Durch die digitale Kommunikation entstehen immer größere Datenmengen (Stichwort Big Data). Das ist eine große Chance für Firmen, die mit solchen Daten arbeiten. Doch je mehr Daten einem Unternehmen zur Verfügung stehen, desto größer ist die Herausforderung, Zusammenhänge, Muster und Aussagen herauszufiltern. IT-Lösungen und Systeme sind gefragt, um Unternehmen bei der Auswertung der Informationsflut zu unterstützen. Die Datenanalyse mithilfe von herkömmlichen Datenbanken reicht nicht mehr aus, um äußerst große Datensammlungen zu speichern, abzufragen und schließlich zu verarbeiten. Kommen klassische Datenbanken an ihre Grenzen, ist der Einsatz von In-Memory-Datenbanken gefragt.
Eine In-Memory-Datenbank (IMDB) beruht auf einem Datenbank-Management-System, das seine Datensammlungen direkt im Arbeitsspeicher eines oder mehrerer Computer ablegt. Die Verwendung des Arbeitsspeichers bringt einen entscheidenden Vorteil mit sich: In-Memory-DBs verfügen über deutlich schnellere Zugriffsgeschwindigkeiten. Dementsprechend zügig stehen gespeicherte Daten zur Verfügung.
Der Arbeitsspeicher wird auch RAM (Random Access Memory) genannt und enthält alle Programme, Programmteile und die dafür benötigten Daten, die aktuell ausgeführt werden. Nach Abschalten des Computers gehen alle kurzzeitig abgelegten Daten verloren.
In-Memory-Datenbanken speichern riesige Datenmengen und stellen Ihnen eine Reihe von Analyseergebnissen zur Verfügung. Aber wie genau funktioniert das Ablegen von Big Data und was für Technologien machen die Datenspeicherung möglich?
Bei der Datenspeicherung mit einer In-Memory-Datenbank unterscheidet man zwischen der spalten- undder zeilenbasierten Datenhaltung, wobei einige Datenbanksysteme beide Varianten der Datenspeicherung nutzen. Zeilenorientierte Datenbanken ordnen die erhobenen Datensätze gemeinsam in einer Zeile. Werden beispielsweise die Werte Name, Ort und Land gespeichert, würde die Anordnung der Daten folgendermaßen erfolgen: Name 1, Ort 1, Land 1, Name 2, Ort 2, Land 2. Bei einer spaltenbasierten Ablage werden die jeweiligen Daten ihren entsprechenden Kategorien zugeordnet: Name 1, Name 2, Ort 1, Ort 2, Land 1, Land 2.
Das Ablageformat der spaltenbasierten Datenhaltung heißt Column-Store-Format. Indem das System Daten mit identischen Werten zusammen speichert, minimiert sich die Anzahl aller vorhandenen Daten. Dementsprechend verringern sich Speicherplatz und Übertragungszeiten. Die Performanz der Analyse entwickelt sich ebenfalls positiv, da nur die benötigten und nicht alle Spalten analysiert werden müssen. Diese Form der Datenauswertung wird Columnar Projection genannt.
Das Konzept der In-Memory-Datenbanken ist nicht neu. Die Grundlagen der Datenbanktechnologien wurden bereits Mitte der 1980er Jahre entwickelt. Jedoch schlossen unzureichende IT-Infrastrukturen eine erfolgreiche Umsetzung aus. Moderne Computerarchitekturen wie Data-Warehouse, 64-Bit-Technologie und Multicore-Prozessoren ermöglichten schließlich eine sinnvolle Umsetzung des Konzepts. Zunehmend günstiger Arbeitsspeicher trieb die Verbreitung zusätzlich voran.
Bei der praktischen Ausführung von In-Memory-Datenbanken kommt es zu wiederkehrenden, identischen Prozessen. Folgende Schritte durchläuft eine In-Memory-Datenbank, um Daten zu sichern:
Wie bereits ausgeführt, gelingt es In-Memory-Datenbanken, mittels der Ablage von Daten im Arbeitsspeicher deutlich schnellere Zugriffsgeschwindigkeit zu erreichen.Der Vorteil der In-Memory-Datenbanken ist gleichzeitig die Ursache ihres größten Nachteils, denn eine dauerhafte Ablage von Daten auf dem Arbeitsspeicher ist nicht möglich. Welche Vor- und Nachteile gibt es sonst noch?
Der größte Vorteil, den die Nutzung von In-Memory-Datenbanken mit sich bringt, sind die deutlich höheren Zugriffsgeschwindigkeiten, die auf die Verwendung des Arbeitsspeichers zurückzuführen sind. Dies führt auch zu einer beschleunigten Datenanalyse und einer präzise zu berechnenden Abfragezeit der Daten. Doch nicht nur die Beschleunigung optimiert die Datenanalyse. In-Memory-DBs ermöglichen eine Auswertung von strukturierten und unstrukturierten Daten aus beliebigen Systemen. Unternehmen und Software-Lösungen standen bislang vor der Herausforderung, große unstrukturierte Datenmengen, beispielsweise Texte, Bilder oder Audio- und Videodateien, abzulegen und weiterzuverarbeiten.
Durch den Einsatz von verteilten Infrastrukturen können in einer In-Memory-DB unstrukturierte Daten abgelegt werden, indem mehrere Recheneinheiten (Computer, Prozessoren etc.) parallel an einer gemeinsamen Aufgabe arbeiten (Parallelisierung) und diese auf verschiedene Servercluster verteilen. Daraus resultiert sowohl eine höhere Speicherkapazität als auch eine schnellere Verarbeitungs- und Übertragungsgeschwindigkeit der unstrukturierten Daten.
Die Nutzung des Arbeitsspeichers sorgt einerseits für eine erhöhte Zugriffsgeschwindigkeit, bringt jedoch auch einen entscheidenden Nachteil mit sich: die lediglich kurzfristige Speicherung der Daten. Im Falle eines Systemabsturzes würden somit alle flüchtig gespeicherten Daten verloren gehen. Um dem Verlust der Daten entgegenzuwirken, haben sich folgende Methoden etabliert:
Ein weiterer Nachteil, der durch die Nutzung eines Arbeitsspeichers bedingt ist: Dem Computer selbst steht nicht mehr so viel RAM zur Verfügung. Um dieser Grenze entgegenzuwirken, kann vernetztes Grid-Computing eine Lösung sein. Beim Grid-Computing verbinden sich viele verschiedene Computer miteinander. Um an dieser Verknüpfung teilzunehmen, ist die Installation einer speziellen Software auf dem Computer erforderlich. Durch die Zusammenführung der ungenutzten Kapazitäten entsteht ein virtueller Hochleistungsrechner.
Unter einer Datenbank versteht man allgemein eine Sammlung von Informationen, die meist elektronisch verfügbar ist. Traditionelle Datenbanken legen ausschließlich strukturierte Daten ab. Um strukturierte Daten handelt es sich, wenn man eindeutig definierte Datenfelder in konkreten Datensätzen organisiert. Die Datensätze werden in Tabellen angeordnet, wobei jedes Datenfeld für ein unterschiedliches Attribut steht und dementsprechend benannt ist. Die Big-Data-Bewegung brachte das Modell an seine Grenzen, da es Schwächen hinsichtlich der Speicherung und Verarbeitung von großen Datenmengen aufzeigt. Eine weitere Herausforderung stellt die fehlende Anpassbarkeit der Datenbank dar. Unstrukturierte Daten wie Bilder und Dokumente in natürlicher Sprache lassen sich nicht ablegen und auswerten.
| In-Memory-Datenbank | Traditionelle Datenbank | |
|---|---|---|
| Daten | strukturiert & unstrukturiert | strukturiert |
| Zugriffsgeschwindigkeit | Echtzeit | langsam |
| Datensicherheit | unsicher | sicher |
Nach Ausführung der Vor- und Nachteile von In-Memory-Datenbanken sowie der direkten Gegenüberstellung mit traditionellen Datenbanken sollten Sie für Ihr Unternehmen abwägen, welches Datenbank-Management-System (DBMS) für Sie geeignet ist. Wenn Sie mit Big Data arbeiten, ist Ihnen die Entscheidung bereits abgenommen: Hier kommt nur eine In-Memory-DB in Frage. Doch auch in anderen Fällen könnte die Datenbank im Arbeitsspeicher die richtige Wahl sein.
Eine In-Memory-Datenbank ist das richtige DBMS für Ihre Daten, wenn:
Zu den bekanntesten In-Memory-Datenbanken zählen SAP HANA und Oracle TimesTen. Suchen Sie als Unternehmen nach einer Enterprise-Software mit vielfältiger Funktionalität, sind die Lösungen von SAP und Oracle am gängigsten. Beide Datenbank-Management-Systeme erreichen die höchstmögliche Performanz. Was zeichnet sie aus und wie sieht ihre praktische Anwendung in einem Unternehmen aus?
Die In-Memory-Datenbank SAP HANA (High Performance Analytic Appliance) ist eine Kombination aus Hard- und Software. Die Software wurde eigens von SAP entwickelt, die Hardware (Server) hingegen stammt von 10 verschiedenen Herstellern. Im Gegensatz zu anderen In-Memory-Datenbanken legt SAP HANA die Daten nicht zwischenzeitlich, sondern dauerhaft auf dem Arbeitsspeicher ab und sichert die Daten mithilfe von Transaction Logs.
Die Verarbeitung von Transaktionen und Analysen in einer gemeinsamen Datenbank ermöglicht es, Informationen in Echtzeit zu bearbeiten. SAP HANA kann sowohl auf dem Unternehmensserver als auch in einer Cloud eingesetzt werden und verringert somit die Herausforderungen an die IT-Strukturen im Unternehmen. Zudem werden Kosten für bisherige Methoden zur Datenverwaltung minimiert und Entscheider erhalten neue und genaue Prognosen.
Die Datenbank von Oracle hat viele Gemeinsamkeiten mit der von SAP. Die Datenverarbeitung geschieht ebenfalls in Echtzeit und die Anwendung kann sowohl mittels eines Servers als auch als Cloud-Service erfolgen. Im Gegensatz zu der Datenbank von SAP stammen Soft- und Hardware der Oracle TimesTen von Oracle selbst.
Dementsprechend handelt es sich um eine reine Oracle Appliance. Der daraus resultierende Vorteil für den Nutzer ist, dass man im Fall eines Fehlers intern handeln kann und das Unternehmen nicht auf diverse Hardware- und Software-Firmen angewiesen ist. Oracle legt die gesammelten Daten nicht ausschließlich im Arbeitsspeicher ab: Daten, die weniger auf eine hohe Performance angewiesen sind, können auf der Festplatte oder einer Flash Disk gespeichert werden
Die Funktionsweisen von SAP HANA und Oracle TimesTen sind größtenteils identisch. Daraus resultiert ein ebenfalls identischer Hauptnutzen der beiden Datenbanken für Ihr Unternehmen:
Die folgende Tabelle fasst die Unterschiede und Gemeinsamkeiten der beiden In-Memory-Datenbanken zusammen:
| Oracle TimesTen | SAP HANA | |
|---|---|---|
| Datenspeicherung | Ablage der Daten auf Arbeitsspeicher, Festplatte und Flash Disk | Dauerhafte Speicherung der Daten im Arbeitsspeicher |
| Soft- und Hardware | Soft- und Hardware von Oracle | Software von SAP, Hardware von verschiedenen Herstellern |
| Installation | Hardware & Cloud-Service | Hardware & Cloud-Service |
| Datenbank | Spaltenorientierte Datenbank | Spaltenorientierte Datenbank |
| Enterprise Information Management (EIM) | Optimierung der Geschäftsprozesse durch diverse Funktionen zur Datenverwaltung | Optimierung der Geschäftsprozesse durch diverse Funktionen zur Datenverwaltung |
| Big Data | Entwickelt für Big Data | Entwickelt für Big Data |
| Datenverarbeitung | Echtzeit | Echtzeit |
| Datenanalyse | Direkt in der Datenbank | Direkt in der Datenbank |
Im Zuge der fortschreitenden Digitalisierung werden die ohnehin schon riesigen Datenberge weiter wachsen. Für die Entwickler von In-Memory-Datenbanken steht somit die stetige Weiterentwicklung bisheriger Systeme an. Folgende Aufgaben gilt es anzugehen:
In-Memory-Datenbanken haben sich als erfolgreiche Technologie für das Speichern und Verarbeiten von Daten im Arbeitsspeicher etabliert. Sie ermöglichen es Unternehmen, die mit großen Datenmengen hantieren müssen, nun erstmals, Big Data schnellstmöglich zu analysieren und jederzeit darauf zuzugreifen. Ein effektiver Einsatz von In-Memory-Datenbanken ist allerdings nur dann gegeben, wenn der Speicherort der Daten nicht ausschließlich eine In-Memory-Datenbank ist und standardisierte Systeme zur Datensicherung in die Abläufe integriert werden.
Mit relationalen Datenbanksystemen speichern und verwalten Sie Informationen in Tabellen. Das hört sich einfach an, ist jedoch mit komplexen Konzepten wie Normalformen, Schlüsselbeziehungen und JOINs verbunden. Wir führen Sie in die Grundlagen des relationalen Datenbankmodells ein, stellen dessen Vor- und Nachteile gegenüber und grenzen diese Art der Datenspeicherung von alternativen Ansätzen wie...
MySQL gehört zu den weltweit meistgenutzten Datenbank-Managementsystemen. Die Open-Source-Software steht seit 1995 für den Produktiveinsatz zur Verfügung und gilt für viele Anwender als Standardlösung für relationale Datenbanken. Doch das könnte sich bald ändern. Der MySQL-Fork MariaDB holt auf und wird zunehmend eine attraktive Alternative zum Datenbank-Klassiker. Wir stellen beide Systeme...
Einige Daten bereits im Client vorzuhalten, trägt dazu bei, das Internet schneller und flexibler zu machen und Nutzern ein besseres Surferlebnis zu ermöglichen. Mit IndexedDB kann man größere Datenmengen in den Browsern der Nutzer speichern, um diese nicht bei jedem Website-Aufruf erneut vom Server laden zu müssen. Lernen Sie IndexedDB durch ein Beispiel kennen.
Modelle zur Aufbereitung und Speicherung großer Datenmengen gibt es viele. Herkömmliche Datenbanken mit starren Tabellenstrukturen kommen bei der Abbildung von komplexen Beziehungen jedoch schnell an ihre Grenzen. Als besonders effizient im Umgang mit hochgradig vernetzten Daten haben sich sogenannte Graphdatenbanken (engl. ) erwiesen. Doch was genau können diese wirklich?
Die meisten IT-Projekte greifen auf relationale Datenbanken zurück – doch es gibt auch Alternativen: Objektorientierte Datenbanken fristen zwar ein Nischendasein, doch die entsprechenden Systeme bringen einige Vorteile mit sich. Statt alles auf verschiedene Tabellen zu verteilen, sind alle zusammengehörigen Attribute in einem Objekt vereint. Wie kann das funktionieren?
