Skip to main content
SpringerLink
Log in

Hauptspeicherdatenbanken für Unternehmensanwendungen

Datenmanagement für Unternehmensanwendungen im Kontext heutiger Anforderungen und Trends

  • Schwerpunktbeitrag
  • Published:
Datenbank-Spektrum Aims and scope Submit manuscript

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.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5

Literatur

  1. Abadi DJ, Madden S, Ferreira M (2006) Integrating compression and execution in column-oriented database systems. In: SIGMOD

  2. 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

    Google Scholar 

  3. Ailamaki A, DeWitt DJ, Hill MD, Wood DA (1999) DBMSs on a modern processor: where does time go? In: VLDB

  4. Aulbach S, Grust T, Jacobs D, Kemper A, Rittinger J (2008) Multitenant databases for software as a service: schema-mapping techniques. In: SIGMOD

  5. Boncz PA, Manegold S, Kersten ML (1999) Database architecture optimized for the new bottleneck: memory access. In: VLDB

  6. Boncz PA, Zukowski M, Nes N (2005) MonetDB/X100: hyper-pipelining query execution. In: CIDR

  7. 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)

  8. Copeland G, Alexander W, Boughter E, Keller T (1988) Data placement in Bubba. In: SIGMOD

  9. Copeland GP, Khoshafian S (1985) A decomposition storage model. In: SIGMOD

  10. Cormack GV (1985) Data compression on a database system. Commun ACM 28(12):1336–1342

    Article  MathSciNet  Google Scholar 

  11. 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

    Google Scholar 

  12. French CD (1995) “One size fits all” database architectures do not work for DDS. In: SIGMOD

  13. Garcia-Molina H, Salem K (1992) Main memory database systems: an overview. IEEE Trans Knowl Data Eng 4(6):509–516

    Article  Google Scholar 

  14. Grund M, Krueger J, Tinnefeld C, Zeier A (2009) Vertical partition for insert-only scenarios in enterprise applications. In: IE&EM

  15. 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)

  16. Inmon WH (1999) Building the operational data store. Wiley, New York

    Google Scholar 

  17. 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

    Chapter  Google Scholar 

  18. 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

    Google Scholar 

  19. Kossmann D (2010) How new is the cloud? In: ICDE, p 3

    Google Scholar 

  20. 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

    Chapter  Google Scholar 

  21. Krueger J, Grund M, Boissier M, Zeier A, Plattner H (2010) Data structures for mixed workloads in in-memory databases

  22. Krueger J, Grund M, Tinnefeld C, Plattner H, Zeier A, Faerber F (2010) Optimizing write performance for read optimized databases. In: DASFAA

  23. Krueger J, Grund M, Zeier A, Plattner H (2010) Enterprise application-specific data management. In: EDOC, Brazil (in Druck)

  24. Krueger J, Tinnefeld C, Grund M, Zeier A, Plattner H (2010) In: DBTest

  25. Mahapatra NR, Venkatrao B (1999) The processor-memory bottleneck: problems and solutions. Crossroads, p. 2. doi:http://doi.acm.org/10.1145/357783.331677

  26. Manegold S, Boncz PA, Kersten ML (2002) Generic database cost models for hierarchical memory systems. In: VLDB

  27. 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)

  28. 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

    Chapter  Google Scholar 

  29. Ramamurthy R, DeWitt DJ, Su Q (2003) A case for fractured mirrors. VLDB 12(2):89–101

    Article  Google Scholar 

  30. Schaffner J, Bog A, Krueger J, Zeier A (2008) A hybrid row-column oltp database architecture for operational reporting. In: BIRTE (informal proceedings)

  31. 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

  32. 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

    Google Scholar 

  33. TPC-C Benchmark—standard specification—revision 5.11. http://www.tpc.org/tpcc/spec/tpcc_current.pdf

  34. Transier F, Sanders P (2008) Compressed inverted indexes for in-memory search engines. In: Proceedings of the 9th workshop on algorithm engineering and experiments

  35. Westmann T, Kossmann D, Helmer S, Moerkotte G (2000) The implementation and performance of compressed databases. SIGMOD Rec 29(3), 55–67

    Article  Google Scholar 

  36. 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

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. August-Bebel-Str. 88, 14482, Potsdam, Deutschland

    Jens Krueger, Martin Grund, Christian Tinnefeld, Benjamin Eckart, Alexander Zeier & Hasso Plattner

Authors
  1. Jens Krueger
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Martin Grund
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Christian Tinnefeld
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Benjamin Eckart
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Alexander Zeier
    View author publications

    You can also search for this author in PubMed Google Scholar

  6. Hasso Plattner
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Jens Krueger.

Rights and permissions

Reprints 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

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s13222-010-0031-5

Schlüsselwörter

Search

Navigation