Hinweis der Redaktion
- #18 Datenbankhersteller bringen z.B. R auch für Statistische Methoden z.B. SAP BW – alle Kalkulationen im Applikationslayer
- #20 Hardware: Der Preis pro Performance sinkt nach wie vor Software: kein vorberechneten Kalkulationen
- #21 Business Probleme
- #22 Hadoop reinstreuen MPP-Architekturen Immer mehr Realtime -> Flexibilität steigern als Übergang in das BI Thema
- #33 Auch für alle Office 365, ist die gleiche Engine
- #48 Înfo navigator stewardship portal Kann auf der cloud laufen, server, excel, sharepoint HANA: cloud derzeit start limitiert Datensatz existiert nur 1x, R/3 auf HANA eigene Instanz, BW auf Hana eigene Instanz, daher HANA erstmal nur als Datenbank auf den zweiten Schritt dann mal nur HANA 1 der knoten kann immer noch sehr groß sein, aber die inseln werden nicht ausgeschlossen http://informativeplatforms.blogspot.co.at/2011/04/on-networks-and-circulation-patterns.html Man kann nicht verhindern, dass informationen verteilt sind, aber wir können es zumindest finden