Zusammenfassung
Unternehmensanwendungen werden traditionell in OLTP (Online Transactional Processing) und OLAP (Online Analytical Processing) unterteilt. Während sich viele Forschungsaktivitäten der letzten Jahre auf die Optimierung dieser Trennung fokussieren, haben – im Speziellen während des letztes Jahrzehnts – sich sowohl Datenbanken als auch Hardware weiterentwickelt. Einerseits gibt es Datenmanagementsysteme, die Daten spaltenorientiert organisieren und dabei ideal das Anforderungsprofil analytischer Anfragen abdecken. Andererseits steht Anwendungen heute wesentlich mehr Hauptspeicher zur Verfügung, der in Kombination mit der ebenfalls wesentlich gesteigerten Rechenleistung es erlaubt, komplette Datenbanken von Unternehmen komprimiert im Speicher vorzuhalten. Beide Entwicklungen ermöglichen die Bearbeitung komplexer analytischer Anfragen in Sekundenbruchteilen und ermöglichen so komplett neue Geschäftsprozesse und -applikationen. Folglich stellt sich die Frage, ob die künstlich eingeführte Trennung von OLTP und OLAP aufgehoben werden kann und sämtliche Anfragen auf einem vereinten Datenbestand arbeiten können. Dieser Artikel betrachtet hierfür die Charakteristiken der Datenverarbeitung in Unternehmensanwendungen und zeigt wie ausgesuchte Technologien die Datenverarbeitung optimieren können. Ein weiterer Trend ist die Verwendung von Cloud Computing und somit die Auslagerung des Rechenzentrums zur Kostenoptimierung. Damit einher gehen Anforderungen an das Datenmanagement hinsichtlich dynamischer Erweiterung und Skalierung um dem Konzept des Cloud Computings gerecht zu werden. Die Eigenschaften spaltenorientierter Hauptspeicherdatenbanken bieten hier Vorteile, auch in Bezug auf die effektivere Auslastung der zur Verfügung stehenden Hardwareressourcen.
Ein wichtiger Aspekt ist, dass alle Anfragen in einer definierten Reaktionszeit erfolgen auch wenn die Last stark schwanken kann. Erfahrungsgemäß steigt insbesondere am Ende eines Quartals die Belastung der vorhandenen Datenbanksysteme. Um hierfür immer genau die richtige Hardwareressourcen zur Verfügung zu haben, eignet sich Cloud Computing. Aus der gewünschten Elastizität ergeben sich Anforderungen an das Datenmanagement, die im Artikel betrachtet werden.
Literatur
Abadi DJ, Madden S, Ferreira M (2006) Integrating compression and execution in column-oriented database systems. In: SIGMOD
Abadi DJ, Myers DS, DeWitt DJ, Madden S (2007) Materialization strategies in a column-oriented DBMS. In: ICDE. IEEE Press, New York, pp 466–475
Ailamaki A, DeWitt DJ, Hill MD, Wood DA (1999) DBMSs on a modern processor: where does time go? In: VLDB
Aulbach S, Grust T, Jacobs D, Kemper A, Rittinger J (2008) Multitenant databases for software as a service: schema-mapping techniques. In: SIGMOD
Boncz PA, Manegold S, Kersten ML (1999) Database architecture optimized for the new bottleneck: memory access. In: VLDB
Boncz PA, Zukowski M, Nes N (2005) MonetDB/X100: hyper-pipelining query execution. In: CIDR
Cha SK, Song C (2004) P*TIME: highly scalable OLTP DBMS for managing update-intensive stream workload. In: Proceedings of 30 rd international conference on very large data bases (VLDB 2004)
Copeland G, Alexander W, Boughter E, Keller T (1988) Data placement in Bubba. In: SIGMOD
Copeland GP, Khoshafian S (1985) A decomposition storage model. In: SIGMOD
Cormack GV (1985) Data compression on a database system. Commun ACM 28(12):1336–1342
DeWitt DJ, Katz RH, Olken F, Shapiro LD, Stonebraker M, Wood DA (1984) Implementation techniques for main memory database systems. In: Yormark B (ed) SIGMOD conference. ACM Press, New York, pp 1–8
French CD (1995) “One size fits all” database architectures do not work for DDS. In: SIGMOD
Garcia-Molina H, Salem K (1992) Main memory database systems: an overview. IEEE Trans Knowl Data Eng 4(6):509–516
Grund M, Krueger J, Tinnefeld C, Zeier A (2009) Vertical partition for insert-only scenarios in enterprise applications. In: IE&EM
Grund M, Krüger J, Plattner H, Zeier A, Cudre-Mauroux P, Madden S (2011) Hyrise—a hybrid main memory storage engine. In: PVLDB (in Druck)
Inmon WH (1999) Building the operational data store. Wiley, New York
Karakasidis A, Vassiliadis P, Pitoura E (2005) Etl queues for active data warehousing. In: Berti-Equille L, Batini C, Srivastava D (eds) IQIS. ACM Press, New York, pp 28–39
Kiviniemi J, Wolski A, Pesonen A, Arminen J (1999) Lazy aggregates for real-time OLAP. In: Mohania MK, Tjoa AM (eds) DaWaK. Lecture notes in computer science, vol 1676. Springer, Berlin, pp 165–172
Kossmann D (2010) How new is the cloud? In: ICDE, p 3
Kossmann D, Kraska T, Loesing S (2010) An evaluation of alternative architectures for transaction processing in the cloud. In: Elmagarmid AK, Agrawal D (eds) SIGMOD conference. ACM Press, New York, pp 579–590
Krueger J, Grund M, Boissier M, Zeier A, Plattner H (2010) Data structures for mixed workloads in in-memory databases
Krueger J, Grund M, Tinnefeld C, Plattner H, Zeier A, Faerber F (2010) Optimizing write performance for read optimized databases. In: DASFAA
Krueger J, Grund M, Zeier A, Plattner H (2010) Enterprise application-specific data management. In: EDOC, Brazil (in Druck)
Krueger J, Tinnefeld C, Grund M, Zeier A, Plattner H (2010) In: DBTest
Mahapatra NR, Venkatrao B (1999) The processor-memory bottleneck: problems and solutions. Crossroads, p. 2. doi:http://doi.acm.org/10.1145/357783.331677
Manegold S, Boncz PA, Kersten ML (2002) Generic database cost models for hierarchical memory systems. In: VLDB
Ousterhout J, Agrawal P, Erickson D, Kozyrakis C, Leverich J, Mazières D, Mitra S, Narayanan A, Parulkar G, Rosenblum M, Rumble SM, Stratmann E, Stutsman R (2010) The case for RAMClouds: scalable high-performance storage entirely in DRAM. SIGOPS Oper Syst Rev 43(4)
Plattner H (2009) A common database approach for OLTP and OLAP using an in-memory column database. In: Çetintemel U, Zdonik SB, Kossmann D, Tatbul N (eds) SIGMOD conference. ACM Press, New York, pp 1–2
Ramamurthy R, DeWitt DJ, Su Q (2003) A case for fractured mirrors. VLDB 12(2):89–101
Schaffner J, Bog A, Krueger J, Zeier A (2008) A hybrid row-column oltp database architecture for operational reporting. In: BIRTE (informal proceedings)
Stonebraker M, Abadi DJ, Batkin A, Chen X, Cherniack M, Ferreira M, Lau E, Lin A, Madden S, O’Neil EJ, O’Neil PE, Rasin A, Tran N, Zdonik SB (2005) C-store: a column-oriented DBMS. In: VLDB
Stonebraker M, Madden S, Abadi DJ, Harizopoulos S, Hachem N, Helland P (2007) The end of an architectural era (it’s time for a complete rewrite). In: VLDB. ACM Press, New York, pp 1150–1160
TPC-C Benchmark—standard specification—revision 5.11. http://www.tpc.org/tpcc/spec/tpcc_current.pdf
Transier F, Sanders P (2008) Compressed inverted indexes for in-memory search engines. In: Proceedings of the 9th workshop on algorithm engineering and experiments
Westmann T, Kossmann D, Helmer S, Moerkotte G (2000) The implementation and performance of compressed databases. SIGMOD Rec 29(3), 55–67
Yan WP, Åke Larson P (1995) Eager aggregation and lazy aggregation. In: Dayal U, Gray PMD, Nishio S (eds) VLDB. Morgan Kaufmann, San Mateo, pp 345–357
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Krueger, J., Grund, M., Tinnefeld, C. et al. Hauptspeicherdatenbanken für Unternehmensanwendungen. Datenbank Spektrum 10, 143–158 (2010). https://doi.org/10.1007/s13222-010-0031-5
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s13222-010-0031-5